（总结1）多机器人系统动态任务分配_多机器人任务分配

文章已上传至资源区可直接下载（多机器人系统动态任务分配策略研究综述）

一、介绍

多机器人协作系统是机器人学中最广泛的研究领域之一，多机器人系统(MRS)以协调的方式部署多个合作机器人来执行和完成任务。

MRS系统的应用领域包括：制造、建筑、采矿、检验、仓库、监视、国防应用、农业、水下、空间及陆地搜索、搜救行动等。

多机器人任务分配分为集中式与分布式的任务分配方法，两种方法各有优势：

集中式，服务器监控基本参数，如相对位置、任务状态、团队中各个机器人的电池容量，服务器还会识别最有能力执行任务的机器人。该系统依靠中央服务器来成功分配任务，然而，当中央服务器出现故障时，它就变得无用了。适合于一小组具有刚性连接网络的机器人。
优缺点：确保了机器人团队之间关于任务分配的一致性

分布式，单个机器人分配自己的任务，它既不需要全球连接的网络，也不需要中央服务器。每个机器人经常观察其视野内相邻机器人的状态，它将自己的任务执行能力与其邻居的能力进行比较，并自行分配有利可图的任务。适用于弱通信环境下的大型机器人团队。
优缺点：不受脆弱通信的影响，但是任务分配的一致性很难实现

多机器人任务分配问题分类有两种：

第一种为(Gerkey and Mataric 2 0 0 4)所提出的将其分为8种类型，分别为：
ST（单任务机器人）-SR（单机器人任务）-IA（即时分配）
ST-MR（多机器人任务）-IA
ST-SR-TA（延时分配）
ST-MR-TA
MT（多任务机器人）-SR-IA
MT-MT-IA
MT-SR-TA
MT-MR-TA

第二种为 Korsah(2013)等人提出的基于相互依赖的资源和约束，将其分为四种类型，成为iTax分类，如下图的四种

两种任务分配策略： 基于拍卖的任务分配策略 和 基于优化的策略。
对于不同的MRS系统，通过分析问题应用、约束条件、目标函数、任务分配和完成时间以及不确定性处理方法来回顾任务分配策略。

该论文研究回顾了2010-2020年发表的文章，这些文章来自高层期刊和著名的国际会议，其中大部分与多机器人任务分配、群体机器人、调度和优化方法有关。考虑到问题的整体性质和诸如机器人数量、任务、任务分配和完成时间、不确定性条件和若干其他约束等参数，比较各种策略的性能。

二、多机器人任务分配问题定义与模型构建

设：要分配的任务集J={j1,j2,j3…jm}，机器人集R={r1,r2,r3…rn}，任务集被分配给机器人集，即 A: J→R 。若任务j被分配给机器人r，则 Aj,r=1 ,否则 Aj,r=0 。
Uj为n个机器人完成m个任务所需的效用值矩阵，Ur为n个机器人完成m个任务可用的效用值矩阵。T={T1,T2,T2…Tm}为任务开始时间集，W={W1,W2,W3…Wm}为任务等待时间集，M={M1,M2,M3…Mm}为任务的时间跨度集，Dj,r为机器人r执行任务j的距离，K={K1,K2,K3…Kl}为已完成的任务集

机器人的任务分配是一个最优决策问题，它受到一些基本的限制。

包含环境限制、机器人限制、以及任务限制，具体类型如下图所示：
环境限制包含：移动障碍物、未知环境、杂乱环境等；
机器人限制包含：传感器故障、通信丢失、机器人行进距离的不确定性、电池容量的异质性消耗、计算容量、资源约束等；
任务限制包含：有时间限制的任务、多代理任务、分层任务等。

基本的动态任务分配问题由资源和时间限制组成：
》任务必须分配给具有足够效用的机器人

》分配给机器人的任务的任务执行时间T不能相互重叠，包括任务的开始时间、等待时间和时间跨度

》任务无冲突

》动态任务分配策略最常见的目标函数是:最小化行进距离(d)、等待时间(W)和最大化任务完成率(K):

