一种基于自组织分组的目标围捕方法及相关设备

1.本技术涉及机器人控制技术领域，尤其涉及一种基于自组织分组的目标围捕方法及相关设备。


背景技术：

2.分组是一种通过分解多目标问题来创建子群的直接策略。在多目标场景下，当群体在一段时间内以同步或异步方式遭遇目标时，合理的分组策略可以帮助群体实现准确、快速的空间分组，保证潜在子任务的执行。相关技术中，大多数的分组方法都是基于已知的全局信息，在户外环境中的应用有限；而基于局部信息的分组方法也很少，无法对足够多的成员进行分组以满足某些特定任务的要求。
3.相关技术中的分组方法通常会结合基因调控网络一起对目标进行围捕，基因调控网络(gene regulatory network)是基因和基因产物相互作用的模型，描述了基因表达动态。在基因调控网络中，机器人容易被吸引到蛋白质浓度较高的区域，可能会产生浓度深渊，在浓度深渊下，机器人缺乏从一个目标的高浓度区域移动到另一个目标的能力。


技术实现要素：

4.有鉴于此，本技术的目的在于提出一种基于自组织分组的目标围捕方法及相关设备。
5.基于上述目的，本技术提供了一种基于自组织分组的目标围捕方法，其中，多个机器人构成整个集群，所述方法包括：响应于围捕目标出现，所述集群中各机器人收集并共享友邻信息以及所述围捕目标的目标信息；将首位收集到所述目标信息的机器人确定为组织者机器人，所述组织者机器人执行第一过程；所述第一过程包括：所述组织者机器人基于自组织分组算法，根据所述友邻信息聚集未分组的机器人作为子群机器人，所述组织者机器人与其所聚集的所述子群机器人共同构成一个子群；所述组织者机器人基于自组织分组算法，根据所述友邻信息确定下一位组织者机器人；循环执行所述第一过程；响应于所述集群中不存在未分组的机器人或所述子群数量达到m，停止执行所述第一过程，m为预设的整数；所述子群基于基因调控网络对所述围捕目标进行围捕。
6.可选地，所述将首位收集到所述目标信息的机器人确定为组织者机器人，包括：将未收集到所述目标信息的机器人标记为第一状态；响应于收集到所述目标信息，机器人将所述第一状态转换为第二状态；将首位标记为所述第二状态的机器人确定为所述组织者机器人。
7.可选地，所述第一过程还包括：响应于聚集的所述子群机器人的数量达到n，所述组织者机器人停止聚集所述子群机器人，并开始确定下一位组织者机器人，n为预设的整数。
8.可选地，所述组织者机器人基于自组织分组算法，根据所述友邻信息聚集未分组的机器人作为子群机器人，包括：所述组织者机器人对与邻域内各未分组的机器人的距离
进行升序排序，召集距离最近的n个未分组的机器人作为所述子群机器人。
9.可选地，所述组织者机器人基于自组织分组算法，根据所述友邻信息确定下一位组织者机器人，包括：所述组织者机器人对邻域内各未分组的机器人的邻居数进行降序排序，确定邻居数最大的未分组的机器人作为下一位组织者机器人。
10.可选地，所述组织者机器人基于自组织分组算法，根据所述友邻信息确定下一位组织者机器人，还包括：响应于邻域内邻居数最大且未分组的机器人有多个，则将邻域内多个所述邻居数最大且未分组的机器人作为候选机器人，所述组织者机器人将与自己距离最近的所述候选机器人作为下一位组织者机器人。
11.可选地，在所述围捕目标出现之前，还包括：所述集群中的所有机器人初始化本地信息。
12.基于上述目的，本技术还提供了一种基于自组织分组的目标围捕装置，其中，多个机器人构成整个集群，所述装置包括：信息收集模块，被配置为响应于围捕目标出现，所述集群中各机器人收集并共享友邻信息以及所述围捕目标的目标信息；自组织分组模块，被配置为将首位收集到所述目标信息的机器人确定为组织者机器人，所述组织者机器人执行第一过程；所述第一过程包括：所述组织者机器人基于自组织分组算法，根据所述友邻信息聚集未分组的机器人作为子群机器人，所述组织者机器人与其所聚集的所述子群机器人共同构成一个子群；所述组织者机器人基于自组织分组算法，根据所述友邻信息确定下一位组织者机器人；循环执行所述第一过程；响应于所述集群中不存在未分组的机器人或所述子群数量达到m，停止执行所述第一过程，m为预设的整数；基因调控模块，被配置为所述子群基于基因调控网络对所述围捕目标进行围捕。
13.基于上述目的，本技术还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现任意一项所述方法。
14.基于上述目的，本技术还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，其特征在于，所述计算机指令用于使计算机执行任意一项所述方法。
