本发明公开一种基于自组织映射网络的多机器人协同追捕猎物方法，具体步骤如下：1）选择四个靠近点，并执行SOM网络，选择四个获胜神经元；2）各获胜机器人以自己为中心设定特定范围，选择所有范围内机器人为协同机器人，且分配不同的可移动距离。3）获胜机器人行进可移动距离后，基站重新迭代执行SOM网络，分配移动距离，直到有四个机器人到达四个靠近点。4）选择四个捕获点，四个机器人以最大行进速度向四个捕获点移动；5）四个机器人到达捕获点，或移动过程中感知到猎物，则开始捕获猎物。相比较于常规的多机器人协同追捕的方法，本发明可通过减少机器人的行进路径而减少能耗，并通过机器人协同控制提高抓捕率。
1.一种基于自组织映射网络的多机器人协同追捕猎物方法，其特征在于，具体步骤如下：
步骤1‑1：当发现猎物之后，基站以猎物的位置为圆心，两倍的猎物感知距离为半径作圆，在其圆周上均匀选择四个靠近点，随后以四个靠近点的地理位置信息为输入神经元，围捕区域内所有机器人为输出神经元，通过执行SOM网络算法选择分别对应四个靠近点的四个获胜神经元，且四个获胜神经元分别对应四个机器人，即为获胜机器人；
步骤1‑2：四个获胜机器人均分别执行以下步骤：基站以获胜机器人的位置为圆心，以特定距离为半径作圆，将该范围内所有其他机器人选择为该获胜机器人的协同机器人，基站计算获胜机器人与各协同机器人的SOM网络邻域函数值，根据SOM网络邻域函数值结果，对获胜机器人及其协同机器人分配不同的可移动距离；
步骤1‑3：获胜机器人与其协同机器人一同向对应的靠近点行进，如果获胜机器人与其协同机器人的行进路线不经过猎物的感知范围，那么获胜机器人与其协同机器人直接朝着目标靠近点前进；如果获胜机器人与其协同机器人的行进路线经过猎物的感知范围时，那么获胜机器人与其协同机器人需绕开猎物的感知范围，即协同机器人和获胜机器人会以猎物位置和目标靠近点连线的平行方向为前进方向，协同机器人行进可移动距离后停止等待，获胜机器人行进可移动距离后，基站重新迭代执行SOM网络算法，即重新选择四个获胜机器人及其对应的协同机器人，分配可移动距离，直到四个获胜机器人到达四个靠近点；
步骤1‑4：当四个获胜机器人均到达其对应的靠近点后，以猎物的位置为圆心，获胜机器人的感知距离为半径作圆，在其圆周上选择四个捕获点，且四个捕获点的初始位置与各自对应的靠近点、猎物位置形成共线，四个机器人以最大行进速度向四个捕获点移动；
步骤1‑5：如果猎物是静止的，则四个获胜机器人同时移动到捕获点，开始围捕；如果猎物在移动，获胜机器人从靠近点移动到捕获点的过程中，猎物移动到任意获胜机器人的感知范围时，该获胜机器人开始进行捕获目标，并广播猎物的实时位置，其他三个获胜机器人根据猎物的实时位置，更新捕获点位置并向其移动，到达以后进行捕获；
步骤1‑6：在围捕阶段，当获胜机器人与猎物的直线和猎物的移动方向形成的角度为锐角时，通过三角函数计算该机器人适合的移动地点，缩短与猎物的距离；当获胜机器人与猎物的直线和猎物的移动方向形成的角度大于锐角时，获胜机器人沿着猎物的移动方向持续跟随，当一个获胜机器人碰触猎物，或四个获胜机器人均匀分布在猎物周围且距离都小于某一个阈值时，可成功捕获猎物。
2.根据权利要求1所述的一种基于自组织映射网络的多机器人协同追捕猎物方法，其特征在于，机器人的感知范围大于等于猎物的感知范围，机器人的移动速度大于等于猎物的移动速度。
3.根据权利要求1所述的一种基于自组织映射网络的多机器人协同追捕猎物方法，其特征在于，所述步骤1‑1中，SOM网络算法选择的获胜神经元由两种元素决定，两种元素包括机器人与靠近点的距离、机器人与猎物之间的距离，且获胜神经元的选择计算公式如式(1)所示：其中，Ri为第i个靠近点的获胜神经元，j为机器人的顺序编号，S为所有机器人的集合，Pj为第j个机器人的位置，Vi为第i个靠近点的位置，dist(Pj,Vi)为Pj与Vi的距离，T为猎物的位置，dist(Pj,T)为Pj与T的距离，e为自然底数，Q为范围从0到e之间的调节系数。
