一种基于多智能体邻近交互与轨迹预测的路径规划方法与流程

技术特征：
1.一种基于多智能体邻近交互与轨迹预测的路径规划方法，其特征在于，包括以下步骤：步骤一、构建各智能体运动学模型；建立任务执行时间最优的多智能体协同覆盖问题模型，所述多智能体协同覆盖问题模型满足任务需求约束，即任务点完全覆盖约束；通过多智能体与个体间的直接或间接交互关系，将所优化问题解耦为多个优化子问题，各子问题受限于智能体运动学约束、通达性约束和避碰约束；步骤二、为各单体设置行为引导点来引导各智能体在任务环境中进行分散运动，将行为引导点建模为方向覆盖奖励项，并与转弯奖励项和边界奖励项进行加权，构建各智能体在决策过程中的轨迹引导函数，引导各智能体进行任务点的决策；步骤三、在多智能体轨迹规划初始阶段，各智能体结合自身观测数据对环境态势进行更新，并结合自身行为引导点和步骤二中的轨迹引导函数进行行为决策；步骤四、当智能体在任务环境实现有效分散后，各单体采用模型预测控制技术对自身及可交互范围内个体的未来行为进行预测；通过邻近交互，对预测片段进行融合、评价和排序，选取最优的预测片段融合结果对相应智能体的下一步任务点进行决策。2.如权利要求1所述的一种基于多智能体邻近交互与轨迹预测的路径规划方法，其特征在于，对各智能体的运动学模型表述如下：式中，(x,y)和(x',y')分别表示智能体移动前后的位置坐标，v表示运动速度，θ和θ'分别表示移动前后的角度，δθ表示转向角。3.如权利要求1所述的一种基于多智能体邻近交互与轨迹预测的路径规划方法，其特征在于，所述轨迹引导函数具体为：其中，r
i
(j)表示智能体i在任务点j处所获奖励值，表示方向覆盖奖励，是受行为引导点影响的奖励函数，各智能体向着由自身行为引导点构建的网格价值较大的方向移动将获得更大的奖励；表示转弯奖励，此奖励考虑了转弯运动对奖励的影响，为尽可能保证轨迹平滑，规定转弯次数越少此项奖励越大；表示边界加权奖励，此奖励表示智能体在覆盖过程中对边界点的关注度，为避免因遗漏边界点而带来的重复覆盖问题，在覆盖过程中各智能体将优先选择边界点进行覆盖；ω
s
和ω
b
分别为转弯奖励和边界奖励的权重值。4.如权利要求1所述的一种基于多智能体邻近交互与轨迹预测的路径规划方法，其特征在于，如果智能体附近的任务点均被探测过或被障碍物占据，则认为该智能体进入了死点状态。5.如权利要求4所述的一种基于多智能体邻近交互与轨迹预测的路径规划方法，其特征在于，对于陷入死点状态，即单步可达任务点集中无未覆盖点的智能体，采用a*算法对路径进行修复。

技术总结
本发明公开了一种基于多智能体邻近交互与轨迹预测的路径规划方法，通过两阶段规划在线得到多智能体协同路径，在MACPP


技术研发人员：彭志红 焦蕾 奚乐乐 陈梓豪 陈杰
受保护的技术使用者：北京理工大学
技术研发日：2021.08.26
技术公布日：2021/12/2