paper survey之——多机器人协作介绍（Multi-Robot System, MRS）

多机器人系统通过交流协作和分享信息改进了单个机器人的性能，如任务执行效率、健壮性、灵活性和容错性，同时涵盖了分布式决策，编队控制、区域覆盖及其相关应用。

本博文根据主要是对目前多机器人相关的任务和paper进行调研。目前主要是对中文的硕博士论文进行paper survey下一步会对英文的论文进行survey

注：本人所写的paper survey类型博客是对所看的paper做笔录，有时会加入本人的思考。仅供本人学习记录用。不做其他任何用途。

关键词：Multi-robot system,  Multi-robot Task Allocation，Multi-mobile robot path planning，Multi-mobile robot，cooperative localization，Multi-autonomous mobile robot system，Multi-robot  Collaboration

 

目录

引言

多机器人控制体系问题

多机器人动态任务分配问题

多机器人协作通信

多机器人协作路径规划、运动规划

路径规划

现有的移动机器人室内定位技术

路径规划方法

环境建模

多机器人冲突类型

多机器人碰撞检测（预测）

多机器人追逃问题

运动规划

多机器人协作定位

多机器人感知和学习

参考资料

---

 

---

 

---

 

引言

机器人技术的不断发展与进步，单个移动机器人已经难以通过自身完成复杂繁琐的工作任务，难以完成生产实践的工作指标，人们开始迫切需要研究新的方向来满足机械领域中的实际需要，于是多个机器人的团队进入了研究领域的视野中。相比较单个机器人而言，多个移动机器人组成的系统体现了一定的优越性：
（1）对环境表现出较强的适应能力：相比单个机器人而言，多机器人系统对工作任务表现出较强的灵活性和变通能力，在功能上和空间上的分布性优于单个机器人。
（2）承载能力强：“众人拾柴火焰高”，多机器人系统是一个群体，每个机器人各自工作的同时协调配合其他机器人的工作，使得工作时间大大缩短，有效提高生产效率，工作承载能力较强。
（3）鲁棒性高：在多机器人系统中，任务的完成需要每个机器人的参与，而不是完全取决于一个机器人。一旦一方出现错误或者故障情况，可以通过控制调配系统，交由其他机器人完成相应任务。如果工作环境发生了变化或者系统产生了故障，机器人可以通过中央控制器和自身的协调系统重新规划工作任务适应环境，因此具有较强的容错能力和鲁棒性。
多个机器人同时工作，可以提高工作效率，增强了工作的配合能力与工作任务指标。

对多机器人系统的研究领域主要有多机器人系统的体系结构、协调控制、路径规划、导航定位和多机器人之间的通信交流等。

单个机器人是 MRS 中的最小组成单元，也是系统执行任务的终端。

多机器人系统是指多个具有动力学和运动学特性，并且能够和其他个体进行信息交互的机器人的集合。可以预见的是，未来越来越多的机器人将投入到实际的应用中，多机器人系统的相关研究也将拥有更大的应用价值。

多机器人群体控制系统一般分为集中式控制结构和分布式控制结构。如图 4-1 所示。

集中式控制结构如图 4-1 a）所示，它存在一个主控单元，集中掌握了环境中全局信息，并且整个单元中所有机器人的信息全部集中在主控单元上，系统所有的信息将进行集中式处理，也就是说，工作的任务分配与资源分配由主控单元合理分配给每一个机器人，并组织各个机器人共同完成工作量，每个机器人只需负责数据的输入和输出，数据的存储和控制处理则完全由主控单元执行。集中式控制部署结构较为简单，系统管理方便，局部最优解问题较少出现，但是存在较多缺点：（1）机器人数目较多的情况下，集中控制方法的计算复杂度明显增大，反应速度过慢，导致机器人工作效率大幅降低；（2）遇到主控单元出现故障，
将会导致整个系统陷入瘫痪；（3）作业工作空间相对复杂时，也会导致数据的计算量增大，影响整个系统的工作时间。因此，集中式控制机构普遍用于机器人数量较少且环境较为简单的工作情况中。

分布式控制结构如图 4-1 b）所示,它不存在主控单元，系统中不存在控制与被控的关系，每个机器人之间都是对等的。数据分散于每个机器人自身，不需要频繁地输出到主控单元，并且每个机器人可以互相进行信息的交互和交流，可以自主处理实时数据并根据数据规划出一条路径。分布式控制结构可以增加机器人的数目，灵活性较高，适用于动态环境下的工作空间。但是分布式控制结构存在一定的缺点：（1）缺乏全局时钟性：分布式系统是多个机器人随机分布的结果，分布性明显，在机器人之间的相互信息交互过程中，由于系统缺乏全局控制排序，机器人在遇到特殊情况时可能发生相应的任务冲突；（2）个体性强：每个机器人都是同一等级，一个独立的个体，因此机器人之间的协调合作难以实现；（3）局限性：获取环境信息有一定的限制，难以实现全局最优解。
综上所述，各有优缺点，那么最简单的方式就是融合两种控制结构了。如下图所示

