买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉大连理工大学申请的专利一种基于数据驱动的多自主移动机器人动态协同运输作业方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120010482B 。

龙图腾网通过国家知识产权局官网在2025-10-24发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510127825.8，技术领域涉及：G05D1/43；该发明授权一种基于数据驱动的多自主移动机器人动态协同运输作业方法是由岳明;孙旭设计研发完成，并于2025-02-05向国家知识产权局提交的专利申请。

本一种基于数据驱动的多自主移动机器人动态协同运输作业方法在说明书摘要公布了：本发明提供一种基于数据驱动的多自主移动机器人动态协同运输作业方法，属于多自主移动机器人轨迹规划与跟踪控制领域。首先，规划出符合各个自主移动机器人运动学特性和安全性的可行全局轨迹；其次，得到各个轨迹点的速度信息。然后，对具备速度信息的可行全局轨迹进行处理得到可具体执行的局部参考轨迹，并对局部参考轨迹进行拟合得到局部期望轨迹。最后，对局部期望轨迹进行跟踪，并调整控制参数，完成多自主移动机器人动态协同运输作业。本发明能够提高机器人轨迹跟踪精度和稳定性；通过实时的局部轨迹规划和基于强化学习的自适应调参方法，在保证多自主移动机器人动态协同运输作业的同时，提高多自主移动机器人系统的安全性和抗干扰能力。

本发明授权一种基于数据驱动的多自主移动机器人动态协同运输作业方法在权利要求书中公布了：1.一种基于数据驱动的多自主移动机器人动态协同运输作业方法，其特征在于，所述的多自主移动机器人动态协同运输作业方法，首先，采用CL-CBS算法得到符合各个自主移动机器人运动学特性和安全性的可行全局轨迹；其次，对可行全局轨迹采用基于跃迁原理的速度规划进行处理得到各个轨迹点的速度信息；然后，对具备速度信息的可行全局轨迹采用人工势场法进行处理得到可具体执行的局部参考轨迹，并对局部参考轨迹进行五次多项式拟合以得到局部期望轨迹；最后，利用模型预测控制算法对局部期望轨迹进行跟踪；同时，采用强化学习自适应调整模型预测控制算法的控制参数，实现对于局部期望轨迹的精准跟踪，并完成多自主移动机器人动态协同运输作业；具体步骤为： 步骤1：根据现实场景搭建仿真环境，通过类车-基于冲突搜索算法CL-CBS为多自主移动机器人寻找可行全局轨迹；将可行全局轨迹寻找问题分解为上下两层算法：下层算法用于规划全局参考轨迹，并将该全局参考轨迹传输至上层算法；上层算法用于消解全局参考轨迹中的冲突，并将冲突消解方案传输回下层算法；下层算法根据冲突消解方案重新规划全局参考轨迹，并将全局参考轨迹重新传输至上层算法，然后依次进行上层算法与下层算法之间的循环，直至全局参考轨迹不存在冲突，找到各个自主移动机器人的可行全局轨迹；通过三种评价指标评价CL-CBS算法的性能； 步骤2：通过步骤1得到各个自主移动机器人的可行全局轨迹，对各个自主移动机器人采用一种基于跃迁原理的速度规划，提高自主移动机器人的运行精度； 步骤3：在得到具备速度信息的可行全局轨迹后，进行防碰撞处理；首先，建立点质量动力学模型为最优化求解提供模型基础；其次，采用人工势场法对障碍物和自主移动机器人进行膨胀处理，并将其融入到最优化求解的目标函数中以寻到安全的局部参考轨迹；然后，建立实现避碰防撞功能的目标函数；最后，采用五次多项式对局部参考轨迹进行拟合以得到局部期望轨迹； 步骤4：在得到局部期望轨迹后，对局部期望轨迹进行跟踪；根据自主移动机器人的动力学特性，建立基于三自由度动力学模型的模型预测控制算法，并忽略阿克曼转向几何引起的左右车轮转向角差异；建立最终目标函数如下： 17； 其中，Qmpc是的扩维状态量的权重矩阵，Rmpc是控制增量矩阵的权重矩阵；ρ为权重系数，ε为松弛因子；代表以采样时间t为起始，模型预测控制算法所计算的t+k时间段内的执行轨迹；代表以采样时间t为起始，t+k时间段内的局部期望轨迹；代表以采样时间t为起始，t+k时间段内的控制增量矩阵；代表预测时域，代表控制时域；k代表预测步长；U代表控制量；代表控制增量的最小值，分别代表控制增量的最大值；代表控制量的最小值，分别代表控制量的最大值；此外，，代表Nu阶单位矩阵，D代表控制量约束的权重矩阵； 步骤5：实时调整公式17的权重矩阵Qmpc和Rmpc，获得最优的权重矩阵Qmpc和Rmpc；采用Actor-Critic框架，该框架分为Actor和Critic两部分；Actor部分由目标策略网络和在线策略网络组成，用于估计确定性策略函数；Critic部分由在线Q网络和目标Q网络组成，通过环境反馈的奖励信号和对自主移动机器人下一状态的估计，评估出当前动作的价值以更新调整Actor部分的策略； 步骤6：通过基于强化学习的调参方法更新如公式17的所示目标函数中的权重矩阵Qmpc和Rmpc，并对公式17所示的最优化问题进行求解，得到控制时域内的最优控制增量序列；通过步骤5~步骤6实时调整模型预测控制的权重矩阵，得到自主移动机器人最优的控制量； 步骤7：将步骤6输出的最优控制量分别传递给各个自主移动机器人，输出多自主移动机器人各自的状态信息；在此基础上，将各个自主移动机器人的状态信息传递给局部轨迹规划模块和跟踪控制模块，更新下一步的状态信息并进行动态协同运输作业，直至完成多自主移动机器人动态协同运输作业。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人大连理工大学，其通讯地址为：116024 辽宁省大连市甘井子区凌工路2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。