基于领航-跟随及人工势场的环卫机器人编队研究

doi:10.3785/j.issn.1006-754X.2025.04.127

基于领航-跟随及人工势场的环卫机器人编队研究

谢宇明^,^,¹, 尹汉锋^,², 肖慧慧¹

1.复杂环境特种机器人控制技术与装备湖南省工程研究中心，湖南湘潭 411104

2.湖南大学机械与运载工程学院，湖南长沙 410082

Research on environmental sanitation robot formation based on leader-follower and artificial potential field

XIE Yuming^,^,¹, YIN Hanfeng^,², XIAO Huihui¹

1.Hunan Engineering Research Center of Control Technology and Equipment of Special Robot in Complex Environment, Xiangtan 411104, China

2.College of Mechanical and Vehicle Engineering, Hunan University, Changsha 410082, China

收稿日期: 2024-03-28 修回日期: 2024-06-07

基金资助:

国家自然科学基金资助项目.  11972153
湖南省教育厅科学研究项目.  23C0703.  23C0701
湖南省自然科学基金资助项目.  2024JJ8084

Received: 2024-03-28 Revised: 2024-06-07

作者简介 About authors

谢宇明（1988—），男，高级工程师，硕士，从事机器人开发及控制研究，E-mail:402497758@qq.com，https://orcid.org/0009-0007-7507-971X , E-mail：402497758@qq.com

尹汉锋（1982—），男，教授，博士，从事智能装备优化设计研究，E-mail:yinhanfeng@hnu.edu.cn , E-mail：yinhanfeng@hnu.edu.cn

摘要

针对环卫机器人集群作业时存在编队稳定性差的问题，创新性地提出了一种结合领航-跟随策略与人工势场算法的编队控制方法。首先，根据环卫机器人的结构特点，基于领航-跟随策略构建了其运动学模型。然后，针对环卫机器人的复杂作业环境，采用人工势场算法进行编队避障，并提出了全新的编队变换策略，以使机器人能够顺利通过背街小巷等作业场景，从而实现多机器人的协同作业。最后，利用MATLAB软件开展仿真实验并在实际作业场景中开展实验测试。结果表明，所提出的方法可使环卫机器人编队在复杂作业场景中有效避障及通过狭窄通道，同时实现队形的稳定保持与灵活变换；编队稳定时跟随机器人的跟踪误差保持在0.1 m以下，实验结果验证了该编队控制方法的有效性。研究结果为环卫机器人在不同作业场景下的编队控制提供了参考。

关键词： 环卫机器人 ; 领航-跟随策略 ; 人工势场算法 ; 编队控制方法

Abstract

Aiming at the problem of poor formation stability of environmental sanitation robots during cluster operations, an innovative formation control method combining the leader-follower strategy and artificial potential field algorithm is proposed. Firstly, according to the structural characteristics of the environmental sanitation robot, its kinematics model was constructed based on the leader-follower strategy. Then, in view of the complex operation environment of environmental sanitation robots, the artificial potential field algorithm was employed for formation obstacle avoidance, and a novel formation transformation strategy was proposed to enable robots to smoothly pass through the working scenarios such as back streets and alleys, so as to realize the cooperative operation of multi-robots. Finally, the simulation experiments were conducted by MATLAB software and the experimental test was carried out in the actual operation scenario. The results showed that the proposed method could effectively facilitate the formation of environmental sanitation robots to avoid obstacles and pass through narrow passage in complex operation scenarios, while achieving stable formation maintenance and flexible transformation. The tracking error of the following robot remained below 0.1 m when the formation was stable, and the experimental results verified the effectiveness of the formation control method. The research results provide reference for the formation control of environmental sanitation robots in different operation scenarios.

Keywords： environmental sanitation robot ; leader-follower strategy ; artificial potential field algorithm ; formation control method

PDF (4858KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

谢宇明, 尹汉锋, 肖慧慧. 基于领航-跟随及人工势场的环卫机器人编队研究[J]. 工程设计学报, 2025, 32(1): 42-50 doi:10.3785/j.issn.1006-754X.2025.04.127

XIE Yuming, YIN Hanfeng, XIAO Huihui. Research on environmental sanitation robot formation based on leader-follower and artificial potential field[J]. Chinese Journal of Engineering Design, 2025, 32(1): 42-50 doi:10.3785/j.issn.1006-754X.2025.04.127

本文链接：https://www.zjujournals.com/gcsjxb/CN/10.3785/j.issn.1006-754X.2025.04.127

多移动机器人的集群作业应用是近年兴起的研究热点^[1]。单个移动机器人在复杂环境下完成作业任务时具有一定难度，而多移动机器人的集群作业可实现不同场景下多个复杂作业任务的全覆盖，大大提高了作业效率^[2-4]。

环卫机器人包含扫地机器人、清洗机器人等多种类型，是一类典型的移动机器人。环卫机器人的集群作业能够大大提高环卫作业效率。目前，环卫机器人的集群作业仍处于发展阶段，协同作业效率低，如何提高复杂环境下环卫机器人的集群作业效率是亟须突破的研究难点。