15.从上面所述可以看出，本技术提供的基于自组织分组的目标围捕方法及相关设备，其中，多个机器人构成整个集群，所述方法采用自组织分组的方式对围捕目标进行围捕，所述自组织分组包括：先将首位发现围捕目标的机器人确定为组织者机器人，所述组织者机器人的分组过程包括：所述组织者机器人根据友邻信息聚集未分组的机器人并与之共同构成一个子群后，再根据所述友邻信息确定下一位组织者机器人；所述集群循环执行上述组织者机器人的分组过程，直至集群中不存在未分组的机器人或子群数量达到期望值(即m)，最后每个子群基于基因调控网络对围捕目标进行围捕。上述自组织分组过程可以消除基因调控网络的浓度深渊；其根据友邻信息选择子群机器人以及组织者机器人，能够保证分组效率；其多级号召的特性，保证了单一节点较低的通信开销，保证了子群有较高的的聚集程度，同时保证了集群运动有较好的鲁棒性。
附图说明
16.为了更清楚地说明本技术或相关技术中的技术方案，下面将对实施例或相关技术
描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
17.图1为本技术实施例的基于自组织分组的目标围捕方法示意图；
18.图2为本技术实施例的贪婪式分组示意图；
19.图3为本技术实施例的链式分组示意图；
20.图4为本技术实施例的自组织分组示意图；
21.图5为本技术实施例自组织分组下两种不同集群规模分组情况示意图；
22.图6为本技术实施例rc＝0.5m下不同分组方法的子群成员数示意图；
23.图7为本技术实施例rc＝0.8m下不同分组方法的子群成员数示意图；
24.图8为本技术实施例rc＝0.5m下不同分组方法的平均聚集距离示意图；
25.图9为本技术实施例rc＝0.8m下不同分组方法的平均聚集距离示意图；
26.图10为本技术实施例rc＝0.5m下不同分组方法的群体分组形态估计示意图；
27.图11为本技术实施例rc＝0.8m下不同分组方法的群体分组形态估计示意图；
28.图12为本技术实施例单基因调控网络对围捕目标进行围捕示意图；
29.图13为本技术实施例自组织分组结合基因调控网络对围捕目标进行围捕示意图；
30.图14为本技术实施例的基于自组织分组的目标围捕装置示意图；
31.图15为本技术实施例的子设备硬件结构示意图。
具体实施方式
32.为使本技术的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本技术进一步详细说明。
33.需要说明的是，除非另外定义，本技术实施例使用的技术术语或者科学术语应当为本技术所属领域内具有一般技能的人士所理解的通常意义。本技术实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
34.为了处理越来越复杂的任务，需要对集群中的机器人按目标进行分组。通过将任务分解为多个子任务，并将集群分解为多个子群，从而提高集群的多目标场景下整体任务完成效率。分组作为一种“分而治之”的策略，是提高集群机器人完成多任务能力的一种很好的策略。在复杂且未知的环境中，集群机器人往往依赖有限且不稳定的通信，缺乏人为介入的中心化控制。因此，分组方法应满足两个条件：1)自组织能力，集群群的分组组织者必须是集群的自愿成员。集群不得预先指定一个组织者或安排一个新的组织者对集群进行分组，而是由集群自行自发地决策分组。2)通信受限，无论是通信能力还是通信距离都限制了集群接收所有成员的信息。一般来说，为了构成集群并保持智能性，集群应与大多数相邻机器人保持联系，最坏的情况，每个机器人必须至少与另一个机器人保持通信。如果一个机器
人与集群中的任何其他机器人失去联系，它就等同与集群失联或是认为其离开了集群。而在许多多机器人系统中，并没有对集群本身做出这样的假设。这个假设也定义了集群通信的下界。然而，在运动过程中不能保证机器人和所有邻居之间一直保持不间断的通信，在现实中，机器人只能保持有限的通信，许多全局性优化集群形态或是分组情况的假设是无法成立的，因此集群机器人必须能够仅使用局部感知和通信来作出相应的决策或形成合适的集群形态。
35.有鉴于此，本实施例提供了一种基于自组织分组的目标围捕方法，其中，多个机器人构成整个集群，如图1所示，所述方法包括：
36.s101、响应于围捕目标出现，所述集群中各机器人收集并共享友邻信息以及所述围捕目标的目标信息。
37.具体实施时，所述围捕目标可以为不属于集群的机器人，或其他任何不属于集群可以被标记为围捕目标的物体。每个机器人收集的所述友邻信息包括但不限于：此机器人通信范围内其他集群中的机器人的位置信息以及状态信息，所述状态信息包括机器人现在的状态(子群机器人、组织者机器人或未分组的机器人)。所述目标信息包括围捕目标的位置信息。
38.s102、将首位收集到所述目标信息的机器人确定为组织者机器人，所述组织者机器人执行s103。
