一種基于道路動態(tài)分區(qū)模型的城市救援仿真方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種多智能體系統(tǒng)的協(xié)作方法，尤其涉及一種基于道路動態(tài)分區(qū)模型 的城市救援仿真方法，屬于多智能體協(xié)作控制領(lǐng)域。
【背景技術(shù)】
[0002]多智能體系統(tǒng)（Multi-Agent System, MAS)是人工智能研究的重要領(lǐng)域。作為典 型的分布式系統(tǒng)，多智能體系統(tǒng)需要處理的一個基本而且重要的問題是系統(tǒng)中個體間的有 效協(xié)作體間的有效協(xié)作，可以使得系統(tǒng)呈現(xiàn)出整體上的有向性，推動系統(tǒng)高效地完成預(yù)定 的目標。但是，在多智能體環(huán)境中，每個智能體是根據(jù)自身的感知信息做出自主決策的，系 統(tǒng)無法直接地控制個體的具體行為，因此，協(xié)作往往難以形成，個體則傾向于爭奪有利的資 源來完成各自期望的任務(wù)，最終系統(tǒng)呈現(xiàn)出混亂的局面。同時，智能體的感知信息也總是存 在不確定的延遲、誤差甚至是錯誤，這也是MAS中協(xié)作所面臨的困難。
[0003] RoboCupRescue Agent仿真競賽的基本平臺的仿真平臺，智能體需要在指定的災(zāi) 難環(huán)境下完成滅火、清障、救出傷員的任務(wù)。作為多智能體系統(tǒng)，RCRSS同樣需要處理好系 統(tǒng)中智能體間的相互協(xié)作。同時，由于RCRSS中存在多類異構(gòu)智能體，這種協(xié)作的處理顯得 更為復(fù)雜。
[0004]目前，國際上對RCRSS中的多智能體協(xié)作問題進行了大量研究，各個隊伍也將其 研究成果應(yīng)用于比賽中。這些成果中較為突出的有MRL的線性加權(quán)模型、Bam的模糊控制 以及廣泛使用的利用通訊形成的共享規(guī)劃模型等，它們都表現(xiàn)出了良好的效果。特別是MRL 的線性加權(quán)模型，通過合理選擇影響因?qū)僖约安捎肂ELBIC快速學習方法，使得其簡單而有 效。總體來說，大部分的研究成果表現(xiàn)為使用統(tǒng)一的評價模型或控制方法來完成所有智能 體間的協(xié)作。
[0005] RoboCupRescue Agent仿真競賽的基本平臺，是典型的多智能體系統(tǒng)，它提供了地 區(qū)性大規(guī)模災(zāi)難環(huán)境下救援行動仿真環(huán)境是整個智能體協(xié)作的基礎(chǔ)，由于機器人無法感受 到全局的環(huán)境的信息，所以單獨執(zhí)行任務(wù)會有局限性，相對性，不確定性。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明所要解決的技術(shù)問題是針對【背景技術(shù)】的不足提供了一種基于道路分區(qū)模 型的多智能體協(xié)作方法。
[0007] 本發(fā)明為解決上述技術(shù)問題采用以下技術(shù)方案：
[0008] -種基于道路動態(tài)分區(qū)模型的城市救援仿真方法，具體包括如下步驟：
[0009] 步驟1，以道路和建筑物的物理特征建立底層世界模型；
[0010] 步驟2,利用道路的幾何和周邊環(huán)境特性建立道路分區(qū)模型；
[0011] 步驟3,引入步驟2建立的道路分區(qū)模型將底層世界模型進行動態(tài)分區(qū)；
[0012] 步驟4,在步驟3將底層世界模型進行動態(tài)分區(qū)的基礎(chǔ)上，引入凸包和聚類算法對 消防智能體進行信息整合分類，優(yōu)化救援效率。
[0013] 作為本發(fā)明一種基于道路動態(tài)分區(qū)模型的城市救援仿真方法的進一步優(yōu)選方案， 在步驟1中，所述底層世界模型包含底層的標準實體層、中間的抽象實體層和最高層的動 態(tài)實體層。
