机器人编队（一）

编队控制方法介绍

1.虚拟结构法 （Virtual Structure）

虚拟结构法最早由 Tan提出，该方法将编队的所有成员视作一个整体进行处理。
首先确定虚拟结构的运动学和动力学特性，然后推导出虚拟结构上虚拟目标点的相应特性，最后通过设计适当控制律使机器人跟踪对应虚拟目标点，实现编队控制。
该方法的实现是将编队中所有的智能体形成的队形作为一个统一的假象刚体结构进行控制，多个智能体形成刚体结构在运动的时候，可以将它们是作一个整体，即便在世界坐标系下它们的位置发生了变化，但是它们之间的相对位置是维持不变的。在以自身在刚体坐标体系下，它们的位置并没有发生变化，虚拟结构法就是能够将多个智能体组成固定的几何形状并维持结构的稳定。
虚拟结构法主要应用在多个轮式机器人进行固定队形编队上，其方法主要是通过研究轮式机器人的动力学，并设计想要的队形的几何结构及其整个编队的总体运动轨迹，再设计每一个轮式机器人的轨迹跟踪控制器。由于该方法需要每一个轮式机器人的轨迹信息，因此具有反馈机制，并且具有较高的控制精度。但是在实现过程中，反馈的实时性和物理层面的高度控制是实现的难点。

优点： 通过将编队队形视作一个刚性结构，系统有明显的队形反馈，便于编队行为的确定和队形的保持。
缺点： 由于编队队形需要一直保持同一个刚性结构，缺乏灵活性和适应性，尤其是在躲避障碍物过程中存在一定的局限性。不同的机器人在环境下会受到不同环境因素影响，严格的队形约束会诱发频繁控制指令，增加能耗，甚至出现执行器饱和现象。这些缺点导致虚拟结构法在多机器人编队控制中的应用相对较少。

2.基于行为的编队控制方法（Behavior）

基于行为的控制概念最早由 Brooks提出，为多机器人协同采样任务设计了基于行为的控制体系结构。基于行为的编队控制基本思想即：将编队控制任务分解成驶向路径点、躲避障碍物、编队保持等基本行为，并通过行为融合实现多机器人的编队控制。
基于行为法的基本思想是将多机器人编队控制任务分为简单的基本行为，如障碍避碰、驶向目标和保持队形等，将这些基本行为融合到一起，当传感器接收到环境变换或刺激时，做出不同反应，输出系统下一步的运动反应，实现运动控制。基本行为融合的方式有三种，第一种是加权平均法。各基本行为根据一定的权重加权平均得到输出向量，权值的大小对应基本行为的重要性；第二种是行为抑制法，对各个基本行为按一定的原则设定优先级，在同等条件下，优先级高的基本行为作为机器人的当前的行为；第三种是模糊逻辑法，根据模糊规则综合各基本行为的输出，以得到机器人的输出。基于行为法鲁棒性高、实时性好及明确的队形反馈，但行为的融合复杂，很难设计指定队形的局部基本行为，难以保证编队控制的稳定性。
  该方法最开始用于研究动物群体活动，后来延展至多机器人的编队控制领域。行动选择法“主要是通过对智能体基本行动以及局部控制规则的设计使得智能体群体产生所需的整体行动”。其采用基于行为的控制策略来实现避障、避碰和保持队形等导航目标。普遍而言，基于行为选择法通常与势场方法相结合，这种控制策略使单独智能体或轮式机器人能够通过它们的传感器接收到的输入信息，并对其采取相应的行动。因此，编队中的所有智能体都能从其周围区域获得的信息做出预期的反应，并确保编队的感知完全覆盖。这方法的应用可以在搜索和救援行动中的安全巡逻方面。 由于基于行为选择法的本质是在一些特定的情况，比如避障、保持队形等设计一些基本的动作来通过传感器获取周围信息的轮式机器人进行任务完成。因此基于行为选择法的队形形成是具有信息反馈的。同时，由于任务的不同可能会造成多个轮式机器人行为方面的多任务分配需要具有优先级选择机制。该方法是分布式控制策略，可以对多轮式机器人的数量进行调整，但由于行为难以通过数学进行评估，因此比较难实现。
优点： 容易实现分布式控制，系统应变能力较强，能够较好的应对避碰避障问题，编队也能通过成员相互之间的感知达到队形反馈的目的。
**缺点：**无法明确定义编队系统的整体行为，不利于系统的稳定性分析。

