一、基于智能体的多机器人协作的仿真系统（论文文献综述）
焦轩宇[1]（2021）在《基于多智能体的养老情景下多机协作机制》文中认为
黄媛媛[2]（2021）在《机器人协作博弈的建模与仿真》文中研究说明多机器人协作作为一个热门研究话题,协作机制的优劣直接关系到系统完成任务的效率、成功率和成本,本文主要讨论多机器人协作博弈的相关问题。从多机器人系统的观点来看,机器人追捕系统是一个全面且具有挑战的平台,融合了环境信息处理、通信处理、机器人交互处理等多个领域的技术。机器人追捕环境下的多机器人协作可以应用到很多场景,具有十分重要的现实意义。但现有的机器人协同技术与方法,大多存在多机器人之间交互通讯效率低,在对抗情形下围捕成功率低、耗时长等不足。针对现有方法存在的不足,本文的研究内容如下:（1）在语义Web作为语义支撑的基础上,对协商的环境和参与协商的多机器人进行假设,建立自动协商模型,研究多机器人系统的协商问题。描述了机器人及其目标和状态,刻画不同的机器人性格,同时分析不同性格的机器人在协商过程中的议价策略和效率,通过仿真实验进行对比分析。（2）在研究内容（1）的基础上,对机器人围捕问题建立形式化模型,采用障碍区域虚拟扩大算法,在不增加机器人向目标点移动步数的情况下,避免机器人移动陷入死角。同时,使用基于能力筛选的改进合同网协议,通过对目标机器人的能力进行评估,筛选符合要求的机器人,并结合动态协作围捕算法,优化围捕任务执行效率。通过仿真实验动态协作围捕算法,较一般协作围捕算法执行任务速度更快,稳定性更高。（3）在研究内容（2）的基础上,基于博弈论思想,将对抗情形下多机器人的对抗博弈策略控制建模为多机器人追捕-逃跑问题。综合考虑距离、移动和有效包围等因素构建评价函数。此外,将机器人求解最佳移动策略问题转化为求解追捕者支付矩阵的最佳纯策略解问题,最终通过排除法求解支付矩阵获得当前局势下机器人的最优走步策略。通过对抗情形下多机器人的对抗博弈仿真系统,验证了提出的对抗情形下多机器人对抗博弈策略控制模型的有效性与可行性。
刘荆欣[3]（2021）在《智能工厂中多机器人系统任务分配与路径规划研究》文中研究表明多机器人系统（Multi-Robot System,MRS）具有良好的自主移动性、灵敏性和强鲁棒性,能够很好的克服单机器人作业面临的瓶颈,被广泛的应用于工业生产的各个领域。多机器人系统如何协作完成智能工厂中高实时性的数据巡检任务一直是多机器人系统研究的热点,本文对多机器人系统协作进行数据巡检的任务分配及巡检任务所在车间的路径规划问题进行研究,合理的任务分配与路径规划不仅体现了多机器人系统的存在意义,也满足了“工业4.0”时代下智能作业的高实时性要求。在多机器人系统协作执行数据巡检作业时,若要实现全局巡检任务的按时完成,需解决的首要问题是为各机器人合理配置巡检任务,实现多机器人系统的负载均衡。当多机器人系统获得最佳巡检任务分配策略后,将依据分配策略去相应车间执行巡检任务,此时作业环境中可能存在拥塞、碰撞及冲突现象,因此如何在复杂多变环境中为每个机器人规划出一条无冲突的全局路径显得尤为重要。本文的研究内容为:1)针对现有任务分配算法未考虑多机器人资源状况与多巡检任务资源需求间的映射关系或无法适应环境的动态性问题,本文提出基于Stackelberg动态博弈的多机器人系统任务分配策略,Stackelberg博弈中参与者的动态行为恰好符合多机器人与多巡检任务的动态交互场景。首先,基于博弈模型为多机器人系统设置负载均衡的效用函数,将最大化效用函数作为博弈目标,旨在实现多机器人系统的负载均衡。而后,提出改进的强化学习SARSA算法不断学习最佳任务分配策略,以满足智能工厂巡检任务的高实时性需求。为适应任务分配策略的动态变化,引入状态转移概率与动作转移概率,将SARSA算法的确定性策略转变为随机性策略;为尽快得到每个机器人的最佳任务分配方案,引入平均状态动作函数监测状态动作值,动态调整SARSA算法的学习率。2)针对多机器人系统工作环境复杂且路径规划算法存在计算量大、实时性差等问题,提出一种基于动态权值矩阵的无冲突全局路径规划算法,旨在为多机器人规划连接多节点的无冲突时间优化路径。首先,为解决因机器人数量增多而导致的路径拥塞或碰撞冲突问题,引入中央控制器实时观测其他机器人的位置,动态更新路径权值矩阵,提前规避存在的路径拥塞、碰撞冲突等现象;而后,提出一种时间优化的全局路径规划算法,在连接多巡检任务的单路径段中不断迭代寻找包含两个节点的权值最小路段,再寻找包含该路段两端节点与其他任务所在节点的时间优化路径,不断迭代直至寻找到一条包含最佳巡检任务集所在节点的时间优化路径。最后,本文基于多机器人任务分配策略和无冲突全局路径规划策略完成多机器人数据巡检任务。实验表明:基于Stackelberg博弈的任务分配策略实现了效用最大化及环境适应性能的优化;基于动态权值矩阵的无冲突全局路径规划策略在保证路径无冲突的同时,实现了多机器人路径移动时间的优化,满足了工业任务的实时性要求,具备一定的可靠性。
