[发明专利]基于深度自动编码和特征融合的智能体蜂拥行为控制方法

说明书

本发明公开了一种基于深度自动编码和特征融合的智能体蜂拥行为控制方法，包括：确定智能体的感知范围内的所有邻域智能体；利用自动编码机分别将智能体及每个邻域智能体的多源异构状态信息转化为数值化状态特征；分别对所有数值化状态特征进行维度级联，利用第一预设深度神经网络对级联后的数值化状态特征进行融合，获取智能体及每个邻域智能体的综合状态信息特征；对所有邻域智能体的综合状态信息特征进行加权合并，获取智能体的融合邻域特征；对智能体的综合状态信息特征和融合邻域特征进行维度级联，利用第二预设深度神经网络映射得到智能体的输出控制量。本发明能够控制智能体集群产生满足群体方向一致性和稳定性要求的智能体集群蜂拥行为。

技术领域

本发明涉及智能体集群运动控制技术领域，具体涉及一种基于深度自动编码和特征融合的智能体蜂拥行为控制方法。

背景技术

智能体集群是受自然界群居动物生活习性启发而设计的一类集群机器人，智能体集群没有集中式控制结构，通过智能体之间的局部交互以及智能体与外部环境的相互作用，决策执行自身能力范围内的动作，涌现出特定的宏观群体行为，从而执行特定任务。因此，智能体的群体蜂拥控制方法的研究对于进一步提高无人集群系统能效，发挥无人系统作用具有至关重要的价值和意义。

早期的智能体集群运动控制研究都是着眼于简单规则的设计、叠加和参数调整，以人工设计规则为导向，关注一致性、稳定性和收敛性等问题。虽然相应的控制方法能够在仿真模拟和小规模集群中得到了验证，但是规则叠加的不确定性和人工归纳的欠精确性使得宏观行为涌现具有不可控性。随着人工智能、深度学习等数据驱动和学习型算法的不断发展以及硬件设备的性能提升，目前已开始采用群体智能算法和深度学习技术来实现智能体集群运动控制。例如公开号为CN106970615A，发明名称为《一种深度强化学习的实时在线路径规划方法》的中国专利文献所公开的一种智能体路径规划方法，该方法利用强化学习来做路径规划，虽然强调了学习性算法在实时、自适应和灵活的场景下的作用，但是其对象是不考虑群体状态的个体，失去了宏观涌现能力，也无法达到蜂拥行为效果。又例如公开号为CN108921298A，发明名称为《强化学习多智能体沟通与决策方法》的中国专利文献所公开的一种智能体控制方法，该方法主要针对多智能体信息特征交互融合，在不考虑具体场景的情况下，利用深度学习的泛化机制和能力，自适应的提取任务相关信息，以提高后端决策智能性。该方法的优势是设计的聚类型融合方法，可以有效的自适应聚合不定数量的特征，并且吸收了表征学习可以将物理量转化为数值量的优点。但是，聚类方法有赖于聚类参数的选择，基于手动设计的状态特征以及未经过预训练的特征提取存在不稳定性；并且基于强化学习的方法输出是离散动作，无明确动作的设计不能有效的直接控制集群出现宏观涌现现象。

因此，如何有效地引导智能体在局部感知信息中，产生满足群体一致性和稳定性条件的动作进而演化为群体蜂拥行为成为了本领域技术人员亟待解决的技术问题。

发明内容

为解决上述现有技术中存在的部分或全部技术问题，本发明提供一种基于深度自动编码和特征融合的智能体蜂拥行为控制方法。

本发明的技术方案如下：

提供了一种基于深度自动编码和特征融合的智能体蜂拥行为控制方法，所述方法用于控制智能体集群蜂拥运动，包括：

确定智能体的感知范围内的所有邻域智能体；

利用并行的深度学习自动编码机分别将智能体及每个邻域智能体的多源异构状态信息转化为数值化状态特征；

分别对智能体及每个邻域智能体的所有数值化状态特征进行维度级联，并利用第一预设深度神经网络对维度级联后的数值化状态特征进行融合，获取智能体的综合状态信息特征及每个邻域智能体的综合状态信息特征；

对所有邻域智能体的综合状态信息特征进行加权合并，获取智能体对应的融合邻域特征；