由一个主控单元来控制所有机器人，获取机器人当前位置、环境信息、处理数据和制定策略等，为每一个机器人提供最新的全局信息，而每一个机器人采用分布式控制结构，都是一个独立平等的“个体”，与其他机器人实现信息的交流和互换，由主控单元获取的全局信息自主规划路径。这种集中式控制结构和分布式控制结构相结合的混合式结构体系，结合了两种控制结构的特点，取长补短，有利于机器人实现全局路径规划最优解，以及机器人之间的协调配合，一定程度上提高了工作效率，适用于环境复杂多变且任务量较大的多机器人工作环境中。

混合式结构主要如下图所示，由其结构可以看出混合式就是将集中式以及分布式结构结合起来，混合式结构中即包含统一全局的中央管理模块，也采用分布式结构中每个成员机器人之间的通信方式。可以看出混合式结构集中了集中式与分布式结构的优点，这样的控制结构避免了成员机器人之间的任务冲突同时又加强了合作，所以混合式结构对于动态的以及复杂的环境具有很
好的适应性。 

多移动机器人系统的特点总结如下：

1)  能够解决较为复杂的任务。多移动机器人系统可将复杂任务分解为若干个易于处理的子任务，分解后的子任务可由各单移动机器人承担并完成。同时，在作业过程中需要对多个移动机器人进行协调处理实现协同作业，从而可以保证任务的顺利完成。 
2)  时空分布。在同一个工作空间中，机器人不受其他机器人的影响可以在不同区域完成各自预定安排的任务。当然，承担不同任务的机器人不一定要求需要在同一时刻开始工作。 
3)  功能分布。移动机器人功能各异，在作业过程中移动机器人能够进行相互协调，实现协同作业。 
4)  感知分布。各移动机器人都装备有灵敏的传感器，机器人能够从传感器采集到的信息中提取所需要的环境信息。移动机器人彼此间可相互分享信息，在一定程度上不但扩大了机器人的感知区域，而且能够准确地掌握周围其他机器人的位置及运动性质等信息。 
5)  系统可靠性较高。不同的移动机器人所具备的能力有所不同，因此在设计系统时，其复杂性得到了大大降低。在作业时，若某个移动机器人发生了故障，系统不会因此而崩溃。 
6)  较好的兼容性。在同一工作环境中的各机器人间的功能可以不同，因此可组合不同功能的机器人形成一个具有多功能的机器人系统。在执行任务过程中，可借助其他移动机器人来完成该任务，很好地展现了系统的兼容性。 
7)  经济性好。将不同功能全部集中到单个移动机器人上，会给移动机器人的开发带来巨大难度，开发成本也会随之剧增。然而，在多移动机器人系统中，各移动机器人的功能可以单一化。当与单个全能机器人进行对比的时候，将大大降低其开发难度和成本。 

在这些多机器人协作的环境中，每个机器人都需要具有定位能力，才能够与同伴进行协作以完成指定的任务。根据系统组成可以将多机器人系统分为两类，一类是同构多机器人系统，另一类是异构多机器人系统。同构多机器人系统是指由硬件设备相同或者能力相同的机器人群组成，而异构多机器人系统指由硬件设备迥异或者能力不同的机器人群组成。对于异构机器人协同过程中如何使每个不同的机器人发挥自己的优势，出色地完成复杂任务，是异构多机器人系统需要重点解决的问题之一。

多自主移动机器人系统对于多种应用场合都具有良好的适用性，由于移动机器人可结合任务要求，在既定的空间内将自身位置调整到目标位置，因此大幅度降低了工作环境对其形成的束缚。从工作模式的层面而言，多自主移动机器人要求搭配科学合理的协作机制，从而让多个机器人能够彼此协作，实现一些难度较大的任务。这种机制主要涵盖两方面的内容：首先，各类机器人要求在特定的任务要求下进行合理的分工，彼此协作之后达成预期的目标，这是该系统主要的协作部分；其次，各设备在独立行动过程中，其通常要求规避机器人互相冲突的情况，从而让各项行为活动具有高度的统一性和一致性，这是该系统关键的协同部分。在现实应用的过程中，环境通常情况下是复杂多变的，机器人系统在某些情况下可能出现稳定性降低的情况或通信时遇到阻碍，这些因素都可能导致协作任务失败。
 

 

