We propose a decentralized control algorithm for a minimalistic robotic swarm with limited capabilities such that the desired global behavior emerges. We consider the problem of searching for and encapsulating various targets present in the environment while avoiding collisions with both static and dynamic obstacles. The novelty of this work is the guaranteed generation of desired complex swarm behavior with constrained individual robots which have no memory, no localization, and no knowledge of the exact relative locations of their neighbors. Moreover, we analyze how the emergent behavior changes with different parameters of the task, noise in the sensor reading, and asynchronous execution.
translated by 谷歌翻译
In this work, we propose a collision-free source seeking control framework for unicycle robots traversing an unknown cluttered environment. In this framework, the obstacle avoidance is guided by the control barrier functions (CBF) embedded in quadratic programming and the source seeking control relies solely on the use of on-board sensors that measure signal strength of the source. To tackle the mixed relative degree of the CBF, we proposed three different CBF, namely the zeroing control barrier functions (ZCBF), exponential control barrier functions (ECBF), and reciprocal control barrier functions (RCBF) that can directly be integrated with our recent gradient-ascent source-seeking control law. We provide rigorous analysis of the three different methods and show the efficacy of the approaches in simulations using Matlab, as well as, using a realistic dynamic environment with moving obstacles in Gazebo/ROS.
translated by 谷歌翻译
我们开发了一种自主导航算法，用于在二维环境中运行的机器人杂乱，其具有任意凸形的障碍物。所提出的导航方法依赖于混合反馈，以保证机器人对预定目标位置的全局渐近稳定，同时确保无障碍工作空间的前向不变性。主要思想在于基于机器人相对于最近障碍的接近设计，在移动到目标模式和障碍物避免模式之间设计适当的切换策略。当机器人初始化远离障碍物的边界时，所提出的混合控制器产生连续速度输入轨迹。最后，我们为所提出的混合控制器的基于传感器的实现提供了一种算法过程，并通过一些仿真结果验证其有效性。
translated by 谷歌翻译
