【文献阅读】动态环境中多机器人任务分配与路径规划

2018.04

动态环境中多机器人任务分配与路径规划

文中根据动态环境的特点，将任务分配与路径规划二者同时进行。

一、应用背景

​ 给定机器人和任务点的数量，随机生成机器人、任务点的位置、障碍物。在动态环境中，按照一定的分配方法，将环境中的多个任务点合理分配给环境中的机器人。在分配完成后，进行无避碰的路径规划，使机器人顺利到达路径点。

​ 此外，还应该考虑系统动态性地增加任务、机器人故障、任务点移动、障碍物移动（移动速度）、未知障碍物的问题。

​ 本文中，如果机器人到达任务点，则定义为完成任务。

二、研究思路

​ 在已知障碍物位置信息的全局已知情况下，传统SOM算法能够在分配任务的同时规划出每个机器人的移动路径，但存在迭代次数多、路径不平滑、转折多等问题。引入锁定机制可以很好地解决这些缺陷。在障碍物以及机器人周围建立人工斥力场，使机器人在执行任务的过程中自动绕开障碍物、避免机器人之间的碰撞。

​ 在全局信息部分已知，局部信息未知的情况下，机器人需要利用传感器实时感知周围的障碍物，检测到障碍物后，利用BUG算法完成局部未知环境的自主避障，最后所有机器人到达任务点。

三、研究细节

（1）路径规划的解需要满足以下要求：

​ ① 从起点到目标终点；

​ ② 避开工作空间的障碍物；

​ ③ 避免碰撞其他移动的机器人；

​ ④ 路线最优。

（2）路径规划分为全局路径规划、局部路径规划。

（3）任务分配：

​ ① 传统SOM算法：以随机任务点为神经网络输入，输出适合该任务点的最佳机器人，判断标准是欧几里得距离。为了使最佳机器人不绝对化，之后再计算最佳机器人邻域内的机器人，各机器人以不同速度奔赴任务点，完成一次迭代；

​ ② 带有锁定机制的SOM算法：为了避免最后输出的最佳机器人被过多的任务点吸引（神经元振荡），锁定机制以最佳锁定代价为标准，确定迭代过程中唯一的任务点。

四、启发

​ 文中解决的是多机器人到达任务点的问题，即为每个机器人分配最佳任务点，并同时进行路径规划。文中考虑了任务点移动的问题，也考虑了移动障碍物、局部位置障碍物的问题。但是没有体现协作关系、移动速度，此外本文也只是预先设定了规则，没有挖掘如何让系统自动学习规则，这是需要解决的问题。

​ 文中关于 任务点分配、避碰避障的路径规划 可以参考！