一种未知环境中多机器人队伍的自适应探索与任务分配方法

本发明属于多机器人系统，特别是关于一种利用自适应快速探索随机树(rapidly-exploring random tree，rrt)算法和贝叶斯引导的进化策略来实现未知环境中多机器人队伍的自适应探索与任务分配方法。

背景技术：

1、自然灾害发生后，传统的探索和评估方法不仅响应慢、成本高，而且在某些环境中根本无法执行。同时，随着社会活动的增加和人口密度的提高，在发生紧急情况时，迅速准确地评估情况和部署救援资源成为了一大挑战。例如，大型公共活动或突发事件时，迅速获取准确的环境信息对于维持秩序和及时响应至关重要。然而，现有的探索与监测技术在面对复杂多变的环境时，往往效率低下，无法满足快速动态响应的需求。

2、多机器人系统以其灵活部署、高效协作的特点，为解决这些问题提供了新的可能。与单一机器人系统相比，多机器人系统能够通过分布式探索和信息共享，大大提高对未知环境的认知速度和准确性。尤其是在无法直接人工进入或视线范围内难以完全覆盖的复杂环境中，多机器人系统能够发挥其独特的优势。然而，要实现多机器人系统的有效部署和协调操作，需要解决包括机器人间通信、路径规划、任务分配等一系列技术挑战。在这些挑战中，如何高效地探测前沿点并进行有效的任务分配，是提高多机器人系统在未知环境探索效率的关键。

3、近年来，虽然多机器人系统在灾后评估、城市监测等领域的应用逐渐增多，但在实际操作中仍面临着前沿点检测不准确、任务分配不优化等问题。这些问题不仅影响了多机器人系统的探索效率，也限制了其在更广泛场景下的应用。因此，开发一种新的多机器人系统探索与协作方法，以提高在复杂环境中的探索效率和准确性，成为了当前研究的重要方向。

技术实现思路

1、本发明针对当前多机器人系统在未知环境探索领域存在的效率低下和精确度不足的问题，提出了一种未知环境中多机器人队伍的自适应探索与任务分配方法，旨在提升多机器人系统在探索未知环境时的效率和准确性，通过优化前沿点的检测和任务分配，实现快速、准确的环境映射和资源分配。

2、本发明的一种未知环境中多机器人队伍的自适应探索与任务分配方法，包括如下步骤：

3、步骤1，为多机器人队伍中的每个机器人部署机器人系统，为服务器部署主机系统；所述机器人系统包括导航模块，建图模块以及第一前沿点检测模块；所述主机系统包括任务分配模块，地图合并模块以及第二前沿点检测模块；

4、步骤2，主机获取区域探索任务，然后执行下面步骤3-7，直到完成区域探索任务；

5、步骤3，各机器人和主机调用各自的前沿点检测模块，并行执行前沿点检测，每个机器人将检测的前沿点集合发送给主机；

6、步骤4，主机调用任务分配模块为当前可用机器人分配目标点探测任务；

7、所述的任务分配模块执行贝叶斯引导的进化策略，包括：针对所有前沿点，先使用贝叶斯优化预测前沿点的效用值，根据设置的阈值条件获取初始目标点集合；然后使用遗传算法基于初始目标点集合为当前可用机器人寻找最优分配策略；

8、计算前沿点x的效用值如下：

9、u(x)＝α·ig(x)-β·c(x)-γ·rpf(x)

10、其中，ig(x)是前沿点x的信息增益，表示机器人在到达该点后能获得的新信息量，基于前沿点周围的未探索区域计算得出；成本c(x)表示机器人从当前位置到达前沿点x所需的努力，使用欧几里得距离作为成本的度量；rpf表示排斥势场；α、β和γ是权重系数；

11、所述的贝叶斯优化中，使用历史前沿点和对应的效用值训练高斯过程模型，通过采样高斯过程的后验分布预测探索点的效用值和不确定性；

12、步骤5，各机器人系统的导航模块接收到分配的目标点后，通过导航模块规划出从当前位置到目标点的路径，指导机器人沿该路径移动到目标点，通过建图模块获取机器人搭载的传感器实时采集的环境数据，结合定位技术构建局部地图；

13、步骤6，各机器人系统将构建的局部地图发送给主机系统，主机系统通过地图合并模块将局部地图整合成全局地图，更新已探测区域的面积并发送给各机器人系统；

14、步骤7，在机器人到达目标点后，继续转步骤3执行。

15、所述的步骤3中前沿点检测模块中使用自适应rrt算法进行前沿点检测，检测时，将当前机器人的位置作为当前轮探索中快速探索随机树t的初始节点，再自适应调整当前轮探索中随机树的生长步长λ，如下：

