一种基于模糊逻辑的多智能体蜂拥避障控制算法
本发明属于多智能体协同控制领域,具体涉及一种基于模糊逻辑的多智能体蜂拥避障控制算法。
背景技术:
1、多智能体蜂拥控制是多智能体协同运行的核心技术,也是一致性控制与编队控制的研究基础,在智慧物流、水下勘测等领域具有重要应用价值。经典的 olfati-saber 蜂拥(olfati-saber flocking,osf)算法通过虚拟吸引/排斥势能避免碰撞,结合速度一致项实现个体速度匹配,并通过虚拟领导者完成目标跟随,是目前应用最广泛的蜂拥控制算法。
2、但该算法在多障碍物环境中存在显著缺陷:当智能体受到障碍物与其他智能体的虚拟合力达到平衡时,会陷入静止或震荡的动态平衡状态,无法跟随虚拟领导者。
3、现有解决该问题的方法主要分为几何填充法与智能决策法两类。几何填充法虽能使智能体逃离动态平衡,但依赖全局障碍物信息,实际部署难度大;智能决策法无需全局信息,却存在训练结构复杂、实时性不足的问题。其中模糊控制作为典型的智能决策法,现有方案仅适用于球形、墙形等简单障碍物场景,且避障过程中仍无法彻底避免动态平衡问题,难以满足复杂多障碍物环境的应用需求。
技术实现思路
1、本发明针对多障碍物环境下多智能体易陷入动态平衡的技术问题,提供了一种基于模糊逻辑的多智能体蜂拥避障控制算法(fuzzy flocking control,ffc)。算法的总体框架图如图2所示。本发明首先将智能体期望速度拆分为模糊期望速度与投影期望速度,动态平衡时通过模糊控制计算模糊期望速度实现逃离,正常状态下采用投影期望速度引导绕障,以此重构一致项;其次将智能体感知半径划分为四个子区域,设计非负分段函数差异化调节各区域吸引/排斥势能,重构梯度项;最后结合目标引导项实现群体目标跟随。本发明经理论证明可保证智能体无碰撞运动,实验验证其在复杂多障碍物场景中能有效逃离动态平衡,收敛性与安全性均优于传统osf算法。
2、本发明解决上述技术问题的技术方案如下:一种基于模糊逻辑的多智能体蜂拥避障控制算法,包括如下的步骤:
3、步骤1,通过参数配置、局部感知、位移阈值判定,输出智能体位置、速度、感知范围内邻域/障碍物信息、动态平衡状态标识;
4、步骤2,基于步骤 1 输出的智能体位置、速度、障碍物信息、动态平衡标识,分工况计算期望速度,结合模糊逻辑完成运算,最终重构并输出速度一致项、智能体与障碍物相对位置信息;
5、步骤3,基于步骤 1 输出的智能体感知半径、最小安全距离,以及步骤 2 输出的智能体与障碍物/邻域智能体相对位置信息、投影期望位置,划分感知区域、设计分段势能函数,重构并输出势能梯度项;
6、步骤4,基于步骤 1 输出的虚拟领导者位置与速度、步骤 2 输出的速度一致项、步骤 3 输出的势能梯度项,构建目标引导项、合成总控制输入,迭代更新智能体状态并判断循环终止条件,输出最终运行结果。
7、在一些可能实现的方式中,步骤1具体为:
8、步骤1.1,系统参数初始化:设定智能体数量、感知半径、反馈增益系数、势能调节权重、最小安全距离、最小预警距离及运行总时间;随机初始化各智能体的位置与速度向量,设定虚拟领导者的初始位置和速度向量;
9、步骤1.2,实时环境状态检测:每个智能体采集感知范围内同类智能体集合、障碍物边界虚拟智能体位置集合;若障碍物阻碍其跟随虚拟领导者,启动动态平衡判断;
10、步骤1.3,动态平衡判定:依据位移约束公式判断工况:,式中为单位时间,是单位时间的个数,是一个很小的常数;若连续个单位时间位移满足上式,判定智能体陷入动态平衡,生成平衡状态标识。
11、步骤1利用局部感知采集周边环境信息,通过位移范数阈值量化区分正常运动与动态平衡工况;仅依赖局部信息完成检测,无需全局障碍物数据,精准划分运行工况,为后续速度计算、势能调节提供完整前置输入。
12、在一些可能实现的方式中,步骤2具体为:
13、步骤2.1,非平衡工况计算投影期望速度:结合步骤 1 的平衡标识,若=0,根据步骤 1 的智能体位置、障碍物位置,计算投影期望速度,用于引导智能体平滑绕障;
14、步骤2.2,平衡工况计算模糊期望速度:若=1,依托步骤 1 的智能体与障碍物位置数据,执行整套模糊运算;
