基于虚拟结构的机器人编队控制方法

简介

目前，实现多 AUV 系统编队航行的控制方法主要包括基于领航者-跟随者的方法。

基于虚拟结构的方法、基于人工势场的方法、基于行为的方法和基于路径跟随的方法等。

基于领航者跟随者的编队控制方法

领航者-跟随者的概念最早由 Cruz提出，并且由 Wang等将其成功应用于移动机器人的编队控制中。

作为目前最为常用的一种编队控制方法，其基本思想是：所有编队成员被指定为领航者或跟随者这两种角色，领航者通过沿着预定或者临时设定的路径航行。

掌控整个编队的运动趋势，跟随者依据相对于领航者的距离及方位信息跟随领航者实现编队控制。

领航者-跟随者方法的优点是编队控制结构简单，易于实现，编队中只需要设定领航者的期望路径或其他行为，然后跟随者以预定的位置偏移跟随领航者即可实现编队控制。

鉴于这个原因，领航者-跟随者方法在实际工程中被广泛应用。该方法的缺点为编队系统过于依赖领航者。

基于虚拟结构的编队控制方法

虚拟结构法最早由 Tan提出，该方法将编队的所有成员视作一个整体进行处理，其基本思想为：首先确定虚拟结构的运动学和动力学特性。

然后推导出虚拟结构上虚拟目标点的相应特性，最后通过设计适当控制律使机器人跟踪对应虚拟目标点，实现编队控制。

虚拟结构法的优点在于，通过将编队队形视作一个刚性结构，系统有明显的队形反馈，便于编队行为的确定和队形的保持。

其缺点也很明显，由于编队队形需要一直保持同一个刚性结构，缺乏灵活性和适应性，尤其是在躲避障碍物过程中存在一定的局限性。

另外，不同的机器人在环境下会受到不同环境因素影响，严格的队形约束会诱发频繁控制指令，增加能耗，甚至出现执行器饱和现象。

这些缺点导致虚拟结构法在多机器人编队控制中的应用相对较少。

基于人工势场的编队控制方法

人工势场的概念由 Khatib 提出并成功应用于移动机器人避障控制中。所谓人工势场法即为研究对象的工作空间设定人工势场。

并为研究对象设定人工势函数，以此构造工作空间中机器人、目标点、以及障碍物等的势场力，通过最小化个体势场达到编队控制的目的。

人工势场法的优点在于其设计的算法能够较好的解决避碰避障问题；

缺点表现在当势力场较多时容易导致机器人出现小范围往复运动，增大能耗，另外合适势函数的选取也比较困难。

优点：

实时性强；

这是人工势能场法最大的优点，人工势能场法仅仅需要计算下一时刻的智能

体的即可，不需要全局信息，因此其实时性强，在线计算能力强；

突防突发威胁能力强；

针对突发威胁，当威胁所在的位置在智能体的可视范围内，智能体将模拟出突发威胁对智能体本身的斥力，使之有能力避开此威胁障碍物。

在突发威胁不在智能体的可视范围内，则智能体忽略此障碍物威胁。对突发威胁的突防能力也可称为动态避障规划能力。

局部处理能力强。

不论障碍物是否属于突发威胁障碍物，人工势能场法使用的都是局部信息，而非全局的信息，因此无需全局长时间的进行搜索和优化路径。

缺点：

有“零势能点”存在，将导致智能体停止运动；

例如当二维空间中仅仅存在三个点状的障碍物时，此三个点状障碍物恰好形成等边三角形的三个顶点，并且智能体恰好位于此三角形的中心点上，此时智能体的合力为零，其势能也为零。