李坤成[4]（2020）在《智能体Petri网融合的多机器人-多任务协调方法研究》文中提出随着人口老龄化的发展,未来我国乃至世界都将面临日趋增长的由老年人长期护理需求造成的巨大压力,特别是像养老院这样的场所,需要大量的人力资源来完成对老人的照顾。机器人技术的发展使得一些服务机器人已经能够在一定程度上帮助人们对老人进行照顾。可以推测,随着老龄化的加剧以及劳动力的相对减少,在未来使用服务机器人护理老人的日常生活将会成为一个必然的趋势。而面对一定数量的、功能不尽相同的服务机器人,如何能够让它们协同起来完成日常护理任务,并且保证该过程中老人的满意度就成为了一个需要解决的问题。针对该问题本文提出了一个应用于养老院情境的多机器人-多任务协调框架。本文首先结合时延Petri网和颜色Petri网提出了可扩展时延-颜色Petri网（Scalable Timed-Colored Petri Net,记为STdCPN）,并使用STdCPN对养老院中机器人照顾老人的过程进行建模,从而模拟养老院的基本运行情况,作为协调框架的基础。其次,通过考虑在机器人照顾老人的过程中会对老人满意度造成影响的因素,构建了服务对象满意度模型。设计了基于服务对象满意度模型的智能体来实现协调框架的调度,该智能体通过考虑老人的“个人因素”和机器人的实时状态、位置等信息对老人的任务进行个性化的规划,并合理分配系统资源。使机器人帮助老人完成任务的同时最大化老人总体满意度。再次,对不同情况下智能体做出的决策进行了仿真与分析,结果表明智能体的决策具有其合理性。最后,提出了一种大规模任务冲突情况的优化求解方案,使用粒子群优化算法结合克隆变异算子对任务执行方案进行快速求解,提高了系统的响应速度。
权浩[5]（2020）在《面向多任务的仓储移动机器人路径规划与调度》文中指出随着工业的发展,制造业也发生了翻天覆地的变化,移动机器人的出现将人从繁琐的劳动中解放了出来,尤其是移动机器人在仓储应用领域大放异彩。机器人随着时代潮流的发展,不仅在功能上越来越强大,而且在规划方面越来越智能。多任务下的机器人协作已经成为工业机器人中的重要发展方向,随着通信与物联网等技术的发展,移动机器人得到了巨大的发展助力。本文针对智能仓储环境下的移动机器人展开研究。首先,本文介绍了移动机器人的研究背景及研究意义,并对该领域内的国内外研究现状展开了叙述。本文对移动机器人领域内的问题进行了归纳,并阐述了相关的解决算法。然后,由浅入深地介绍了移动机器人的通信方式、控制方式和仓储等问题。为后续章节算法的原理做了铺垫。最后,本文着重对移动机器人路径规划和多机器人调度问题展开研究。基于群体智能算法和强化学习相关思想,在群体智能算法的基础上改进并设计了新的混合算法。其中针对移动机器人路径规划问题,本文在蚁群算法基础上做出了巨大改进,设计了基于独狼蚁群混合算法的路径规划,算法分别在路径选择方向、信息素控制和路径停滞上进行了改进和创新;针对多任务下的多机器人调度,本文在对传统遗传算法进行了改进,在遗传算法的基础上设计了新的任务分配算法,有效减少了路径的交叉。本文设计了栅格环境实验模型,在不同栅格地图上对算法进行了测试,并进行了对比验证。改进后算法在多机器人协作中表现突出,能有效解决仓储复杂环境下的机器人路径规划和调度问题。综上,本文对多目标、多任务下仓储机器人的路径规划和调度进行了研究,改进了相关的算法,并验证了算法在解决仓储机器人的有效性。
李陈最[6]（2020）在《异构多智能体系统的协作编队控制方法研究》文中研究表明异构多智能体系统的协作编队控制问题是目前多智能体系统研究中面临的主要挑战之一,近年来引起了国内外专家和研究学者的广泛关注。本文在此背景下结合代价函数法,研究了基于视觉信息反馈的异构多智能体系统的编队控制方法。围绕基于相对距离的地面移动机器人团队的编队形成问题、动态过程中地面移动机器人团队的编队保持以及形态变换问题以及地面移动机器人团队的动态避障问题这三个方面进行研究。主要研究内容如下:1.利用视觉反馈信息研究了无人机和地面移动机器人系统的静态编队形成方法。依靠无人机引导,采用无人机机载摄相机获取地面移动机器人的相对位置信息。通过设计基于代价函数的控制器实现地面机器人编队的形成,并分析了编队形成的效率问题。最后,搭建仿真实验平台以及实物实验平台,基于编队形成问题设计实验分别得到仿真和实物实验的结果,验证提出的编队形成控制方法的鲁棒性和有效性。2.针对多智能体系统编队控制问题中的编队维持以及形态变换问题,研究了无人机动态飞行过程中地面移动机器人群的跟随、编队维持和形态变换方法。在动态飞行中,无人机扮演了“领导者”的角色,由于机载摄相机的图像坐标系与无人机坐标系存在一定的转换关系,通过建立地面移动机器人与图像的连续关联性来保证它们跟随无人机的运动轨迹,从而实现动态的跟随和编队保持效果。此外,考虑到地面移动机器人的数量变化问题,引入了可变的期望编队形态向量来提供不同的编队形状。然后,将动态的编队保持和编队变换问题相结合,设计能够平衡这两部分的代价函数来量化地面团队和无人机的相对位置状态,并使用新提出的梯度下降式控制算法完成异构系统的动态编队保持和变换。最后,在仿真平台与实物平台分别设计实验,对动态的编队保持和变换方法进行了验证和分析。3.对于智能体的运动范围区域可能出现障碍物这一问题,研究了基于视觉的异构无人机和地面移动机器人系统动态协作避障方法。该方法利用视觉信息定位一定范围内的移动机器人和障碍物,基于人工势函数提出了新的代价函数来量化各个地面智能体与各个地面障碍物之间的距离关系。然后结合动态编队保持问题分析,考虑各辆地面移动机器人与图像中心点的关系设计整体代价函数量化当前系统的状态。基于提出的梯度下降式控制算法,决定地面移动机器人的运动方向和运动速度,在完成避障的同时能够有效保证编队的维持。最后,仿真实验对提出的控制策略进行了有效验证。