多机器人控制体系问题

为了使多机器人系统可以以某种形式上的协作完成复杂任务，必须建立一个能够达成机器人之间交流和活动的体系系统，这样有利于将系统的控制与结构融合起来，具体指的是个体机器人之间物理与逻辑上的控制关系活动信息关系。由此可以看出，完善的系统体系结构能够提高系统的控制需求，使得系统中个体之间的合作更加完善有效。

包括控制系统、控制方式、连续性等一系列的研究

多机器人系统在空间结构、功能实现、信息交互、资源配置和应对复杂未知危险环境等方面明显优于单机器人，但与此同时，由于多机器人系统复杂性高、动态性强、存在时变及耦合的问题给系统的设计及后续开发带来了不少问题，其中又以分布式人工智能的控制问题，多机器人之间的通信问题等最为常见，这些问题正是多机器人相互协调协作的主要研宂目标。多机器人协作系统研宂的最终目标在于最大化的实现多机器人系统的优势，使整个系统能够在环境不稳定和任务实时性强的情况下能够做出相应调整，高效可靠地完成任务。

 

多机器人动态任务分配问题

作为多机器人系统设计与实现中最核心的模块，任务分配的效果直接影响着系统的性能和工作效率。

在多机器人系统应用中根据任务情况一般将任务分配分为静态任务分配和动态任务分配，静态任务分配是指当任务执行之前，任务信息对机器人是已知的并保持稳定状态；对于动态任务分配来说，机器人任务分配是一个动态的过程，需要根据任务环境的变化和子群对利益的需求处于不断调整变化的状态。但目前多机器人研究大部分都是针对静态任务分配，对于未知环境下的分布式动态任务只是建立初步模型，分配策略并不完善。而且大多数研究在对动态任务分配结果进行优化时没有从收益的角度出发，很少涉及到多机器人全局最优问题。 

多机器人系统稳定又高效的关键在于系统内的每个机器人个体能否通过交流沟通保持行动的一致，从而没有冲突的协作完成相应的任务。因此，将一系列任务通过特定的算法分配给系统中每一个机器人个体或者机器人子群是保证多机器人系统正常高效运作的关键，这也就是多机器人动态任务分配问题。

通过任务分配研究所要达到的目标主要有两个，首要目标是系统必须按照要求高质量的完成所有分配的任务。第二个目标更为核心，它要求系统在保证完成任务的前提下，充分利用各种资源，以最小的能源消耗实现更为高效的工作效率，同时要求系统中的每个机器人个体都最大化发挥自己的能力。多机器人任务分配的思路就是把一系列复杂任务拆分为多个简单易行的子任务，然后把这些任务交给系统中机器人完成。此外还可以将多个机器人划分为大小合适的子群，然后将有限数量的任务分配给相应的机器人子群完成。任务分配的效果直接影响着多机器人系统的性能和代价消耗。（从这个角度上，有点像网络资源分配，基于Reinforcement learning）

动态任务分配也可以称为任务搜索和协调控制

任务搜索主要是系统决定如何给每个机器人分配搜索任务才能使搜索过程中消耗能力最少，搜索效果最好。研究内容大体包括：个体之间如何合作，任务如何分配，系统有何限制。协调控制主要指系统中各部分各层次对合作要提出的自己意见，主要是分配任务之后的下一步骤，目的是确定具体的合作方式以达到效果最优。主要协调的是路径规划、障碍冲突、死锁消除等。

动态任务：任务信息，环境信息的都会随时产生变化；新任务产生，旧任务删除都是在线完成的；增加或减少机器人数量会改变原有任务的分配结果等。静态任务：任务离线生产，机器人的数量和环境都是固定不变。
 

多机器人协作通信

主要是从通信技术、网络层、协议等方面来研究多机器人之间的协作通信

通信是系统中机器人了解其他个体的状态、位置和环境信息的基本条件，理想状态下系统中任意两个机器人都可以进行实时通信，使得系统之间实时的交换信息进行协作完成任务。机器人之间的通信根据传递信息方式的不同分为显示通信与隐示通信，各有优点与缺点。通常情况下，将两种通信机制的优点结合，多机器人系统能够轻松地面对各种环境及环境中的变化。

科学的网络通信机制是该系统实现指令传递的重中之重，一般情况下，可以应用分布式网络结构让机器人稳定的进行数据交互，其灵活性相对较强，扩展性十分出众，能够对系统当中你的有效信息进行高效的传输，避免出现机器人冲突的情况，也能够让机器人系统得到进一步拓展。

open issue：基于可见光通信来实现多机器人间的通信

 

