基于人群交互行为的机器人集群运动控制方法与流程

1.本发明属于机器人运动控制领域，具体涉及一种基于人群交互行为的机器人集群运动控制方法。


背景技术：

2.人群是群集的典型代表，由于人具备高度的自主性与智能性，人群在运动过程中，往往展现出区别于其他生物的高度智能化的行为。从人群交互行为的角度研究群集运动，有利于挖掘人群交互中的智能化行为，更好地刻画群集的运动特征。
3.社会力主要包括三种形式的力，即个体自驱力、个体间作用力以及个体与障碍物间的作用力，个体在这些力的共同作用下，产生朝着目标点运动的加速度。但传统的社会力模型采用的是人工势场法的建模思想，会导致局部最小问题，局部最小问题使得群内个体丢失，导致群集组群能力不足，群集的协调一致性下降。其次，传统社会力模型中，个体的速度受到周围交互邻居的共同影响而导致越发“平均化”。这不仅与人的视觉选择注意的特点相违背，而且越发“平均化”的建模思路，使得群体的灵活性大大下降，难以反映生物群集的运动特征。


技术实现要素：

4.针对现有技术存在的问题，本发明从人群交互行为出发，在揭示其内在交互规则的基础上，基于社会力模型构建群集运动模型，并针对基于社会力模型的群集系统在复杂环境下的运动控制问题进行研究，从而提出一种基于人群交互行为的机器人集群运动控制方法。
5.其基本原理是：首先，基于社会力模型，在社会力模型中引入视觉引导算法提高集群系统在复杂环境下的组群能力；然后，在社会力模型中引入与视觉选择注意机制提高集群系统在复杂环境下的活动灵活性；随后，对模型中的运动关联参数采用遗传算法进行全局并行优化，获得集群运动效率提升的最优参数组合。
6.本发明的技术方案为：
7.所述一种基于人群交互行为的机器人集群运动控制方法，包括以下步骤：
8.步骤1：建立传统社会力模型，社会力主要包括三种形式的力，即个体自驱力、个体间作用力以及个体与障碍物间的作用力；
9.社会力的表达模型为：
[0010][0011][0012][0013]
其中m
i
为个体i的质量；为个体i在t时刻的速度；为个体i在t时刻受
到的自驱力；为个体i在t时刻受到感知域内邻居的作用力的总和；为个体i在t时刻受到感知域内障碍物的作用力的总和；为个体i在t时刻受到个体j的社会距离力；为个体i在t时刻受到个体j的物理力；为个体i在t时刻受到障碍物w的社会距离力；为个体i在t时刻受到障碍物w的物理力。
[0014]
(2)加入视觉引导算法，增强个体对障碍物的感知和规避能力，避免个体由于陷入局部最小而导致群内个体丢失，进而提升群集整体的组群能力。算法主要分为以下三步骤：视觉建立、障碍物探测、导航点选择。
[0015]
视觉建立：根据社会力模型中个体的受力特征，以所受的合力方向为基准，建立个体视觉感知区域，由于人探知区域约为左右各90
°
，90
°
，所以每隔45
°
在外围圆弧区域设立探测点，共5个。这些视野探测点将作为视觉前沿探测点，用来探测障碍物的位置。
[0016]
障碍物探测：个体在运动过程中，位于视野前沿的5个探测点实时更新，判断某探测点是否落入障碍物的交互区域。若落入了障碍物的交互区域，则该探测点失效，否则探测点继续探测。
[0017]
导航点选择：单次探测结束后，从剩余的探测点中选择临时导航点。临时导航点选择的策略是计算剩余的每个探测点的导航风险因子g，选择风险系数最小的点为临时导航点。某探测点i的导航风险因子g
i
的计算式为：
[0018][0019]
其中(p
x
,p
y
)为目的地的坐标，为探测点坐标。
[0020]
(3)在社会力模型中引入了视觉选择注意机制，主要表现为引入了差异交互项和速度应激项，表征个体与视野内运动特征突出邻居的选择性交互，增大群体的灵活性。
[0021]
引入差异交互项：
[0022]
ω
i
＝e
λcosα(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0023]
其中λ为视觉因子，控制个体与邻居进行强交互的区域大小，一般取值范围为[0,10]；α(t)为个体i在t时刻的运动方向与个体j的向量的夹角。
[0024]
则修正的社会距离力的表达式为：
[0025][0026]
修正个体作用范围b
i
，合理的引入速度应激反映：
[0027][0028]
其中c
i
为常数，表示当个体i、j的速度差为0时，个体i和j的理想交互距离；ε为速度应激因子，用于控制个体i的速度应急反映程度。
[0029]
修正后的社会距离力的表达式为：
[0030][0031]
(4)利用遗传算法对个体间作用强度a
i
，视觉因子λ，速度应激因子ε进行优化，获得集群运动效率提升的最优参数组合。参数对应的种群的产生方式为：
[0032]
chorm＝lb (ub
‑
lb)*r
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0033]
