机器人救援仿真系统中规划和自适应协作研究

【摘要】： 多智能体系统是近年来分布式人工智能领域研究的一个重要分支。本文以机器人救援仿真系统为研究背景,针对通信受限、动态变化的复杂救援环境,采用带权与或树和AOE-网(Activity on Edge)、协进化、蚁群算法的方法,研究复杂、动态异构多智能体系统中的任务规划、路径搜索和自适应协作等关键问题。主要研究工作如下： 论文首先建立一种包含反应层和慎思层的分层智能体体系结构。反应层采用基于重要度的信息处理算法对智能体感知的信息进行筛选处理,并对系统状态进行预测建立智能体的世界模型；智能体根据世界模型和规则库得到行为,为智能体提供快速反应能力。慎思层包括任务规划和自适应协作模型两个部分,为智能体提供慎思的任务规划和行为决策的自适应能力。 对多智能体系统任务规划的研究主要集中在任务分解和任务协调两方面。本文提出一种带权与或树的任务分解结构,通过引入与或树来描述复杂任务与子任务之间的层次关系和子任务之间的与或关系；将与或树的叶子结点带权来描述子任务的执行时间；并在带权与或树的基础上增加辅助线来限定相关任务结点之间的关系约束。带权与或树的任务分解结构保证了任务分解的完整性、可达性、时序约束、粒度和柔性原则。 针对异构多智能体系统中智能体难以在执行任务计划达成一致的问题,提出基于AOE-网和最早发生时间的任务协调方法。在采用带权与或树结构对复杂任务进行分解的基础上,首先将与或树中的非执行权值最短的部分或子结点舍弃,减少了不必要的或子(孙)任务的执行,然后将带权与或树转化为AOE-网,得到各子任务的最早发生时间,使总任务的完成时间最短,达到计划一致协调。 为了有效解决智能体执行任务时的冲突和目标动态变化引起的复杂任务延迟或中断问题,提出将任务动态再分解的任务转包方法进行冲突消除和动态调整协调,使整个任务能够继续保持计划一致性,以满足任务规划的动态实时性要求。提出的动态任务规划方法,能够使任务得到具体的执行时间段,总任务的执行时间最短或者在一定的时间段内完成更多的任务,以满足任务的动态实时规划。 论文提出一种基于目标吸引蚁群算法的路径搜索算法,求解救援机器人在道路拓扑动态变化的震后城市中的最短路径搜索问题。引入目标吸引函数,充分利用震前城市地图的拓扑信息,计算得到目标节点对备选节点的吸引度,将目标吸引函数作为启发函数与信息素强度共同对蚂蚁搜索路径进行引导,使蚂蚁能够更多地选择距离目标更近的节点,加快蚁群算法的收敛速度并尽可能收敛到最短路径,避免陷入到局部最优。 针对非结构化的环境和多样化的复杂任务中合作异构多智能体系统的协作效用最大化问题,提出一种基于子域适应度评估的合作协进化协作算法。引入合作协进化方法,将多智能体系统的总任务当作合作协进化的问题域,一个智能体所拥有的行为决策集作为协进化的种群,对智能体的行为决策进行合作协进化,以产生自适应的协作行为。 为了克服合作协进化算法在解决复杂多智能体系统协作问题时存在的通信量过于繁重、适应度函数难以建立等问题,将复杂问题域模型分解成相互影响较小、较易求解的子问题域模型,在子问题域模型之间并行使用合作协进化算法来完成智能体协作行为的进化,降低适应度评估的维数,减少通信负担。子问题域进行合作协进化时,引入环境因子影响矩阵将其他子问题域的影响信息映射到该子问题域中种群的个体适应度评估中,从而引导种群向全局优化方向进化。 机器人救援仿真系统是一个典型的异构多智能体系统,为人工智能和机器人领域的研究人员提供了一个先进的和跨学科的研究平台。论文提出的算法已应用到中南大学机器人救援仿真队CSU_Yunlu中,并在2006、2008年中国机器人公开赛上分获冠军和亚军,验证了算法的有效性。