多机器人协作路径规划、运动规划

路径规划

机器人研究领域已经从最初的组织结构延伸到机器人的控制体系、外观设计、导航定位和路径规划等各个领域。多机器人系统在机械工程中的实际应用中，会产生有关机器人路径问题的一系列问题，如碰撞问题、协调配合问题、路径死锁、工作代价大等问题。

多机器人系统的任务分配与路径规划问题有着密切的关系,任务分配是路径规划的基础,它直接影响着路径规划的结果。

所谓的路径规划是指以全局环境信息作为基础，实现机器人的全局行驶规划，即环境信息为全部已知的状态下，同时满足一定的时间、距离或者能量等几个方面评价标准下，机器人寻找出一条从当前点到最终点的无碰撞最优或者次优路线。

多机器人路径规划问题，不仅是单纯的路径研究，机器人之间的相互协调与配合至关重要，使得该问题具有了一定的难度和复杂。

复杂环境下多移动机器人协同路径规划，需要为各机器人寻求一条从起始点到目标点的最优路径，同时保证机器人间以及机器人与动、静态障碍物之间无碰撞。因此，如何实现机器人间的避碰和机器人与动态障碍物的避障是该问题的研究难点。当前大部分研究仍聚集于静态环境下单机器人路径规划，复杂环境下多移动机器人协同路径规划问题仍是亟待解决的难题。

多机器人系统中涉及到的核心技术之一是导航技术，该技术主要包括三个部分，分别是机器人定位、任务规划和路径规划。机器人定位则是机器人在运行时精准得确定其所处的位置和方向；任务规划则与机器人所承担的具体任务有着密切的关联路径规划则指以顺利到达目标位置的代价最小化为目标，机器人需要行走的路径。因此，对于导航技术而言，路径规划是该技术的一个非常重要的环节。多移动机器人在进行路径规划时，由于系统和环境的复杂性，会出现路径冲突、堵塞和碰撞等问题，致使任务失败或工作效率不高。

动机器人配备有视觉、声呐等传感器，可通过这些装置获取工作环境信息及其所处的位置信息，使机器人能在具有若干障碍物的运行环境中寻找到连接起点至目标点的安全路径。该技术被称为单机器人路径规划技术。

多机器人系统的运动协同是该系统研究的关键问题，对于移动机器人来说，其涉及到两个方面的问题，分别是路径规划和避障避碰。另外，其重点探究设备协作的过程中，各机器人怎样实现接收运动指令，防止与另外的机器人出现冲突，从而进行稳定的工作。

在亚马逊智能仓库中，多个 AGV 同时工作，并且要求 AGV 在移动货架时与不需要移动的货架以及正在被其他 AGV 移动的货架之间不发生碰撞，保证货架上物品的安全性。在该过程中涉及到如何规划出多个 AGV 的行走路线，实现多移动机器人的协同。

 

现有的移动机器人室内定位技术

室内移动服务机器人主要应用在一种结构化的工作环境下，如家庭、医院等。导航系统是服务机器人中不可缺少的重要部分，它要解决的重要问题是：1、机器人在空间的位置、方向、环境信息的精确检测；2、所获信息的分析及环境模型的建立；3、使机器人安全移动的运动路径规划，在未知和不确定环境下运行时，移动机器人必须通过传感器收集数据，并通过一定的算法把传感器收集到的数据进行分析，融合用来建立外部环境的模型，正确、全面的反映出外部环境的特征，为导航决策提供正确的依据。

现有的室内服务机器人定位导航技术主要有以下几种：

1．基于航迹推算的定位技术

航迹推算不需要外部传感器信息来实现对车辆位置和方向的估计，并且能够提供很高的短期定位精度。主要是利用里程计、加速度计等内部传感器，通过测量单位时间内轮式移动机器人的位姿变换。增量式地计算出机器人相对于初始状态的位姿。对于轮式移动机器人，一定会装编码器，通过计算单位时间内左右轮电机转过的圈数，从而推测出单位时间轮式移动机器人位移。航迹推算技术的关键是要能测量出移动机器人单位时间间隔走过的距离。以及在这段时间内移动机器人航向的变化。这种方法具有自包含优点，即无需外部参考。然而，随时间有漂移，积分之后，任何小的常数误差都会无限增长（如车轮打滑、路面不平、左右轮半径不一致等因素）。因此，对于长时间的精确定位是不适用的。

2．基于信号灯的定位方法（GPS）

信号灯定位系统是船只和飞行器普遍的导航定位手段。基于信号灯的定位系统依赖一组安装在环境中已知的信号灯。在移动机器人上安装传感器，对信号灯进行观测。用于环境观测的传感器有很多种，可以是主动的信号，比如主动视觉、超声波、激光雷达、毫米波雷达收发器，也可以是被动的信号，比如GPS、被动视觉：信号灯经过很短的处理过程能够提供稳定、精确的位置信息。虽然这种定位方法提供很高的采样率以及极高的稳定性，但是安装和维护信标成本很高。