lb为各参量取值的下限，ub为各参量取值的上限，r为0到1的随机数。
[0034]
适应度函数为：
[0035][0036][0037]
其中，n为群集的规模，为个体i在t时刻的期望运动方向，v
i
(t)为个体i的实际速率，v
d
为个体i的期望速率，efficiency(t)为集群在t时刻的运动效率，ψ表示集群在仿真时间内的平均运动速率。
[0038]
有益效果
[0039]
1、本发明中加入了视觉引导算法，解决了局部最小问题导致的群内个体丢失，集群群组能力不足和协调一致性下降的问题。提高了群集系统在复杂环境下的组群能力。
[0040]
2、本发明中引入了视觉选择注意机制，表征了个体与视野内运动特征，突出邻居的选择性交互。差异交互项区分了个体对视野域内外邻居的强弱交互，速度应激项则增强了个体对视野域内运动特征突出的邻居的速度应激反应。提高了群集系统在复杂环境下的运动灵活性。
[0041]
3、本发明中引入遗传算法进行参数优化，加大了集群运动的效率。
[0042]
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
[0043]
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
[0044]
图1：个体受力示意图；
[0045]
图2：个体视野域示意图；
[0046]
图3：障碍物探测示意图；
[0047]
图4：视觉导引算法流程；
[0048]
图5：群机器人运动控制示意t＝0s；
[0049]
图6：群机器人运动控制示意t＝8s；
[0050]
图7：群机器人运动控制示意t＝15s；
[0051]
图8：群机器人运动控制示意t＝23s。
具体实施方式
[0052]
下面详细描述本发明的实施例，所述实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
[0053]
步骤1：建立传统社会力模型。
[0054]
步骤1
‑
1：如图1个体受力示意图所示，社会力主要包括三种形式的力，即个体自驱力、个体间作用力以及个体与障碍物间的作用力。个体在这些力的共同作用下，产生朝着目标点运动的加速度。
[0055]
社会力的表达模型为：
[0056][0057][0058][0059]
其中m
i
为个体i的质量，单位kg；为个体i在t时刻的速度，单位m/s；为个体i在t时刻受到的自驱力；为个体i在t时刻受到感知域内邻居的作用力的总和；为个体i在t时刻受到感知域内障碍物的作用力的总和；为个体i在t时刻受到个体j的社会距离力；为个体i在t时刻受到个体j的物理力；为个体i在t时刻受到障碍物w的社会距离力；为个体i在t时刻受到障碍物w的物理力。
[0060]
步骤2：基于视觉的形成机理，设计视觉导引算法，用以增强个体对障碍物的感知和规避能力，避免个体由于陷入局部最小而导致群内个体丢失，进而提升群集整体的组群能力。算法主要分为以下三步骤：视觉建立、障碍物探测、导航点选择。
[0061]
步骤2
‑
1：视觉建立：根据社会力模型中个体的受力特征，以所受的合力方向为基准，建立个体视觉感知区域，由于人探知区域约为左右各90
°
，90
°
，所以每隔45
°
在外围圆弧区域设立探测点，共5个。这些视野探测点将作为视觉前沿探测点，用来探测障碍物的位置。
[0062]
如图2所示的个体视野域示意图，令个体i在t时刻的位置为[x
i
(t),y
i
(t)]，视野感知距离为r
eye
，运动的偏航角ρ，由此可以得到5个探测点的动态坐标表达式。
[0063]
步骤2
‑
2：障碍物探测：如图3障碍物探测示意，个体在运动过程中，位于视野前沿的5个探测点实时更新，判断某探测点是否落入障碍物的交互区域。若落入了障碍物的交互区域，则该探测点失效，否则探测点继续探测。
[0064]
步骤2
‑
3：导航点选择：单次探测结束后，从剩余的探测点中选择临时导航点。临时导航点选择的策略是计算剩余的每个探测点的导航风险因子g，选择风险系数最小的点为临时导航点。某探测点i的导航风险因子g
i
的计算式为：
[0065][0066]
其中(p
x
,p
y
)为目的地的坐标，为探测点坐标。
[0067]
综上所述，算法的流程图如图4所示。
[0068]
步骤3：在社会力模型中引入了视觉选择注意机制，主要表现为引入了差异交互项和速度应激项，用以表征个体与视野内运动特征突出邻居的选择性交互，增大群体的灵活性。差异交互项区分了个体对视野域内外邻居的强弱交互，速度应激项则增强了个体对视野域内运动特征突出的邻居的速度应激反应。
[0069]
步骤3
‑
1：加入差异交互项。传统的社会力模型，社会距离力的大小只与交互距离