近年来，国内外众多学者针对移动机器人的集群控制技术开展了一系列研究^[5-8]。例如：Desai等^[9]提出了L—φ及L—L（L、φ分别表示领航者与跟随者之间的相对距离和相对偏角）两种编队控制方式，解决了多移动机器人的编队稳定控制问题；黎星华等^[10]提出一种基于动态权重的虚拟领航-领航-跟随编队控制方法，所设计的协同编队控制器能够使消防机器人较好地完成编队避障；王琳等^[11]利用一致性理论设计了基于领航-跟随结构的编队控制协议，解决了切换拓扑下的群系统保性能编队跟踪问题；熊勇刚等^[12]在传统的领航-跟随模型中引入虚拟机器人，通过构造虚拟领航机器人与跟随机器人的跟踪误差模型，减少了通信压力与数据冗余；庄红超等^[13]提出了多领航机器人分群一致性编队控制的动态队形变换避障策略，即根据非结构环境设计多机器人系统队形变换模式，获得了零队形变换模式、同结构队形变换模式和变结构队形变换模式。

综上，现有研究在确定性目标的编队控制方面取得了显著进展，但针对复杂环境条件下多环卫机器人的编队控制以及结合实际环卫作业任务的编队变换的研究仍较少，且大多停留在理论分析阶段，缺乏机器人样机实验的验证。

为解决上述问题，本文针对环卫机器人的实际作业场景，结合领航-跟随策略^[14]与人工势场算法^[15-18]，对环卫机器人编队控制方法进行研究。首先，根据环卫机器人的结构特点，基于领航-跟随策略构建其运动学模型；然后，考虑到环卫机器人的复杂作业环境，采用人工势场算法进行编队避障，并提出一种全新的编队变换策略，以实现多机器人的协同作业。

1 环卫机器人编队建模

以地面为参考系，建立单个环卫机器人的运动学模型，如图1所示。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 单个环卫机器人的运动学模型

Fig.1 Kinematics model of a single environmental sanitation robot

本文采用的环卫机器人为前轮转向、后轮驱动的结构（前轮为阿克曼轮^[19]）。在曲线运动过程中，任意时刻下该机器人左右驱动轮的角速度相同，即 $ω_{L} = ω_{R}$ 。以机器人驱动轮中心连线的中点C( $x, y)$ 为基准点，驱动轮速度与电机转速的关系为：

\begin{matrix} ω_{L} + ω_{R} = 2 ω_{h} \end{matrix}

\frac{v_{R}}{R - ψ l / |ψ|} = \frac{v_{L}}{R + ψ l / |ψ|}

式中： $ω_{h}$ 为电机转速， $v_{L}$ 、 $v_{R}$ 分别为左右驱动轮的线速度， $R$ 为基准点C到旋转中心的距离（公转半径）， $ψ$ 为机器人转向角，l为左右驱动轮到差速装置的距离。

由此可得，机器人向前行驶的转向角速度 $ω$ 为：

ω = \frac{v}{d} t a n ψ

式中： $v$ 为机器人车体的线速度， $d$ 为基准点C到转向轮中心连线中点的距离。

联立式(1)至式(3)，可得机器人的线速度：

v = \frac{v_{L} + v_{R}}{2} = \frac{r (ω_{L} + ω_{R})}{2} = r ω_{h}

式中： $r$ 为驱动轮半径。

则机器人的运动学模型可表示为：

[\begin{matrix} \dot{x} \\ \dot{y} \\ \dot{α} \end{matrix}] = [\begin{matrix} c o s α \\ s i n α \\ 0 \end{matrix}] v + [\begin{matrix} 0 \\ 0 \\ 1 \end{matrix}] ω

式中： $α$ 为机器人前进方向与x轴的夹角，即偏航角。

环卫作业任务包括路面清扫、垃圾抓取、路面清洗等多种形式，而单个环卫机器人的作业宽度有限，面对较大区域内的作业任务，须采用多个环卫机器人进行编队作业。现有编队形式大多采用图2所示的三角形编队：居中的机器人对中间地面进行清扫，后置的2个机器人对两侧地面进行清扫或清洗等。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 环卫机器人实际作业编队

Fig.2 Actual operation formation of environmental sanitation robots

根据实际环卫作业场景，本文采用1个领航机器人加2个跟随机器人，构成一个三角形机器人作业编队^[13]，如图3所示。图3中：点 $P_{1} (x_{1}, y_{1})$ 为机器人1（领航机器人）所在位置，其偏航角为 $α_{1}$ ，前进速度为 $v_{1}$ ，加速度为 $δ_{1}$ ，转向角速度为 $ω_{1}$ ；点 $P_{2} (x_{2}, y_{2})$ 为机器人2（跟随机器人1）所在位置，其偏航角为 $α_{2}$ ，前进速度为 $v_{2}$ ，加速度为 $δ_{2}$ ，转向角速度为 $ω_{2}$ ；点 $P_{3} (x_{3}, y_{3})$ 为机器人3（跟随机器人2）所在位置，其偏航角为 $α_{3}$ ，前进速度为 $v_{3}$ ，加速度为 $δ_{3}$ ，转向角速度为 $ω_{3}$ ； $L_{12}$ 、 $L_{13}$ 分别为领航机器人与2个跟随机器人的相对距离； $φ_{12} 、 φ_{13}$ 分别为领航机器人与2个跟随机器人的相对偏角。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 环卫机器人编队模型