3.    基于地图的定位方法

移动机器人使用携带的传感器探知周围环境，将获得的关于周围环境的信息构建出局部地图，并且将构建好的局部地图与预先储存的先验地图进行匹配，得到机器人位置。地图匹配定位的关键技术是如何构建精确的地图和快速匹配得到机器人位置的算法。 

在基于地图的定位技术中，地图构建是其中的一个重要的内容。当前主要有拓扑结构描述地图和几何地图两种。

拓扑地图抽象度高，有以下优势： ①有利于进一步的路径和任务规划；②存储和搜索空间都比较小， 计算效率高； ③可以使用很多现有的成熟、高效的搜索和推理算法。 缺点：拓扑地图是一个图（Graph），由节点和边组成，只考虑节点间的连通性，例如A，B 点是连通的，而不考虑如何从A 点到达B 点的过程。它放松了地图对精确位置的需要，去掉地图的细节问题，是一种更为紧凑的表达方式。然而，拓扑地图不擅长表达具有复杂结构的地图。如何对地图进行分割形成结点与边，又如何使用拓扑地图进行导航与路径规划，仍是有待研究的问题。

几何地图可以是栅格描述的，也可以是用线段或者是多边形描述的， 优点是建立容易，尽量保留了整个环境的各种信息， 定位过程中也不再依赖于对环境特征的识别，但是， 定位过程中搜索空间很大，如果没有较好的简化算法，就难以满足实时性要求。栅格地图构建了一个精确的环境地图，通过对观测的信息与地图进行配准就可以计算机器人的位置（如下图所示）。

4．基于路标的定位方法

路标是机器人能从其传感输入所能认出的不同特性。路标可以是几何形状(如线段，圆，或矩形)，也可包括附加信息。可以分为自然路标和人工路标。其中，目前人工路标定位技术已经使用的非常成熟。人工路标定位是人为地设置一些坐标已知的路标，如超声波发射器、激光反射板等，机器人在环境中通过对这些认为路标的感知来确定自身的位置。一般情况，路标有固定的和已知的位置。路标要认真仔细地选择，以利于识别，为了简化路标获取问题，常常假设当前机器人的位置和方位近似已知，这样就可使机器人在一个有限的区域内寻找路标。其优点是方便易于实现，定位精度相对较高。然而却需要对路标的合理布局，并且安装量大，维护费用高。

5．基于视觉的定位方法

基于视觉的定位定向，即利用计算机视觉技术实现环境的感知和理解，分析出道路的结构，识别出定位通行的道路区，进而根据任务要求实时地做出道路规划，监控并驱动驾驶装置执行此规划，达到预定目标。得益于数字图像处理技术相对成熟，基于视觉的定位方法获取到的环境信息丰富。但是视觉感知受视线和光线的影响较大，对处理器处理速度要求高。

6.惯性定位

是对陀螺仪测量数据进行积分得到角度、速度和距离信息进行定位。优点在于不依赖外部环境信息，仅依靠自身传感器的测量数据，适用场合广泛，短期内定位较为准确。对于惯性定位而言，缺点是陀螺仪和加速度计都存在一定的静态偏差，经过积分计算后误差会急剧增大。

路径规划方法

路径规划是由指定的起点开始在空间中找到一组在指定终点结束的有先后顺序的空间位置点，并且满足机器人的运动学和动力学约束，同时不能和障碍物碰撞。路径规划问题作为机器人研究中最基本的主题吸引大量研究学者，产生了很多行之有效的算法，不同的算法在路径规划的速度、路径长度、路径顺滑性、路径中机器人与障碍物保持的距离等衡量路径品质的指标有不同的侧重。当前路径规划算法中可分为以下几类： 
(1)  基于采样的路径规划算法

基于采样的路径规划算法在关节/笛卡尔空间随机采样，然后通过一定规则，如最近点原则，将采样点通过局部规划器添加到建立好的搜索树中，并进行碰撞检测。如果无碰撞发生则将采样点加入搜索范围中，完成采样之后用搜索算法在地图中选取可行路径。基于采样的规划算法能快速搜索到可行的路径，但是存在的不足之处在于路径没有经过优化，并且算法是随机产生路径。基于采样路径规划算法典型代表有 RRT(rapidly-exploring  random  tree)和 PRM(probabilistic  roadmap  method)。