39.s103，所述s103包括：s301、所述组织者机器人基于自组织分组算法，根据所述友邻信息聚集未分组的机器人作为子群机器人，所述组织者机器人与其所聚集的所述子群机器人共同构成一个子群；s302、所述组织者机器人基于自组织分组算法，根据所述友邻信息确定下一位组织者机器人。
40.s104、循环执行所述s103；响应于所述集群中不存在未分组的机器人或所述子群数量达到m，停止执行所述s103，m为预设的整数。
41.s105、所述子群基于基因调控网络对所述围捕目标进行围捕。
42.本技术提供的基于自组织分组的目标围捕方法，采用自组织分组的方式对围捕目标进行围捕，所述自组织分组包括：先将首位发现围捕目标的机器人确定为组织者机器人，所述组织者机器人的分组过程包括：所述组织者机器人根据友邻信息聚集未分组的机器人并与之共同构成一个子群后，再根据所述友邻信息确定下一位组织者机器人；所述集群循环执行上述组织者机器人的分组过程，直至集群中不存在未分组的机器人或子群数量达到期望值(即m)，最后每个子群基于基因调控网络对围捕目标进行围捕。
43.将上述自组织分组过程与传统基因调控网络相结合，集群中的机器人通过收集围捕目标的信息以及友邻信息自发分组，能够提高后续围捕过程中基因调控网络对多目标环境的敏感性和浓度分配的准确性，子群能够离开集群中的高浓度区域，移动到新出现的围捕目标位置对围捕目标进行围捕，从而消除基因调控网络的浓度深渊。自组织分组过程中，集群中各机器人共享友邻信息，并根据友邻信息聚集子群机器人以及组织者机器人，能够保证集群中的每个机器人在通信与感知范围有限的情况下利用其友邻的信息实现高效率的自组织分组。并且，分组过程中，组织者机器人选择距离最近的机器人作为子群机器人，并选择邻居数最多且距离最近的机器人下一位组织者机器人，保证了子群中的机器人之间、子群与子群之间有较高的聚集程度，每个机器人之间通信距离较短，保证了单一节点较
低的通信开销，从而保证了集群运动有较好的鲁棒性。
44.一些实施例中，所述s102包括：
45.s201、将未收集到所述目标信息的机器人标记为第一状态。
46.s202、响应于收集到所述目标信息，机器人将所述第一状态转换为第二状态。
47.s203、将首位标记为所述第二状态的机器人确定为所述组织者机器人。
48.在一种具体的实施例中，二进制状态的uv.det用于确认机器人是否收集到了目标信息，响应于收集到目标信息，该状态变量转换，uv.s被赋予s
org
状态，uv.org从0转换为1(如下述算法二所示)。
49.一些实施例中，所述s103还包括：
50.s303、响应于聚集的所述子群机器人的数量达到n，所述组织者机器人停止聚集所述子群机器人，并开始确定下一位组织者机器人，n为预设的整数。
51.一些实施例中，所述s301包括：所述组织者机器人对与邻域内各未分组的机器人的距离进行升序排序，召集距离最近的n个未分组的机器人作为所述子群机器人。上述s301中对与邻域内各未分组的机器人的距离进行升序排序，能够进一步实现高效率的自组织分组。所述组织者机器人对与邻域内各未分组的机器人的距离为通过收集和共享友邻信息得到的。
52.一些实施例中，所述s302包括：所述组织者机器人对邻域内各未分组的机器人的邻居数进行降序排序，确定邻居数最大的未分组的机器人作为下一位组织者机器人。上述s302中对邻域内各未分组的机器人的邻居数进行降序排序，能够进一步实现高效率的自组织分组；确定邻居数最大的未分组的机器人作为下一位组织者机器人，能够保证集群分组后子群成功达到预期数量(即m)。
53.一些实施例中，所述s302还包括：响应于邻域内邻居数最大且未分组的机器人有多个，则将邻域内多个所述邻居数最大且未分组的机器人作为候选机器人，所述组织者机器人将与自己距离最近的所述候选机器人作为下一位组织者机器人。将与自己距离最近的所述候选机器人作为下一位组织者机器人能够进一步保证子群有较高的的聚集程度，从而进一步保证了集群运动有较好的鲁棒性。
54.一些实施例中，在所述s101之前，还包括：s001、所述集群中的所有机器人初始化本地信息。
55.一种具体的实施例中，所述s102至s104通过所述自组织分组算法执行，所述自组织算法包括算法一、算法二与算法三，流程如下：
56.算法一：
57.58.[0059][0060]
算法二：
[0061][0062]
算法三：
[0063][0064]
假设u是群体机器人的集合，k是围捕目标的集合。每个机器人u是一个元组{s,id,m,g,n,c,dis,org},其中s表示机器人的当前分组状态u；id是机器人u独有的身份标识；m是机器人u的子群内机器人的数量；g是机器人u的组号；n是机器人u的邻居数；c为每位组织者能够聚集的最大子群成员数(即上述实施例中的n)；dis为邻居与机器人之间的相对距离；org为布尔类型，是表示机器人的分组状态。机器人的状态分为“未分组”、“已分组”和“组织者”，分别表示为s＝{s