宫思远[7]（2020）在《面向多目标的多机器人任务分配算法研究》文中研究说明由于现代社会的快速发展,生产生活中的许多工作均需采用多智能体系统以解决复杂的任务。随着群集智能以及多智能体强化学习的发展,面向多机器人的任务分配方法得到了广泛的研究,通常可将任务分配算法分为有协作任务分配和无协作任务分配。目前面向自组织映射神经网络的无协作任务分配方法存在移动方向角偏差的问题,继而在实际的二维障碍物环境中不能进行有效任务分配。面向有协作的多智能体强化学习存在不能协作解决多个任务的问题。因此,本文从有协作与无协作这两个角度对多机器人任务分配进行研究与改进,以提升多机器人任务分配系统的有效性和实用性。论文的研究工作如下:（1）提出了一种面向无协作的多机器人任务分配算法（Vector Direction Self-Organizing Map,VDSOM）。将矢量方向法引入SOM自组织神经网络,改进原始SOM算法在多机器人任务分配过程中,不能自主避障这一问题。改进后的VDSOM算法将整个多机器人任务分配分为4步:首先,采用胜者为王规则确定获胜神经元;其次,以该冠军为中心确定邻域函数;再次,采用矢量方向法修改机器人的移动方向角,以避免在路径规划过程中横穿障碍物;最后,根据引入的矢量方向法更新SOM获胜神经元的权值。通过仿真实验证明,VDSOM算法按照上述4步可以达到多机器人任务分配的目的,并能够避免横穿障碍物的情况,具备一定的有效性。（2）提出了一种面向有协作的多机器人任务分配算法（Heuristically Accelerated Dynamic Team Q-learning,HADTQL）。首先,根据环境的具体信息,构建了合适的状态动作空间;其次,采用动态探索系数将学习过程分为两阶段,保证了智能体前期学习的探索性和后期学习的稳定性;再次,采用改进的奖赏函数和多智能体强化学习自身产生的经验,提供实时的奖赏,以帮助机器人进行合理的动作选择;最后,引入启发函数来指导多智能体强化学习下一步的动作选择。通过实验对比Team Q-learning（TQL）、HATQL,验证出HADTQL算法能够在自主避开环境中障碍物的前提下,通过学习找到一个最优的任务执行序列协作完成所有的任务且路径相对最优,且能够合理的进行任务分配。
黄胤[8]（2019）在《面向智能工厂的分布式多机器人协作任务分配机制》文中指出随着“中国制造2025”的不断深入发展,通过紧密的围绕重点制造领域的关键环节,我国展开了对新一代信息技术和智能制造装备的融合发展以及创新。当前,各行各业纷纷进行智能工厂的建设,如一大批智能制造高端企业、车企、生产设备制造商等。随着传统工厂中制造加工环节的全面自动化、智能化,各类机器人被引入制造环节,共同协作完成制造加工任务,智能工厂中执行生产制造任务的多机器人系统（Multi-robot System,MRS）也将越来越复杂。如何有效的分配生产制造的任务,使得智能工厂多机器人系统高效运作成为亟待解决的问题。本文对静态环境下智能工厂中多机器人协作任务分配问题展开了研究,首先研究了多机器人任务分配（Multi-robot Task Allocation,MRTA）的国内外研究现状,以及多机器人任务分解的相关理论。使用任务分类法对各类多机器人系统进行MRTA问题分类,并依次分析各类MRTA问题对应的解决方案。然后分别对智能工厂中的两种MRTA问题类型进行研究。针对智能工厂中简单类型的MRTA问题,建立了分布式的多机器人通信网络,考虑协作任务的需求和机器人的执行能力约束,定义了多机器人任务分配问题。在对任务进行分解后的基础上,基于改进后的分布式拍卖算法对该问题进行求解,该算法不需要控制中心存储相关拍卖信息,每个机器人通过多机器人网络中的邻接节点通信,并进行算法的分析和仿真实验。然后,本文研究了在智能工厂中另一类较为复杂类型的MRTA问题,根据其任务复杂不可分解、多机器人相互依赖的特点,采用形成多机器人联盟的方法对此类问题进行简化。通过建立组合能量剩余函数,任务代价函数以及容错率函数等多机器人联盟的评价函数,基于改进后的二进制粒子群优化算法（Improved Binary Particle Swarm Optimization,IBPSO）设计一种单任务目标下的联盟形成算法。在联盟形成的基础上,设计了单任务的分布式任务分配机制,并对联盟形成算法进行算法分析和实验仿真。最后,本文开发了基于WEB的多机器人协作任务分配系统,该系统具有生产计划,机器人管理和机器人监控等模块,通过各类模块完成了生产计划和机器人协作任务分配的映射关系。最终,通过该系统对本文提出的基于联盟形成的多机器人协作任务分配机制进行模拟实验。
