| 使用环境 |
在复杂未知环境下，如战场、灾难现场等，机器人需要在没有先验环境信息的情况下进行区域搜索任务。任务区域为矩形，用栅格地图表示，区域内存在各种形状的障碍物。机器人通过传感器获取环境信息，实时更新分层仿生神经网络信息模型，并进行协同决策。 |
| 使用对象 |
多机器人系统（6个机器人）在复杂未知环境中的区域搜索任务，目标是高效地完成整个区域的搜索，找到所有未搜索区域。 |
| 使用目的 |
在复杂未知环境下，通过多机器人协同搜索，高效地完成区域搜索任务，减少搜索时间，提高搜索效率，避免机器人陷入局部最优状态。 |
| 输入数据 |
区域搜索地图状态信息（栅格地图）、区域覆盖地图状态信息（覆盖地图）、机器人位置信息、传感器获取的环境信息。 |
| 输出数据 |
机器人搜索路径、区域覆盖率、平均决策时间、机器人位置状态。 |
| 硬件配置 |
CPU：Intel Core i7-9700K
GPU：NVIDIA GeForce RTX 2080 Ti
内存：16GB DDR4
摄像头：Intel RealSense D435
传感器：激光测距传感器、视觉传感器
通信接口：Wi-Fi 5 (IEEE 802.11ac) |
| 样本获取 |
在仿真环境中随机生成不同形状和大小的障碍物，设置不同的机器人初始位置，进行多次仿真实验，获取84步的搜索轨迹和性能数据。 |
| 测试结果 |
对测试集进行仿真实验，区域覆盖率达到100%，平均决策时间为0.0214秒，与基线算法相比，搜索效率更高，机器人能够有效避免局部最优状态。 |
| 执行速度 |
单步决策时间约为0.0214秒，整个区域搜索任务在84步内完成。 |
| 资源消耗 |
4核CPU，计算占比分别平均约60%；16GB内存，使用占比约50%。 |
| 源码类型 |
本算法有Python版本源码，使用售卖方式三进行授权。 |
| 文件大小 |
算法程序文件30K |
| 相关备注 |
本算法针对复杂未知环境下的多机器人区域搜索问题，采用分层仿生神经网络信息模型和分布式模型预测控制框架，能够有效引导机器人高效完成区域搜索任务，避免陷入局部最优状态，具有较高的实用性和可靠性。 |