ung
,s
gro
,s
org
}。“未分组”和“已分组”状态表示机器人的状态是否已成为子群中的一员。“组织者”状态则表示该机器人能够聚集未分组的机器人。uv表示第v
th
个机器人，tv表示第v
th
机器人的相邻邻居与其相对位置的列表，并按照与相邻节点距离升序排列。nv表示第v
th
个机器人的相邻邻居的邻居数列表，并按照邻居数大小降序排列。
[0065]
所述自组织分组算法具体实施时，首先，集群中的机器人将初始化本地信息，包括初始的友邻信息，分组情况等。当群体发现一个新的目标或遇到一个未知的威胁后开始分
组。二进制状态的uv.det用于确认机器人是否发现了新的目标，响应于发现目标，该状态变量转换，uv.s被赋予s
org
状态，uv.org从0转换为1(如算法二所示)。该状态表示该机器人成为了组织者，该机器人则是第一个在多目标环境中检测到新目标的机器人。阶组织者开始标记自身和聚集c位成员，以及确定下一位组织者，上一位组织者通过寻找其邻居中具有最大邻居数的机器人来作为下一位的组织者，通过多级的号召有更大的可能去满足期望的分组数。如果有多个备选的下一位组织者则通过距离计算，选择相对更近的候选者作为最佳下一位组织者。下一位的组织者将继续按此规则继续聚集成员，直到子群数量达到预期(即上述实施例中子群数量达到m)或者该组织者已无法在邻域内找到任何的可聚集的机器人(邻域内已无状态为“未分组”的机器人)。在这一部分中，组织者必须考虑子群的数量是否达到预期或未分组的邻居机器人的数量是否足够(如算法一所示)。
[0066]
一种具体的实施例中，所述子群基于基因调控网络对所述围捕目标进行围捕包括：通过基因调控动力学方程生成所述组织者机器人的初始围捕位置轮廓；通过b样条将所述初始围捕位置轮廓离散化，得到对应于所示组织者机器人的初始围捕位置；从所述初始围捕位置开始对所述围捕目标进行围捕。
[0067]
本技术实施例提出的自组织分组方法使集群中的每个机器人在通信与感知范围有限的情况下能够利用其邻居的资源，实现高效的自组织分组，该方法比传统的分组方法能够更有效地实现子群的生成，下面将对本技术实施例提出的方法和两种传统分组方法进行比较测试，其中传统分组算法选择贪婪式分组方法和链式分组方法。
[0068]
贪婪式分组，如图2所示，即组织者机器人将通信范围内的任意机器人加入到子群中，直到满足预设子群成员数为止。链式分组如图3所示，也是一种多级召集的分组方法，但组织者机器人只从周围的友邻中逐个添加一个距离最近的未分组的机器人，该机器人进组后将转变为一个新的组织者，继续寻找距离最近的友邻，直到没有邻居或子群已满足子群的数量。本技术实施例的自组织分组方法如图4所示。
[0069]
在测试中，本实施例通过子群成员数、平均聚集距离以及群体分组形态估计三个参数来评价各分组方法的优劣。
[0070]
1)子群成员数是分组方法最直观的评价参数之一，因为成员数量是保证任务完成的基础。
[0071]
2)平均聚集距离是基于所有子群成员到群体中心的距离对子群聚集的度量。由于分组方法的效率不同，导致不同分组方法分组后的子群数量有很大的差异。计算平均聚集距离需考虑不同集群分组规模对该指标的影响，否则分组能力弱的分组方法就会由于其子群数量少导致聚集程度高，因此，本实施例设计了一种计算平均聚集距离的平衡方法，通过增加惩罚项用于“惩罚”子群数量不满足期望数量的分组方法。所述计算方法如式(1)表示。
[0072][0073]
其中，n
agn
和n
egn
分别表示实际子群数和期望子群数，κ表示通信范围rc的平衡系数，一般地，κ》1。‖x
i-xc‖表示第i个子群机器人xi和群体中心xc之间的距离。公式第一项直接计算了所有已分组的成员的平均聚集距离和，第二项则作为一个平衡处理，即实际子群数少于预期子群数的数量以κ倍rc的通信距离加入计算式。这样，不同分组方法的平均聚集距离可以在相同子群数量水平下进行比较。
[0074]
3)群体分组形态估计度量集群最外层组织者机器人的分布情况。子群整体应尽可能靠近集群边缘，以便组织机器人、观察环境并向集群传递感知态势信息。集群分组后，其在外围附近的机器人应该分布更多，以便子群脱离集群，同时避免子群与其他个体的碰撞。并且，那些尚未处于外围但位置更靠近外围的个体机器人应被视为优选个体。因此，本实施例设计了一种群体分组形态估计的计算方法来评估分组情况。所述计算方法如式(2)与式(3)表示。
[0075][0076][0077]
其中，gpe为群体分组形态估计,‖x
i-x0‖表示机器人i到组织者机器人x0的距离，‖x