(2)  基于搜索地图节点的路径规划算法

基于节点的路径规划算法将空间以一定的分辨率离散为互相连接的结点，每个结点表示空间中的一个位置，结点之间通过带有权重的弧连接形成空间网络。结点搜索算法，比如启发式搜索算法规划从起点到终点之间经过的弧长总和最短的路径，因此基于结点搜索算法产生的路径经过优化。Dijkstra和 A*作为结点法的经典算法被广泛应用于导航、移动机器人、游戏等路径规划问题中。
(3)  基于数学模型的路径规划算法

基于数学模型的方法将机器人和环境约束进行建模，用到目标点的代价函数表示路径优劣，代价函数影响因素包括机器人的控制参数、环境的约束、避障安全条件等，而模型变量之间的关系通过等式或不等式约束表示。该方法能将环境和机器人的信息在模型中完整表示，因此得到的路径是当前约束下的最优路径。
(4)  基于场模型的路径规划算法

基于场理论的路径规划算法指的是环境当成一个物理场，而机器人作为其中的物体在物理场的作用下运动，用对应的场理论方法描述机器人和环境相互作用的关系，从而规划机器人无碰撞路径。场理论的路径规划方法中典型的代表有人工势场法。

(5)  基于人工智能的路径规划 

近年来人工智能技术的发展为路径规划提供新的解决方案。

 

 

• 单机器人路径规划方法可分为传统方法和启发式方法。 传统方法主要包括单元分解法、人工势场法、虚拟子目标法以及基于采样的规划方法。启发式算法主要包括模糊逻辑算法（FL)、神经网络算法（NN)、自然启发算法(NIM)及混合算法。单机器人全局路径规划是实现的基础，将较优的单机器人全局路径传递到多移动机器人协同阶段，不仅能够有效降低计算的复杂度提高搜索效率还有利于保证路径较优，从而提高了多移动机器人的工作效率。因此，对于多移动机器人协同路径规划而言，寻找到较优的单机器人全局路径则十分重要。 
• 单移动机器人难以承担复杂的运输任务，需借助其他机器人一同作业。而多移动机器人在协同作业时，如何合理规划出各移动机器人的最优无碰路径，即多移动机器人路径规划问题。根据多移动机器人路径规划的群体体系结构将其研究方法可划分为：集中式规划和分布式规划（可参考引言中对这部分的描述）。集中式规划方法是指中央处理器控制系统中一切 AGV 的活动，系统中的所有信息均由中央处理器进行存储和处理，包括 AGV 信息、AGV 状态信息等。对于分布式规划方法而言，它们二者之间存在较大差异。在该系统中各 AGV 之间相互独立，且可以相互交换信息进行自主决策。

多移动机器人协同路径规划问题实质上是关于多性能指标的一个 NP-Hard 问题进行求解。多移动机器人协同路径规划的任务是在各机器人的起点与终点之间为各机器人搜索到一条无碰、无障的较优路径。

多移动机器人协同路径规划问题：在同一工作环境下，存在着多个一同作业的移动机器人，并要保证机器人彼此间在任意时刻都保持安全距离，不发生碰撞。在以机器人与工作环境中障碍物不发生碰撞的要求条件下，需要在各机器人起点与终点之间合理规划出各机器人的最优无碰、无障的安全路径。多移动机器人协同路径规划，主要需要解决三个问题：1)  规划出连接起点和终点的最优可行路径；2)  消除移动机器人与工作环境中障碍物的碰撞冲突问题；3)机器人在运行时，要保证彼此间不发生碰撞。多移动机器人协同路径规划问题是关一个于多性能指标的 NP-Hard 问题，需要解决机器人之间的碰撞冲突问题，寻找到一组可避碰、避障的较优路径，从而使得多移动机器人能够协同作业。

求解多移动机器人协同路径规划问题主要涉及到四个方面，分别是环境建模、碰撞预测、启发式规则设计、路径规划算法研制等。环境建模是将移动机器人的工作环境通过一定的数据结构传到计算机上，并将环境信息准确地呈现出来。碰撞预测是指判断机器人与环境中的动态障碍物或两机器人间是否会发生碰撞以及确定碰撞发生时机器人所处的位置。启发式规则设计是指如何更好地消解移动机器人间的碰撞冲突，实现多移动机器人协同作业。路径规划算法是指如何在当前工作环境中依据路径规划的相应要求快速地为移动机器人寻找到可避碰避障的最优或较优的可行路径。 
 

环境建模

环境建模主要是为了将工作的环境信息以一种更方便、更简化的方式准确地表达出来。截止到现今为止，适用于环境地图构建的较为成熟的方法较多，常用的地图构建方法大致可分为四种：栅格地图法、结构空间法、可视图法、拓扑图法。

