技术特征：
1.一种通信受限条件下的多机器人协作探索方法，其特征在于，每个机器人均有一个用于储存环境信息的环境信息库并有两个规划器，两个规划器分别为独立规划器和联合规划器；各机器人启动时聚集在一起，互相之间均可通信，此时处于联合集会阶段；在联合集会阶段，触发各个机器人的联合规划器进行规划，机器人将选出一个主持者，并将自己的环境信息库中的所有信息上传给主持者，主持者在进行信息整合后进行任务分配，向每个机器人分配需要访问的目标点和最终约定的进行下一次集会的地点和时间；至此联合集会阶段结束，各机器人将主动断开连接，进入独立探索阶段；在独立探索阶段，各机器人触发独立规划器进行规划，通过传感器收集新的环境信息，生成新的无障碍空间和前沿信息并对旧的环境信息进行更新，然后以被分配的目标点和最终需要到达的集会地点和时间作为限制进行独立规划，生成新的目标序列；在约定的集会时间各机器人到达约定的联合集会地点进行环境数据共享，再次从独立探索阶段进入联合规划阶段。2.根据权利要求1所述的方法，其特征在于，将每次独立规划器被触发时生成的所有环境数据称为一帧数据，所述独立规划器的规划过程为：步骤a1、采样障碍物点：对障碍物点进行采样，生成用于生成星凸的点集s
star
；用于生成星凸的点集s
star
需要包含两部分：当前观测到的障碍物点s
obs
和传感器最大观测半径上的采样点集s
free
；步骤a1.1、生成障碍物点云s
obs
：在融合多帧传感器数据生成的局部占用栅格地图中采样，生成在当前机器人位置能够观察到的障碍物点云s
obs
；以当前机器人位置p
r
为柱坐标系原点，在多个半径下进行不同密度采样，其中n表示采用的不同半径的数量，r
senor
为传感器最大感知半径；对于每个采样点p
s
，从p
r
为起点，向方向进行光线投影，如果在投影过程中和障碍物碰撞，记碰撞点为p
hit
，则将p
hit
加入s
obs
集合；步骤a1.2、生成最大观测区域点云s
free
：在步骤a1.1进行柱坐标系采样时，当采样半径r＝r
senor
且光线投影未与障碍物发生碰撞时，将该采样点p
s
加入s
free
点集；步骤a2、星凸生成：利用步骤a1生成的点集，构成用于生成星凸的点集s
star
＝s
obs
∪s
free
，并利用hpr方法计算星凸；将当前帧的星凸s
k
和当前机器人位置r
k
记录到环境信息库中；记第k帧的星凸为s
k
，则当前机器人已探索的无障碍空间表示为s1∪s2∪...∪s
n
，其中n是当前机器人的环境信息中记录的空间星凸数量；步骤a3、前沿面元更新：由于采用星凸来表示已知无障碍区域，那么组成星凸的面元即是已知无障碍区域的边界，只要除去完全由障碍物生成的星凸面元，剩下的面元就是已知无障碍空间与未知空间的分界，称其为前沿面元；步骤a3.1、当前帧前沿面元生成：对所有面元进行判断，如果该面元满足以下任意一个条件，该面元不是前沿面元：a.该面元的所有顶点均属于s
obs
；b.该面元的面积小于最小有效面积阈值η
area
；c.该面元的法向量z轴分量的绝对值大于z轴分量阈值z
thr
；筛选完当前帧星凸的所有面元后将得到当前帧的前沿面元集合f
k
；步骤a3.2、前沿面元的帧间更新：假设当前帧为第k帧，此步骤将完成两方面更新：(1)删除处于之前帧星凸{s1，s2，...，s
k-1
}中的当前帧的前沿面元，更新f
k
；(2)删除处于当前帧
星凸s
k
中的之前帧的前沿面元，更新{f1，f2，...，f
k-1
}；步骤a4、前沿面元聚类：对前沿面元进行聚类，并对每个前沿聚类生成一个对应的视点，将距离较近的视点融合为一个超级视点。3.根据权利要求2所述的方法，其特征在于，步骤a1.1的采样过程对于障碍物密度是自适应的，对于相邻的两个采样点p
i
，p
j
，将在p
i
，p
j
采样的中间角度继续递归地采样，直到如下条件满足其一：||p
i-p