0-xc‖表示组织者机器人到其所在的子群中心的距离，表示标准化距离。δ用于确定该分组方法估计的期望和方差。当标准化距离为δ时，gpe的最大值为gpe越大，子群中接近组织者的非外围机器人的比例越高。此外，相似的距离差对群体形态分布的贡献几乎相等，因此，将距离分布沿从组织者到子群中心的延长线平均划分为ni个环形区域，区域的宽度是l(正常数)。同一区域的标准化距离(li)可视为对子群分组形态有着相同贡献。这些相似的距离可以是根据hpe
int
等价计算所在区域上限(li)对应的估计值。因此，gpe
int
反映了机器人在分成多个环形区间的空间中的群体分布情况，区域正则化的群体形态估计值，能够降低机器人在某一方向上过度聚集所引起的gpe值过高或过低的情况。
[0078]
本技术实施例在一个2m
×
2m的场景中测试了分组性能，在一次实验中使用了两种不同的随机生成的集群规模(分别为30个和60个机器人)。在左边界中点生成的围捕目标靠近集群并刺激其分别进行基于自组织分组、贪婪式分组和链式分组的子群生成方法。对于每种分组方法均采用相同的随机的初始集群，独立进行20次实验(共计20种不同的初始集群)。实验结果包括子群成员数、平均聚集距离和分组模式估计三个指标下的对比。
[0079]
1)子群成员数。对于自组织分组，每一子群中最大子群成员的数量c也会影响分组性能。因此，先在20个场景中测试了不同的c值对分组的影响。图5反映了两种不同集群规模和预期子群成员数下子群的分组情况，分别对应集群规模30、预期子群数为8以及集群规模60，预期子群数为20。结果如图5所示，当每一子群中最大子群成员的数量c为3时，平均子群成员数的拐点出现。增加c值在小规模分组上没有显著影响，但在大尺度上有显著差异。由于当c》3时，平均子群规模并没有太大增长，同时考虑机器人的通信开销，在接下来的对比实验中，将采用c＝3作为自组织分组的参数。
[0080]
在三种分组方法下，考虑了不同通信范围对平均子群成员数的影响，分别在0.5和0.8的通信范围内对这三种方法进行了测试。结果如图6至图7所示(图中ssg为自组织分组方法，greedy grouping为贪婪式分组方法，chained grouping为链式分组方法)，自组织分组在两种通信条件下分组的子群成员都更多，而贪婪和链式分组方法容易受到通信条件的影响。由图可知，自组织分组在机器人拥有较小通信范围的情况依然能保证较高的子群成
员数，反映出其在集群分布稀疏的场景中，依然能够有效分组的潜力。自组织分组在较短的通信范围内分组性能略好于在较长的通信范围内分组，其原因为位于集群外围的组织者在较长的通信条件下有更多的可选择的组织者，导致下一位组织者能够以更快的速率靠近集群中心并朝外围伸展，从而使得后续的组织者没有足够的备选子群成员，最终导致子群成员数未能到达预期。尽管如此，自组织分组在长通信范围内仍表现出更好的分组性能。
[0081]
2)平均聚集距离。如图8以及图9所示(图中ssg为自组织分组方法，greedy grouping为贪婪式分组方法，chained grouping为链式分组方法)，自组织分组表现出更好的聚合性能，三种分组方式聚合的差异随着子群成员数的增大而增大。自组织分组平均聚集距离更小，即群体聚合效果更好，有利于子群与集群的分离。
[0082]
3)群体分组形态估计。分组形态估计反映了群体分布倾向。结果如图10与图11所示(图中ssg为自组织分组方法，greedy grouping为贪婪式分组方法，chained grouping为链式分组方法)，在rc＝0.5m时，自组织分组群体分组形态估计较大，其子群成员更多聚集在群体的外围。在rc＝0.8m时，贪婪分组在群体分组形态估计较大，其子群成员更多聚集在群体的外围。这是由于，自组织分组随着通信范围的扩展带来了更多的可选成员，加速了分组向群中心的方向发展，使得更多远离组织者的成员加入到子群中，对群体分组形态估计贡献很小。因此，当通信范围较大时，限制组织者在较小的邻域内选择下一阶组织者，有利于提高自组织分组的群体的分组形态估计，也利于子群倾向在外围的程度更高。
[0083]
本实施例提供的方法能够解决传统的基因调控网络中浓度深渊的问题，图12与图13(图中fixed obstacle与dynamic obstacle均为环境中的障碍物，main group为子群，group robot 1与group robot 2均为子群机器人，target为围捕目标，trajectory为机器人轨迹)反映了群体在遭遇新目标时，自组织分组结合基因调控网络能够快速分组响应该目标，而传统基因调控网络受制于浓度深渊，无法摆脱现跟随的目标。表1统计了30次运行下(种群随机在左下角生成)，自组织分组结合基因调控网络对新遭遇的围捕目标的响应时间和距离。响应时间由群体机器人发现新目标开始计时，当分组后的子群均接近该目标(所有个体距离小于0.5m)时为截至时间。响应距离则是整体任务结束时，所有个体距离新遭遇目标的距离之和。