Fig.3 Environmental sanitation robot formation model

由图3可得，领航机器人与跟随机器人1之间的位置关系如下：

\{\begin{array}{l} x_{2} = x_{1} + L_{12} c o s (φ_{12} + α_{1}) \\ y_{2} = y_{1} + L_{12} s i n (φ_{12} + α_{1}) \end{array}

领航机器人的偏航角 $α_{1}$ 和转向角速度 $ω_{1}$ 分别表示为：

α_{1} = a r c t a n \frac{y_{1} (t + 1) - y_{1} (t)}{x_{1} (t + 1) - x_{1} (t)}

ω_{1}

\frac{α_{1}}{∆ t}

根据领航机器人与2个跟随机器人的相对距离，即 $L_{12}$ = $\sqrt[]{{(x_{2} - x_{1})}^{2} + {(y_{2} - y_{1})}^{2}}$ ， $L_{13}$ = $\sqrt[]{{(x_{3} - x_{1})}^{2} + {(y_{3} - y_{1})}^{2}}$ ，可得其运动学关系，分别为：

\{\begin{array}{l} {\dot{L}}_{12} = v_{2} c o s γ_{1} - v_{1} c o s φ_{12} + d ω_{2} s i n γ_{1} \\ {\dot{φ}}_{12} = \frac{1}{L_{12}} (v_{1} s i n φ_{12} - v_{2} s i n γ_{1} + d ω_{2} c o s γ_{1} - L_{12} ω_{1}) \\ {\dot{α}}_{2} = ω_{2} \end{array}

\{\begin{array}{l} {\dot{L}}_{13} = v_{3} c o s γ_{2} - v_{1} c o s φ_{13} + d ω_{3} s i n γ_{2} \\ {\dot{φ}}_{13} = \frac{1}{L_{13}} (v_{1} s i n φ_{13} - v_{3} s i n γ_{2} + d ω_{3} c o s γ_{2} - L_{13} ω_{1}) \\ {\dot{α}}_{3} = ω_{3} \end{array}

其中：

$γ_{1}$ = $α_{1} + φ_{12} - α_{2}$

$γ_{2}$ = $α_{1} + φ_{13} - α_{3}$

L— $φ$ 闭环控制律的表达式如下：

\{\begin{array}{l} \dot{L} = k_{1} (L^{d} - L) \\ \dot{φ} = k_{2} (φ^{d} - φ) \end{array}

式中： $k_{1}$ 、 $k_{2}$ 为比例控制系数， $L^{d}$ 、 $φ^{d}$ 分别为领航机器人与跟随机器人之间相对距离、相对偏角的期望值。

联立式(9)至式(11)，可得：

\{\begin{array}{l} ω_{2} = \frac{c o s γ_{1}}{d} [k_{2} L_{12} (φ_{12}^{d} - φ_{12}) - v_{1} s i n φ_{12} + L_{12} ω_{1} + \\ k_{1} (L_{12}^{d} - L_{12}) t a n γ_{1} + v_{1} c o s φ_{12} t a n γ_{1}] \\ v_{2} = \frac{k_{1} (L_{12}^{d} - L_{12}) + v_{1} c o s φ_{12}}{c o s γ_{1}} - d ω_{2} t a n γ_{1} \end{array}

\{\begin{array}{l} ω_{3} = \frac{c o s γ_{2}}{d} [k_{2} L_{13} (φ_{13}^{d} - φ_{13}) - v_{1} s i n φ_{13} + \\ L_{13} ω_{1} + k_{1} (L_{13}^{d} - L_{13}) t a n γ_{2} + v_{1} c o s φ_{13} t a n γ_{2}] \\ v_{3} = \frac{k_{1} (L_{13}^{d} - L_{13}) + v_{1} c o s φ_{13}}{c o s γ_{2}} - d ω_{3} t a n γ_{2} \end{array}

在实际作业过程中，通过设定领航机器人与2个跟随机器人的初始位置来确定其相对距离和相对偏角的期望值，并根据跟随机器人实时反馈的自身位置以及与领航机器人之间的位置变化，得出其实际的相对距离和相对偏角；随后，根据设定的相对距离和相对偏角期望值，及时调整参数，使得跟随机器人及时改变自身位姿，实现与领航机器人保持稳定的相对距离和相对偏角，从而形成稳定的编队。

