摘要
随着机器人所需完成的任务越来越复杂，单个机器人的能力难以满足日渐复杂的任务需求，因此需要研究能够协调多个机器人执行复杂任务的多机器人协同算法，而研究将多机器人协同算法应用于解决编队问题和搜索问题是目前的两大研究热点。 然而，目前已有的研究在解决通讯受限条件下的多机器人协同编队问题和限定环境下随机移动目标多机器人协同搜索问题时存在一定的不足，因此本文分别针对以上两个具体问题设计算法，以提高多机器人协同算法在解决上述问题时的智能性和适用性。本文的主要贡献如下： (1)针对通讯受限条件下基于局部信息的多机器人自主线形编队问题，本文提出了一种基于位置预测的线形编队算法，该算法能够使机器人群体在仅使用相邻机器人位置信息的条件下形成线形编队，在形成编队的过程中机器人利用位置预测机制预测自身处于编队中的位置，并根据预测结果选择使得线形编队更快收敛的策略。在仿真实验中验证了该方法在所设定的限制条件下的编队能力和避障能力，并与已有方法在相同限制条件下的实现算法进行对比，结果表明加入了位置预测机制的线形编队算法完成编队所需的步数为对比方法的84.3%，能量消耗为对比方法的75.6%，所提出的算法相比对比方法拥有更快的编队收敛速度和更小的能量消耗。 (2)针对限定环境下随机移动目标的多机器人协同搜索问题，本文提出了一种基于概率和维诺图的分区搜索算法，该算法能够使多机器人群体在各种初始位置下完成协同探索未知边界的任务，还使得多机器人群体通过成功的搜索学习目标的概率信息，并利用概率信息优先搜索高概率区域以及为机器人分配任务量均匀的维诺图子区域，而后每个机器人在所分配的维诺图子区域中循环搜索目标。仿真实验结果验证了该方法在不同条件下协同搜索随机移动目标的能力，还根据实验结果分析了不同条件对搜索效率的影响。在搜索本文所假设的目标时本文提出的方法搜索消耗步数为目前已有的无概率方法搜索消耗步数的36.1%，为目前已有的有概率方法搜索消耗步数的65.4%，提出的方法相比两种对比方法在搜索效率上都有较大提升。此外还通过实物实验验证了算法的可移植性以及实用性。
NETL