郭晓萍[9]（2019）在《多情感机器人的情感建模和行为决策研究》文中认为情感计算是人工智能学科的一个重要研究课题,多机器人行为决策是多机器人协作系统的重要研究内容,将两者结合起来研究多机器人协作系统中的情感机器人的行为决策是一个更有趣更复杂的问题。情感能够调节行为,也是一种交流信号,能促进机器人和机器人团队的自动化。本文的主要研究内容包括:（1）为多机器人协作系统中的机器人提出一个可解释和可计算的情感模型。我们结合前期基础工作,构建了一个相对完善的情感模型,该模型包括了个性、情绪、意愿度几个基本元素,和情绪衰减、情绪感染、外界刺激几个影响关系。本文详细描述了情感模型各模块及其耦合关系,提出了CASE个性模型以描述协作中的机器人的个性特征,完善了刺激类型定义与计算,最终通过意愿度来衡量机器人对任务的执行意愿,并作为任务分配的主要依据。最后通过仿真实验展示了情感的各组件在任务协作各环节中发挥的积极作用。（2）任务分配是多机器人协作的关键问题之一,研究如何高效协调地组织机器人执行任务。基于本文提出的情感模型,针对有情感的多机器人协作系统设计了任务分配算法,发挥情感的积极作用。最后通过多机器人追捕任务仿真实验展示了该任务分配算法的有效性。（3）多机器人协作系统中的机器人行为决策还包括任务执行中的行为策略,本文以追捕任务为实例研究了多机器人的追捕策略。本文引入势点分配的思想,并将势点集合扩展到连续空间,结合逃跑目标的移动方向给出了连续势点的定义。通过为追捕者分配不同的势点,使追捕者选择不同的追捕行为。通过深度确定性策略梯度算法优化团队内部追捕势点分配策略,通过多次迭代最终收敛到较优的结果。最后在仿真实验中展示了深度确定性策略梯度算法的有效收敛,验证了基于势点分配的围捕算法的智能性和高效性,并分析了算法的优势和不足。
李灿灿[10]（2019）在《面向一致性的多机器人协同控制算法研究》文中认为目前,多智能体协同控制由其快速发展已在在各个领域得到了应用,其中最典型的是多机器人的分布式协同控制。在协同控制研究中,其核心问题是一致性算法的研究,并且其作为协同控制的理论基础在复杂系统领域得到了深入讨论。本文基于一致性算法研究了多机器人系统中的位置协同控制问题,并且从通信拓扑图、通信时延、状态约束等几个方面对多机器人的一致性以及旋转一致性进行理论分析与论证,最后通过数值仿真对提出的控制策略及其理论结果进行验证。针对速度受约束的二阶多机器人系统,本人提出了一种适用于动态拓扑通信以及网络时延的一致性算法,并且采用一种约束函数将各个智能体的速度约束在一个非凸集合内,最后通过多重模型转换,非负矩阵法等找到了系统一致时的充分条件。针对控制输入受约束的多机器人系统,从各个个体的动态特性出发,分别研究了二阶连续,异构离散以及高阶异构连续三种情况下多机器人系统的一致性问题。对于连续系统,主要是将系统矩阵转换成Metzler矩阵来获得系统达到一致性的条件,对于离散系统,利用辅助矩阵进行模型转换使得系统矩阵为随机矩阵,并且通过随机矩阵特性来证明系统的稳定性。从多机器人的实际应用出发,本文研究了多机器人系统在二维平面下的旋转一致性问题,根据智能个体是否具有速度传感器,创新的设计了有速度测量的控制协议以及无速度测量的控制协议,并通过分析特征方程的特征根来判定系统是赫尔维茨稳定的。本文基于已有研究,分别创新性的研究了控制输入受约束的高阶异构连续多机器人的一致性问题以及异构离散多机器人的一致性问题,并分别采用不同的方法及思路成功的解决了这两大难题。此外针对旋转一致性问题,提出了新的控制策略,并分析了系统的稳定性。
二、基于智能体的多机器人协作的仿真系统（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于智能体的多机器人协作的仿真系统（论文提纲范文）
（2）机器人协作博弈的建模与仿真（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 机器人协作技术的研究背景与意义 |
| 1.2 国内外研究现状及存在的问题 |
| 1.2.1 国内外研究现状 |
| 1.2.1.1 自动协商的研究现状 |
| 1.2.1.2 多机器人协同控制及任务分配的研究现状 |
| 1.2.1.3 对抗情形下多机器人系统博弈策略的研究现状 |
| 1.2.2 存在的问题 |
| 1.3 研究目标与内容 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.3.2.1 以语义Web为支撑的自动协商模型 |
| 1.3.2.2 共融环境下多机器人围捕模型的建立 |
| 1.3.2.3 基于博弈论的机器人围捕对抗应用 |
| 1.4 论文的创新点 |
| 1.5 论文组织结构 |
| 1.6 本章小结 |
| 第2章 研究基础与相关工作 |
| 2.1 语义Web和多机器人系统 |
| 2.1.1 语义Web |
| 2.1.2 多智能体系统 |
| 2.2 共融和多机器人系统的相关理论 |
| 2.2.1 共融机器人 |
| 2.2.2 多机器人系统 |
| 2.2.3 任务分配 |
| 2.3 博弈论 |
| 2.3.1 博弈论概要 |
| 2.3.2 零和博弈 |
| 2.4 对抗情形下多机器人协作 |
| 2.5 本章小结 |
| 第3章 语义网下多机器人自动协商与博弈机制研究 |
| 3.1 引言 |
| 3.2 自动协商机制 |
| 3.3 协商模型与算法 |
| 3.3.1 协商假设和模型描述 |
| 3.3.2 机器人协商过程及算法 |
| 3.4 实验设计分析 |
| 3.4.1 实验思路及环境设置 |
| 3.4.2 实验结果分析 |
| 3.5 本章小结 |
| 第4章 共融环境下机器人协作机制 |
| 4.1 引言 |
| 4.2 机器人围捕问题模型 |