此时无法对智能体的运动状态进行更新，此时智能体无法通过障碍物区域。因此，为使智能体能通过障碍物区域，必须对智能体受到的合力做出改变，使之不为零。

智能体出现“局部困扰”的问题；

当二维空间中障碍物以某种规律存在时，智能体会出现在障碍物中“徘徊”的情况，即为智能体的“局部困扰”的问题。

智能体无法通过此区域的原因是，当智能体离开障碍物时，又被目标吸引走向障碍物，而当智能体被吸引进入障碍物区域后，智能体又被障碍物对其的斥力所驱使而离开障碍物区域。

以此进行死循环，并进入“徘徊”的状态，形成局部困扰的问题。因此，为使智能体不出现局部困扰的问题，必须对智能体受到的合力进行更改，使智能体绕过障碍物区域。

多智能体编队运动时无法维持编队队形。

多个智能体形成编队时，无法自动保持队形，需将智能体本身之间的作用添加到合力中，使之维持编队队形。

基于行为的编队控制方法

基于行为的控制概念最早由 Brooks提出，为多机器人协同采样任务设计了基于行为的控制体系结构。

基于行为的编队控制基本思想即：将编队控制任务分解成驶向路径点、躲避障碍物、编队保持等基本行为，并通过行为融合实现多机器人的编队控制。

基于行为法的基本思想是将多机器人编队控制任务分为简单的基本行为，如障碍避碰、驶向目标和保持队形等。

将这些基本行为融合到一起，当传感器接收到环境变换或刺激时，做出不同反应，输出系统下一步的运动反应，实现运动控制。

基本行为融合的方式有三种。

第一种是加权平均法。各基本行为根据一定的权重加权平均得到输出向量，权值的大小对应基本行为的重要性；

第二种是行为抑制法，对各个基本行为按一定的原则设定优先级，在同等条件下，优先级高的基本行为作为机器人的当前的行为；

第三种是模糊逻辑法，根据模糊规则综合各基本行为的输出，以得到机器人的输出。

基于行为法鲁棒性高、实时性好及明确的队形反馈，但行为的融合复杂，很难设计指定队形的局部基本行为，难以保证编队控制的稳定性。

基于行为编队控制方法的优点在于比较容易实现分布式控制，系统应变能力较强，能够较好的应对避碰避障问题，编队也能通过成员相互之间的感知达到队形反馈的目的。

不足之处在于无法明确定义编队系统的整体行为，不利于系统的稳定性分析。

基于路径跟随的编队控制方法

基于路径跟随的编队控制方法也可称之为协调路径跟随控制，其基本思想是将编队控制任务进行时空分解，得到空间上的路径跟随任务和时间上的协调同步任务，进而实现协调编队控制。

该方法通常会针对待同步信息指定一个领航者或者虚拟领航者作为信息同步的参考标准。

基于路径跟随的编队控制方法的主要优点：各机器人之间交换数据量很小，更适合通信受限的环境。

另外，如果短时间内编队通信链路出现故障导致个别 机器人失联，该机器人仍可沿预设路径航行，不至于处于混乱状态，直至通信恢复正常或者采用其他补救措施。

基于路径跟随的编队控制方法具有重要的实际应用价值，也因此成为近几年比较热门的研究内容之一。

基于信息一致性的编队控制方法

多智能体系统的一致性问题即：系统中各智能体量化信息在适当控制律作用下趋于某种一致性。

对于多机器人系统这些信息通常包含各成员的位置、姿态及速度等，可以通过各成员之间相互通信获得，也可以通过感知获得。

信息一致性方法通常假定智能体仅与其相邻个体进行信息交互，因此基于信息一致性方法的优点在于能够适用于大尺度的编队控制。

不足之处在于寻找合适的量化信息、拓扑结构以保证一致性算法在有限时间内收敛存在一定难度。

编队控制算法指标

路径长短：多机器人从起点到目标点行进的平均距离与起点和目标点

之间直线距离的比值。该值越小，性能越好；反之越差。

队形维持：不同时刻运动过程中机器人在期望位置的比例。该值表示

在有障碍时保持队形的性能。该值越小，说明队形保持情况越好；反之越差。

运行时间：多机器人到达目标点及队形形成所用的时间。

避障代价：多机器人与障碍物发生的碰撞次数。碰撞次数越少，避障

代价越小，避障算法越好；反之越差。

审核编辑：郭婷