《Self-organized flocking in mobile robot swarms》
文章目錄
3.2 Modeling of the virtual heading sensor
在模型中,每個機器人接收到的航向矢量包含隨機噪聲矢量,其特徵在於隨機方向和恆定幅度。在機體固定參考系中得到的第j個鄰居的噪聲航向矢量計算如下:
其中是在機體固定參考系下通過真實的第j個鄰居機器人的航向。其中是接收到第j個機器人的航向,是當前機器人的航向。η是被視爲參數的噪聲矢量的大小,是其方向。計算最後的結果矢量。表示服從高斯分佈,其中和分別表示標準偏差。
4 The flocking behavior
蜂擁行爲包括標題對齊和近端控制行爲,並在加權矢量和中組合:
其中是航向對其矢量,是最鄰近的控制矢量,是權重,是期望的航向矢量,是歐幾里得範數。
4.1 Heading alignment behavior
航向對齊行爲(heading alignment behavior)的目的是使機器人與其鄰居的平均航向對齊。VHS(Virtual heading sensor)被用來獲取機器人與乬機器人的航向。航向對齊矢量的定義爲:
其中表示該機器人通信距離內鄰居機器人的VHS。是機身固定參考系中第個鄰居的航向。
4.2 Proximal control behavior
近端控制行爲使用從IRSS獲得的讀數來來實現以下兩個功能
(1)避免與機器人和障礙物的碰撞;
(2)保持機器人之間的內聚力;
當IR傳感器檢測到障礙物或機器人時,將當前檢測水平與期望檢測水平的偏差的平方成按比例的虛擬力(稱爲頌歌)施加到機器人, 由表示的虛擬力,則定義爲:
其中是縮放常數。 被視爲親屬機器人的有限值,0代表障礙物(表示檢測水平, = 1和 = 7分別表示遠處和非常接近的障礙物/機器人)強迫羣體在避開障礙的同時,作爲一個連貫的羣體保持在一起。 圖6繪製了機器人和障礙物的$,其中機器人和障礙物的值分別設置爲3和0。
標準化近端控制矢量p的計算如下:
其中表示相對於機體固定座標系的x軸以間隔45°角度固定的第紅外傳感器(圖1(b))。
4.3 Motion control
期望的航向矢量分別用於使用(5)和(6)計算前向(u)和角度(ω)速度。 具體來說,u計算如下:
其中是機身的當前航向矢量,與固定參考系的y軸重合。 γ是使能(γ= 1)或禁用(γ= 0)前向速度的調製的參數。
如圖7所示,機器人的前進速度由“推動”調節,如圖7所示。調製實現爲所需()和當前航向()矢量的點積。 當轉彎的動力很低時,意味着機器人已經在所需的方向上移動,允許前進速度達到其最大值(),如圖7(a)所示。 相反,當轉彎的衝動很高時,u減小,在極端情況下會聚到0,其中機器人僅圍繞其中心旋轉,如圖7(b)所示。 當點積爲負時,表示兩個矢量之間的角度大於90°,如圖7(c)所示,u設置爲0.在這種情況下,機器人的運動僅限於旋轉。 如果不這樣做會導致機器人向後移動,這種情況會使行爲及其分析複雜化。
機器人的角速度(ω)由比例控制器控制,使用所需角度與機器人當前方向的偏差:
齊總是控制器的比例常數。
5 Metrics of flocking behavior
文獻中沒有關於自組織蜂擁的正式定義。 然而,人們普遍認爲,羣體中個體應該朝着共同的方向對齊,作爲緊湊的,連貫的和近端連接的移動而沒有碰撞,並且優選地以平穩和快速的方式移動。 在本節中,我們描述了許多可用於評估蜂擁不同方面的策略,並描述瞭如何在我們的實驗中計算這些策略。
(1)指令(ψ)表示機器人羣體的角度(Vicsek et al. 1995):
其中是羣體中機器人的數量,是第個機器人在時間時的航向。
通過記錄機器人在每個控制步驟中廣播的航向值來計算指令。 當羣對齊時,指令接近1; 在這種情況下,系統被稱爲處於有序狀態。 但是,當羣體未對齊時,指令減少到0; 在這種情況下,系統被認爲處於無序狀態。