在本文中，我们为多机器人系统提供了一种分散和无通信的碰撞避免方法，该系统考虑了机器人定位和感测不确定性。该方法依赖于计算每个机器人的不确定感知安全区域，以在高斯分布的不确定性的假设下在环境中导航的其他机器人和环境中的静态障碍物。特别地，在每次步骤中，我们为每个机器人构建一个机器人约束的缓冲不确定性感知的voronoI细胞（B-UAVC）给出指定的碰撞概率阈值。通过将每个机器人的运动约束在其对应的B-UAVC内，即机器人和障碍物之间的碰撞概率仍然可以实现概率碰撞避免。所提出的方法是分散的，无通信，可扩展，具有机器人的数量和机器人本地化和感测不确定性的强大。我们将方法应用于单积分器，双积分器，差动驱动机器人和具有一般非线性动力学的机器人。对地面车辆，四轮车和异质机器人团队进行广泛的模拟和实验，以分析和验证所提出的方法。
translated by 谷歌翻译
在本文中，我们基于非线性模型预测控制（NMPC）方法提出了一种分散的控制方法，该方法采用屏障证书在具有静态和/或动态障碍的未知环境中安全导航的多个非独立轮式移动机器人。该方法将学习的屏障功能（LBF）纳入NMPC设计中，以确保安全机器人导航，即防止机器人与其他机器人和障碍物的碰撞。我们将我们提出的控制方法称为NMPC-LBF。由于每个机器人都没有关于障碍物和其他机器人的先验知识，因此我们使用每个机器人实时运行的深神经网络（DEEPNN），仅从机器人的刺激镜头和探针测量中学习屏障功能（BF）。深文经过训练，可以学习分离安全和不安全地区的BF。在不同情况下，我们对模拟和实际Turtlebot3汉堡机器人实施了建议的方法。实施结果显示了NMPC-LBF方法在确保机器人安全导航方面的有效性。
translated by 谷歌翻译
如果我们给机器人将对象从其当前位置移至未知环境中的另一个位置的任务，则机器人必须探索地图，确定所有类型的障碍物，然后确定完成任务的最佳途径。我们提出了一个数学模型，以找到一个最佳的路径计划，以避免与所有静态和移动障碍物发生冲突，并具有最小的完成时间和最小距离。在此模型中，不考虑障碍物和机器人周围的边界框，因此机器人可以在不与它们相撞的情况下非常接近障碍物移动。我们考虑了两种类型的障碍：确定性，其中包括所有静态障碍，例如不移动的墙壁以及所有动作具有固定模式和非确定性的移动障碍，其中包括所有障碍物，其运动都可以在任何方向上发生任何方向发生概率分布随时。我们还考虑了机器人的加速和减速，以改善避免碰撞的速度。
translated by 谷歌翻译
在本文中，我们提出了一个框架，将避免避免和故意对机器人操纵器的物理相互作用的框架。随着人类和机器人开始在工作和家庭环境中共存，纯粹的碰撞避免不足，因为人机接触是不可避免的，在某些情况下，需要。我们的工作使操纵器能够预测，检测和采取联系。为此，我们通过速度降低和运动限制，我们允许从机器人的原始轨迹的有限偏差。然后，如果发生联系，机器人可以基于新颖的动态接触阈值算法检测它和操纵。这项工作的核心贡献是动态接触阈值处理，其允许具有车载接近传感器的机械手来跟踪附近的物体并在预期碰撞时减少接触力。我们的框架在物理人体机器人互动过程中引发自然行为。我们在使用法兰卡埃米瓦熊猫机器人手臂上评估我们的系统各种场景;统称，我们的结果表明，我们的贡献不仅能够避免并反应接触，而且还预计它。
translated by 谷歌翻译
本文考虑了非独立多机器人系统的同时位置和方向计划。与仅关注最终位置限制的常见研究不同，我们将非语言移动机器人建模为刚性机构，并引入机器人最终状态的方向和位置约束。换句话说，机器人不仅应达到指定的位置，而且还应同时指出所需的方向。这个问题的挑战在于全州运动计划的不足，因为只需要通过两个控制输入来计划三个州。为此，我们根据刚体建模提出了动态矢量场（DVF）。具体而言，机器人方向的动力学被带入矢量场，这意味着向量场不再是2-D平面上的静态，而是一个动态的，而动态场却随态度角度而变化。因此，每个机器人可以沿DVF的积分曲线移动以达到所需位置，与此同时，姿态角可以在方向动力学之后收敛到指定值。随后，通过在DVF的框架下设计一个圆形向量场，我们进一步研究了运动计划中的避免障碍物和相互企业的避免。最后，提供了数值仿真示例，以验证提出的方法的有效性。
translated by 谷歌翻译
合作的任务执行是欧洲社会性的标志，通过代理与环境之间的本地交互通过动态发展的通信信号来实现。受社会昆虫的集体行为的启发，其动力学是由与环境相互作用的调节的，我们表明机器人集体可以通过捕获不稳定成功地对建筑工地进行成核，并合作地建立有组织的结构。相同的机器人集体还可以执行DE-构建，而行为参数的简单更改。这些行为属于沿一个轴的代理商相互作用（合作）定义的合作行为的二维相空间，而另一个轴则是代理 - 环境的相互作用（收集和沉积）。我们基于行为的机器人设计方法结合了本地规则的原则推导，使集体能够以鲁棒性解决动态变化的环境和丰富的复杂行为。
translated by 谷歌翻译