[0084]
表1：自组织分组结合基因调控网络对新遭遇的围捕目标的响应时间和距离
[0085][0086]
为了本技术实施例提供的方法的有效性，本技术实施例的试验在同一个任务区域内设计了两个实验。试验采用的机器人为kilobots，这款机器人通过振动两条小腿来进行移动，通过红外线反射来交流和测量距离，每个机器人每秒接收两次9个字节的信息流。任务区域为一个70cm
×
50cm的灰色pvc板内部，其纹理满足kilobots机器人两个必要条件：1)机器人不打滑；2)不能完全吸收红外光。由于kilobots是通过振动两条小腿实现移动，故太过光滑的地面无法提供足够的摩擦力；kilobots依赖局部的红外线通信，故板材不能完全吸收掉红外光，需制造一定的反射条件使得机器人之间可以通信。
[0087]
第一个实验设定在小规模集群下验证自组织分组算法(ssg)。具体来说，本技术实
施例的试验部署了30台kilobot机器人作为集群机器人和4台kilbot机器人作为围捕目标从不同方向接近集群。集群机器人一旦观察到任何一个目标，机器人就会迅速地执行ssg对集群中的成员进行分组。预期的分组子群数是4，围捕目标被设计为一旦碰到集群中的任何一个成员就停止。实验过程及结果为：亮红灯的kilobot作为围捕目标，从4个不同方向接近集群。在任何一个机器人观察围捕目标之前，机器人的灯保持熄灭。当组织者首先观察目标，将亮蓝色灯光，并召集3位成员，包括1位组织者(亮蓝光)和2位子群成员(亮绿光)。最终，随着时间推移，4个围捕目标顺序触发集群自组织分组，16个机器人被4个围捕目标激活，并形成了4个子群。
[0088]
第二个实验是在大规模环境中集群利用自组织分组和基因调控网络(sunder-grn)实现对目标的围捕，以验证sunder-grn的实用性。该试验共使用了135台机器人，其中集群机器人80台，目标机器人10台，边界机器人45台。将80个集群机器人划分为3个大集群，10个目标机器人在集群附近。采用45个边界机器人作为边界障碍物，提高了实验的稳定性，减少集群机器人因为移动导致跑出实验场景的概率。目标机器人在任务区域游走并陆续遇到集群，如果它们遭遇到集群机器人，则会保持静止一段时间。当有集群机器人观察到目标时，集群将开始执行预期分组数为4的分数并执行围捕行动。分组参数与第一个试验相同。边界机器人被设计成保持静止，并向集群机器人发送信号，以帮助它们返回到任务现场。实验过程及结果如下：首先，10个目标机器人(亮红灯)在现场游走，3个大集群的外集群器人开始观察到这些目标，并开始分组形成子群并脱离原有集群，欲接近目标将其围捕；所有目标均被集群机器人观察到，全面围捕态势基本形成。大多数集群机器人被激活参与围捕活动，极少数机器人与边界机器人交互后逃离现场。此外，由于有限的探测范围和震动的运动特性，一些集群机器人无法导航到目标周围，而是冒险向未知的方向前进。新的分组被触发，由于机器人运动过程中一些在避让时难免遭遇的碰撞行为，使得原本无法探测到目标的集群机器人(未亮灯)被推到了目标附近或是目标被推到这些机器人附近，从而导致这些集群机器人触发分组，从而有更多集群机器人参与到围捕活动中。由于sunder-grn的围捕方法是一种分布式围捕方法，集群机器人之间面对目标的态度是一样的，造成不同分组的成员都可以对同一目标进行围捕活动，于是便产生了一些合作现象。最后，大部分机器人不移动或几乎不移动，整体围捕趋于情况稳定。在该实验中，由于机器人的检测范围、通信范围以及机器人在待在实验场地内必须避免与相邻机器人发生碰撞的运动特性，只有少数机器人不可避免地离开了实验场地。实验结果表明，sunder-grn可以部署在大规模的集群机器人当中，具备应对多目标场景下的自组织分组和分布式围捕的能力，实现对目标的快速响应和围捕。
[0089]
需要说明的是，本技术实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本技术实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。
[0090]
需要说明的是，上述对本技术的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理
和并行处理也是可以的或者可能是有利的。
[0091]
基于同一发明构思，与上述任意实施例方法相对应的，本技术还提供了一种基于自组织分组的目标围捕装置。
[0092]
参考图14，所述基于自组织分组的目标围捕装置，包括：
[0093]
