RoboCup救援平台中基于聚类和凸包的地图划分方法
【专利摘要】本发明公开了一种RoboCup救援平台中基于聚类和凸包的地图划分方法，属于机器人仿真【技术领域】，针对RoboCup机器人救援智能体仿真平台中机器人的感知信息具有局部性、相对性、不准确特点，详细阐述了智能体行动前和行动中对地图信息的认知方法，包括对地图建筑按距离采用K均值进行聚类划分和对燃烧建筑群进行动态凸集识别，获得对动态变化对象的状态估计，从而使智能体对灾难环境的认知接近真实环境，为智能体的上层行为决策提供有力支持。
【专利说明】RoboCup救援平台中基于聚类和凸包的地图划分方法
【技术领域】
[0001] 本发明属于机器人仿真【技术领域】，具体涉及一种RoboCup救援平台中基于聚类和 凸包的地图划分方法。
【背景技术】
[0002] 多智能体协作一直是人工智能领域的研究热点，在机器人救援领域中救援机器人 的协作面临着环境未知且动态变化、通信及资源受限等诸多挑战。RoboCup机器人救援智能 体仿真平台中机器人的感知信息也具有局部性、相对性、不准确等特点。
[0003] 作为救援智能体协作的基础，世界模型（World Model)是一个可以获取和保存所 有客观对象信息的结构集合，包括各救援智能体的异构类型、位置、状态以及灾难环境中其 它对象的相关状态信息。世界模型是整个多智能体协作的基石，是所有外部环境和内部自 身状态的整合，是救援智能体进行所有推理和决策的前提，类似人脑的存储结构，体现了智 能体对当前环境的认知能力。
[0004] 因此针对RoboCup机器人救援智能体仿真平台中机器人的感知信息的不足，需要 设计一种新的救援智能体的世界模型构建和信息更新模型，智能体在行动前和行动中使用 该模型对地图信息进行认知，获得对动态变化对象的状态估计，从而使智能体对灾难环境 的认知接近真实环境，为智能体的上层行为决策提供有力支持。
【发明内容】
[0005] 本发明的目的是提供一种RoboCup救援平台中基于聚类和凸包的地图划分方法 解决现有技术中存在的RoboCup机器人救援智能体仿真平台中机器人的感知信息也具有 局部性、相对性、不准确的问题。
[0006] 本发明解决其技术问题所采用的技术方案是：提出一种RoboCup救援平台中基 于聚类和凸包的地图划分方法，智能体在行动前和行动中使用世界模型对地图信息进行认 知，包括对地图建筑按距离进行聚类划分和对燃烧建筑群进行动态凸集识别，获得对动态 变化对象的状态估计。
[0007] RoboCup救援平台中基于聚类和凸包的地图划分方法，所述方法包括以下步骤：
[0008] 步骤A :对于地图建筑按距离进行聚类划分；
[0009]步骤B :对燃烧建筑群进行动态凸集识别。
[0010] 进一步地，本发明的RoboCup救援平台中基于聚类和凸包的地图划分方法，所述 的步骤A具体包括以下步骤：
[0011] 步骤A1 :将地图信息抽象化：设每个道路和建筑均抽象成一个个顶点，将地图抽 象成无向图的数据结构0 < N，E >，其中N表示顶点集合，E表示边集合，边是顶点的有序 偶对，若两个顶点之间存在一条边，表示着两个顶点具有相邻关系；
[0012] 步骤A2 :进行基于κ-means聚类方法的地图聚类：将整个地图上的各个节点基于 距离采用迭代更新的方法分成多个簇；设二维数据集合X= {Xi|Xi e R2,i = 1,2，·.·，Ν} 聚集成k个簇w2, · · ·，wk,它们的中心依次为Cl，c2,. . .，ck，其中
【权利要求】
1. RoboCup救援平台中基于聚类和凸包的地图划分方法，其特征在于：所述方法包括 以下步骤： 步骤A :对于地图建筑按距离进行聚类划分； 步骤B :对燃烧建筑群进行动态凸集识别。