[0014] 作為本發(fā)明一種基于道路動態(tài)分區(qū)模型的城市救援仿真方法的進一步優(yōu)選方案， 在步驟1中，在步驟2的道路分區(qū)模型中，以阻塞系數(shù)來對道路的優(yōu)先級進行分類，所述阻 塞系數(shù)具體計算如下：
[0016]其中，passrate表示阻塞系數(shù)，nodewidth表示道路的寬度，blockadewidth表示 路障的寬度，agentwidth表示智能體自身的寬度。
[0017] 作為本發(fā)明一種基于道路動態(tài)分區(qū)模型的城市救援仿真方法的進一步優(yōu)選方案， 所述步驟3具體包含如下步驟，
[0018] 步驟3. 1根據(jù)地圖形狀、大小、以及智能體數(shù)量和地圖中建筑物的數(shù)量，利用 Rescue的分區(qū)算法完成地圖的初始化分區(qū)，具體計算如下：
[0019] D = MIN (P, B/C)
[0020] N = MAX(D-(D mod 2), I)
[0021] 其中，P是指在地圖中警察智能體的個數(shù)，B是建筑物的個數(shù)，C是每個警察智能體 在所在區(qū)域能夠涉及到的建筑物數(shù)量，D是指最小所需分區(qū)數(shù)，N是指最大所需分區(qū)數(shù)；
[0022] 步驟3. 2,在獲得初始化分區(qū)數(shù)目后，采用Rescue分區(qū)算法根據(jù)初始化分區(qū)數(shù)目， 利用仿真環(huán)境中的地圖長度和寬度，對整個救援環(huán)境進行區(qū)域劃分，劃分初始化分區(qū)后，綜 合道路和分區(qū)模型的特點，在分區(qū)的交接處設(shè)置集合點；
[0023] 步驟3. 3,完成世界模型的動態(tài)分區(qū)。
[0024] 作為本發(fā)明一種基于道路動態(tài)分區(qū)模型的城市救援仿真方法的進一步優(yōu)選方案， 所述步驟4具體如下：
[0025] 步驟4. 1設(shè)坐標集合X=XiIxiG R2，其中，i=1，2, ...，N ;可以聚集成為k個簇
[0028] 步驟4. 4,若對于任意M II，.?.具，:今都成立，則完成計算；
[0029] 步驟4. 5,根據(jù)凸多邊形的頂點必須在該多邊形的任何一個邊的同一側(cè)的原理，刪 除不屬于凸包邊界的點。
[0030] 本發(fā)明采用以上技術(shù)方案與現(xiàn)有技術(shù)相比，具有以下技術(shù)效果：
[0031] -種基于道路分區(qū)模型的智能體協(xié)作方法，此方法利用道路的幾何和周邊環(huán)境特 性，建立道路分區(qū)模型，對地圖中的信息進行細化處理，首先將整個世界模型進行動態(tài)分 區(qū)，然后利用凸包算法將各分區(qū)著火建筑物進行外圍火點的構(gòu)建，為消防智能體提供消防 策略，最后通過聚類等算法將著火點集中處理，在靜態(tài)分區(qū)的基礎(chǔ)上，建立動態(tài)的道路模 型，從而讓智能體更好的了解環(huán)境信息，展開救援協(xié)作。
[0032] 本發(fā)明建筑物定義，道路區(qū)分，地圖建筑物按距離建立聚類，著火點建立聚類，使 得智能體對救援環(huán)境信息有了更好的估計和預(yù)測，從而使得智能體能夠準確地把握救援關(guān) 鍵區(qū)域，提高救援效率，并通過多次對比試驗，驗證了道路分區(qū)模型對整個Rescue全局救 援效率有著較大的提升。
【附圖說明】
[0033]圖1是本發(fā)明的方法流程圖。
【具體實施方式】
[0034] 以下將結(jié)合具體實施例對本發(fā)明提供的技術(shù)方案進行詳細說明，應(yīng)理解下述具體 實施方式僅用于說明本發(fā)明而不用于限制本發(fā)明的范圍。
[0035] 如圖1所示，一種基于道路動態(tài)分區(qū)模型的城市救援仿真方法，具體包括如下步 驟：
[0036] 步驟1，以道路和建筑物的物理特征建立底層世界模型；
[0037] 步驟2,利用道路的幾何和周邊環(huán)境特性建立道路分區(qū)模型；
[0038] 步驟3,引入步驟2建立的道路分區(qū)模型將底層世界模型進行動態(tài)分區(qū)；
[0039] 步驟4,在步驟3將底層世界模型進行動態(tài)分區(qū)的基礎(chǔ)上，引入凸包和聚類算法對 消防智能體進行信息整合分類，優(yōu)化救援效率。
