一种基于概率推理的多机器人编队集中式轨迹规划方法

本技术涉及多机器人编队，具体地，涉及一种基于概率推理的多机器人编队集中式轨迹规划方法。

背景技术：

1、随着人工智能技术的飞速发展，多机器人系统的协同作业已成为研究的热点之一。在复杂环境中，如何实现多机器人的有效编队和路径规划，是确保任务成功执行的关键。

2、现有的多机器人编队轨迹规划方法往往存在一定的局限性，尤其是在面对动态变化的环境时。传统的规划方法依赖于预先设定的路径和编队模式，这些方法在静态环境中可能表现良好，但在动态环境中，固定不变的规划策略就可能无法适应环境的变化，导致规划结果的失效或效率低下。因此，期待一种优化的方案。

技术实现思路

1、提供该技术实现要素：部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

2、第一方面，本技术提供了一种基于概率推理的多机器人编队集中式轨迹规划方法，所述方法包括：

3、获取由无人机采集的环境障碍物分布图像；

4、获取由所述无人机采集的多机器人当前编队状态图像；

5、从集中式轨迹规划服务器提取备选多机器人下一时刻编队状态图像；

6、对所述环境障碍物分布图像进行环境障碍分布特征提取和特征激励-压榨强化以得到强化环境障碍物分布特征向量；

7、对所述多机器人当前编队状态图像和所述备选多机器人下一时刻编队状态图像进行编队状态多尺度特征提取以得到多机器人当前编队状态多尺度特征向量和备选多机器人下一时刻编队状态多尺度特征向量；

8、将所述强化环境障碍物分布特征向量、所述多机器人当前编队状态多尺度特征向量和所述备选多机器人下一时刻编队状态多尺度特征向量输入贝叶斯概率推理网络以得到轨迹规划语义推理特征向量；

9、基于所述轨迹规划语义推理特征向量确定规划结果，所述规划结果用于表示沿着备选多机器人下一时刻编队状态图像所指示的编队状态进行移动的可行性是否超过预设阈值。

10、可选地，对所述环境障碍物分布图像进行环境障碍分布特征提取和特征激励-压榨强化以得到强化环境障碍物分布特征向量，包括：将所述环境障碍物分布图像输入基于空洞卷积神经网络模型的环境障碍物分布特征提取器以得到环境障碍物分布特征图；将所述环境障碍物分布特征图输入包含特征多尺度感知强化模块和多尺度语义特征提取模块的特征激励-压榨网络以得到所述强化环境障碍物分布特征向量。

11、可选地，将所述环境障碍物分布特征图输入包含特征多尺度感知强化模块和多尺度语义特征提取模块的特征激励-压榨网络以得到所述强化环境障碍物分布特征向量，包括：将所述环境障碍物分布特征图输入所述特征激励-压榨网络的特征多尺度感知强化模块以得到环境障碍物分布多尺度感知特征图；将所述环境障碍物分布多尺度感知特征图输入所述特征激励-压榨网络的多尺度语义特征提取模块以得到所述强化环境障碍物分布特征向量。

12、可选地，将所述环境障碍物分布特征图输入所述特征激励-压榨网络的特征多尺度感知强化模块以得到环境障碍物分布多尺度感知特征图，包括：将所述环境障碍物分布特征图输入所述特征多尺度感知强化模块的低频侦测分支以得到环境障碍物分布局部低频激活特征向量；将所述环境障碍物分布特征图输入所述特征多尺度感知强化模块的精简压缩分支以得到环境障碍物分布压缩特征图；将所述环境障碍物分布特征图输入所述特征多尺度感知强化模块的全局空间感知分支以得到环境障碍物分布感受野扩张激活特征矩阵；将所述环境障碍物分布感受野扩张激活特征矩阵与所述环境障碍物分布压缩特征图的沿通道维度的各个特征矩阵进行按位置点乘以得到环境障碍物分布压缩-扩张激活特征图；将所述环境障碍物分布局部低频激活特征向量中的各个特征值作为权重，对所述环境障碍物分布压缩特征图的沿通道维度的各个特征矩阵进行点乘以得到环境障碍物分布压缩-低频融合特征图；将所述环境障碍物分布压缩-扩张激活特征图和所述环境障碍物分布压缩-低频融合特征图进行按位置相加以得到环境障碍物分布多尺度融合激活特征图； 对所述环境障碍物分布多尺度融合激活特征图进行空洞卷积编码以得到所述环境障碍物分布多尺度感知特征图。