(2)熵(S)表示羣的位置無序(Balch 2000)。 通過改變可能是同一羣集中個體之間的最大距離(h)來找到每個可能的羣集。 當且僅當KaTeX parse error: Expected 'EOF', got '\leh' at position 12: ||r_i-r_j||\̲l̲e̲h̲時,兩個機器人i和j被認爲處於同一簇中,其中和表示第i和第j個機器人的位置矢量。 具有最大距離h的聚類的香農信息熵H(h)定義爲:
其中是第k個簇中個體數量的比例,M是給定h的簇數。
總熵(S)是在0-∞的所有可能的h時所得的積分:
圖8顯示了7機器人羣可以達到的四種可能隊形。 在(a)中,將個體放置爲具有最高熵值是最不期望的隊形,即形成一條鏈。 在隊形(b)和(c),後者具有較小的熵值,因爲個體彼此更接近。 最後,(d)中的隊形(其是期望的隊形)具有最小的熵值,因爲它是7機器人羣的最有序的位置和最佳間隔的隊形。
熵的大小是無界的,對於不同大小的羣,期望的熵值是不同的。 因此,在我們的分析中,我們使用熵的變化率,用dS / dt表示,作爲羣體穩定性或不穩定性的指示。 在蜂擁實驗結束時的正dS / dt值表示在空間中分散的不穩定羣,而近似爲零的dS / dt表示穩定且連貫的羣。
使用移動的架空相機從機器人的相對位置計算熵。 通過使用OpenCV計算機視覺庫(Correll等人,2006)確定機器人的相對位置。
(3)羣體速度()是羣體在其整個運動過程中幾何中心的平均速度。 通過將羣的幾何中心的位移除以蜂擁的持續時間來計算該度量。 高羣體速度表示有效且平穩地移動的羣體,而低羣體速度是低效率和羣體抖動(不斷調整位置)的表示。
(4)最大簇的大小是在運動期間保持在一起的最大簇中的機器人的數量。 它表明羣體可以繼續移動而不會被分割成更小的羣集。
基於這些指標,我們認爲理想的蜂擁需要:(1)指示個體間對齊的高順序值,(2)近似恆定的熵(dS / dt收斂到零),表示緊湊和連貫的羣,(3)高 羣體速度指示相干運動,以及(4)最大羣體大小的高值,指示可以一起移動的更大羣體。
6 Sensitivity of the behavioral parameters
蜂擁行爲有許多參數需要確定,即:近端控制矢量(β)的重量,比例增益(Kp),最大前進速度(),前進速度調製(γ),以及期望的檢測水平()。 找到最優控制參數是一個困難的優化問題,我們在本研究中沒有解決。 相反,我們使用一組默認參數(在表1中列出),這些參數已知在Kobots和CoSS中生成可接受的蜂擁,並分析參數對小變化的敏感性。
在下面討論的實驗中,我們一次改變一個行爲參數,並使用上一節中定義的一些指標來分析蜂擁的性能。 這使我們既可以瞭解行爲的不同組成部分如何影響整體行爲,又可以在參數空間中進行1-D靈敏度分析,以顯示默認參數集是局部最優的。
使用物理和模擬機器人以及在CoSS內模擬的大羣進行實驗。 在小型羣體的實驗中,我們使用了7個物理或模擬機器人,而在大型羣體的實驗中,我們使用了100個模擬機器人。 在所有實驗中,機器人最初定位在具有25cm機器人間距離的正六邊形構造中的隨機取向,以確保粘結性。 在CoSS內的每個實驗中,除非另有說明,否則模擬進行1000秒。 用Kobots和CoSS進行的實驗分別重複3次和20次。 在我們的實驗中,我們計算了CoSS實驗最後500秒內熵的平均變化率(dS / dt)。
實驗表明,除了β參數之外的所有值都會產生相同的值,從而爲小羣和大羣產生穩定的植絨。
6.1 Weight of the proximal control behavior
β參數確定近端控制行爲相對於航向對準行爲的相對強度。在我們的實驗中,我們改變β(0,4,8,12和16)並測量熵和羣速度的變化率,並嘗試確定最大化羣速度同時確保相干性的值。用7個物理和模擬機器人進行的實驗結果繪製在圖4和5中。在圖9(a)和9(b)中,從100個模擬機器人獲得的結果繪製在圖9和10中。 9(c)和9(d)。有兩個觀察結果。首先,當β= 0(意味着沒有近端控制來保持組的相干性)時,dS / dt最大爲正,表明機器人在時間上分散。其次,隨着β變大,羣體變慢。這是因爲隨着近端控制變得更強,羣體的順序趨於更小,因此由於前向速度調製,機器人的平均速度趨於降低。不包括用β= 0獲得的羣速度,因爲在這種情況下機器人不再形成相干羣。