2025-01-08 新品 0
4 队形控制问题 在探索多移动机器人系统的前沿技术时，队形控制问题显得尤为重要。为了实现高效的协同工作，每个机器人都需要精确地计算出其在队形中的最佳位置，同时避开障碍物，并持续跟踪参考点，以便整个系统能够形成所需的几何形状并安全有效地完成任务。机器人选择参考点的策略通常采取以下几种方法[4]。
参考点位于系统中心
每个机器人独立计算出系统中心，然后根据自身与中心的相对位置关系来确定自己的队形位置，如图1(a)所示。
参考点在leader上
每个机器人保持与leader之间不变的相对距离。根据某一特定时刻中leader数量不同，可以分为单独领航者和多重领航者两种，如图1(b)所示，第一个机器人作为第二、第三和第四号机器人的领航者，而第四号机器人又成为第五和六号机器人的领航者。文献[5]提出了两种更换领航者的方法：领导交接和追随请求。当领航者认为自己不再适合引导其他机器向目标运动时，它可以通过协商或直接指定方式产生新领导；当追随者无法跟随当前领导者的行动或者发现了一条直接到达目标且清晰可行的路径时，它也可以申请成为新的领导。
关于队形控制，我们可以将其分为三大类：
固定队形完全保持
这适用于那些要求对每台设备间位置有严格要求的情况。在这种情况下，设备间相对位置关系必须绝对固定无变动。
固定队形部分保持
任务允许设备在运动过程中由于避免障碍而偏离理想队形，但当发生偏离后，设备会尽力恢复原来的状态以维持整体稳定性。
可变队形控制
在不同的任务和环境条件下，可根据需要切换至多种不同的队型结构类型。
第一种类型主要应用于卫星编组，因为太空环境中没有物理障碍物，因此不必考虑避让问题。而第二、三类则广泛应用于实际的地面环境中，当多数智能装备遇到障碍物时，他们首先要考虑的是安全避免碰撞的问题，然后是追踪指令使整个团体按照预设路线移动并调整姿态以应对外界挑战。此外，这些类型是研究较多，也是最受关注的一类题目。
5 队形控制主要方法分析：
本节将详细探讨目前研究比较频繁的一些主要方法。
5.1 跟随主导法（Leader-Follower）
Leader-follower算法首先被提出并用作移动机械手臂编组管理。在这种配置中，将一部分机械手臂设置为“主导”角色，而另一部分则称之为“跟随”角色。这项技术核心思想是在所有成员间建立一种共同遵循彼此行为模式，从而形成特殊形式的情境。但是，由于缺乏明确反馈信息，如果主导因故意即失效或者由不可抗拒原因暂停操作，那么整个组织可能因此受到影响甚至崩溃。此外，该方案虽然简单易行但却存在着若干局限性，比如不能提供强有力的反馈信息或准确性的保障。
针对这些不足，一些学术著作提出了一系列解决方案。一篇文献采用了反馈线性化技术来克服这个缺陷，并成功验证了该方案的有效性。另外，还有一篇文章提出了“替代主导”策略，即当现有的主导因故失去功能后，剩余成员自动寻找新的活动指南，以保证组织继续运转。
5.2 基于行为规则（Behavior-Based）
基于行为规则是一套基于决策树模型构建出的决策框架，其中包含了诸如"避开障碍物"、"追逐目标"以及"维护秩序等基本规则。当任何一个节点接受来自周围世界传感数据输入后，就会根据这些输入数据进行反应输出，在此基础上，再进一步处理相关行为结果。在这一流程结束之后，将生成最终行动计划供各自执行从而实现真正意义上的自动化操作。这一思路通过共享成员之间空间状态及时间轨迹信息来实施整体顺畅运行，使得集群内部能像鸟儿一样紧密配合、高效协调地展现出集群效果。此类表现通常包括三方面内容：防止冲突、同步速度以及聚集中央三个子功能模块，每个模块独立处理不同情景下的响应需求，最终将它们结合起来生成给予智能身体执行命令以实践目的成就。而对于如何优化这套体系结构设计及其内置逻辑，更好地满足各种复杂场景下的需求仍然是一个开放课题待解决的问题。不过，这项技术已经证明它能够很好地适应各种竞争激烈的情境，而且它非常灵活，可以轻松扩展到更加复杂的情境里去。
5.3 虚拟结构法（Virtual Structure Approach）
虚拟结构法依据文献[10]推出的理论观念，将机械人员团结看做是一个刚体构造，每位个人视角下都是刚体的一个固定点。当团体移动过程中，无论是否出现障害，都只需让每位参与其中的人员按照刚体固定的坐标进行微调即可达到既定的目的。本质算法步骤如下：
定义期望动力学特征;
将虚拟刚体平移转换成具体给予单个机械人员期望运动;
确定具体轨迹跟踪制御方式;
利用此法执行需要经过三个关键步骤：定义期望动力学属性; 将已定义虚拟刚体状态转化为各机械人员期望行动; 最后决定单独轨迹规划制控办法。本质上说，这项方法就是通过共享与理解对方虚拟只是各自未来空间占据状况，以及同时确认众源头未来路径进程，从而促进全方位合作互助互助驱使方向变化，不仅提高了整个人员单位在未知区域内快速响应能力，还降低了总成本。但遗憾的是，其集中式操作限制导致缺乏灵活度及适应能力，与现存体系融合还需进一步改善。此次试验仅仅用于二维无阻塞平面环境，如太空中的卫星编排管理；正因为如此，有专家们使用虚拟结构法取得了低轨道卫星编排成功案例记录下来供日后的参考学习之用。
6 存在问题及展望：
尽管我们已经取得了一些初步成果，但仍然存在许多挑战待解答：
(1) 算法实现须具备通用性、鲁棒性、稳定性及拓宽可能性，现在尚未能全面满足这些标准，对今后的研究工作提出了更高要求；
(2) 除了以上述几个典型模型以外，我们应该尝试将其融入现有生态链内部，以提升整个人工智能平台性能；
(3) 随着野外考验变得越发苛刻，我们不得不深入探究如何增强我们的野外演练能力，为提升野外部署能力打下坚实基础；
(4) 自适应配合同样值得深入挖掘，比如根据具体任务背景及资源约束调整配合同级别划分，使得我们的程序更加灵活响应变化，所以自然也就更加难以预测未来发展趋势，因而特别期待更多创新的实践案例加入我们的科研领域带来革命性的改变。