[0040] 本發(fā)明設(shè)計一種基于道路動態(tài)分區(qū)模型的城市救援仿真方法，此方法利用道路的 幾何和周邊環(huán)境特性，建立道路分區(qū)模型，對地圖中的信息進行細化處理，首先將整個世界 模型進行動態(tài)分區(qū)，然后利用凸包算法將各分區(qū)著火建筑物進行外圍火點的構(gòu)建，為消防 智能體提供消防策略，最后通過聚類等算法將著火點集中處理，在靜態(tài)分區(qū)的基礎(chǔ)上，建立 動態(tài)的道路模型，從而讓智能體更好的了解環(huán)境信息，展開救援協(xié)作。
[0041] 具體如下：
[0042] 底層的世界模型是對環(huán)境狀態(tài)中信息描述的數(shù)據(jù)結(jié)構(gòu)，是每個智能體對所在救援 環(huán)境形式和認知而建立起來的判斷認知，都是每個Agent和Server信息交互后分析獲得 的。智能體與Server交互環(huán)境信息的流程，每周期從Server中獲得信息后，自身對其解析， 感知，判斷，分析，然后更新自身的世界模型認知。
[0043] 在救援仿真中，智能體通過觀測周圍環(huán)境數(shù)據(jù)，通過行為決策需要對周圍或者全 局環(huán)境形成靜態(tài)認知，同時對場上動態(tài)變化的環(huán)境和智能體進行屬性維護，這些表現(xiàn)成了 城市救援仿真中的動態(tài)更新。
[0044] Rescue的世界模型分為三層：底層的標準實體層（Standard Entity Layer)、中間 的抽象實體層（Abstract Entity Layer)、最高層的動態(tài)實體層（Dynamic Entity Layer)， 標準實體層包括GIS地理信息系統(tǒng)和感知模型解析到的基本對象，抽象實體層包括了構(gòu)成 整個系統(tǒng)的各個實體組成對象的數(shù)據(jù)結(jié)構(gòu)，動態(tài)實體層是對抽象實體層的進一步處理，封 裝了道路分區(qū)、路徑類型識別，智能體狀態(tài)等具體的高級對象。
[0045] 在RoboCup Rescue的地圖中，每張地圖都是按照不同城市的特點創(chuàng)建的，因此 每張地圖都是由不同的圖形以及許多多邊形節(jié)點組成的道路構(gòu)成的，在初始階段，許多道 路會被路障堵塞，對于智能體能否通過某一路徑，我們設(shè)置了一個關(guān)于通過率的公式，判 斷智能體能否通過阻塞的道路。每一條路徑，都是由許多多邊形節(jié)點（Node)和連接點 (AdjacentNode)組成。
[0046] 根據(jù)阻塞系數(shù)判斷智能體是否通過阻塞的道路，具體計算如下：
[0048] 其中，passrate表示阻塞系數(shù)，nodewidth表示道路的寬度，blockadewidth表 示路障的寬度，agentwidth表示智能體自身的寬度。我們將0. 5設(shè)置為誤差系數(shù)，因為智 能體穿過道路的路線是隨機的，當passrate ^ 0. 5,且道路由多個節(jié)點（Node)和連接點 (Adjacent Node)組成，那么這條道路將被存儲為到路徑列表中，在地圖道路模型中，一旦 所有可行道路都被存儲好，那么智能體的可行路徑也將會被建立。
[0049] Rescue根據(jù)現(xiàn)實生活中，城市中有主干道，十字路口，小道，主路，輔路等各種道 路形式，將RCRSS提供的仿真地圖也建立各種形態(tài)的道路模型，在仿真環(huán)境中，根據(jù)道路寬 度，周邊救援環(huán)境等物理信息特點，區(qū)分道路模型，然后根據(jù)區(qū)分的優(yōu)先級，分配智能體路 徑選擇權(quán)重，權(quán)重越高的路徑，優(yōu)先被探索和處理。
[0050] -種基于環(huán)境信息和道路寬度信息的簡單區(qū)分模型，基本原理如下：設(shè)定一個寬 度閾值P，P值根據(jù)各智能體所感知的各自分區(qū)的道路寬度來綜合決定，如果道路寬度 w>P，那么該路徑會被定義為主干道，否則定義為普通道路。其