j
||＜d
thr
。4.根据权利要求2所述的方法，其特征在于，步骤a3.2中，对每个星凸建立一个面元表，利用该面元表查询一个面元是否处于一个星凸中；1)面元表的建立过程如下：1.1)建立面元表的对象：将星凸s
i
的所有面元投影到一个栅格化的单位球上，该单位球上的每个格子记为g
i，j
；对于一个被投影的面元f
i
，可以得到其在单位球上的轴向边界矩形，将处于该b
i
中的所有格子记为g
b
＝{g
i，j
|g
i，j
∈b
i
}；1.2)将g
b
中的格子和f
i
的对应关系记录到面元表中；最终栅格化的单位球上的每个格子将对应一个或多个面元；(2)使用面元表快速查询过程如下：对于待查询的面元f
i
和星凸s
j
，先将f
i
的中心投影到以星凸s
j
对应的机器人位置r
j
为球心的栅格单位球上，投影点落到g
i，j
格子中，在s
j
的面元表中查询g
i，j
对应的面元{f
′
j
|j∈{1，2，...，j}}，共j个；查询到的每个面元f
′
j
的三个顶点与r
j
连接形成一个三棱锥，共形成j个三棱锥，如果f
i
的中心在其中一个三棱锥中，就判断为f
i
在星凸s
j
中。5.根据权利要求2所述的方法，其特征在于，步骤a4的具体过程为：步骤a4.1、前沿面元谱聚类：进行谱聚类需要先构建两个矩阵：度矩阵d和相似矩阵s；对于度矩阵d，将所有面元与其k个欧氏距离最近的邻居连接起来，形成一个图，计算该图的度矩阵作为d；对于相似矩阵s按下式进行计算：s＝(exp(-s(f
i
，f
j
)2/2σ2))
i，j＝1
…
j
其中，s(f
i
，f
j
)是f
i
，f
j
两个面元之间的总距离，s(f
i
，f
j
)＝||[d
t
，d
n
，δ
n
]||
ω
，σ是预设的高斯函数的参数；d
t
，d
n
，δ
n
分别为3种衡量相似度的距离，d
t
(f
i
，f
j
)＝||(c
i-c
j
)
·
n
j
||2为切向距离，d
n
(f
i
，f
j
)＝||(c
i-c
j
)
×
n
j
||2为法向距离，δ
n
(f
i
，f
j
)＝||(n
i-n
j
)/2||2为法向角度差；计算出d和s后，即可通过谱聚类得到前沿聚类；步骤a4.2、视点选择：每个前沿聚类生成一个对应的最佳视点；在生成视点时，为确定视点相对于前沿聚类的最佳位置，先将前沿聚类建模为一个椭圆面；其位姿由三个互相正交的单位向量描述其中n0等于该聚类中所有面元的法向量的平均值单位化后的向量；然后通过对该聚类中的所有面元的中心点做pca主成分分析，将得到一个特征向量矩阵n
pca
和对应的特征值组成的向量λ
pca
＝[λ0，λ1，λ2]，该向量中的特征值以递减的顺序储存；将n
pca
矩阵的第一列和第二列分别投影到由n0确定的平面，分别得到n1、n2；在距
离该椭圆面一定距离范围内，以较垂直与该面的角度生成一系列采样点：其中，vp是生成的采样点，c是聚类中心，r
i
是采样的观察距离；ω＝[1，ω1，ω2]，其中ω1∈[0，ω
max
]，通过选择不同的ω可以得到不同的采样点，ω1，ω2分别表示生成采样点时向量n1、n2的权重；先选取与椭圆面垂直的方向采样视点，如果采样视点在已知的无障碍空间内，则选择其作为聚类对应的视点，否则继续采样，直到采样到在已知的无障碍空间内的视点；若在采样空间内无法找到满足要求的视点，则认为该聚类不可观测，直接将其从环境信息中删去；步骤a4.3、超级视点生成：被包含于同一个给定阈值半径的球体中的视点生成一个超级视点；超级视点将作为探索决策中机器人需要到达的目标点。6.根据权利要求1所述的方法，其特征在于，联合规划器的规划过程如下：步骤b1、主持者选择：确定主持者机器人的规则为：a.机器人通过检测其他机器人的时间戳来确定新的会议的主持者；b.当一个机器人进入一个由主持者主导的会议时，它会跟随其他老与会者保持同一个主持者；c.