2 基于人工势场算法的避障策略

环卫机器人的作业场景通常为人行道、广场和非机动车道等，在作业过程中机器人会碰到各种障碍物，如垃圾桶、行人及狭窄通道的墙体等。为避免机器人与障碍物相撞，引入人工势场中的引力场和斥力场，对机器人的运动路径进行规划^[20]。假设机器人作业时靠近目标位置的方向产生引力场，有障碍物的方向产生斥力场，引力场与斥力场的合力作用引导机器人避开障碍物并向目标位置方向前进。引力场 $U_{a t t}$ 与斥力场 $U_{r e p}$ 的函数表达式分别为：

U_{a t t} = \frac{1}{2} k_{a} l_{i g}^{2}

U_{r e p} = \{\begin{matrix} \frac{1}{l_{i j}} (\frac{1}{l_{i j}} - \frac{1}{R_{d e t}}) k_{r}, l_{i j} \leq R_{d e t} \\ 0, l_{i j} \geq R_{d e t} \end{matrix}

式中： $l_{i g}$ 为机器人 $i$ 与目标位置g之间的距离， $k_{a}$ 为引力影响系数， $l_{i j}$ 为机器人 $i$ 与障碍物 $j$ 之间的距离， $k_{r}$ 为斥力影响系数， $R_{d e t}$ 为影响半径。

基于人工势场算法的环卫机器人避障流程如图4所示。当碰到不同障碍物时，机器人根据斥力场的变化特点来执行不同的避障策略。由于单个障碍物（如垃圾桶）斥力场的影响范围有限，当机器人与障碍物之间的距离超过影响半径 $R_{d e t}$ 后，斥力场的影响视为零。而对于有连续障碍物（如墙体）的区域，斥力场表现为连续变化的高势能区，这意味着机器人在这些区域内会受到较强的连续排斥力，而在狭窄通道内行驶的机器人所受的连续排斥力来自两侧且更大。在实际作业过程中，环卫机器人利用自带的激光雷达等传感器实时获取障碍物的位置信息，通过计算其与障碍物之间的距离来实现有效避障。当领航机器人识别到狭窄通道时，为确保机器人集群有足够距离进行编队变换，需提前预警。本文设置如下：当领航机器人识别到狭窄通道时，在其与狭窄通道之间的距离等于自身长度时开始编队变换。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 环卫机器人避障流程

Fig.4 Obstacle avoidance process of environmental sanitation robot

结合环卫机器人实际作业场景的特点，在领航机器人提前识别到狭窄通道时，将机器人编队变换调整为直线队形，各机器人的直线间距为 $D$ ，如图5所示。当机器人编队通过狭窄通道时，以领航机器人位置 $(x_{1}, y_{1})$ 为基准，2个跟随机器人的位置可表示为：

\{\begin{array}{l} x_{2} = x_{1} - D c o s α_{1} \\ y_{2} = y_{1} - D s i n α_{1} \\ x_{3} = x_{1} - 2 D c o s α_{1} \\ y_{3} = y_{1} - 2 D s i n α_{1} \end{array}

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 环卫机器人编队变换

Fig.5 Transformation of environmental sanitation robot formation

3 环卫机器人编队作业仿真分析

为验证本文所提出的环卫机器人编队控制方法的有效性，利用MATLAB软件分别对编队避障、编队变换过程进行仿真分析。

3.1　编队避障仿真

选择35 $m \times$ 35 $m$ 的正方形区域开展环卫机器人编队避障仿真分析。设置领航机器人的起点为(2, 2) m，初始前进速度为0.15 m/s；跟随机器人1的起点为(-4, 3) m，偏航角为0°，跟随机器人2的起点为(3, -4) m，偏航角为90°；跟随机器人与领航机器人之间的距离为3 m；设置4个障碍物，其坐标分别为(4.5, 5) m，(4, 9) m，(9, 5) m，(8, 10) m。图6和图7所示分别为环卫机器人编队避障时的运动状态与运动轨迹。由图7可以看出，在编队控制方法的作用下，3个机器人均能绕过障碍物并始终保持稳定的三角形编队。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 环卫机器人编队避障时的运动状态

Fig.6 Motion state of environmental sanitation robot formation during obstacle avoidance

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7 环卫机器人编队避障时的运动轨迹

Fig. 7 Motion trajectory of environmental sanitation robot formation during obstacle avoidance

图8所示为环卫机器人在仅含障碍物场景中作业时的速度和角速度曲线。从图8中可以看出，当机器人编队遇到障碍物时，每个机器人的速度均会产生很大的变化。而在没有遇到障碍物的情况下，各跟随机器人的速度与领航机器人接近，最终稳定维持在0.4 m/s左右。跟随机器人角速度的变化趋势与速度的变化趋势类似，最终其角速度稳定在0.6 rad/s左右。

图8

新窗口打开| 下载原图ZIP| 生成PPT

图8 环卫机器人编队避障时的速度和角速度曲线

Fig.8 Speed and angular velocity curves of environmental sanitation robot formation during obstacle avoidance