2. 根据权利要求1所述的RoboCup救援平台中基于聚类和凸包的地图划分方法，其特 征在于：所述的步骤A具体包括以下步骤： 步骤A1 :将地图信息抽象化：设每个道路和建筑均抽象成一个个顶点，将地图抽象成 无向图的数据结构G < N，E >，其中N表示顶点集合，E表示边集合，边是顶点的有序偶对， 若两个顶点之间存在一条边，表示着两个顶点具有相邻关系； 步骤A2 :进行基于K-means聚类方法的地图聚类：将整个地图上的各个节点基于距离 采用迭代更新的方法分成多个簇；设二维数据集合X = {Xi I Xi e R2, i = 1，2, . . .，N}聚集 成k个簇、w2,. · .，wk，它们的中心依次为Cp c2,. . .，ck，其中
h是簇&中所有 数据点的个数；N为数据集合X的大小，所述K-means聚类方法具体包括以下步骤： 步骤A21 :从X中随机选择k个初始簇中心q，c2,. . .，ck ; 步骤A22:将数据集合X按最小欧式距离原则分配到最近邻的聚类簇中：若满足 dijUi，Cj) < Kx" cm)，贝 1J 将 Xi 戈1」分至 lj Cj 所在的簇中，m = 1，· · ·，k ;j = 1，· · ·，k ;j 尹 m ; i = 1，. . .，N ;其中，dij表示Xi到Cj的最小欧式距离；dim表示Xi到cm的最小欧式距离； 步骤A23 :根据公式
"更新计算每个簇的质心..，￡·(; 步骤A24 :如果对于任意/ ? =c;都成立，则算法结束，将作为新的 质心；否则令Ci = Ci%返回步骤A22继续执行。
3. 根据权利要求2所述的RoboCup救援平台中基于聚类和凸包的地图划分方法，其特 征在于：所述的步骤A21中初始簇中心的确定通过Canopy初始聚类进行预处理以及距离最 远原则保证各簇的中心分布均匀来确定，具体包括以下步骤 ： 步骤A211 :确定两个距离Di、D2，其中= Di>D2，万为地图上 节点之间的平均距离，△d是一个先验值； 步骤A212 :设S为所有节点的集合，从集合S中随机移除一个节点P，对于S中的所有 其它节点分别计算与P点的距离：若该节点与P点的距离小于Di，则将该节点加入到P所代 表的Canopy簇中；若该节点与P点的距离小于D 2，则将该节点加入到P所代表的Canopy簇 中，并从集合S中将该节点移除；迭代一次后，重新从S中选择新的P点，重复本步骤，直至 S集合中的所有节点都遍历； 步骤A213 :从S集合中扫描结束后，生成Μ个Canopy簇，进行操作如下：首先随机选择 一个Canopy簇，设该簇中心为q ;然后选择离q最远的Canopy簇，设该簇中心为c2 ;其次 选择距离q、c2最远的Canopy簇，设该簇中心为c3 ;以此类推，最终从Μ个Canopy簇中选 择k个簇中心，即得到K-means初始簇中心c2,. . .，ck。
4. 根据权利要求1所述的RoboCup救援平台中基于聚类和凸包的地图划分方法，其特 征在于：所述的步骤B对燃烧建筑群进行动态凸集识别是通过：运用Graham算法对燃烧建 筑组成的点集合进行动态扫描，创建凸包，随着点的不断增加和减少，动态对着火建筑群维 护一个凸集集合，为救援智能体的火势控制决策提供支持。
5.根据权利要求4所述的RoboCup救援平台中基于聚类和凸包的地图划分方法，其特 征在于：所述的步骤B具体包括以下步骤： 步骤B1 :进行点集排序：找到最左下角的点0设为参考点,对平面上所有的点相对于点 〇进行极角排序； 步骤B2 :进行Graham栈扫描：扫描过程中维护一个栈，保存当前的凸包集合，按照步骤 B1排好的顺序，依次加入新点到新的边，如果和上一条边成左转关系就压栈继续，如果与上 一条边成右转关系则出栈，这样保证时刻站内都是一个凸壳，扫描完毕就得到一个凸包。
【文档编号】G06F19/00GK104298858SQ201410484603
【公开日】2015年1月21日 申请日期:2014年9月19日 优先权日:2014年9月19日
【发明者】梁志伟, 魏志鹏, 沈杰 申请人:南京邮电大学