3.领航者-跟随者（Leader-follower）

领航者-跟随者的概念最早由 Cruz提出，并且由 Wang等将其成功应用于移动机器人的编队控制中。作为目前最为常用的一种编队控制方法。
所有编队成员被指定为领航者或跟随者这两种角色，领航者通过沿着预定或者临时设定的路径航行，掌控整个编队的运动趋势，跟随者依据相对于领航者的距离及方位信息跟随领航者实现编队控制。
领航者-跟随者方法是轮式机器人编队控制中比较常用的一种编队控制算法。通常一个编队中分为领航者和跟随者这两个任务角色，其中，一个队形里面至少有一个领航者，领航者负责整体编队的行动轨迹，而担任跟随者的轮式机器人则会按照程序设定保持与领航者固定的相对距离和相对角度，也就是轨迹跟踪编队中的领航者，从而形成编队。普遍而言，该编队控制方法中有两种最为经典的模式，l − 和l −l 。
l − ：在一个领航者和一个跟随者之间有一个理想的相对距离l 和一个理想的相对角度。
l −l ：一个跟随者跟随两个领航者，与领航者 1 之间保持一个理想的相对距离l ,与领航者 2 之间保持一个理想的相对距离2l 。
领航者-跟随者编队控制方法不需要太过于复杂的数学模型，只需要设定好领航者的轨迹路线，并考虑其编队内部轮式机器人的相对位置或者相对距离，并且在扩展编队队形方面极易实现。但是其缺点就是跟随者过度依赖领航者，如果领航者出故障，需要额外更换领航者，及其编队控制算法缺少反馈机制。但总体而言，该方法在工程实现中可被广泛应用。
 优点： 编队控制结构简单，易于实现，编队中只需要设定领航者的期望路径或其他行为，然后跟随者以预定的位置偏移跟随领航者即可实现编队控制。
 **缺点：**编队系统过于依赖领航者。

4.基于模型预测控制的编队控制(model predictive control)

近年来出现的将模型预测控制用于对编队的多个轮式机器人进行协调控制。通过定义局部控制律来局部控制轮式机器人，轮式机器人之间的相互通信和控制设计的分布式特性来保证整个编队的稳定。当单个轮式机器人无法获取大规模的其他轮式机器人的信息，可以运用模型预测控制方法。目前，这个方法被简单应用到一维的机器人编队中。

5.基于人工势场的编队控制方法（Artificial Potential Field）

人工势场的概念由 Khatib 提出并成功应用于移动机器人避障控制中。
  研究对象的工作空间设定人工势场，并为研究对象设定人工势函数，以此构造工作空间中机器人、目标点、以及障碍物等的势场力，通过最小化个体势场达到编队控制的目的。
**优点：**其设计的算法能够较好的解决避碰避障问题，实时性强，仅仅需要计算下一时刻的智能体的即可，不需要全局信息，因此其实时性强，在线计算能力强，突防突发威胁能力强，针对突发威胁，当威胁所在的位置在智能体的可视范围内，智能体将模拟出突发威胁对智能体本身的斥力，使之有能力避开此威胁障碍物。在突发威胁不在智能体的可视范围内，则智能体忽略此障碍物威胁。对突发威胁的突防能力也可称为动态避障规划能力。局部处理能力强。不论障碍物是否属于突发威胁障碍物，人工势能场法使用的都是局部信息，而非全局的信息，因此无需全局长时间的进行搜索和优化路径。
**缺点：**当势力场较多时容易导致机器人出现小范围往复运动，增大能耗，另外合适势函数的选取也比较困难。有“零势能点”存在，将导致智能体停止运动，例如当二维空间中仅仅存在三个点状的障碍物时，此三个点状障碍物恰好形成等边三角形的三个顶点，并且智能体恰好位于此三角形的中心点上，此时智能体的合力为零，其势能也为零，此时无法对智能体的运动状态进行更新，此时智能体无法通过障碍物区域。因此，为使智能体能通过障碍物区域，必须对智能体受到的合力做出改变，使之不为零。智能体出现“局部困扰”的问题；当二维空间中障碍物以某种规律存在时，智能体会出现在障碍物中“徘徊”的情况，即为智能体的“局部困扰”的问题。智能体无法通过此区域的原因是，当智能体离开障碍物时，又被目标吸引走向障碍物，而当智能体被吸引进入障碍物区域后，智能体又被障碍物对其的斥力所驱使而离开障碍物区域，以此进行死循环，并进入“徘徊”的状态，形成局部困扰的问题。因此，为使智能体不出现局部困扰的问题，必须对智能体受到的合力进行更改，使智能体绕过障碍物区域。多智能体编队运动时无法维持编队队形。多个智能体形成编队时，无法自动保持队形，需将智能体本身之间的作用添加到合力中，使之维持编队队形。