这使得多机器人动态任务分配问题是一个组合优化问题。

三、动态任务分配方法

任务分配方法主要分四类：
基于市场的任务分配、基于优化的任务分配、基于行为的任务分配和集群任务分配，下面进行分别介绍。

1、基于市场的任务分配（拍卖）
基于市场的任务分配是一种突出的多机器人任务分配策略，它模仿市场交易概念。该策略在集中式和分布式机器人协调网络中均可实现。

首先，拍卖机器人向团队中的其他机器人发布任务信息，并请求投标；
然后，团队中的每个机器人都根据自己的执行能力准备投标任务，然后将出价转发给拍卖机器人；
最后，拍卖机器人将任务分配给报价最低的机器人。

基于市场的任务分配分为单项拍卖与组合拍卖 ，单项拍卖方法进行任务式拍卖，组合拍卖为一组任务进行拍卖。

不确定性的处理 搜索和救援任务包含几个不确定性，如受害者的风险水平，杂乱的路径和机器人的能量水平。为了处理不确定性，任务分配列表和成本估算会定期更新。区间不确定性理论处理这些不确定性，它在定期间隔内更新投标估算并重新分配任务。这种方法提高了任务完成率，并在搜索和救援应用中增加了拯救生命的受害者的数量。但是，任务重新分配处理间接增加了机器人的能量消耗。

基于市场任务分配的优缺点：
拍卖的程序过程耗费大量时间。一般来说，所有基于市场的任务分配策略都会减少机器人的移动距离。基于市场的任务分配策略依赖于强连接的机器人网络。基于市场的策略在沟通缺失或沟通环境薄弱时的任务完成率很低。

文献中给出了相关的参考文献

2、基于优化的任务分配

动态任务分配问题的启发式建模提供了连续的最优解，将多移动机器人的动态任务分配问题推广为多旅行商问题，并被归类为组合优化问题。

常用方法 ：遗传算法、粒子群算法、蚁群算法，以及粒子群及蚁群算法的变种等方法。

动态任务分配问题的基本目标函数是: 任务完成时间、机器人移动距离、电池资源利用率最小化；最大化:任务分配率和任务完成率。

基于优化任务分配的优缺点：
多目标优化方法以较少的时间效用提高了任务完成率，多目标优化的任务分配率高于单目标优化策略，这种方法具有更好的可扩展性。然而，由于对多种性能客观因素的适应性较差，鲁棒性较低。

文献中给出了相关的参考文献

3、基于行为的任务分配

基于行为的动态任务分配是一种独特的策略。这种策略使用多个按比例分配的解决方案来解决单个应用程序中出现的不同问题。多机器人探索问题由两层基于行为的控制结构组成，任务识别和机器人之间的通信被归类为高级行为，而避障、导航和任务切换被归类为低级行为。除了基本的低级行为之外，还开发了特定于问题的行为来结合健壮性。

分布式协调需要机器人之间的本地通信，而不是全局通信来分配任务。因此，这种策略适用于弱通信应用。任务切换或交换行为与任务分配模型相结合。因此，该策略可以处理在任务执行阶段发生的机器人故障。因此，基于行为的任务分配被推荐用于不确定和动态的现实世界多移动机器人应用中的任务分配。

文献中给出了相关的参考文献

4、集群任务分配

集群任务分配策略将相似或邻近的任务分成簇，然后将簇分配给机器人，而不是单个任务分配。这种策略减少了机器人团队的平均行进距离。

对于搜索和救援应用程序，附近的任务是集群的。类似地，对于仓库操作，实现了附近的任务聚类。当机器人执行附近的任务时，总的行进距离和资源利用较少。为异构机器人的团队聚类相似类型的任务，并将同意任务类型分配给相应类型的机器人。

**常用方法：**对于任务的聚类，文献中报告使用了诸如欧几里德距离聚类、K均值聚类、模糊聚类。

文献中给出了相关的参考文献