4.根据权利要求1所述的一种基于自组织映射网络的多机器人协同追捕猎物方法，其特征在于，所述步骤1‑2中，获胜神经元选择协同机器人的过程中，通过计算SOM网络的邻域函数值决定协同机器人的可移动距离，邻域函数值f(j)的计算公式如式(2)所示：其中，j为机器人的顺序编号，f(j)为第j个机器人的邻域函数值，Pj为第j个机器人的位置，P(Ri)为第i个靠近点获胜神经元的位置，dist(Pj,P(Ri))为Pj与P(Ri)的距离，λ为邻域函数的影响半径；δ、g为常数，δ决定协同机器人移动距离的变化幅度，g决定协同机器人首次迭代的移动距离，k是SOM网络目前的迭代次数。
5.根据权利要求1所述的一种基于自组织映射网络的多机器人协同追捕猎物方法，其特征在于，所述步骤1‑2中，获胜机器人及其协同机器人分配的可移动距离由邻域函数值f(j)计算得出，如式(3)所示：其中，j为机器人的顺序编号，Dj为第j个机器人的可移动距离，f(j)为第j个机器人的邻域函数值，Pj为第j个机器人的位置，Vi为第i个靠近点的位置，dist(Pj,Vi)为Pj与Vi的距离，k是SOM网络目前的迭代次数；N为常数，N决定SOM网络的最大迭代次数。
6.根据权利要求1所述的一种基于自组织映射网络的多机器人协同追捕猎物方法，其特征在于，所述步骤1‑3中，当获胜机器人及其协同机器人的行进路线横切猎物的感知范围时，需绕开猎物的感知范围，具体方法如下：当获胜机器人到目标靠近点的距离与机器人到猎物的距离的比值不大于1时，获胜机器人向目标靠近点移动；当获胜机器人到目标靠近点的距离与机器人到猎物的距离的比值大于1时，获胜机器人沿与猎物和目标靠近点连线平行的直线轨迹移动，且移动方向与猎物至目标靠近点一致。
7.根据权利要求1所述的一种基于自组织映射网络的多机器人协同追捕猎物方法，其特征在于，所述步骤1‑6中，当获胜机器人与猎物的直线和猎物的移动方向形成的角度为锐角时，机器人的移动方向如下：以获胜机器人和猎物位置的连线为横坐标，猎物的移动角度为α时，机器人的移动角度为π‑α，使获胜机器人的移动路线与猎物的移动路线存在一个相交点，获胜机器人在相交点捕获目标。
8.根据权利要求1所述的一种基于自组织映射网络的多机器人协同追捕猎物方法，其特征在于，当权利要求1所述的多机器人协同追捕猎物方法应用于三维环境中时，在三维环境中，选择六个靠近点与六个获胜神经元，所述三维环境包括水下、空中。
一种基于自组织映射网络的多机器人协同追捕猎物方法
技术领域
[0001] 本发明涉及一种基于自组织映射网络的多机器人协同追捕猎物方法，属于人工智能技术领域。
背景技术
[0002] 多机器人猎物追捕技术是一种通过多个智能机器人之间的协作和协调，结合定位、目标识别、自动化控制等技术，追捕一个或多个移动目标的技术。其应用领域包括国防安全、生态环境保护、智能交通、海洋捕捞等。常规的多机器人猎物追捕技术假设机器人的感知范围必须大于猎物的感知范围，机器人的移动速度必须大于猎物的移动速度。
发明内容
[0003] 针对现有技术的不足，本发明提供一种基于自组织映射网络的多机器人协同追捕猎物方法，适用于已知环境下的多机器人协同追捕问题。
[0004] 本发明中主要采用的技术方案为：
[0005] 一种基于自组织映射网络的多机器人协同追捕猎物方法，具体步骤如下:
[0006] 步骤1‑1：当发现猎物之后，基站以猎物的位置为圆心，两倍的猎物感知距离为半径作圆，在其圆周上均匀选择四个靠近点，随后以四个靠近点的地理位置信息为输入神经元，围捕区域内所有机器人为输出神经元，通过执行SOM网络算法选择分别对应四个靠近点的四个获胜神经元，且四个获胜神经元分别对应四个机器人，即为获胜机器人；