3.2　编队变换仿真

在40 $m \times$ 40 $m$ 的正方形区域内对环卫机器人编队变换过程进行仿真分析。除增加一个狭窄通道外，其余仿真参数设置均与3.1节一致。设置狭窄通道长7 m，宽3 m。

图9和图10所示分别为存在狭窄通道时环卫机器人编队变换时的运动状态与运动轨迹。由图10可以看出，在编队控制方法的作用下，每个机器人均能绕过障碍物并通过狭窄通道，且在经过狭窄通道时，机器人编队变换为直线队形，通过狭窄通道后恢复成为稳定的三角形编队。

图9

新窗口打开| 下载原图ZIP| 生成PPT

图9 环卫机器人编队变换时的运动状态

Fig.9 Motion state of environmental sanitation robot formation during transformation

图10

新窗口打开| 下载原图ZIP| 生成PPT

图10 环卫机器人编队变换时的运动轨迹

Fig.10 Motion trajectory of environmental sanitation robot formation during transformation

图11所示为环卫机器人编队在含障碍物与狭窄通道场景中作业时的速度和角速度曲线。对比图8和图11可知，当作业场景中因存在狭窄通道而需要编队变换时，机器人速度、角速度曲线的波动更大，由此说明作业环境越复杂，机器人编队的稳定性越低。

图11

新窗口打开| 下载原图ZIP| 生成PPT

图11 环卫机器人编队变换时的速度和角速度曲线

Fig.11 Speed and angular velocity curves of environmental sanitation robot formation during transformation

图12所示为跟随机器人作业过程中的跟踪误差变化曲线。由图12可以看出，当机器人遇到障碍物及编队变换时，跟随机器人的跟踪误差波动大，但基本保持在0.35 m以下。当没有障碍物等外界干扰时，跟随机器人可以快速到达指定位置，其跟踪误差保持在0.1 m以下。

图12

新窗口打开| 下载原图ZIP| 生成PPT

图12 跟随机器人的跟踪误差

Fig.12 Tracking error of following robots

4 环卫机器人编队作业实验测试

为了进一步验证本文所提出的编队控制方法的性能，采用图13所示的3台环卫机器人样机在实际工作环境中进行编队作业实验测试。环卫机器人的外形尺寸（长×宽×高）为900 mm×650 mm×750 mm；领航机器人位于前方，2个跟随机器人位于后方，与领航机器人组成三角形编队并执行环卫作业。如图14所示，每台环卫机器人配备1个具有厘米级定位精度的单线激光雷达、3个3D摄像头以及3个超声波传感器，可有效地进行环境感知与自主导航。

图13

新窗口打开| 下载原图ZIP| 生成PPT

图13 环卫机器人编队

Fig.13 Formation of environmental sanitation robots

图14

新窗口打开| 下载原图ZIP| 生成PPT

图14 环卫机器人结构

Fig.14 Structure of environmental sanitation robot

作业场景为某一地铁站广场，3台环卫机器人样机依靠通信基站建立实时通信。在ROS（robot operating system，机器人操作系统）的支持下，实现数据处理以及编队控制方法的验证。环卫机器人编队作业的实验结果如图15所示。从图15中可以看出，在编队作业过程中，3台机器人初始时刻以三角形编队出发，跟随机器人能够有效跟随领航机器人进行移动；机器人编队在道路安全区域内行驶的同时有效地避开了各自前方的障碍物并通过了狭窄通道，最后又形成稳定的三角形编队，后方跟随机器人的跟踪误差保持在0.1 m以内。实验结果表明，采用本文所提出的编队控制方法可实现环卫机器人编队的稳定控制。

图15

新窗口打开| 下载原图ZIP| 生成PPT

图15 环卫机器人编队作业实验结果

Fig.15 Experimental results of environmental sanitation robot formation operation

5 结论

本文针对环卫机器人编队的协同作业开展了研

究。根据环卫机器人的实际作业场景，创新性地提出一种新型编队控制方法。该方法利用领航-跟随策略对环卫机器人进行运动学建模，并利用人工势场算法进行编队避障和编队变换，实现了环卫机器人编队的协同作业。仿真及实验测试结果验证了所提出的编队控制方法的有效性，运用该方法可使机器人集群在作业场景中有效避障以及通过狭窄通道，并实现队形的稳定保持与灵活变换。未来，将针对机器人编队在动态障碍物场景下的协同作业进一步深入研究。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

王耀南，江一鸣，姜娇，等.

机器人感知与控制关键技术及其智能制造应用

［J］. 自动化学报， 2023， 49（3）： 494-513.

[本文引用: 1]

WANG

Y N

， JIANG

Y M

， JIANG

， et al.

Key technologies of robot perception and control and its intelligent manufacturing applications

［J］. Acta Automatica Sinica， 2023， 49（3）： 494-513.

[本文引用: 1]

[2]

ZHANG

K T

， CHERMPRAYONG

， XIAO

， et al.