信息收集模块10，被配置为响应于围捕目标出现，所述集群中各机器人收集并共享友邻信息以及所述围捕目标的目标信息；
[0094]
自组织分组模块20，被配置为将首位收集到所述目标信息的机器人确定为组织者机器人，所述组织者机器人执行第一过程；所述第一过程包括：所述组织者机器人基于自组织分组算法，根据所述友邻信息聚集未分组的机器人作为子群机器人，所述组织者机器人与其所聚集的所述子群机器人共同构成一个子群；所述组织者机器人基于自组织分组算法，根据所述友邻信息确定下一位组织者机器人；循环执行所述第一过程；响应于所述集群中不存在未分组的机器人或所述子群数量达到m，停止执行所述第一过程，m为预设的整数；
[0095]
基因调控模块30，被配置为所述子群基于基因调控网络对所述围捕目标进行围捕。
[0096]
本技术提供的基于自组织分组的目标围捕装置，所述自组织分组模块采用自组织分组的方式对围捕目标进行围捕，所述自组织分组包括：先将首位发现围捕目标的机器人确定为组织者机器人，所述组织者机器人的分组过程包括：所述组织者机器人根据友邻信息聚集未分组的机器人并与之共同构成一个子群后，再根据所述友邻信息确定下一位组织者机器人；所述集群循环执行上述组织者机器人的分组过程，直至集群中不存在未分组的机器人或子群数量达到期望值(即m)，最后所述基因调控模块被配置为每个子群基于基因调控网络对围捕目标进行围捕。
[0097]
将上述自组织分组过程与传统基因调控网络相结合，集群中的机器人通过收集围捕目标的信息自发分组，能够提高后续围捕过程中基因调控网络对多目标环境的敏感性和浓度分配的准确性，子群能够离开集群中的高浓度区域，移动到新出现的围捕目标位置对围捕目标进行围捕，从而消除基因调控网的浓度深渊。自组织分组过程中，集群中各机器人共享友邻信息，并根据友邻信息聚集子群机器人以及组织者机器人，能够保证集群中的每个机器人在通信与感知范围有限的情况下利用其友邻的信息，从而实现高效率的自组织分组。并且，分组过程中，组织者机器人选择距离最近的机器人作为子群机器人，并选择邻居数最多且距离最近的机器人下一位组织者机器人，保证了子群中的机器人之间、子群与子群之间有较高的聚集程度，每个机器人之间通信距离较短，进而保证了单一节点较低的通信开销，从而保证了集群运动有较好的鲁棒性。
[0098]
一些实施例中，所述自组织分组模块还包括标记单元，所述标记单元被配置为将未收集到所述目标信息的机器人标记为第一状态；响应于收集到所述目标信息，机器人将所述第一状态转换为第二状态；将首位标记为所述第二状态的机器人确定为所述组织者机器人。
[0099]
一些实施例中，所述自组织分组模块还包括：响应于聚集的所述子群机器人的数量达到n，所述组织者机器人停止聚集所述子群机器人，并开始确定下一位组织者机器人，n为预设的整数。
[0100]
一些实施例中，所述自组织分组模块还包括第一排序单元，所述第一排序单元被
配置为所述组织者机器人对与邻域内各未分组的机器人的距离进行升序排序，召集距离最近的n个未分组的机器人作为所述子群机器人。
[0101]
一些实施例中，所述自组织分组模块还包括第二排序单元，所述第二排序单元被配置为所述组织者机器人对邻域内各未分组的机器人的邻居数进行降序排序，确定邻居数最大的未分组的机器人作为下一位组织者机器人。
[0102]
一些实施例中，所述第二排序单元还被配置为响应于邻域内邻居数最大且未分组的机器人有多个，则将邻域内多个所述邻居数最大且未分组的机器人作为候选机器人，所述组织者机器人将与自己距离最近的所述候选机器人作为下一位组织者机器人。
[0103]
一些实施例中，所述装置还包括初始化模块，所述初始化模块被配置为在所述围捕目标出现之前，所述集群中的所有机器人初始化本地信息。
[0104]
为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本技术时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
[0105]
上述实施例的装置用于实现前述任一实施例中相应的基于自组织分组的目标围捕方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
[0106]
基于同一发明构思，与上述任意实施例方法相对应的，本技术还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上任意一实施例所述的基于自组织分组的目标围捕方法。
[0107]
图15示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器1510、存储器1520、输入/输出接口1530、通信接口1540和总线1550。其中处理器1510、存储器1520、输入/输出接口1530和通信接口1540通过总线1550实现彼此之间在设备内部的通信连接。