[0007] 步骤1‑2：四个获胜机器人均分别执行以下步骤：基站以获胜机器人的位置为圆心，以特定距离为半径作圆，将该范围内所有其他机器人选择为该获胜机器人的协同机器人，基站计算获胜机器人与各协同机器人的SOM网络邻域函数值，根据SOM网络邻域函数值结果，对获胜机器人及其协同机器人分配不同的可移动距离；
[0008] 步骤1‑3：获胜机器人与其协同机器人一同向对应的靠近点行进，如果获胜机器人与其协同机器人的行进路线不经过猎物的感知范围，那么获胜机器人与其协同机器人直接朝着目标靠近点前进；如果获胜机器人与其协同机器人的行进路线经过猎物的感知范围时，那么获胜机器人与其协同机器人需绕开猎物的感知范围，即协同机器人和获胜机器人会以猎物位置和目标靠近点连线的平行方向为前进方向，协同机器人行进可移动距离后停止等待，获胜机器人行进可移动距离后，基站重新迭代执行SOM网络算法，即重新选择四个获胜机器人及其对应的协同机器人，分配可移动距离，直到四个获胜机器人到达四个靠近点；
[0009] 步骤1‑4：当四个获胜机器人均到达其对应的靠近点后，以猎物的位置为圆心，获胜机器人的感知距离为半径作圆，在其圆周上选择四个捕获点，且四个捕获点的初始位置与各自对应的靠近点、猎物位置形成共线，四个机器人以最大行进速度向四个捕获点移动；
[0010] 步骤1‑5：如果猎物是静止的，则四个获胜机器人同时移动到捕获点，开始围捕；如果猎物在移动，获胜机器人从靠近点移动到捕获点的过程中，猎物移动到任意获胜机器人的感知范围时，该获胜机器人开始进行捕获目标，并广播猎物的实时位置，其他三个获胜机器人根据猎物的实时位置，更新捕获点位置并向其移动，到达以后进行捕获；
[0011] 步骤1‑6：在围捕阶段，当获胜机器人与猎物的直线和猎物的移动方向形成的角度为锐角时，通过三角函数计算该机器人适合的移动地点，缩短与猎物的距离；当获胜机器人与猎物的直线和猎物的移动方向形成的角度大于锐角时，获胜机器人沿着猎物的移动方向持续跟随，当一个获胜机器人碰触猎物，或四个获胜机器人均匀分布在猎物周围且距离都小于某一个阈值时，可成功捕获猎物。
[0012] 优选地，机器人的感知范围大于等于猎物的感知范围，机器人的移动速度大于等于猎物的移动速度。
[0013] 优选地，所述步骤1‑1中，SOM网络算法选择的获胜神经元由两种元素决定，两种元素包括机器人与靠近点的距离、机器人与猎物之间的距离，且获胜神经元的选择计算公式如式(1)所示：
[0014]
[0015] 其中，Ri为第i个靠近点的获胜神经元，j为机器人的顺序编号，S为所有机器人的集合，Pj为第j个机器人的位置，Vi为第i个靠近点的位置，dist(Pj,Vi)为Pj与Vi的距离，T为猎物的位置，dist(Pj,T)为Pj与T的距离，e为自然底数，Q为范围从0到e之间的调节系数。
[0016] 优选地，所述步骤1‑2中，获胜神经元选择协同机器人的过程中，通过计算SOM网络的邻域函数值决定协同机器人的可移动距离，邻域函数值f(j)的计算公式如式(2)所示：
[0017]
[0018] 其中，j为机器人的顺序编号，f(j)为第j个机器人的邻域函数值，Pj为第j个机器人的位置，P(Ri)为第i个靠近点获胜神经元的位置，dist(Pj,P(Ri))为Pj与P(Ri)的距离，λ为邻域函数的影响半径；δ、g为常数，δ决定协同机器人移动距离的变化幅度，g决定协同机器人首次迭代的移动距离，k是SOM网络目前的迭代次数。
[0019] 优选地，所述步骤1‑2中，获胜机器人及其协同机器人分配的可移动距离由邻域函数值f(j)计算得出，如式(3)所示：
[0020]