有关，而根据人的视觉选择注意的特点，个体对视野域内的邻居的运动特征应该更为敏感，即对于视野内的邻居，个体受到的社会距离力应该较大，对于视野之外的其他个体，其受到的社会距离力应该较小。因此对社会距离力函数做进一步的修正，引入差异交互项：
[0070]
ω
i
＝e
λcosα(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3
‑
1)
[0071]
其中λ为视觉因子，控制个体与邻居进行强交互的区域大小，一般取值范围为[0,10]；α(t)为个体i在t时刻的运动方向与个体j的向量的夹角。
[0072]
则修正的社会距离力的表达式为：
[0073][0074]
步骤3
‑
2，加入速度应激项。考虑到行人对视野内邻居的加速、减速、转向等运动状态的突变十分敏感的特点。引入速度应激项，用来反映其对邻居速度的突然变化，表现出的强烈的受力刺激。个体间距离是随运动过程动态变化的，修正个体作用范围b
i
，只有通过修正个体作用范围b
i
，才能合理的引入速度应激反映：
[0075][0076]
其中c
i
为常数，表示当个体i、j的速度差为0时，个体i和j的理想交互距离；ε为速度应激因子，用于控制个体i的速度应急反映程度。
[0077]
差异交互项和速度应激项结合，使得个体的交互具备了人视觉选择注意的特点，个体的运动不在趋于“平均化”，激发了群集系统的灵活性。经过上述修正后的社会距离力的表达式为：
[0078][0079]
步骤4：利用遗传算法进行参数优化。本发明在社会力模型中引入了视觉导引算法和视觉选择注意机制，其涉及的模型参数较多，这些参数按照对群集运动的影响机理，可以分为运动关联参数和非运动关联参数。运动关联参数影响着群集运动的一致性与协调性，进而影响群集运动效率，所以本发明将利用遗传算法对个体间作用强度a
i
，视觉因子λ，速度应激因子ε进行优化，获得集群运动效率提升的最优参数组合。参数对应的种群的产生方式为：
[0080]
chorm＝lb (ub
‑
lb)*r
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0081]
lb为各参量取值的下限，ub为各参量取值的上限，r为0到1的随机数。
[0082]
适应度函数为：
[0083][0084][0085]
其中，n为群集的规模，为个体i在t时刻的期望运动方向，v
i
(t)为个体i的实际速率，v
d
为个体i的期望速率，efficiency(t)为集群在t时刻的运动效率，ψ表示集群在仿真时间内的平均运动速率。
[0086]
遗传算法的流程如下：
[0087]
step1：根据问题确定染色体，生成初始种群，该步其实是一个初始化的过程，在该步中只要设置一些参数就行了。
[0088]
step2：计算种群中各个个体的适应度，适应度函数一般是要以目标函数来确定的。
[0089]
step3：选择操作，选择操作就是建立在对个体的适应度进行评价的基础上。
[0090]
step4：交叉操作，在整个遗传算法中，交叉操作是最主要的一步，交叉算子的设计要与个体编码的设计统一考虑。
[0091]
step5：变异操作，变异操作首先必须在群集中选择一个个体，对于选中的这个个体以变异概率随机改变染色体结构数据中的某个串的值。
[0092]
step6：终止条件判断，若进化代数与最大进化代数相等的话，则整个算法就结束，否则进化代数的次数加，然后转到进行循环操作。
[0093]
如图5、图6、图7和图8对算法进行实验验证。
[0094]
当t＝0s时，整个群集处于初始化状态，15个机器人根据预定的目标点向前运动，激光雷达实时探测邻居和障碍物相对位置。
[0095]
当t＝8s时，群机器人遇到了障碍物。此时，群机器人在视觉导引算法的帮助下，提前探测到了障碍物的位置，并选择了合理的临时导航点规避了障碍物。从图中来看，群机器人在此处并未发生滞留，而是进行了协调有序的分群避障运动。
[0096]
当t＝15s时，群机器人遇到了收窄的通道，相比于上一个障碍物，此处遇到了障碍物环境更为复杂。群机器人原本分群的运动逐渐形成组群运动，整个队伍开始合拢，从图中来看，机器人也未发生滞留现象，精准有序的进入收窄通道。
[0097]
当t＝23s时，群机器人到达指定目标位置，实验结束。
[0098]
本发明提出的视觉导引算法能够有效提高社会里模型集群系统在复杂环境下的避障效率以及组群能力；视觉交互项区分了个体对视野内外区域邻居的强弱交互，速度应激项则增强了个体对视野内运动特征突出的邻居的速度应激反应，社会力模型中引入的视觉选择注意机制能够有效提高集群运动的灵活性以及运动的效率；用遗传算法对模型的运动关联参数进行全局并行优化，能够有效提高集群的运动效率。
[0099]
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。