| 4.2.1 围捕模型 |
| 4.2.2 环境模型 |
| 4.3 机器人围捕与逃脱算法 |
| 4.3.1 机器人移动 |
| 4.3.1.1 移动策略 |
| 4.3.1.2 避障策略 |
| 4.3.1.3 移动算法 |
| 4.3.2 围捕策略和逃脱策略 |
| 4.3.2.1 围捕策略 |
| 4.3.2.2 逃脱策略 |
| 4.3.2.3 多机器人协作围捕算法 |
| 4.4 机器人围捕问题模拟程序 |
| 4.4.1 程序介绍和模拟过程 |
| 4.4.2 动态协作围捕算法与一般协作围捕算法实验结果 |
| 4.4.2.1 机器人数量不变情况下的实验 |
| 4.4.2.2 回合阈值不变情况下的实验 |
| 4.5 本章小结 |
| 第5章 对抗情形下多机器人博弈策略控制 |
| 5.1 引言 |
| 5.2 对抗情形下多机器人博弈策略模型 |
| 5.2.1 基于博弈论的多机器人协作模型 |
| 5.2.2 对抗情形下的多机器人博弈策略控制模型 |
| 5.2.2.1 追捕逃跑问题的形式化描述 |
| 5.2.2.2 策略集 |
| 5.2.2.3 威胁评估函数的构造 |
| 5.3 对抗情形下的多机器人博弈仿真系统 |
| 5.3.1 需求分析 |
| 5.3.2 系统设计 |
| 5.4 系统功能实现 |
| 5.4.2 仿真结果分析 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
（3）智能工厂中多机器人系统任务分配与路径规划研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 引言 |
| 1.1 研究背景和意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 主要研究工作 |
| 1.4 主要章节安排 |
| 第2章 相关理论与算法 |
| 2.1 多机器人系统 |
| 2.1.1 多机器人系统特点 |
| 2.1.2 多机器人系统关键技术 |
| 2.2 任务分配算法 |
| 2.2.1 基于拍卖机制的任务分配 |
| 2.2.2 基于群体智能的任务分配 |
| 2.3 路径规划分类与算法 |
| 2.3.1 路径规划分类 |
| 2.3.2 路径规划算法 |
| 2.4 本章小结 |
| 第3章 基于Stackelberg博弈的多机器人系统任务分配策略 |
| 3.1 多机器人系统任务分配问题 |
| 3.1.1 系统模型 |
| 3.1.2 问题定义与约束 |
| 3.2 基于Stackelberg博弈模型的任务分配策略 |
| 3.2.1 Stackelberg博弈模型分析 |
| 3.2.2 任务分配模型构建 |
| 3.2.3 效用函数设计 |
| 3.3 基于改进SARSA算法的纳什均衡求解方法 |
| 3.3.1 多智能体设计 |
| 3.3.2 改进的SARSA纳什均衡求解算法 |
| 3.4 本章小结 |
| 第4章 基于动态权值矩阵的多机器人无冲突全局路径规划策略 |
| 4.1 多机器人系统路径规划问题 |
| 4.1.1 系统模型 |
| 4.1.2 问题定义与约束 |
| 4.2 多机器人工作场景建模 |
| 4.2.1 多机器人工作场景分析 |
| 4.2.2 基于拓扑结构的工作场景模型 |
| 4.2.3 路径冲突分类 |
| 4.3 基于动态权值矩阵的无冲突全局路径规划策略 |
| 4.3.1 多机器人出发队列预排布 |
| 4.3.2 基于动态权值矩阵的路径冲突规避 |
| 4.3.3 时间优化的全局路径规划算法 |
| 4.4 本章小结 |
| 第5章 实验与结果分析 |
| 5.1 任务分配算法对比分析 |
| 5.1.1 收敛性能 |
| 5.1.2 时间性能 |
| 5.1.3 系统总效用值 |
| 5.2 路径规划算法对比分析 |
| 5.2.1 时间性能 |
| 5.2.2 任务完成量 |
| 5.3 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 在学期间的研究成果及发表的学术论文 |
（4）智能体Petri网融合的多机器人-多任务协调方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文主要研究内容及结构安排 |
| 第2章 养老院情境下基于STdCPN的任务建模 |
| 2.1 Petri网基本概念 |
| 2.2 基于STdCPN的任务建模 |
| 2.3 STdCPN详细阐述 |
| 2.4 本章小结 |
| 第3章 基于智能体的考虑人因素的多机器人-多任务协调框架 |
| 3.1 智能体基本概念 |
| 3.2 养老院情境服务对象满意度建模 |
| 3.3 多机器人-多任务协调框架组织结构 |
| 3.4 本章小结 |
| 第4章 协调框架仿真与分析 |
| 4.1 不同个人信息情况下仿真与分析 |
| 4.2 不同任务信息情况下仿真与分析 |
| 4.3 随机情况下仿真与分析 |
| 4.4 本章小结 |
| 第5章 大规模任务冲突情况下优化求解方案 |
| 5.1 粒子群优化算法基本概念 |
| 5.2 克隆变异算子基本概念 |