本文解决了在通信和传感器有限的动态环境中运行的移动机器人的安全计划和控制问题。在这种情况下，机器人无法感知周围的对象，而必须像在水下应用中那样依靠间歇性的外部信息。在这种情况下，挑战是机器人必须仅使用此陈旧数据计划，同时考虑到数据中的任何噪声或环境中的不确定性。为了应对这一挑战，我们提出了一种构图技术，该技术利用神经网络仅使用间歇性信息来快速通过拥挤和动态的环境来计划和控制机器人。具体而言，我们的工具使用可及性分析和潜在领域来训练能够生成安全控制动作的神经网络。我们通过跨越拥挤的运输渠道的水下车辆以及在通信和传感器限制环境中进行地面车辆进行的真实实验，展示了我们的技术。
translated by 谷歌翻译
对于多机器人系统的安全有效运行，通信连接是可取的。尽管最近的文献中已经探讨了用于连接性维持的分散算法，但这些作品中的大多数并没有说明机器人运动和感知不确定性。这些不确定性是实际机器人固有的，并导致机器人偏离其所需位置，这可能会导致连通性丧失。在本文中，我们提出了一种分散的连接维护算法，该算法会计机器人运动和感知不确定性（DCMU）。我们首先为多机器人系统提出了一个新颖的加权图定义，该定义说明了上述不确定性以及现实的连接性约束，例如视线连接性和避免碰撞。接下来，我们设计了一个基于分散梯度的控制器，用于连接维护，在该控制器中，我们得出了计算控件所需的加权图边缘权重的梯度。最后，我们执行多个模拟，以验证机器人运动下的DCMU算法的连接性维持性能并感知不确定性，并与以前的工作相比显示出改进。
translated by 谷歌翻译
许多机器人任务需要高维传感器，如相机和激光雷达，以导航复杂的环境，但是在这些传感器周围开发认可的安全反馈控制器仍然是一个具有挑战性的公开问题，特别是在涉及学习时的开放问题。以前的作品通过分离感知和控制子系统并对感知子系统的能力做出强烈的假设来证明了感知反馈控制器的安全性。在这项工作中，我们介绍了一种新的启用学习的感知反馈混合控制器，在那里我们使用控制屏障函数（CBF）和控制Lyapunov函数（CLF）来显示全堆叠感知反馈控制器的安全性和活力。我们使用神经网络直接在机器人的观察空间中学习全堆栈系统的CBF和CLF，而无需承担基于感知的状态估计器。我们的混合控制器称为基因座（使用切换启用了学习的观察反馈控制），可以安全地导航未知的环境，始终如一地达到其目标，并将安全性安全地概括为培训数据集之外的环境。我们在模拟和硬件中展示了实验中的轨迹，在那里它使用LIDAR传感器的反馈成功地导航变化环境。
translated by 谷歌翻译
在移动机器人学中，区域勘探和覆盖率是关键能力。在大多数可用研究中，共同的假设是全球性，远程通信和集中合作。本文提出了一种新的基于群的覆盖控制算法，可以放松这些假设。该算法组合了两个元素：Swarm规则和前沿搜索算法。受到大量简单代理（例如，教育鱼，植绒鸟类，蜂拥昆虫）的自然系统的启发，第一元素使用三个简单的规则来以分布式方式维持群体形成。第二元素提供了选择有希望区域以使用涉及代理的相对位置的成本函数的最小化来探索（和覆盖）的装置。我们在不同环境中测试了我们的方法对异质和同质移动机器人的性能。我们衡量覆盖性能和允许本集团维持沟通的覆盖性能和群体形成统计数据。通过一系列比较实验，我们展示了拟议的策略在最近提出的地图覆盖方法和传统的人工潜在领域基于细胞覆盖，转变和安全路径的百分比，同时保持允许短程的形成沟通。
translated by 谷歌翻译
我们提出了群生物设计灵感觅食基于蚂蚁信息素的部署，其中假设群有非常有限的能力。机器人不需要全局或相对位置测量和群充分分散，需要在地方没有基础设施。此外，该系统只需要在机器人上的网络单跳通信，我们不做出关于通信图的连通性和信息与计算传输的任何假设是可扩展的与代理的数量。这是通过在群充当觅食让剂或作为导向剂（信标）来完成。我们目前的实验结果计算了ELISA的3个机器人的一个模拟器群，并展示如何在群自行组织了一个未知的环境中解决问题觅食，汇聚成各地的最短路径轨迹。最后，我们讨论这样一个系统的局限性，并提出了觅食的效率如何可以增加。
translated by 谷歌翻译
在本文中，我们提出了针对无人接地车辆（UGV）的新的控制屏障功能（CBF），该功能有助于避免与运动学（非零速度）障碍物发生冲突。尽管当前的CBF形式已经成功地保证了与静态障碍物的安全/碰撞避免安全性，但动态案例的扩展已获得有限的成功。此外，借助UGV模型，例如Unicycle或自行车，现有CBF的应用在控制方面是保守的，即在某些情况下不可能进行转向/推力控制。从经典的碰撞锥中汲取灵感来避免轨迹规划，我们介绍了其新颖的CBF配方，并具有对独轮车和自行车模型的安全性保证。主要思想是确保障碍物的速度W.R.T.车辆总是指向车辆。因此，我们构建了一个约束，该约束确保速度向量始终避开指向车辆的向量锥。这种新控制方法的功效在哥白尼移动机器人上进行了实验验证。我们将其进一步扩展到以自行车模型的形式扩展到自动驾驶汽车，并在Carla模拟器中的各种情况下证明了避免碰撞。
