[发明专利]用于运行多代理系统中的机器人的方法、机器人以及多代理系统

说明书

本发明涉及一种用于运行具有多个机器人（1）的多代理系统的方法，其中所述机器人（1）中的每个机器人都周期性地实施如下方法直至达到目标系统状态：‑基于当前的系统状态（q1‑q10），确定（S11）可能的选项，在所述可能的选项的情况下在预先给定的确定性有限自动机（DEA）中实现沿着系统状态的路径的进展，其中所述选项限定了如下行动，通过所述行动能实现从当前的系统状态（q1‑q10）过渡到随后的系统状态（q1‑q10）；‑针对所述可能的选项中的每个选项，确定（S12）用于执行通过所述选项来说明的行动的成本值；‑执行（S14、S15）拍卖，其中针对每个选项所确定的成本值被其余的机器人（1）中的每个机器人都考虑到；以及‑根据所有针对相关选项所确定的或所接收到的成本值，实施（S16）对应于所述选项之一的行动。

技术领域

本发明涉及多代理系统以及尤其是用于通过借助于协同拍卖过程对任务的分发来控制多代理系统的机器人的方法。

背景技术

机器人的团队进行协同来共同完成任务尤其是在环境条件有不确定性的情况下以及在任务规范中有时间相关性的情况下是困难的。将任务规范分解成子任务需要适当的机制来对任务规范进行分解，其中尤其是由于真实环境的不确定性而不能令人满意地针对各个机器人分配操作命令。

为了描绘机器人的各个操作之间的时间相关性，公知描述语言、即所谓的线性时序逻辑(Linear Temporal Logic，LTL)，该描述语言以LTL规范的方式来描绘任务规范。根据LTL规范，可以以本身公知的方式推导出各个机器人的行动计划、也就是说操作命令的集合。

用于机器人应用的LTL能够实现：将时间边界条件集成到概率模型中，尤其是在马尔可夫决策过程的情况下(MDP：Markov Decision Processes)将时间边界条件集成到概率模型中。马尔可夫决策过程能够实现：描绘包括实施行动的未知时长和在环境中的随机事件在内的不确定性。

为了在LTL任务规范的不确定性的情况下计划操作命令，Lacerda、D.Parker和N.Hawes的“Optimal and dynamic planning for Markov decision processes with co-safe LTL specifications”(Int.Conf.on Intelligent Robots and Systems，第1511-1516页，IEEE，2014年)规定了针对单个机器人的计划，该单个机器人将任务规范的自动机表示与MDP相结合。C.D.Ding、S.L.Smith、C.Belta和D.Rus.的LTLcontrol inuncertainenvironments with probabilistic satisfaction guarantees(IFAC，44(1):3515-3520，2011年)以相同方式规定了针对各个机器人计划操作命令，以便使对LTL任务描述的利用最大化。

为了与特定模型无关地使多个机器人协同，M.G.Lagoudakis等人的“Auction-Based Multi-Robot Routing.In Robotics:Science and Systems”(第343-35-页，罗马，意大利，2005年)公开了注重效率的多种拍卖策略。Koenig,C.等人的“The power ofsequential singleitem auctions for agent coordination”National Conference onArtificial Intelligence，第21卷，第1625页，Menlo Park，CA；Cambridge，MA，伦敦；AAAIPress；MIT Press；1999年，2006年公开了一种用来降低计划花费却没有随意使优化结果变差的顺序拍卖。M.Guo和D.V.Dimarogonas的“Multiagent plan reconfiguration underlocal LTL specifications”，International Journal ofRobotics Research，34(2):218-235，2015年公开了给多机器人系统的机器人彼此无关地分配本地子任务并且活跃地交流即将到来的冲突。