[发明专利]一种基于自组织映射的机器人群体协同主动感知方法

权利要求书

1.一种基于自组织映射的机器人群体协同主动感知方法，所述机器人群体内各机器人的配置均相同，各机器人上分别搭载有激光雷达与深度相机，其特征在于，所述机器人群体协同主动感知方法包括以下步骤：

(1)参数设置，包括机器人群体的旅行预算时间阈值，自组织映射网络的迭代次数；根据待感知区域设置机器人群体的多个目标点；

(2)建立各机器人的运动学模型并利用该运动学模型进行相应机器人航迹上的所有路径点推算，各机器人的所有路径点构成相应机器人的路径点序列；

(3)在待感知环境中，为每个机器人随机选择一个初始位置，各机器人按照步骤(2)推算的航迹进行首轮探测，探测过程中通过多旅行商问题模型对各机器人的航迹进行修正，形成探测时间最短的航迹并得到对应的路径点序列，经过首轮探测后机器人回到各自的初始位置，分别形成一个闭环路径；在首轮探测过程中，将深度相机收集的图像数据较为丰富的位置作为各机器人的观测点序列，各观测点序列由多个观测点构成，一个目标点对应一个观测点序列，机器人通过各观测点采集相应目标点的特征信息；

(4)对机器人群体，首轮探测后通过深度相机与激光雷达随机确认一个未被感知的目标点作为当前目标点，机器人各自从与当前目标点对应的观测点序列中任意选择一个观测点作为目标观测点，选择到所述目标观测点的旅行预算时间与实际消耗时间比值最小的机器人作为获胜机器人；通过自组织映射网络算法，选择该获胜机器人所在的路径点序列中与所述目标观测点欧氏距离最短的路径点作为获胜路径点，通过自组织映射网络算法的迭代计算，获胜路径点向目标观测点不断靠近，同时保持各路径点之间的拓扑结构不变，直至获胜路径点与目标观测点之间的距离达到设定阈值或者旅行预算时间耗尽，迭代结束，得到包含有目标观测点的闭环路径，获胜机器人按照该闭环路径利用深度相机和激光雷达进行当前目标点探测；

(5)不断重复步骤(4)，遍历所有目标点，探测结束；

步骤(4)中，利用自组织映射网络算法得到包含有目标观测点的闭环路径的迭代计算，具体实现过程如下：

(4.1)设定变量

将步骤(3)得到的获胜机器人路径点序列作为自组织映射网络的输入变量X＝[X₁，X₂，…，X_m]，每个输入变量均为m维行向量；设定自组织映射网络的学习率η；

设定各输入变量与相应输出变量之间的权值向量为ω_l(k)＝[ω_l1(k)，ω_l2(k)，…，ω_lp(k)]，其中l为当前输入变量的元素编号，l＝1，2，…，m；p表示输出变量的维度，k为当前与l对应的输出变量的元素；

(4.2)对权值向量使用[1，10]中的随机值进行初始化，并对输入变量和权值向量均进行归一化处理：

其中，||X||、||ω_l(k)||分别为输入变量和权值向量的欧几里得范数；

(4.3)将随机抽取的多个输入变量输入自组织映射网络，将输入变量与权值向量的内积值最大的神经元作为输出变量；将欧氏距离D最小的神经元，记为获胜神经元，欧氏距离D的计算公式如下：

D＝||X-ω_l(k)||

(4.4)对获胜神经元拓扑邻域内的其他神经元，使用Konhonen规则对权值向量进行更新：

ω_l(k+1)＝ω_l(k)+η(X-ω_l(k))

(4.5)更新自组织映射网络的学习率η及拓扑邻域，并对更新后的权值向量再次进行归一化；其中，学习率和拓扑邻域大小的调整按排序阶段和调整阶段两步来进行：在排序阶段，随着迭代的进行，学习率和拓扑邻域大小逐渐减少，权值向量根据输入变量进行调整，使权值向量的拓扑结构与更新后输入变量的拓扑结构相适应；在调整阶段，学习率继续减小，拓扑邻域大小保持不变，权值向量在排序阶段确定的拓扑结构上进行调整，保证学习的稳定性；

(4.6)判断迭代次数是否达到步骤(1)中预设的最大值，若没有达到最大迭代次数，则转到步骤(4.3)，否则迭代结束，输出获胜机器人更新后的路径点序列。