15、步骤2.3,结合动态平衡标识、反馈增益系数,构建一致项公式:
16、
17、式中,、和表示反馈增益系数,表示智能体对智能体的投影期望速度;当智能体陷入动态平衡时,否则。
18、在一些可能实现的方式中,步骤2.2具体为:
19、步骤2.2.1,选取模糊控制精确输入:建立局部坐标系,计算智能体与障碍物边界点之间的相对相位,若,则;统计相位集合中正、负相位数量,选定输入相对相位与输入距离;
20、步骤2.2.2,输入量模糊化:将相位、距离分别划分为 5 类模糊集,采用三角形隶属度函数、构建输入模糊集合和:
21、;
22、;
23、步骤2.2.3,模糊推理:以模糊集合和为输入,结合模糊规则库与 mamdani 算法、最小 - 最大运算完成推理,生成输出模糊集;
24、步骤2.2.4,去模糊化:采用重心公式求解输出相对相位和输出距离:
25、;
26、;
27、式中,和为隶属度函数,表示由隶属度函数划分的子区域数量,表示子区域的中心相位,表示由隶属度函数划分的子区域数量,表示子区域的中心距离;
28、步骤2.2.5,计算模糊期望速度:
29、先求解智能体的期望位置,公式为:
30、;
31、其中辅助变量:
32、;
33、;
34、;
35、;
36、式中,表示相对方位角,表示相对俯仰角,表示哈达玛积;智能体位于二维欧式空间下,最终计算出智能体对智能体的模糊期望速度:
37、。
38、步骤2采用双期望速度动态切换机制,正常工况依靠投影速度实现平滑绕障,平衡工况通过模糊逻辑打破虚拟力平衡;整套运算基于步骤 1 的局部感知数据完成,计算实时性强,既保障群体速度协同,又解决动态平衡停滞问题。
39、在一些可能实现的方式中,步骤3具体为:
40、步骤3.1,感知半径区域划分:将智能体感知半径划分为碰撞区、分离区、保持区、吸引区四个子区域,作为势能差异化调节的分区依据;
41、步骤3.2,设计非负分段势能调节函数:结合最小安全距离、预设常数、权重系数和,构建分段函数:
42、
43、式中,,表示最小安全距离,表示避免碰撞的期望距离,,,是一个预设常数;
44、步骤3.3,重构势能梯度项:引入反馈增益系数和、势函数梯度,结合分段势能函数,构建梯度项公式:
45、
46、式中,表示智能体与智能体之间的距离,,表示智能体对智能体的投影期望位置,表示智能体与之间的距离,;投影期望位置可通过下式计算得出:
47、;
48、式中,表示投影矩阵,表示单位法向量,表示平板形障碍物边界的途经点,表示单位矩阵。对于圆形障碍物,智能体的位置和速度可以表示为:
49、;
50、式中,表示圆形障碍物的圆心,,表示圆形障碍物的半径。
51、步骤3根据步骤 1、步骤 2 获取的距离、半径参数划分危险区域,通过分段权重动态调节吸引/排斥势能强度;近距离强化斥力实现碰撞预警,远距离维持群体聚集性,在不增加计算量的前提下,全面提升集群运动安全性。
52、在一些可能实现的方式中,步骤4具体为:
53、步骤4.1,构建目标引导项:基于智能体位置、速度与虚拟领导者位置、速度,搭配反馈增益系数构建公式:
54、;
55、步骤4.2,合成总控制输入并更新智能体状态:叠加三类控制项得到总控制输入:
56、;
57、步骤4.3,循环终止判断:对比当前运行时间与总时长:若达到则算法停止并输出结果;若未达到,则返回步骤 1进入下一轮迭代。
58、步骤4整合梯度项(防碰撞)、一致项(速度协同)、引导项(目标跟随)三大控制模块,形成闭环迭代控制;兼顾避障、集群协同、目标跟随三大核心需求,算法稳定性、可扩展性强,适配多规模智能体与复杂障碍物场景。
59、本发明的有益效果是:
60、(1)通过双期望速度动态切换机制,有效解决了多障碍物环境下多智能体易陷入动态平衡的核心问题;利用分段势能调节实现碰撞早期预警,提升了系统安全性;无需全局障碍物信息,计算复杂度低、实时性好;经理论证明可保证无碰撞运动,在复杂多障碍物场景中收敛性与适应性显著优于传统 osf 算法。;
61、(2)通过 100 次大样本重复实验验证,采用双量化指标对比,性能优势直观可测,同时验证了不同智能体规模下的算法稳定性。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com