1、栅格法 
栅格法源于 Howden  W  E 在解决旅行商问题时提出来的，此方法是当前用于求解路径规划问题时应用较为广泛的方法之一。栅格地图是将机器人运行的工作环境通过二值单元网格信息来描述出来。将环境信息经过栅格划分后可得到栅格地图，其中障碍物所占据的栅格被称作为障碍栅格，用数值 1 表示。反之，其他的栅格被称作为自由栅格，用数值 0 表示。采用栅格法对环境空间进行划分时，需要依据机器人外形尺寸大小来确定栅格的尺寸。栅格的尺寸大小将直接影响到计算机储存环境信息时所需的内存。同时，在路径规划时也将直接影响到所需要的时间。因此，在确定栅格尺寸大小时不宜过大或过小。栅格地图表示方法如下图所示。 

栅格法简单、易于实现、能表达不规则物体。该方法以二值单元网格来描述地形环境，对相邻栅格间的关系进行了简化。同时，在环境有效性方面也得到了一定的保证。

2 、结构空间法 
结构空间法的原理在于通过空间建模来表达机器人的工作环境。同时，结构空间中融合了障碍物信息以及机器人在运行时的位姿信息。然后，采用路径搜索算法来求解出一条较优的安全路径。Voronoi 图是结构空间法中的典型代表。 Voronoi 图在构建模型时将环境中的障碍物顶点视作为多点所构成的集合，通过该集合中距离较近的点所形成的轨迹即地图的边，地图的顶点则是由这些轨迹的相互交叉而形成。同时，这些点是不允许直接穿透障碍物，如下图所示。该建模方法，会最大化障碍物与机器人之间的距离。因此，采用该方法构建环境模型求解时很难寻找到较好的安全路径。 

3、可视图法 

可视图法的原理是采用一个点来表示机器人，用多边形来表示障碍物。用线段连接起点、各障碍物顶点、目标点，然后将其中与障碍物相交叉的线段去除掉，从而形成了可视图，如下图所示。每条路径都以长度作为自己的权值，机器人的路径规划就转变成了求解连通图的最短路径问题。该方法原理简单、易于理解。然而，增加环境中障碍物的个数时，可视图中的连线将大大增加。同时，在求解过程中会对搜索效率产生较大影响，难以保证寻找到较优的路径。 

4、拓扑图法

扑地图通过节点以及连线将环境信息表征出来，不要求精确表示各节点间的位置关系。因此，该方法对于机器人位姿误差的鲁棒性有了较大的提高。  但是，遇到工作环境中的特征比较相似的情形时，拓扑地图则无法区分它们的不同，并且对定位精度会产生严重影响。同时，拓扑地图的不足之处是难以创建地图及其维护。采用拓扑地图的好处是它在计算时不会占用过大的存储空间，并且能够在不了解机器人位姿信息的条件下，快速规划出可行路径。

上述各种环境建模方法的对比如下：

多机器人还可以协作一起进行环境建模

 

多机器人冲突类型

冲突预测判断的条件是建立在移动机器人之间的信息交互的基础上，交流获得的环境信息主要有滚动窗口内检测到的移动路径信息，机器人的优先级等。从全局规划路径来看，每个机器人从不同的起始点到目标点通过蚁群算法选择的最优或者次优路径中，忽略了与其他机器人之间可能发生的相撞问题。因此在环境地图中，需要考虑机器人相撞情景，可以通过列举了常见的移动机器人相撞问题，对机器人之间可能发生冲突的类型进行预测，从而根据相关的判断得到机器人之间是否会产生冲突，为协调路径奠定基础。
冲突类型一
两个机器人 R1 和 R2 的初始路径发生了相交点，且只有一个相交点，在该点后初始路径没有交集，该交点称为冲突节点。随着两台机器人的移动，距离不断缩短，因此预测两个机器人有可能发生碰撞。

冲突类型二

机器人 R1 和机器人 R2 在冲突交点后路径发生重合且同向运动，此时需要判断机器人 R1和机器人 R2到达冲突点的时间差Δt 的大小与机器人的安全距离 SA的关系。如果Δt 内移动距离大于 SA ，则不会发生碰撞；如果Δt 内移动距离小于或者等于 SA，则肯定发生碰撞。

冲突类型三

器人R1和机器人R2在冲突节点后，运行方向与冲突节点前另一个机器人的行驶方向正好相反，该情况下，两个机器人必定发生碰撞。
 

冲突类型四

机器人R1和机器人R2有一个冲突节点，且机器人R2在冲突节点后，移动方向与机器人R1在经过冲突节点前移动路径方向相反，此时两个机器人有可能发生碰撞，需要进一步验证。计算机器人R1和机器人R2到达冲突时间的大小，t1和t2分别为机器人R1和机器人R2到达冲突点的时间，如果t1≥t2，则必发生碰撞；如果t1≤t2，则不会发生碰撞。
 

