基于动态威胁分布的机器人反围捕运动规划

This project will research on anti-pursuit motion planning for the evasion robot in the issue of robotic pursuit-evation, which is based on threat distributions. The following two problems will be solved: establishment and fusion of multi objects’ threat distributions; the evasion robot’s motion planning and controlling based on this kind of dynamic and continuous threat distributions. Research of this project will better the completeness of pursuit-evasion issue in a further; improve the intelligence of robots in reconnaissance, military, security and et al; and finally promote the development of our robotic facilities.

本课题以机器人围捕-逃跑中的逃跑机器人为研究对象，对其基于威胁分布的反围捕运动规划问题进行研究。重点解决多围捕机器人对逃跑机器人进行围捕情况下的威胁分布融合构建问题，以及面向这种动态连续变化威胁分布的逃跑机器人反围捕路径规划问题，并利用仿真和实际实验对相关技术进行验证。本课题研究能够在一定程度上完善围捕-逃跑这一机器人博弈问题；能够提高侦察、作战、保安等诸多领域机器人的相关智能；从而在一定程度上促进我国机器人事业的发展。

本课题以机器人围捕-逃跑问题中的逃跑机器人为研究对象，以提高其逃跑自适应性和智能性为目的，对其基于威胁分布的反围捕智能决策和运动规划问题进行研究。在智能评估与决策方面，提出了一种基于深度增强学习的机器人威胁评估和智能逃跑算法，同传统方法相比，该算法在被包围步长和被捕捉次数方面分别平均提高了14.56%和0.585%，并且对对不同围捕策略均具有较强的适应性和智能性；在路径规划方面，提出了一种基于非均匀环境建模、距离启发蚁群搜索和三阶Bezier曲线的平滑路径规划算法，能够获得一条曲率连续且曲率满足机器人上界要求的平滑可行路径，并且所规划路径的平均危险度分别比基本ACS算法、基本MMAS算法降低了41.2%、53.3%，平均转弯次数也分别减少了35.5%、58.97%；在目标感知主动视觉控制方面，提出了一种基于最优观察位姿的双目仿生眼扫视/平滑追踪运动控制算法，实现了机器人在运动过程中通过眼部运动对围捕机器人和场景目标的高效平滑追踪。课题录用SCI论文1篇、EI论文1篇，已投稿EI论文1篇，完成了任务书的指标要求。