[0021] 其中，j为机器人的顺序编号，Dj为第j个机器人的可移动距离，f(j)为第j个机器人的邻域函数值，Pj为第j个机器人的位置，Vi为第i个靠近点的位置，dist(Pj,Vi)为Pj与Vi的距离，k是SOM网络目前的迭代次数；N为常数，N决定SOM网络的最大迭代次数。
[0022] 优选地，所述步骤1‑3中，当获胜机器人及其协同机器人的行进路线横切猎物的感知范围时，需绕开猎物的感知范围，具体方法如下：
[0023] 当获胜机器人到目标靠近点的距离与机器人到猎物的距离的比值不大于1时，获胜机器人向目标靠近点移动；当获胜机器人到目标靠近点的距离与机器人到猎物的距离的比值大于1时，获胜机器人沿与猎物和目标靠近点连线平行的直线轨迹移动，且移动方向与猎物至目标靠近点一致。
[0024] 优选地，所述步骤1‑6中，当获胜机器人与猎物的直线和猎物的移动方向形成的角度为锐角时，机器人的移动方向如下：
[0025] 以获胜机器人和猎物位置的连线为横坐标，猎物的移动角度为α时，机器人的移动角度为π‑α，使获胜机器人的移动路线与猎物的移动路线存在一个相交点，获胜机器人在相交点捕获目标。
[0026] 优选地，当上述的多机器人协同追捕猎物方法应用于三维环境中时，在三维环境中，选择六个靠近点与六个获胜神经元，所述三维环境包括水下、空中。
[0027] 有益效果：本发明提供一种基于自组织映射网络的多机器人协同追捕猎物方法，相比较于常规的多机器人协同追捕的方法，本发明假设机器人的感知范围可大于等于猎物的感知范围，机器人的移动速度可大于等于猎物的移动速度；该方法可通过减少机器人的行进路径而减少能耗，并通过机器人协同控制提高抓捕率。
附图说明
[0028] 图1是本发明的网络模型；
[0029] 图2是本发明所采用SOM网络模型；
[0030] 图3是本发明围捕阶段锐角的情况；
[0031] 图4是本发明围捕阶段非锐角的情况；
[0032] 图5是本发明机器人直接向目标靠近点移动的情况；
[0033] 图6是本发明机器人向以猎物和目标靠近点直线方向为前进方向移动的情况；
[0034] 图7是本发明在三维情况下的应用；
[0035] 图8是本发明具体实施方式中逃逸模型的第一种情况；
[0036] 图9是本发明具体实施方式中逃逸模型的第二种情况。
具体实施方式
[0037] 为了使本技术邻域的人员更好地理解本申请中的技术方案，下面对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本邻域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
[0038] 一种基于自组织映射网络的多机器人协同追捕猎物方法，具体步骤如下：
[0039] 步骤1‑1：如图1所示，当发现猎物之后，基站以猎物的位置为圆心，两倍的猎物感知距离为半径作圆，在其圆周上均匀选择四个靠近点，随后以四个靠近点的地理位置信息为输入神经元，围捕区域内所有机器人为输出神经元，通过执行SOM网络算法选择分别对应四个靠近点的四个获胜神经元，且四个获胜神经元分别对应四个机器人，即为获胜机器人；
[0040] 步骤1‑2：四个获胜机器人均分别执行以下步骤：基站以获胜机器人的位置为圆心，以特定距离为半径作圆，将该范围内所有其他机器人选择为该获胜机器人的协同机器人，基站计算获胜机器人与各协同机器人的SOM网络邻域函数值，根据SOM网络邻域函数值结果，对获胜机器人及其协同机器人(本发明中，获胜机器人和协同机器人会朝目标前进不同的距离，这是由邻域函数值决定的。总的来说，获胜机器人移动的距离最长，对于协同机器人，越靠近获胜机器人，前进的距离也就越长。)分配不同的可移动距离；