16、

17、其中，λ0为初始生长步长；stotal为总探索区域面积，由主机系统从探索任务中获得；scovered为当前已探索的区域面积，每轮探索前主机系统将已探索区域合并后通知各机器人，第一轮探索时scovered为0。

18、相比现有技术，本发明方法具有以下优势和积极效果：

19、(1)本发明方法通过适应自适应rrt树生长策略检测前沿点。传统rrt算法虽然能够实现对未知环境的探索，但其固定的生长步长限制了探索效率和准确性。本发明方法通过引入自适应rrt树生长策略，根据当前环境信息和已探索区域的覆盖率动态调整rrt树的生长步长，使得在初期可以快速覆盖大范围区域，随后逐渐细化探索范围，可以提升探索的精度。本发明策略有效克服了传统方法在狭窄或复杂环境中的局限性，提高了前沿点检测的效率和准确性。

20、(2)本发明方法提出使用贝叶斯引导的进化策略解决多机器人系统任务分配的全局优化问题，通过贝叶斯优化算法对历史探索数据进行学习，预测不同前沿点的潜在价值，并以此为基础利用遗传算法进行全局最优的任务分配。该策略不仅考虑了当前的探索效益，还兼顾了长期的资源配置和系统效率，优化了前沿点检测和任务分配的准确性，提高了环境映射的质量，增强了探索精度；通过智能任务分配避免了资源浪费和任务重复，优化了资源配置，提升了工作效率。

21、(3)本发明方法实现了一套完善的多机器人协同探索机制，确保了在复杂多变的探索环境中，各个机器人能够高效地共享信息、协作完成任务，显著提升了多机器人系统在未知或复杂环境中探索的效率和精确性，提升了探索任务的执行效率，也提高了机器人操作系统的稳定性和可靠性。本发明方法实现了快速响应环境变化，有效减少了探索时间，同时优化了资源配置，具有重要的实际应用价值和广泛的应用潜力，可适用于各种复杂环境的探索任务，为紧急救援、环境监测、自然灾害评估等领域提供有效技术解决方案。

技术特征：

1.一种未知环境中多机器人队伍的自适应探索与任务分配方法，其特征在于，该方法包括以下步骤：

2.根据权利要求1所述的方法，其特征在于，所述的步骤3中，机器人调用第一前沿点检测模块，使用自适应快速探索随机树算法进行前沿点检测，包括：

3.根据权利要求1或2所述的方法，其特征在于，所述的步骤3中，主机调用第二前沿点检测模块，使用自适应快速探索随机树算法进行前沿点检测；主机生成的快速探索随机树的根节点始终为主机位置，在第一轮检测时，根据主机设备所能感知的环境探索前沿点，从第二轮检测开始，根据当前已探索的全局地图检测前沿点。

4.根据权利要求1或2所述的方法，其特征在于，所述的步骤4中，在贝叶斯优化中，根据预设的效用值阈值和不确定性阈值，筛选出满足阈值条件的前沿点组成初始目标点集合x。

5.根据权利要求1或2所述的方法，其特征在于，所述的步骤4中，使用遗传算法为当前可用机器人寻找最优分配策略，包括：

6.根据权利要求1或2所述的方法，其特征在于，所述的步骤5中，导航模块采用a*算法进行路径规划，采用动态窗口法进行动态避障。

7.根据权利要求1或2所述的方法，其特征在于，所述的步骤6中，地图合并模块对局部地图先进行对齐，通过寻找共同特征和最优变换确定局部地图之间的相对位置关系，再进行地图融合。

技术总结本发明公开了一种未知环境中多机器人队伍的自适应探索与任务分配方法，属于多机器人系统技术领域。为提升多机器人系统在复杂环境中的探索效率和准确性，本发明方法在各机器人部署前沿点检测、导航和建图模块，在主机部署任务分配、前沿点检测和地图合并模块；在获取探索任务后，各机器人和主机通过自适应快速探索随机树算法并行执行前沿点检测；主机使用贝叶斯引导的进化策略为当前可用机器人分配目标点探测任务，机器人移动到目标点继续进行探测，通过建图模块构建局部地图，主机整合全局地图，直至完成探索任务。本发明有效提高了多机器人系统在未知环境中的探索效率和准确性，同时优化了资源配置，降低了能耗，提高了能源利用效率。技术研发人员：赵中亮,吴书戈,曹先彬受保护的技术使用者：北京航空航天大学技术研发日：技术公布日：2024/7/18