13、可选地，将所述环境障碍物分布特征图输入所述特征多尺度感知强化模块的低频侦测分支以得到环境障碍物分布局部低频激活特征向量，包括：对所述环境障碍物分布特征图进行点卷积处理以得到环境障碍物分布通道压缩特征图；对所述环境障碍物分布通道压缩特征图进行全局均值池化以得到环境障碍物分布局部低频特征向量；对所述环境障碍物分布局部低频特征向量进行非线性激活以得到所述环境障碍物分布局部低频激活特征向量；将所述环境障碍物分布特征图输入所述特征多尺度感知强化模块的精简压缩分支以得到环境障碍物分布压缩特征图，包括：对所述环境障碍物分布特征图进行点卷积处理以得到所述环境障碍物分布压缩特征图；将所述环境障碍物分布特征图输入所述特征多尺度感知强化模块的全局空间感知分支以得到环境障碍物分布感受野扩张激活特征矩阵，包括：对所述环境障碍物分布特征图进行空洞卷积编码以得到环境障碍物分布感受野扩张特征图；对所述环境障碍物分布感受野扩张特征图进行点卷积处理以得到环境障碍物分布感受野扩张全局特征矩阵；对所述环境障碍物分布感受野扩张全局特征矩阵进行非线性激活以得到所述环境障碍物分布感受野扩张激活特征矩阵。

14、可选地，将所述环境障碍物分布多尺度感知特征图输入所述特征激励-压榨网络的多尺度语义特征提取模块以得到所述强化环境障碍物分布特征向量，包括：对所述环境障碍物分布多尺度感知特征图进行上采样以得到上采样环境障碍物分布多尺度感知特征图；使用环境障碍物分布全局语义特征抽取模块对所述上采样环境障碍物分布多尺度感知特征图进行处理以得到环境障碍物分布全局语义抽取特征向量；对所述环境障碍物分布全局语义抽取特征向量进行维度调整以得到环境障碍物分布全局语义特征向量；使用环境障碍物分布局部语义特征抽取模块对所述上采样环境障碍物分布多尺度感知特征图进行处理以得到环境障碍物分布局部语义抽取特征向量；对所述环境障碍物分布局部语义抽取特征向量进行维度调整以得到环境障碍物分布局部语义特征向量；计算所述环境障碍物分布全局语义特征向量和所述环境障碍物分布局部语义特征向量的按位置逐元素相加以得到环境障碍物分布多尺度语义融合特征向量；将所述环境障碍物分布多尺度语义融合特征向量进行基于sigmoid函数的激活处理以得到所述强化环境障碍物分布特征向量。

15、可选地，所述环境障碍物分布全局语义特征抽取模块包括全局平均池化层、第一点卷积层、第一批量归一化层和第一激活层，所述环境障碍物分布局部语义特征抽取模块包括第二点卷积层、第二批量归一化层和第二激活层。

16、可选地，对所述多机器人当前编队状态图像和所述备选多机器人下一时刻编队状态图像进行编队状态多尺度特征提取以得到多机器人当前编队状态多尺度特征向量和备选多机器人下一时刻编队状态多尺度特征向量，包括：将所述多机器人当前编队状态图像和所述备选多机器人下一时刻编队状态图像输入基于双向金字塔网络的编队状态特征提取器以得到所述多机器人当前编队状态多尺度特征向量和所述备选多机器人下一时刻编队状态多尺度特征向量。

17、可选地，将所述强化环境障碍物分布特征向量、所述多机器人当前编队状态多尺度特征向量和所述备选多机器人下一时刻编队状态多尺度特征向量输入贝叶斯概率推理网络以得到轨迹规划语义推理特征向量，包括：计算所述多机器人当前编队状态多尺度特征向量的第i个特征值与所述备选多机器人下一时刻编队状态多尺度特征向量的第i个特征值的乘积，将乘积得到的数值除以所述强化环境障碍物分布特征向量的第i个特征值以得到所述轨迹规划语义推理特征向量的第i个特征值。

18、可选地，基于所述轨迹规划语义推理特征向量确定规划结果，所述规划结果用于表示沿着备选多机器人下一时刻编队状态图像所指示的编队状态进行移动的可行性是否超过预设阈值，包括：将所述轨迹规划语义推理特征向量输入基于分类器的轨迹规划器以得到所述规划结果。

19、采用上述技术方案，通过采集环境障碍物分布图像，利用图像处理技术和智能化算法对其进行特征提取，以从中学习实时的复杂环境状态特征，同时，挖掘多机器人当前编队状态图像和多机器人下一时刻编队状态图像所表达的实时编队状态特征和设定的编队变化模式，并以概率推理的方式将三者进行语义交互与推理表达，进一步构建轨迹规划器以智能化地判别以预设编队模式进行移动的可行性是否符合当前复杂的环境状况和多机器人的实时编队状态。这样，使得多机器人在执行协同作业时，及时评估当前编队状态的可行性，以在面对复杂动态环境状况的挑战时也能确保任务的顺利执行。

20、本技术的其他特征和优点将在随后的具体实施方式部分予以详细说明。