translated by 谷歌翻译
本文介绍了一个新颖的社会偏好意识分散的安全控制框架，以解决避免多机构碰撞的责任分配问题。考虑到代理不一定会以对称方式进行合作，本文着重于具有不同合作水平的异质代理之间的半合作行为。利用社会价值取向（SVO）来量化个人自私的思想，我们提出了一个新颖的责任相关社会价值取向（R-SVO）的新颖概念，以表达成对代理之间的预期相对社会含义。这用于根据相应的责任份额来重新定义每个代理商的社会偏好或个性，以促进协调方案，例如所有代理商以不对称方式互动的半合件碰撞避免。通过通过拟议的本地成对责任权重纳入这种相对的社会影响，我们为个人代理人开发了与责任相关的控制屏障功能的安全控制框架，并通过正式可证明的安全保证可以实现多代理碰撞的避免。提供了模拟来证明在多个多代理导航任务中所提出的框架的有效性和效率，例如位置交换游戏，自动驾驶汽车公路公路坡道合并方案以及圆形交换游戏。
translated by 谷歌翻译
本文着重于影响弹性的移动机器人的碰撞运动计划和控制的新兴范式转移，并开发了一个统一的层次结构框架，用于在未知和部分观察的杂物空间中导航。在较低级别上，我们开发了一种变形恢复控制和轨迹重新启动策略，该策略处理可能在本地运行时发生的碰撞。低级系统会积极检测碰撞（通过内部内置的移动机器人上的嵌入式霍尔效应传感器），使机器人能够从其内部恢复，并在本地调整后影响后的轨迹。然后，在高层，我们提出了一种基于搜索的计划算法，以确定如何最好地利用潜在的碰撞来改善某些指标，例如控制能量和计算时间。我们的方法建立在A*带有跳跃点的基础上。我们生成了一种新颖的启发式功能，并进行了碰撞检查和调整技术，从而使A*算法通过利用和利用可能的碰撞来更快地收敛到达目标。通过将全局A*算法和局部变形恢复和重新融合策略以及该框架的各个组件相结合而生成的整体分层框架在模拟和实验中都经过了广泛的测试。一项消融研究借鉴了与基于搜索的最先进的避免碰撞计划者（用于整体框架）的链接，以及基于搜索的避免碰撞和基于采样的碰撞 - 碰撞 - 全球规划师（对于更高的较高的碰撞 - 等级）。结果证明了我们的方法在未知环境中具有碰撞的运动计划和控制的功效，在2D中运行的一类撞击弹性机器人具有孤立的障碍物。
translated by 谷歌翻译
当大量机器人试图到达公共区域时，会发生拥堵，导致严重的延误。为了最大程度地减少机器人群体中的交通拥堵，必须以分散的方式使用交通控制算法。基于旨在最大化共同目标区域吞吐量的策略，我们使用人工潜在领域为机器人开发了两种新颖的算法，以避免障碍和导航。一种算法是通过创建一个队列到达目标区域的启发的（单队列以前-SQF），而另一个使机器人通过使用矢量字段（触摸和运行矢量字段-TRVF）使机器人触摸圆形区域的边界。 。我们进行了仿真实验，以表明所提出的算法受其启发的理论策略的吞吐量，并将两种新型算法与同一问题的最先进算法进行比较（PCC，EE和PCC-EE）。 SQF算法明显优于大量机器人或圆形目标区域半径较小的所有其他算法。另一方面，对于有限数量的机器人，TRVF仅比SQF更好，而对于众多机器人来说，TRVF仅优于PCC。但是，它使我们能够分析当思想从理论策略转移到混凝土算法时对吞吐量的潜在影响，该算法考虑了改变机器人之间的线性速度和距离。
translated by 谷歌翻译
近年来，移动机器人的安全问题引起了人们的关注。在本文中，我们提出了一种智能的物理攻击，通过从外部观察中学习障碍 - 避免机制，将移动机器人置于预设位置。我们作品的显着新颖性在于揭示具有智能和高级设计的基于物理攻击的可能性，可以带来真正的威胁，而没有对系统动态或对内部系统的访问的先验知识。传统网络空间安全中的对策无法处理这种攻击。练习，拟议的攻击的基石是积极探索受害者机器人与环境的复杂相互作用的特征，并学习对其行为的有限观察中表现出的障碍知识。然后，我们提出了最短的路径和手持攻击算法，以从巨大的运动空间中找到有效的攻击路径，从而在路径长度和活动期间分别以低成本实现了驾驶到陷阱目标。证明了算法的收敛性，并进一步得出了攻击性能范围。广泛的模拟和现实生活实验说明了拟议攻击的有效性，招呼未来对机器人系统的物理威胁和防御的研究。
translated by 谷歌翻译
微型机构中的一个重要问题是如何控制具有全局控制信号的大型微型机器人。本文着重于控制大规模的微棉机器人，并使用车载物理有限状态机器来控制。我们介绍了基于组的控制的概念，这使得可以扩大群体大小，同时降低机器人制造和群体控制的复杂性。我们证明，基于组的控制系统可以从机器人位置上进行本地访问。我们进一步基于广泛的模拟，即该系统在全球可控。提出了一种非线性优化策略，以最大程度地减少控制努力来控制群体。我们还提出了一种适合在线使用的概率完整的避免碰撞方法。本文以对模拟中提出的方法的评估结束。
translated by 谷歌翻译