公开(公告)号：CN116661483A

公开(公告)日：2023-08-29

申请号：CN202310386073.8

申请日：2023-04-12

Applicant: 中国科学院沈阳自动化研究所

Inventor： 邵士亮 ,  张进 ,  王挺 ,  刘连庆 ,  秦宏伟

IPC: G05D1/10 ,  G05D1/02

Abstract: 本发明属于多机器人系统动态控制领域，具体说是一种面向动态环境的多机器人协同区域保护方法。本方法将多机器人编队部署于需要保护的任务区域中，通过遥控终端、搜索无人机、阻挡无人机、地面搜索机器人、地面阻挡机器人等相互配合，采用空地协同的方式，对整个区域进行实时防护。编队采用“晶格”方式，使队形更容易调整、恢复、整体迁移，增强了编队的鲁棒性；外来目标检测采用人机交互、地空协同的方式，提高了目标检测准确率；本发明提出了基于梯度的编队自修复控制算法，当阻挡机器人前往目标点，对目标进行阻挡的同时，区域内剩余机器人进行编队自恢复，填补空缺，保持编队队形，实现对任务区域的实时保护。

公开(公告)号：CN116625369A

公开(公告)日：2023-08-22

申请号：CN202310519669.0

申请日：2023-05-09

Applicant: 中国科学院沈阳自动化研究所

Inventor： 邵士亮 ,  秦宏伟 ,  张进 ,  王挺 ,  刘连庆

IPC: G01C21/20 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/092 ,  G01S17/89 ,  G01S17/86

Abstract: 本发明属于属于机器人路径规划领域，公开了一种基于深度强化学习的地面机器人路径规划方法。基于深度强化学习，并结合机器人动力学模型，旨在提出一种能在野外环境下的安全可靠的路径。本方法首先构建三维场景，并对三维场景进行预处理，并对机器人进行动力学建模，构建一个深度强化学习模型，该模型使用Asynchronous Advantage Actor‑Critic方法学习最优路径规划策略和最优状态价值函数，设计考虑地形和路程奖励函数，根据机器人与不同地形的相互作用设计探索策略，最后对深度卷积神经网络模型进行训练，驱使机器人在运行过程中获得最大的奖励值。该方法综合考虑了地形和机器人的动力学信息，为三维场景中机器人规划处安全可靠的路径。