一种基于势场增强强化学习的多机器人集群围捕方法及系统

本发明涉及一种基于势场增强强化学习的多机器人集群围捕方法及系统，旨在解决现有技术中多机器人集群在复杂环境中围捕任务的学习效率低、泛化能力差和协调性不足等问题。该方法通过结合势场法与强化学习，利用机器人之间的局部感知信息，实时计算吸引力和排斥力，动态调整运动轨迹，确保集群高效协同。通过势场增强机制，机器人能够在障碍物和猎物的引导下优化路径规划，避免碰撞并完成围捕任务。发明还引入身份权衡策略，根据任务需求和机器人状态动态调整集群内成员角色，提升集群的自主性与灵活性。实验结果表明，本发明方法能够在动态和复杂环境中有效执行任务，具有较强的适应性、鲁棒性与可扩展性。该方法及系统可广泛应用于无人机编队、自动化追捕、智能监控等领域。