Aerial additive manufacturing with multiple autonomous robots

［J］. Nature， 2022， 609（7928）： 709-717.

[本文引用: 1]

[3]

张振国，毛建旭，谭浩然，等.

重大装备制造多机器人任务分配与运动规划技术研究综述

［J］. 自动化学报， 2024， 50（1）： 21-41

ZHANG

Z G

， MAO

J X

， TAN

H R

， et al.

A review of task allocation and motion planning for multi-robot in major equipment manufacturing

［J］. Acta Automatica Sinica， 2024， 50（1）： 21-41.

[4]

邓辅秦，黄焕钊，谭朝恩，等.

结合遗传算法和滚动调度的多机器人任务分配算法

［J］. 计算机应用， 2023， 43（12）： 3833-3839. doi：10.11772/j.issn.1001-9081.2022121916

[本文引用: 1]

DENG

F Q

， HUANG

H Z

， TAN

C E

， et al.

Multi-robot task allocation algorithm combining genetic algorithm and rolling scheduling

［J］. Journal of Computer Applications， 2023， 43（12）： 3833-3839.

DOI:10.11772/j.issn.1001-9081.2022121916 [本文引用: 1]

[5]

邓国琛

无人车多车协同控制技术研究

［D］. 济南：济南大学， 2022： 1-5.

[本文引用: 1]

DENG

G C

Research on multi vehicle cooperative control technology of unmanned vehicle

［D］. Jinan： University of Jinan， 2022： 1-5.

[本文引用: 1]

[6]

付雷，秦一杰，何顶新，等.

基于改进人工势场法的多机器人编队避障

［J］. 控制工程， 2022， 29（3）： 388-396.

， QIN

Y J

， HE

D X

， et al.

Obstacle avoidance in multi-robot formation based on improved artificial potential field

［J］. Control Engineering of China， 2022， 29（3）： 388-396.

[7]

PAN

Z H

， ZHANG

C X

， XIA

Y Q

， et al.

An improved artificial potential field method for path planning and formation control of the multi-UAV systems

［J］. IEEE Transactions on Circuits and Systems II： Express Briefs， 2022， 69（3）： 1129-1133.

[8]

ZHUANG

H C

， DONG

K L

， WANG

， et al.

Multi-robot leader grouping consistent formation control method research with low convergence time based on nonholonomic constraints

［J］. Applied Sciences， 2022， 12（5）： 2300.

[本文引用: 1]

[9]

DESAI

J P

， OSTROWSKI

， KUMAR

Controlling formations of multiple mobile robots

［C］//Proceedings of 1998 IEEE International Conference on Robotics and Automation. Leuven， May 20， 1998.

[本文引用: 1]

[10]

黎星华，刘晓平，王刚，等.

面向多智能消防机器人的编队避障控制方法

［J］. 机器人， 2024， 46（1）： 81-93.

[本文引用: 1]

X H

， LIU

X P

， WANG

， et al.

A formation obstacle-avoidance control method for multiple intelligent firefighting robots

［J］. Robot， 2024， 46（1）： 81-93.

[本文引用: 1]

[11]

王琳，张庆杰，陈宏伟.

基于领航者跟随者的群系统保性能编队控制

［J］. 北京航空航天大学学报， 2024， 50（3）： 1037-1046.

[本文引用: 1]

WANG

， ZHANG

Q J

， CHEN

H W

Guaranteed-performance formation control of swarm systems based on leader-follower strategy

［J］. Journal of Beijing University of Aeronautics and Astronautics， 2024， 50（3）： 1037-1046.

[本文引用: 1]

[12]

熊勇刚，付茂林，李波，等.

基于领航-跟随法的多机器人编队控制

［J］. 机电工程技术， 2024， 53（3）： 136-141.

[本文引用: 1]

XIONG

Y G

， FU

M L

， LI

， et al.

Multi-robot formation control based on pilot-following method

［J］. Mechanical & Electrical Engineering Technology， 2024， 53（3）： 136-141.

[本文引用: 1]

[13]

庄红超，王柠，董凯伦，等.

非完整约束大负重比六足机器人多机动态协同编队避障控制策略

［J］. 机械工程学报， 2024， 60（1）： 284-295. doi：10.3901/jme.2024.01.284

[本文引用: 2]

ZHUANG

H C

， WANG

， DONG

K L

， et al.

Obstacle avoidance control strategy of multi-robot dynamic cooperative formation of large-load-ratio six-legged robot under nonholonomic constraints

［J］. Journal of Mechanical Engineering， 2024， 60（1）： 284-295.

DOI:10.3901/jme.2024.01.284 [本文引用: 2]

[14]

张晓莉，王张哲.

基于领航-跟随模型的井下多移动机器人编队研究

［J］. 矿业研究与开发， 2022， 42（2）： 179-182.

[本文引用: 1]

ZHANG

X L

， WANG

Z Z

Research on underground multi-mobile robots formation based on leader-follower model

［J］. Mining Research and Development， 2022， 42（2）： 179-182.

