多机器人系统无分配队形控制-度量科技

自然通讯 Mean-shift exploration in shape assembly of robot swarms

继成功发表Nature Communications后，来自北京航空航天大学的研究团队在机器人顶刊RA-L上发表题为“Mean-Shift Shape Formation of Multi-Robot Systems Without Target Assignment”的论文。

IEEE RAL 基于Mean-shift理论的多机器人系统无分配队形控制方法

利用基于Mean-shift方法的分布式无分配算法，十个移动机器人在现实实验中依次形成“R”、“A”和“L”字母队形，并在NOKOV度量动作捕捉系统的助力下验证了算法在真实场景中的实用性。此外，不同群体规模下形成复杂队形的有效性，以及算法的精确度和高效性在仿真实验中得到验证。

十个移动机器人依次形成“R”、“A”和“L”字母队形，并在NOKOV度量动作捕捉系统的助力下验证了算法在真实场景中的实用性

图1 现实实验随机初始位置到依次形成“R”、“A”和“L”字母队形

研究背景

多智能体系统的队形控制通常分为目标分配和无碰撞运动两个子问题。目标分配策略分为预分配和动态分配方法，前者可能会降低避撞灵活性，增加路径规划计算的复杂度；后者可能面临计算成本高和潜在冲突问题。无分配方法消除了目标分配的过程，但难以形成具有精确目标位置的队形。因此，实现精确的、无分配的队形控制成为研究重点。

本文提出了一种基于Mean-shift方法的分布式无分配算法来实现精确、高效的队形控制，并利用仿真和现实实验验证了算法的高效性和实用性。

实验结果

1）仿真实验：

A. 本文算法应对复杂目标队形形状和不同群体规模的有效性

本文所提出的队形控制算法可以引导200个机器人在小于30s的时间内形成复杂期望队形；当机器人群体规模从50增加至350，“DNA”队形收敛时间从10s增加至60s。群体规模的增大并没有导致收敛时间显著增加。以上仿真实验结果证明了算法在形成复杂队形形状时的有效性。

B. 本文算法与目标分配算法和基于Mean-shift的算法对比

基于Mean-shift的算法无法实现精确目标队形控制；而目标分配算法的收敛时间是本文算法的8倍以上。该仿真实验验证了本文算法在队形控制精确度和效率上的优势。

2）现实验证实验：

该实验平台配备了NOKOV度量光学三维动作捕捉系统，用于获取机器人的实时位置和航向角。

图2 现实实验系统配置和实验结果

该实验平台配备了NOKOV度量光学三维动作捕捉系统，用于获取机器人的实时位置和航向角。并使用PC来接收机器人的状态数据、提取实时状态。实验在PC（MATLAB/Simulink）机上通过分布式并行机制来计算控制命令，从而实现所提出的算法。最后，通过无线路由器将计算得到的控制指令以10Hz的频率发送给机器人。

10个机器人在一个大小为 4m*5m 的实验平台内移动，从某一初始位置开始依次形成了字母队形形状“R”、“A”和“L”。如图2（d）所示，每个字母队形的收敛时间不超过40秒，验证了本文算法在真实场景中的实用性。

参考文献：

Y. Zhang, R. Zhou, X. Li and G. Sun, "Mean-Shift Shape Formation of Multi-Robot Systems Without Target Assignment," in IEEE Robotics and Automation Letters, vol. 9, no. 2, pp. 1772-1779, Feb. 2024, doi: 10.1109/LRA.2024.3349926.

原文链接：https://ieeexplore.ieee.org/document/10380669

苏黎世大学RPG实验室：动作捕捉为无人机状态反馈提供位姿数据

在Davide Scaramuzza教授领导的苏黎世大学Robotics and Perception Group，NOKOV度量动作捕捉系统实时提供无人机位姿数据，用于无人机状态反馈。

Science Robotics丨人形机器人踢足球：依靠机载视觉学习反应式足球技能

清华大学赵明国研究员团队团队在Science Robotics发表人形机器人视觉踢球研究，通过强化学习实现反应式足球技能。NOKOV度量动作捕捉系统采集人体踢球动作及机器人、足球位置真值，为AMP参考运动数据和虚拟感知系统建模提供数据支持。

山东大学T-ASE研究：动作捕捉系统采集人类示范数据，DM-KMP与多智能体强化学习实现五指灵巧手协同抓取

山东大学控制科学与工程学院李可教授团队提出了面向仿人五指灵巧手抓取的统一学习框架。该研究将人类示范轨迹生成与多智能体强化学习相结合：NOKOV度量动作捕捉系统用于采集自然五指抓取运动，DM-KMP从有限示范中生成期望关节轨迹，PWS-MADDPG进一步学习多指协同抓取策略。研究结果显示PWS-MADDPG 在 11 类物体上的平均抓取成功率为 85.48%。

仿生五自由度折纸脊柱外骨骼：三维运动数据验证运动透明性

合肥工业大学、西安电子科技大学、英国提赛德大学和香港理工大学研究团队提出仿生五自由度折纸机构，并据此开发主动式折纸脊柱辅助外骨骼OSAE，用于在对称和非对称举升中适应人体脊柱运动并提供辅助。研究团队使用NOKOV度量动作捕捉系统采集受试者上半身三维运动数据，比较穿戴与未穿戴OSAE时前屈、侧屈和轴向旋转的躯干活动范围，验证OSAE系统的运动透明性。