| 5.3 任务执行方案优化求解 |
| 5.4 随机任务方案与优化求解任务方案比较及分析 |
| 5.5 本章小结 |
| 第6章 结论 |
| 参考文献 |
| 附录A STdCPN子模型权函数 |
| 在学研究成果 |
| 致谢 |
（5）面向多任务的仓储移动机器人路径规划与调度（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 引言 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 论文主要工作及章节安排 |
| 1.4 本章小结 |
| 第2章 多移动机器人的基本问题 |
| 2.1 多移动机器人的通信方式 |
| 2.2 多移动机器人的地图构建方式与控制结构 |
| 2.3 多目标与多任务问题 |
| 2.4 仓储搬运环境问题 |
| 2.5 本章小结 |
| 第3章 基于群体智能算法的多机器路径规划 |
| 3.1 移动机器人路径规划 |
| 3.2 群体智能优化算法 |
| 3.2.1 蚁群算法原理 |
| 3.2.2 狼群算法原理 |
| 3.3 改进的独狼蚁群混合算法的机器人路径规划 |
| 3.3.1 新的觅食方向选择 |
| 3.3.2 信息素更新机制的改进 |
| 3.3.3 针对算法早熟问题的优化 |
| 3.3.4 目标函数描述及算法流程 |
| 3.3.5 实验建模及数据分析 |
| 3.4 本章小结 |
| 第4章 多任务下多移动机器人调度 |
| 4.1 机器人任务调度问题分析 |
| 4.2 遗传算法与强化学习 |
| 4.2.1 遗传算法原理 |
| 4.2.2 强化学习原理 |
| 4.3 改进的多移动机器人调度算法 |
| 4.3.1 仓储环境路径规划站点的编码设计 |
| 4.3.2 仓储模型下遗传算法的基本操作 |
| 4.3.3 结合强化学习思想的改进交叉概率 |
| 4.3.4 多任务调度下的改进遗传算法 |
| 4.3.5 实验结果及结论 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间从事的科研工作及取得的成果 |
（6）异构多智能体系统的协作编队控制方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 异构多智能体系统的协作编队控制 |
| 1.2.1 异构多智能体系统的协作控制 |
| 1.2.2 多智能体系统的编队控制 |
| 1.3 国内外异构多智能体系统的协作编队控制研究进展 |
| 1.3.1 异构多智能体系统的编队形成方法研究 |
| 1.3.2 异构多智能体系统的协作编队保持与变换方法研究 |
| 1.3.3 异构多智能体系统的动态避障方法研究 |
| 1.3.4 现存问题 |
| 1.4 研究目标和主要内容安排 |
| 1.4.1 研究目标与主要内容 |
| 1.4.2 章节安排 |
| 第二章 异构多智能体系统的协作编队形成 |
| 2.1 引言 |
| 2.2 基于视觉的异构多智能体系统的建模 |
| 2.2.1 异构多智能体系统的映射模型 |
| 2.2.2 无人机与地面移动机器人的运动学模型 |
| 2.3 异构多智能体系统的编队形成问题描述 |
| 2.4 编队形成的控制策略 |
| 2.4.1 代价函数设计 |
| 2.4.2 控制算法设计 |
| 2.5 仿真与实物实验平台设计与搭建 |
| 2.5.1 仿真软件平台搭建 |
| 2.5.2 实物实验平台搭建 |
| 2.6 实验验证与结果分析 |
| 2.6.1 仿真实验与结果分析 |
| 2.6.2 实物实验与结果分析 |
| 2.7 本章小结 |
| 第三章 异构多智能体系统的动态协作编队保持与变换 |
| 3.1 引言 |
| 3.2 异构多智能体系统的编队保持与变换问题描述 |
| 3.3 编队保持与变换的控制策略 |
| 3.3.1 代价函数设计 |
| 3.3.2 控制算法设计与稳定性分析 |
| 3.4 实验验证与结果分析 |
| 3.4.1 地面移动机器人数量不变的编队保持仿真 |
| 3.4.2 地面移动机器人数量变化的编队保持与变换仿真 |
| 3.4.3 实物实验与结果分析 |
| 3.5 本章小结 |
| 第四章 异构多智能体系统的动态协作避障 |
| 4.1 引言 |
| 4.2 异构多智能体系统的动态协作避障问题描述 |
| 4.3 动态避障的控制策略描述 |
| 4.3.1 代价函数设计 |
| 4.3.2 控制算法设计 |
| 4.4 实验验证与结果分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 论文工作总结 |
| 5.2 研究展望 |
| 参考文献 |
| 攻读学位期间发表的学术论文与取得的其他研究成果 |
（7）面向多目标的多机器人任务分配算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状及分析 |
| 1.2.1 基于集中规划的任务分配方法 |
| 1.2.2 基于市场机制的任务分配方法 |
| 1.2.3 基于群集智能的任务分配方法 |
| 1.2.4 基于强化学习的任务分配方法 |
| 1.3 研究内容 |