如果主持者离开会议，其余的与会者将根据时间戳重新决定主持者；步骤b2、信息整合：参与集会的机器人将所有环境信息库中的环境信息上传到主持者，信息整合分为两个方面：(1)整合无障碍空间信息；(2)整合前沿信息；对于(1)，直接将所有机器人的无障碍空间信息全部汇聚，则所有空间星凸的并集即为所有的已知无障碍空间；对于(2)，每个机器人的前沿面元都需要被检查是否在其他机器人的空间星凸中，如果在，则删除该前沿面元；为寻找任一前沿面元对应的需要检查的星凸，对所有空间星凸对应的关键位姿点建立kd-树，查找出以该面元中心为原点，以最大传感器半径为半径的球形范围的所有关键位姿，然后检查该面元是否在这些关键位姿对应的星凸中；在信息整合过程中，若一个前沿聚类中的所有面元均被删除，则该前沿聚类和其对应的视点被删除，若一个超级视点中的所有视点均被删除，则该超级视点被删除；步骤b3、集中规划：将信息整合后所有的超级视点作为需要到达的目标点分配给各个机器人，并约定一个下一次集会的时间和地点，在经过被分配的超级视点后回到集会地点进行联合集会；每个超级视点只被分配给一个机器人；定义两个点之间的成本为：其中，v
max
是机器人的最大速度；各个机器人位置记为r
c
＝{1，...，n}，各超级视点位置记为s
c
＝{n+1，...，m}，定义3个0-1决策变量：(1)当且仅当机器人k选择从i点到j点赋值为1；(2)当且仅当节点i被机器人k经过时赋值为1；(3)t
i
：当且仅当节点i被选为下一次集会地点时赋值为1；然后集中决策规划问题可表述为：
其中，n
c
＝r
c
∪s
c
，d
ij
＝t
m
(p
i
，p
j
)在求解上述问题之前，先选定下一次集会位置，即确定t
i
；集会位置确定后，决策规划问题转化为车辆路径问题，先使用启发式函数进行初始路径搜索，然后使用元启发式方法进行局部路径搜索；从机器人的位置出发，通过迭代增加最小成本的圆弧来扩展路径；用这种方法得到了一个初始解；最后，采用扩展引导局部搜索算法来寻找改进的解；至此，已确定下一次集会位置p
c
和每个机器人的路径ψ＝{1，...，n}；然后确定集会时间，用求解结果作为基础时间t
b
，设置额外时间供机器人自由探索t
e
，机器人k的上一个未完成的集会地点和时间为l
cur
是当前时刻，那么下一次集会时刻为：在此基础上，在任务和路径被分配给机器人后，它们分散开来独立探索。7.根据权利要求6所述的方法，其特征在于，选择与所有机器人距离最大的节点作为集会位置。8.根据权利要求6所述的方法，其特征在于，随着环境的探索和新的超级视点的生成，每个机器人不断通过独立规划器重新规划路径，通过各个超级视点，并准时到达下一个集合点；为了减少重复的探索，对分配给其他机器人进行探索的区域引入惩罚；对于机器人r，
将其位置记为p
r
，将下一次集会地点记为p
m
，超级视点集合记为s
d
，那么定义节点i的惩罚a
i
为其中，ψ
v
是分配给机器人v的路径；则该规划问题为：则该规划问题为：则该规划问题为：则该规划问题为：则该规划问题为：则该规划问题为：其中，n
d
＝p
r
∪p
m
∪s
d
，t
m
是下一次集会的时刻，t
cur
是当前时刻；当机器人重规划时，在上一次解的基础上进行局部搜索，生成新的解。
技术总结
本发明公开了一种通信受限条件下的多机器人协作探索方法，考虑了现实世界中的通信网络的限制，尤其在探索决策部分和已探索区域信息的高效表示部分对通信限制进行针对性设计。机器人将间歇地回到约定的地点，结束上一次任务并进行下一次任务分配，且该方法并不依赖于额外的中心基站。同时提出基于星凸的已探索区域表征方法，在保证空间表示的精确性的同时大大降低所需通信带宽。大降低所需通信带宽。大降低所需通信带宽。
技术研发人员：高飞 高钰满 许超
受保护的技术使用者：湖州快飞智能科技有限公司
技术研发日：2022.03.03
技术公布日：2022/7/1