[0108]
处理器1510可以采用通用的cpu(central processing unit，中央处理器)、微处理器、应用专用集成电路(application specific integrated circuit，asic)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。
[0109]
存储器1520可以采用rom(read only memory，只读存储器)、ram(random access memory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1520可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1520中，并由处理器1510来调用执行。
[0110]
输入/输出接口1530用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
[0111]
通信接口1540用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如usb、网线等)实现通信，也可以通过无线方式(例如移动网络、wifi、蓝牙等)实现通信。
[0112]
总线1550包括一通路，在设备的各个组件(例如处理器1510、存储器1520、输入/输出接口1530和通信接口1540)之间传输信息。
[0113]
需要说明的是，尽管上述设备仅示出了处理器1510、存储器1520、输入/输出接口
1530、通信接口1540以及总线1550，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。
[0114]
上述实施例的电子设备用于实现前述任一实施例中相应的基于自组织分组的目标围捕方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
[0115]
基于同一发明构思，与上述任意实施例方法相对应的，本技术还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上任一实施例所述的基于自组织分组的目标围捕方法。
[0116]
本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
[0117]
上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的基于自组织分组的目标围捕方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
[0118]
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本技术的范围(包括权利要求)被限于这些例子；在本技术的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本技术实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。
[0119]
另外，为简化说明和讨论，并且为了不会使本技术实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路(ic)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本技术实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本技术实施例的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本技术的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本技术实施例。因此，这些描述应被认为是说明性的而不是限制性的。
[0120]
尽管已经结合了本技术的具体实施例对本技术进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态ram(dram))可以使用所讨论的实施例。
[0121]
本技术实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本技术实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本技术的保护范围之内。