关于这几种冲突的解决方法可以参考《多移动机器人路径规划及仿真研究_王甜甜》

多机器人碰撞检测（预测）

碰撞检测作为路径规划中的一个重要主题，在计算机图形学和机器人学中都有广泛的应用，吸引了很多研究者并取得了很多重要的成果，在这些方法中根据传感器使用情况主要可分为借助外部传感器和利用机器人本体信息两种类型。 

常用于碰撞检测的外部传感器有力/力矩传感器、带有深度信息的 3D 视觉相机、激光雷达等。

利用机器人本体信息指的是采集机器人关节位移、速度、加速度等信息，并结合几何模型计算机器人在空间中与障碍物的相对位置。

 

多机器人追逃问题

协作多机器人的编队围捕是指一群具有协作机制的机器人，通过一定的编队策略，加以优化算法，成功的围捕目标。

同时涉及编队、追捕等算法的研究

 

运动规划

更多偏向于机器人协同完成某个任务。比如焊接、3D打印之类的。

 

多机器人协作定位

异构多机器人协作定位是指某些具有较强定位能力的机器人依靠自身携带的传感器与无线通信设备，通过分布式感知、信息共享、相对观测等方式实现整个机器人群体的定位。 
在信息获取、环境的感知等方面单个机器人的能力就非常有限，尤其在复杂环境定位是移动机器人系统需解决的关键之一，精确的定位能力是移动机器人完成指定任务的前提。Durrant-Whyte[6]提出移动机器人自主导航必备的能力是：(1) “Where  am  I?”  (2) “Where am I going?” (3) “How do I get there?”。其中第一个就是定位问题，也是首要问题，对于多机器人系统同样如此。

对于多机器人协作定位的研究大致分为两种趋势：（1）对于同构机器人群：在这种情况下，各个机器人都携带了相同的传感器，具有相同的感知能力和处理能力。当观测到所在环境中其中的一个特征，把来自不同机器人的独立观测进行有效融合，降低了随机噪声对整个系统的影响，可以对该环境特征有更加精确的估计；同时，对环境特征的精确定位又能反过来提高其整个机器人群定位精度。（2）对于异构机器人群：在这种情况下，群体中各个机器人由于携带不同的传感器，他们拥有了不同的探索环境的能力和处理环境信息的能力，那么它们各自的定位能力会因为它所携带的传感器的不同而不同。例如，一个配备了高精度传感器例如：激光和全球定位系统（GPS）的机器人，其定位能力远远超出一个只依赖里程计定位的机器人。通过彼此之间相互通信相互交换信息，从而提高了整个机器人群的定位精度。

在多机器人协作系统中如果机器人可以感知其他机器人,并且机器人之间可以互相通信,则系统就可以通过融合机器人间的相对观测量以及运动信息来提高群体中各个机器人的定位精度,特别是当机器人协作系统是异类机器人群时,多机器人协作定位将具有更大的优势，给予每个机器人都配备高精度的定位设备。

各机器人在环境内定位导航过程中，都能够得到所需的局部环境数据，重点探究多台机器人在特定空间内实现高度协作的定位导航，从而使环境数据能够良好匹配，并让机器人可以对位置信息进行有效的共享，为后续的行动决策提供必要的依据。

基于多机器人协作的SLAM也是研究的热点之一。通过多机器人协作来完成建图。
 

多机器人感知和学习

执行任务时系统中个体机器人可以通过自身配备的传感器获取自身周围的局部信息，感知主要指将这些信息与体系中高层的决策部分联合起来。学习主要指每个机器人所知道的信息都是局部的，只有通过交流学习，系统中的每个个体才能最大限度的知道全局环境，才能更加游刃有余地迎接外部的变化。

又或者类似于互学习一样，两个机器人通过相互作用来学习。
 

参考资料

协作多机器人系统动态任务分配研究_姜栋

多移动机器人路径规划及仿真研究_王甜甜

复杂环境下多移动机器人协同路径规划_夏清松

基于ROS的异构多机器人协作定位方法研究_梁先鹏

工业机器人双机协作柔顺路径规划_韦瑞新

基于改进的细菌觅食优化算法的群机器人协作搜索方法研究_杨蕊嘉

基于激光雷达的多机器人系统协同控制问题研究_侯震

基于事件通信机制的多机器人协作控制和应用研究_潘利刚

基于视觉的多机器人室内协同SLAM算法的研究与实现_叶必鹏

基于视觉的多机器人同步定位与地图构建方法研究_孙士秦

面向智能工厂的分布式多机器人协作任务分配机制_黄胤

协作多机器人系统动态任务分配研究_姜栋

协作多机器人追逃问题中自适应编队策略研究_张永