论文部分内容阅读
集群是生物界普遍存在的一种自然现象,其群体运动行为具有自组织性、相互协调性和涌现性等特点,对于多智能体群体行为研究具有很好的研究价值和借鉴意义。论文以互惠碰撞规避法(Reciprocal Velocity Obstacle,RVO)为群体运动的基础模型,运用遗传进化参数优化方法以及K平均(K-means)聚类方法,研究了群体运动行为的模拟和干预问题。论文的主要研究成果如下:(1)运用RVO运动建模和遗传进化参数优化方法,提出了一种基于数据驱动的群体运动行为模拟方法。首先,建立了群体运动协调行为模拟框架;其次,基于该框架设计了一种基于数据驱动的群体运动行为模拟方法:采用超宽带实时定位系统(UWB)提取真实群体运动数据;对群体进行RVO运动建模,模拟提取的真实运动行为;提出了基于遗传改进算法和度量标准的优化框架,用于优化RVO运动模型中的参数。最后,在Simulink和C++混合编程仿真实验环境下,验证了该方法的有效性,群体运动行为的跟踪精度满足预定的误差范围。(2)借鉴人群拥堵行为的干预措施,提出了一种将密度预测与虚拟障碍相结合的群体运动行为外部干预方法。1)为了避免高密度的群体行为出现混乱或者拥堵状况,提出了基于K-means聚类法的群体密度估计方法:运用RVO运动模型预测下一时刻群体的运动状态;给出了一个判断是否存在高密度群体的评估函数;运用K-means聚类方法确定高密度区域。2)提出一种通过设置虚拟障碍物对群体运动实施外部干预的策略;运用K-means聚类法把高密度区域分为两类;设计合适的方式计算出分类界限;在分类界限位置设置虚拟障碍物,达到分群的目的。3)通过在边界设置虚拟障碍的方法,对集群的运动行为进行引导。通过仿真验证对比研究,设置虚拟障碍物后,群体运动过程中单位面积内的相邻个体数目明显减少,显著降低了群体密度。(3)采用UWB和机器人操作系统(Robot Operating System,ROS)构建了仿真系统,并开展了算法的验证。首先,对数据驱动下群体行为模拟方法进行仿真。采用UWB采集群体运动行为数据;然后基于ROS模拟数据驱动的群体运动行为;其次,在ROS环境下,对基于虚拟障碍物的群体运动行为干预方法进行仿真试验。通过上述仿真实验,进一步验证了本文方法的有效性。