| 1.4 论文组织结构 |
| 第2章 多机器人任务分配的相关技术 |
| 2.1 任务分配概述 |
| 2.2 任务分配问题模型及类型划分 |
| 2.3 多机器人任务分配方法分类 |
| 2.4 本章小结 |
| 第3章 面向无协作的VDSOM任务分配算法 |
| 3.1 问题的提出与分析 |
| 3.2 SOM网络理论在MRTA中的应用 |
| 3.3 基于VDSOM的 MRTA算法研究 |
| 3.3.1 竞争函数设计 |
| 3.3.2 优胜邻域设计 |
| 3.3.3 基于VD的路径规划 |
| 3.3.4 VDSOM权值更新 |
| 3.3.5 VDSOM算法的学习步骤 |
| 3.4 仿真实验结果与分析 |
| 3.4.1 机器人与目标数量相同 |
| 3.4.2 机器人数量少于目标数量 |
| 3.5 本章小结 |
| 第4章 面向有协作的HADTQL任务分配算法 |
| 4.1 问题提出与分析 |
| 4.2 MARL理论在MRAT中的应用 |
| 4.3 基于HADTQL算法的MRTA算法研究 |
| 4.3.1 环境信息与动作-状态空间描述 |
| 4.3.2 动态探索系数? |
| 4.3.3 奖赏函数设计 |
| 4.3.4 启发式MARL在 MRTA中的应用 |
| 4.3.5 HADTQL算法描述 |
| 4.4 仿真实验结果与分析 |
| 4.4.1 实验参数 |
| 4.4.2 实验效果 |
| 4.4.3 实验数据 |
| 4.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和取得的科研成果 |
| 致谢 |
（8）面向智能工厂的分布式多机器人协作任务分配机制（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状及分析 |
| 1.2.1 任务分配问题的研究现状 |
| 1.2.2 多机器人任务分配问题研究现状 |
| 1.3 研究目标及内容架构 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 第2章 理论基础 |
| 2.1 MRTA问题分类 |
| 2.1.1 Gerkey and Mataric分类法 |
| 2.1.2 任务分解相关理论 |
| 2.1.3 iTax分类法 |
| 2.2 MRTA问题求解方法 |
| 2.3 简单的线性任务分配问题求解 |
| 2.4 智能工厂中的MRTA问题 |
| 2.5 本章小结 |
| 第3章 ND[MT-SR-IA]类型任务的分配 |
| 3.1 基于市场机制的拍卖理论 |
| 3.2 智能工厂多机器人系统通信网络与多机器人任务分配模型 |
| 3.2.1 智能工厂多机器人系统通信网络 |
| 3.2.2 智能工厂多机器人任务分配模型 |
| 3.3 任务分配算法设计 |
| 3.3.1 原始拍卖算法 |
| 3.3.2 ε-互补松弛条件 |
| 3.3.3 基于改进拍卖算法的多机器人任务分配机制 |
| 3.4 算法分析与仿真实验 |
| 3.5 本章小结 |
| 第4章 XD[MT-MR-IA]类型任务的分配 |
| 4.1 智能工厂多机器人系统联盟 |
| 4.1.1 智能工厂多机器人联盟的定义 |
| 4.1.2 智能工厂多机器人联盟模型 |
| 4.1.3 智能工厂多机器人联盟评价函数 |
| 4.2 基于IBPSO算法的联盟形成及任务分配方法 |
| 4.2.1 标准粒子群优化算法理论 |
| 4.2.2 二进制粒子群优化模型 |
| 4.2.3 种群混沌初始化 |
| 4.2.4 协同调整的二进制粒子群优化算法改进策略 |
| 4.2.5 基于IBPSO的单任务多机器人联盟形成算法 |
| 4.2.6 基于联盟形成的分布式多机器人协作任务拍卖算法 |
| 4.3 算法分析与仿真实验 |
| 4.3.1 IBPSO算法分析 |
| 4.3.2 多机器人联盟形成仿真实验 |
| 4.4 本章小结 |
| 第5章 智能工厂多机器人任务分配系统设计与实现 |
| 5.1 智能工厂多机器人系统平台描述 |
| 5.1.1 多机器人系统描述 |
| 5.1.2 任务分配服务器 |
| 5.2 智能工厂任务分配系统需求分析 |
| 5.3 智能工厂任务分配系统功能实现 |
| 5.3.1 生产计划管理模块 |
| 5.3.2 机器人管理系统模块 |
| 5.3.3 生产计划执行模块 |
| 5.3.4 Node.js中间件 |
| 5.3.5 机器人监控模块 |
| 5.4 智能工厂多机器人协作任务分配仿真实验 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间从事的科研工作及取得的成果 |
（9）多情感机器人的情感建模和行为决策研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 情感计算与情感机器人 |
| 1.3 多机器人协作系统 |
| 1.4 本文主要工作 |
| 第二章 相关理论基础 |
| 2.1 情感的表示 |
| 2.1.1 情绪 |
| 2.1.2 个性 |
| 2.2 多机器人行为决策研究 |
| 2.2.1 任务分配 |