[本文引用: 1]

[15]

陈冠星

动态环境下多机器人编队及避障控制策略研究

［D］. 南京：南京理工大学， 2021： 38-43.

[本文引用: 1]

CHEN

G X

Research on formation and obstacle avoidance control strategy of multiple robots in dynamic environment

［D］. Nanjing： Nanjing University of Science and Technology， 2021： 38-43.

[本文引用: 1]

[16]

ZHANG

， DONG

D B

， DU

Z Z

， et al.

Swarm control based on artificial potential field method with predicted state and input threshold

［J］. Engineering Applications of Artificial Intelligence， 2023， 125： 106567.

[17]

ZHANG

， XU

G J

， SONG

， et al.

An obstacle avoidance strategy for complex obstacles based on artificial potential field method

［J］. Journal of Field Robotics， 2023， 40（5）： 1231-1244.

[18]

杨立炜，李萍，权赫，等.

基于蚁群混合人工势场法的多机器人编队运动

［J］. 电光与控制， 2024， 31（9）： 52-57， 80.

[本文引用: 1]

YANG

L W

， LI

， QUAN

， et al.

Motion of multi-robot formation based on ACO and APF

［J］. Electronics Optics & Control， 2024， 31（9）： 52-57， 80.

[本文引用: 1]

[19]

辛鹏，王艳辉，刘晓立，等.

优化改进RRT和人工势场法的路径规划算法

［J］. 计算机集成制造系统， 2023， 29（9）： 2899-2907.

[本文引用: 1]

XIN

， WANG

Y H

， LIU

X L

， et al.

Path planning algorithm based on optimize and improve RRT and artificial potential field

［J］. Computer Integrated Manufacturing Systems， 2023， 29（9）： 2899-2907.

[本文引用: 1]

[20]

时培成，陈旭，杨爱喜，等.

4WID-4WIS智能车阿克曼转向轨迹规划及位置估算

［J］. 工程设计学报， 2022， 29（2）： 123-132.

[本文引用: 1]

SHI

P C

， CHEN

， YANG

A X

， et al.

Ackerman steering trajectory planning and position estimation of 4WID-4WIS intelligent vehicle

［J］. Chinese Journal of Engineering Design， 2022， 29（2）： 123-132.

[本文引用: 1]

机器人感知与控制关键技术及其智能制造应用

2023

... 多移动机器人的集群作业应用是近年兴起的研究热点^[1].单个移动机器人在复杂环境下完成作业任务时具有一定难度，而多移动机器人的集群作业可实现不同场景下多个复杂作业任务的全覆盖，大大提高了作业效率^[2-4]. ...

机器人感知与控制关键技术及其智能制造应用

2023

Aerial additive manufacturing with multiple autonomous robots

2022

重大装备制造多机器人任务分配与运动规划技术研究综述

2024

重大装备制造多机器人任务分配与运动规划技术研究综述

2024

结合遗传算法和滚动调度的多机器人任务分配算法

2023

结合遗传算法和滚动调度的多机器人任务分配算法

2023

无人车多车协同控制技术研究

2022

... 近年来，国内外众多学者针对移动机器人的集群控制技术开展了一系列研究^[5-8].例如：Desai等^[9]提出了L—φ及L—L（L、φ分别表示领航者与跟随者之间的相对距离和相对偏角）两种编队控制方式，解决了多移动机器人的编队稳定控制问题；黎星华等^[10]提出一种基于动态权重的虚拟领航-领航-跟随编队控制方法，所设计的协同编队控制器能够使消防机器人较好地完成编队避障；王琳等^[11]利用一致性理论设计了基于领航-跟随结构的编队控制协议，解决了切换拓扑下的群系统保性能编队跟踪问题；熊勇刚等^[12]在传统的领航-跟随模型中引入虚拟机器人，通过构造虚拟领航机器人与跟随机器人的跟踪误差模型，减少了通信压力与数据冗余；庄红超等^[13]提出了多领航机器人分群一致性编队控制的动态队形变换避障策略，即根据非结构环境设计多机器人系统队形变换模式，获得了零队形变换模式、同结构队形变换模式和变结构队形变换模式. ...

无人车多车协同控制技术研究

2022

基于改进人工势场法的多机器人编队避障

2022

基于改进人工势场法的多机器人编队避障

2022

An improved artificial potential field method for path planning and formation control of the multi-UAV systems

2022

Multi-robot leader grouping consistent formation control method research with low convergence time based on nonholonomic constraints

2022

Controlling formations of multiple mobile robots

面向多智能消防机器人的编队避障控制方法

2024

面向多智能消防机器人的编队避障控制方法

2024

基于领航者跟随者的群系统保性能编队控制

2024

基于领航者跟随者的群系统保性能编队控制

2024

基于领航-跟随法的多机器人编队控制

2024

基于领航-跟随法的多机器人编队控制

2024

非完整约束大负重比六足机器人多机动态协同编队避障控制策略

2024

... 根据实际环卫作业场景，本文采用1个领航机器人加2个跟随机器人，构成一个三角形机器人作业编队^[13]，如图3所示.图3中：点

P_{1} (x_{1}, y_{1})

