一种基于SLAM技术的多机器人编队控制方法与流程

本发明属于机器人的技术领域，特别涉及一种基于slam技术的多机器人编队控制方法。

背景技术：

随着机器人相关技术的不断发展，多机器人系统在智能控制领域引起了广泛关注，且被应用与多种场景，如资源勘探、森林火灾监控与灾后救援等。多机器人编队控制作为多智能系统中的重要分支，即要求多机器人执行任务期间，能够保持一定的队形，相互避碰，从而实现一些共同目标。多年来，针对多机器人编队控制问题诞生了大量的研究成果，并形成了以跟随领航者法、基于行为控制法、虚拟结构法和人工势场法为代表的多种编队控制方法，这些编队方法优劣各异，针对不同的应用场景，也常常将以上方法组合使用，以达到期望的编队效果。

多机器人编队问题可以描述为：在一定编队控制策略的作用下，所有的机器人能够从某一初始状态逐渐形成期望的队形。机器人编队任务主要包含三个部分，即队形的形成，队形的保持和队形的变换。一般所谓的队形控制就是指队形的生成，队形的保持是指目标队形形成后，多机器人系统能够按照既定的路线运行，并且保持指定的队形。队形的变换通常是指当多机器人系统遇到障碍物时，为了躲避障碍物需要临时变换队形，在通过障碍物后还能变换回初始队形形状。

技术实现要素：

设计了一种基于slam定位多机器人编队控制方法，解决现有技术中队形变换不灵活的问题。

为实现上述目的，本发明提出的技术方案是：

一种多机器人编队控制方法，该方法首先利用cvt算法构建期望的目标队形，然后设计位置误差控制器控制机器人完成对其对应质心位置的跟踪，最后调整cvt算法中的密度函数来实时的改变期望的队形。

进一步的，具体包括以下步骤：

确定机器人划分的目标区域q，密度函数σ(q)，其中q为目标区域q内设置的虚拟传感器位置(q∈q)，定义机器人的数量为正整数k；

步骤(1)、随机选择k个生成点p作为生成点

步骤(2)、利用与生成点相关联的模拟传感器构造voronoi集合

步骤(3)、确定voronoi集合的质心，将质心作为新的生成点进行voronoi划分；

步骤(4)、驱动机器人到达新的生成点。

与现有技术相比，本发明的有益效果是：

本发明方法在机器人利用slam技术获取场景地图与自身位姿信息的基础上，将质心维诺细分算法(centroidalvoronoitessellation,cvt)与目标跟踪算法相结合，实现了多机器人的编队控制；即期望队形结构由cvt算法划分后的各个voronoi单元的质心构成，设计编队控制器控制机器人完成对其对应质心的跟踪，从而实现多机器人编队，且可以通过调整质心voronoi算法中的密度函数，实时的改变期望的目标队形，显著提高了队形变换的灵活性。

附图说明

图1是本发明算法流程框图；

图2是本发明机器人初始化位置；

图3是本发明matlab仿真平台下的多机器人编队控制，其中，图3(a)为均匀密度函数，图3(b)为正方形编队，图3(c)为高斯密度函数，图3(d)为菱形编队，图3(e)为“v”形密度函数,图3(f)为直线形编队；

图4是本发明stage仿真平台下的多机器人编队控制，其中，图4(a)为均匀密度函数下voronoi划分，图4(b)为机器人在舞台中央编队，图4(c)为均匀密度函数下的代价函数，图4(d)为高斯密度函数下的voronoi划分，图4(e)为机器人在原点处编队，图4(f)为高斯密度函数下的能量函数，图4(g)为“v”形密度函数下的voronoi划分，图4(h)为机器人直线形编队，图4(i)为“v”形分布密度函数下的代价函数。

具体实施方式

下面通过具体实施方式结合附图对本发明作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中，很多细节描述是为了使得本申请能被更好的理解。然而，本领域技术人员可以毫不费力的认识到，其中部分特征在不同情况下是可以省略的，或者可以由其他元件、材料、方法所替代。

cvt算法是将包含p个生成点的区域分割成p个单元格，每个单元格包含一个生成点，且单元格中的其他点与该单元格的生成点距离最近，从而保证系统的能量函数到达最小值。在此基础上，首先假设目标区域设置了k个能量有限的虚拟无线传感器，为了最大化传感器的使用寿命，考虑了一种解决方案，即传感器只与最近的机器人进行数据交互，能够有效的降低信息传输的功耗，且更快的获取周围环境信息。

假设多机器人系统中的单个机器人具有位置pi∈q，i∈{1，2，...，n}即n个机器人在有界区间q∈m²内运动，s²为目标区域的二维栅格地图。无线传感器的位置表示为qj∈s²j∈{1，2，...，k}以机器人位置作为voronoi划分的生成点，则区域q内的voronoi单元y＝{v1，v2，...，vn}表示为：

将k个能量有限的虚拟无线传感器采集的数据拟合为cvt算法的密度函数σ(q)σ(q)为在全局地图上定义的密度函数，σ(q)值较大意味着某种属性的密度更高，或是更为特殊的位置，通常由传感器网络进行测量来代表某些区域的属性，在有界区域q内的代价函数定义为：

多机器人执行任务的目标区域为无障碍物场景，通过修改拟合的密度函数，使得机器人在区域内趋向于期望的队形，图1为4个机器人的初始化位置。

在应用cvt算法之前，需要设置密度函数σ(x，y)该密度函数取决于期望的队形。首先将所有传感器的检测值设置为均匀分布，如图3(a)所示，此时机器人均匀划分区域，如图3(c)所示，构成了正方形编队。菱形编队的形成是在正方形编队的基础上调整密度函数为高斯函数，如公式(3)所示。其中函数的最大值(xc，yc)被放置在期望的编队形成处，δ为高斯函数的正增益，指数部分为椭圆公式，为了将密度较大处扩展为椭圆，而不是一个点。该密度函数的仿真结果如图3(c)所示，形成的菱形编队如图3(d)所示。

将密度函数调整为“v”形函数，如公式(4)所示。该密度函数的仿真结果如图3(e)所示，形成的直线型编队如图3(f)所示。最终通过密度函数的改变使多机器人间满足期望的队形。

为了进一步验证算法的可靠性，在ros操作系统下的stage仿真平台上对算法进行了验证，选用的是turtlebot3系列的机器人。机器人的运动模型为差速控制模型在stage仿真平台下，首先假设地图大小为s＝20*20m2，且是没有障碍物的环境地图，四个机器人分别由图中的圆柱体表示。当voronoi代价函数达到最小值时，认为机器人达到该密度函数下的期望位置，即构成了目标队形。由于voronoi划分的具体流程与matlab相同，只展示了代价函数趋于稳定时的仿真结果。图4(a)函数均匀分布下的voronoi划分，机器人在stage仿真平台上均匀分布，如图4(b)所示。图4(d)原点为中心的高斯分布密度函数下的voronoi划分，此时的极值点在原点附近，导致机器人在密度值最大的原点处编队，如图4(e)所示。图4(g)为“v”形分布密度函数下的voronoi划分，此时的极值点在地图中间区域，导致机器人在中间区域直线型编队，如图4(h)所示。

对于本技术领域的普通技术人员来说，在不脱离本发明所属原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。