| 2.2.2 追逃问题 |
| 2.3 深度强化学习 |
| 2.3.1 强化学习 |
| 2.3.2 深度强化学习 |
| 2.4 本章小结 |
| 第三章 多情感机器人情感建模与任务分配算法 |
| 3.1 基于意愿度的情感模型 |
| 3.1.1 情感模型基本元素 |
| 3.1.2 情感交互与变化 |
| 3.2 多情感机器人任务分配算法 |
| 3.2.1 任务分配算法 |
| 3.2.2 任务重分配 |
| 3.3 实验结果与分析 |
| 3.3.1 参数设置 |
| 3.3.2 任务分配中的情感计算过程 |
| 3.3.3 情感刺激对任务分配的影响 |
| 3.3.4 情绪感染对协作任务的影响 |
| 3.3.5 个性对任务分配的影响 |
| 3.4 本章小结 |
| 第四章 基于深度强化学习的情感机器人行为决策算法 |
| 4.1 基于势点的多机器人围捕算法 |
| 4.1.1 虚拟势场法 |
| 4.1.2 势点围捕算法 |
| 4.2 基于深度确定性策略梯度的情感机器人追捕算法 |
| 4.2.1 深度确定性策略梯度算法原理 |
| 4.2.2 多情感机器人追捕算法 |
| 4.3 实验 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文工作总结 |
| 5.2 未来工作展望 |
| 参考文献 |
| 攻读硕士学位期间的学术活动及成果情况 |
（10）面向一致性的多机器人协同控制算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 多智能体一致性算法研究现状 |
| 1.1.3 多机器人系统协同控制研究现状 |
| 1.2 研究内容及意义 |
| 1.2.1 研究内容 |
| 1.2.2 研究意义 |
| 1.3 本论文的结构安排 |
| 第二章 多机器人一致性基本理论 |
| 2.1 数学理论 |
| 2.1.1 图论基础知识 |
| 2.1.2 矩阵理论知识 |
| 2.1.3 非凸约束基本知识 |
| 2.2 稳定性理论 |
| 2.2.1 奈奎斯特稳定性准则 |
| 2.2.2 劳斯–赫尔维茨稳定性判据 |
| 2.2.3 Lyapunov稳定性理论 |
| 2.3 多机器人系统一致性方法 |
| 2.3.1 一阶系统一致性方法 |
| 2.3.2 二阶系统一致性方法 |
| 2.4 本章小结 |
| 第三章 面向速度受约束的一致性研究 |
| 3.1 引言 |
| 3.2 二阶离散系统模型及其控制器设计 |
| 3.3 模型转换及主要引理 |
| 3.4 结果分析 |
| 3.5 数值仿真 |
| 第四章 面向控制输入受约束的一致性研究 |
| 4.1 引言 |
| 4.2 控制输入受约束的二阶多智能体一致性研究 |
| 4.2.1 二阶连续系统模型及其控制器设计 |
| 4.2.2 结果分析 |
| 4.2.3 数值仿真 |
| 4.3 控制输入受约束的异构多智能体一致性研究 |
| 4.3.1 异构系统模型及其控制器设计 |
| 4.3.2 结果分析 |
| 4.3.3 数值仿真 |
| 4.4 控制输入受约束的高阶异构多智能体一致性研究 |
| 4.4.1 高阶异构系统模型及其控制器设计 |
| 4.4.2 模型转换及主要引理 |
| 4.4.3 结果分析 |
| 4.4.4 数值仿真 |
| 4.5 本章小结 |
| 第五章 面向固定通信拓扑的旋转一致性研究 |
| 5.1 引言 |
| 5.2 旋转一致性基本概念 |
| 5.3 矢量模型及其控制器设计 |
| 5.4 稳定性分析 |
| 5.4.1 有速度测量的算法稳定性分析 |
| 5.4.2 无速度测量的算法稳定性分析 |
| 5.5 数值仿真 |
| 5.6 本章小结 |
| 第六章 全文总结与展望 |
| 6.1 全文总结 |
| 6.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 攻读硕士学位期间取得的成果 |
四、基于智能体的多机器人协作的仿真系统（论文参考文献）
- [1]基于多智能体的养老情景下多机协作机制[D]. 焦轩宇. 沈阳工业大学, 2021
- [2]机器人协作博弈的建模与仿真[D]. 黄媛媛. 扬州大学, 2021(08)
- [3]智能工厂中多机器人系统任务分配与路径规划研究[D]. 刘荆欣. 辽宁大学, 2021(12)
- [4]智能体Petri网融合的多机器人-多任务协调方法研究[D]. 李坤成. 沈阳工业大学, 2020(01)
- [5]面向多任务的仓储移动机器人路径规划与调度[D]. 权浩. 重庆邮电大学, 2020(02)
- [6]异构多智能体系统的协作编队控制方法研究[D]. 李陈最. 浙江大学, 2020(02)
- [7]面向多目标的多机器人任务分配算法研究[D]. 宫思远. 哈尔滨工程大学, 2020(05)
- [8]面向智能工厂的分布式多机器人协作任务分配机制[D]. 黄胤. 重庆邮电大学, 2019(02)
- [9]多情感机器人的情感建模和行为决策研究[D]. 郭晓萍. 合肥工业大学, 2019(01)
- [10]面向一致性的多机器人协同控制算法研究[D]. 李灿灿. 电子科技大学, 2019(01)