不确定性下多智能体追逃中的追捕者分配与控制策略

我们考虑一个由异质多追捕者与多逃避者组成的追逃问题。尽管追捕者（机器人）与逃避者均知晓对方的控制与分配策略，但它们并不确切掌握另一类智能体的位置或动作信息。追捕者（或逃避者）仅利用带噪声的机载传感器，对逃避者（或追捕者）的位置进行概率估计。每类智能体使用马尔可夫定位来更新另一类智能体的概率分布。我们为追捕者开发了一种基于搜索的控制策略，其内在地考虑了逃避者的概率分布。追捕者通过一种考虑冗余（即追捕者数量多于逃避者数量）的分配算法进行分配，以最小化捕获逃避者的总估计时间或最大估计时间。就此而言，我们假设追捕者相对于逃避者具有明显优势。然而，本工作的目标是使用最小化捕获时间的分配策略。该分配策略基于改进的匈牙利算法以及一种用于确定冗余追捕者分配的新型算法。逃避者为有效躲避追捕者，基于其对追捕者的概率性认知预测分配，并采用控制策略主动远离那些追捕者。我们的实验评估表明，冗余分配算法优于另一种基于最近邻的分配算法。