为机器人1（领航机器人）所在位置，其偏航角为

α_{1}

，前进速度为

v_{1}

，加速度为

δ_{1}

，转向角速度为

ω_{1}

；点

P_{2} (x_{2}, y_{2})

为机器人2（跟随机器人1）所在位置，其偏航角为

α_{2}

，前进速度为

v_{2}

，加速度为

δ_{2}

，转向角速度为

ω_{2}

；点

P_{3} (x_{3}, y_{3})

为机器人3（跟随机器人2）所在位置，其偏航角为

α_{3}

，前进速度为

v_{3}

，加速度为

δ_{3}

，转向角速度为

ω_{3}

；

L_{12}

、

L_{13}

分别为领航机器人与2个跟随机器人的相对距离；

φ_{12} 、 φ_{13}

分别为领航机器人与2个跟随机器人的相对偏角. ...

非完整约束大负重比六足机器人多机动态协同编队避障控制策略

2024

... 根据实际环卫作业场景，本文采用1个领航机器人加2个跟随机器人，构成一个三角形机器人作业编队^[13]，如图3所示.图3中：点

P_{1} (x_{1}, y_{1})

为机器人1（领航机器人）所在位置，其偏航角为

α_{1}

，前进速度为

v_{1}

，加速度为

δ_{1}

，转向角速度为

ω_{1}

；点

P_{2} (x_{2}, y_{2})

为机器人2（跟随机器人1）所在位置，其偏航角为

α_{2}

，前进速度为

v_{2}

，加速度为

δ_{2}

，转向角速度为

ω_{2}

；点

P_{3} (x_{3}, y_{3})

为机器人3（跟随机器人2）所在位置，其偏航角为

α_{3}

，前进速度为

v_{3}

，加速度为

δ_{3}

，转向角速度为

ω_{3}

；

L_{12}

、

L_{13}

分别为领航机器人与2个跟随机器人的相对距离；

φ_{12} 、 φ_{13}

分别为领航机器人与2个跟随机器人的相对偏角. ...

基于领航-跟随模型的井下多移动机器人编队研究

2022

... 为解决上述问题，本文针对环卫机器人的实际作业场景，结合领航-跟随策略^[14]与人工势场算法^[15-18]，对环卫机器人编队控制方法进行研究.首先，根据环卫机器人的结构特点，基于领航-跟随策略构建其运动学模型；然后，考虑到环卫机器人的复杂作业环境，采用人工势场算法进行编队避障，并提出一种全新的编队变换策略，以实现多机器人的协同作业. ...

基于领航-跟随模型的井下多移动机器人编队研究

2022

动态环境下多机器人编队及避障控制策略研究

2021

动态环境下多机器人编队及避障控制策略研究

2021

Swarm control based on artificial potential field method with predicted state and input threshold

2023

An obstacle avoidance strategy for complex obstacles based on artificial potential field method

2023

基于蚁群混合人工势场法的多机器人编队运动

2024

基于蚁群混合人工势场法的多机器人编队运动

2024

优化改进RRT和人工势场法的路径规划算法

2023

... 本文采用的环卫机器人为前轮转向、后轮驱动的结构（前轮为阿克曼轮^[19]）.在曲线运动过程中，任意时刻下该机器人左右驱动轮的角速度相同，即

ω_{L} = ω_{R}

.以机器人驱动轮中心连线的中点C(

x, y)

为基准点，驱动轮速度与电机转速的关系为： ...

优化改进RRT和人工势场法的路径规划算法

2023

... 本文采用的环卫机器人为前轮转向、后轮驱动的结构（前轮为阿克曼轮^[19]）.在曲线运动过程中，任意时刻下该机器人左右驱动轮的角速度相同，即

ω_{L} = ω_{R}

.以机器人驱动轮中心连线的中点C(

x, y)

为基准点，驱动轮速度与电机转速的关系为： ...

4WID-4WIS智能车阿克曼转向轨迹规划及位置估算

2022

... 环卫机器人的作业场景通常为人行道、广场和非机动车道等，在作业过程中机器人会碰到各种障碍物，如垃圾桶、行人及狭窄通道的墙体等.为避免机器人与障碍物相撞，引入人工势场中的引力场和斥力场，对机器人的运动路径进行规划^[20].假设机器人作业时靠近目标位置的方向产生引力场，有障碍物的方向产生斥力场，引力场与斥力场的合力作用引导机器人避开障碍物并向目标位置方向前进.引力场

U_{a t t}

与斥力场

U_{r e p}

的函数表达式分别为： ...

4WID-4WIS智能车阿克曼转向轨迹规划及位置估算

2022

U_{a t t}

与斥力场

U_{r e p}

的函数表达式分别为： ...

〈

〉