Запечатлевая движение,
Создавая истории

Кооперативное управление повышает надежность системы агентов, а избежание препятствий в formation является ключевым моментом.

С развитием промышленной технологии сложность и масштаб задач постепенно увеличиваются, а возможности отдельного агента по получению информации и решению проблем ограничены, что не может удовлетворить требования задач в большинстве случаев. Однако многосистемный агентный подход акцентирует внимание на сотрудничестве и координации между единицами, а многосистемный кооперативный контроль может значительно повысить рабочую эффективность и возможности. В настоящее время существует множество исследований по кооперативному контролю мульти-агентов, включая кооперативные режимы между агентами, режимы связи и методы избегания препятствий, среди которых самым важным является исследование алгоритма управления избеганием препятствий при формировании многосистемных агентов.

Подмиллиметровая точность оптической системы позиционирования помогает интеллектуальной беспилотной системе роя.

Пу Чжицзян, преподаватель Института автоматизации Китайской академии наук, разработал интеллектуальную систему беспилотных роя. Система беспилотного роя делится на три подсистемы: подсистема позиционирования, подсистема связи и подсистема управления, которые могут реализовать функции управления одиночным беспилотным наземным транспортным средством и беспилотным летательным аппаратом, наземно-воздушного сотрудничества, боевых действий роя и формирования для беспилотного наземного транспортного средства и беспилотного летательного аппарата; она может использоваться в научно-популярных целях для подростков, в образовании и обучении, для глубокого вторичного развития в университетах или научных институтах, а также в промышленных областях, таких как региональная логистика и гражданско-военное сотрудничество.

Система позиционирования использует оптическую систему захвата движения NOKOV и инерциальный блок автомобиля для позиционирования. Учитывая диапазон захвата, было установлено 24 оптические камеры позиционирования Mars2H, включая 8 камер на высоте 5 м и 16 камер на высоте 8,5 м, охватывающих пространство 12м*12м*8,5м.

Маркировщики размещены на каждом мобильном роботе и препятствии, а различные маркировщики организованы для различения идентификаторов отдельных роботов. Считывая маркировщики на мобильных роботах и препятствиях, получаются трехмерные координаты маркировщиков, и SDK используется для передачи данных в режиме реального времени. Один робот может получать информацию о положении своего «онтология», соседних мобильных роботах и препятствиях, а точность координатной информации достигает субмиллиметрового уровня.

Поскольку точность позиционирования оптической системы позиционирования NOKOV на несколько порядков выше, чем у инерционной навигационной системы, когда мобильный робот может получать данные, передаваемые оптическим позиционированием, используется оптическая система для позиционирования и корректировки накопленной ошибки данных инерционных датчиков, поддерживая согласованность данных, хранящихся самим роботом, с данными оптической системы позиционирования. В течение определенного времени, когда данные, передаваемые системой позиционирования, не могут быть получены из-за затенения, используются хранящиеся данные инерционных сенсоров для позиционирования, чтобы обеспечить нормальную работу мобильного робота.

Многофункциональная мобильная роботизированная система использует метод сочетания пространственно-временного алгоритма A* и метода искусственного потенциального поля для избежания препятствий. В этом методе пространственно-временной алгоритм A* применяется в качестве глобального алгоритма планирования пути для многороботных систем, чтобы планировать пути без столкновений. В этом алгоритме временной аспект добавляется к традиционному алгоритму A*, а ранее спланированная информация о путях многороботов хранится в виде таблицы резервирования. С помощью этой информации для следующего робота генерируется путь без столкновений. Во-вторых, метод искусственного потенциального поля как локальный алгоритм планирования пути повышает стабильность этого метода в динамичной среде. Когда мобильные многороботы сталкиваются с неизвестными динамическими препятствиями в окружении, они могут вовремя их избегать. Таким образом, в качестве метода избегания препятствий комбинация пространственно-временного алгоритма A* и метода искусственного потенциального поля может генерировать эффективный путь без столкновений для многороботной системы и качественно обеспечивать полное избегание столкновений.

Кроме того, вся многоуровневая роботизированная система применяется в области популяризации науки и образовательного обучения. Что касается популяризации науки, система предоставляет выступления и взаимодействия для учащихся начальных и средних школ, научно-популярные мероприятия и масштабные научно-популярные活动. Во-вторых, она также предлагает подробные и увлекательные курсы по популяризации науки. В области образовательного обучения можно проводить исследования технологий вторичной разработки на основе системы, а затем предложить учебный план, связанный с системой и искусственным интеллектом. Более того, для крупных научных учреждений может быть предоставлена техническая схема строительства лабораторий.

Команда по инновациям интеллектуальных технологий в авиации Института автоматизации Китайской академии наук состоит из более чем 20 исследователей, научных сотрудников, инженеров, докторов и магистрантов. Команда давно занимается исследованиями в области надежного адаптивного управления и ройевой интеллектуальности беспилотных автономных платформ, достигнув ряда важных результатов в прикладных основах исследований, разработке инженерных систем и их индустриализации.