[0041] 步骤1‑3：获胜机器人与其协同机器人一同向对应的靠近点行进，如果获胜机器人与其协同机器人的行进路线不经过猎物的感知范围，那么获胜机器人与其协同机器人直接朝着目标靠近点前进；如果获胜机器人与其协同机器人的行进路线经过猎物的感知范围时，那么获胜机器人与其协同机器人需绕开猎物的感知范围，即协同机器人和获胜机器人会以猎物位置和目标靠近点连线的平行方向为前进方向，协同机器人行进可移动距离后停止等待，获胜机器人行进可移动距离后，基站重新迭代执行SOM网络算法，即重新选择四个获胜机器人及其对应的协同机器人，分配可移动距离，直到四个获胜机器人到达四个靠近点(本发明中，只有获胜机器人能够到达靠近点，因为随着迭代次数的增加，根据邻域函数，协同机器人前进的距离会越来越小，最终会停在中途的某个位置。但是如果中途获胜机器人发生故障，那么最靠近获胜机器人的协同机器人就会顶替它的位置，成为获胜机器人。)；
[0042] 步骤1‑4：如图1所示，当四个获胜机器人均到达其对应的靠近点后，以猎物的位置为圆心，获胜机器人的感知距离为半径作圆，在其圆周上选择四个捕获点，且四个捕获点的初始位置与各自对应的靠近点、猎物位置形成共线，四个机器人以最大行进速度向四个捕获点移动；
[0043] 步骤1‑5：如果猎物是静止的，则四个获胜机器人同时移动到捕获点，开始围捕；如果猎物在移动，获胜机器人从靠近点移动到捕获点的过程中，猎物移动到任意获胜机器人的感知范围时，该获胜机器人开始进行捕获目标，并广播猎物的实时位置，其他三个获胜机器人根据猎物的实时位置，更新捕获点位置并向其移动，到达以后进行捕获(当猎物位置发生变化后，四个捕获点位置确定方法为：以猎物位置为中心，机器人感知距离为半径作圆，在其圆周上选择四个前后左右的位置为捕获点。)；
[0044] 步骤1‑6：在围捕阶段，当获胜机器人与猎物的直线和猎物的移动方向形成的角度为锐角时，通过三角函数计算该机器人适合的移动地点，缩短与猎物的距离(如图3所示，A点为猎物的初始位置，AB为猎物的移动方向，C1为机器人的初始位置，因为∠A为锐角，因此机器人可以在保证与猎物相对位置的同时，缩小与猎物之间的距离。从图3中可以明显的看出，机器人理想移动方向的角度与猎物移动角度恰好互为补角，并且最终在D点相遇，又因为猎物此时在机器人的感知范围内，因此可以实时对猎物位置进行追踪。)；当获胜机器人与猎物的直线和猎物的移动方向形成的角度大于锐角时，获胜机器人沿着猎物的移动方向持续跟随，当一个获胜机器人碰触猎物，或四个获胜机器人均匀分布在猎物周围且距离都小于某一个阈值时，可成功捕获猎物(如图4所示，A点为猎物的初始位置，AB为猎物的移动方向，D1为机器人的初始位置，因为∠A为钝角，因此在猎物与机器人速度相同的情况下，机器人在保证与猎物相对位置的同时，无法缩小与猎物之间的距离，因此机器人沿着猎物的移动方向持续跟随即可。)。
[0045] 上述过程中，机器人模型、猎物模型以及逃逸模型如下：
[0046] 机器人模型：机器人随机部署在区域环境中，其感知半径为Rs，航行速度为v，并且机器人之间可以相互通信；
[0047] 猎物模型：猎物感知半径为Rs，最大航行速度为v，跟机器人速度一样，但猎物之间不可通信；
[0048] 逃逸模型：如图8所示，当猎物感知到某一方向有机器人时，会朝着与它相反的方向以最大速度进行逃逸；如图9所示当猎物发现自身已被机器人包围时，会朝着相邻机器人之间间距最大的中点方向以最大速度移动。
[0049] 优选地，机器人的感知范围大于等于猎物的感知范围，机器人的移动速度大于等于猎物的移动速度。
[0050] 优选地，步骤1‑1中，四个靠近点的坐标为：
[0051] (xej+2Rs*cos(90*i),yej+2Rs*sin(90*i))，
[0052] 其中，i＝0,1,2,3分别为四个靠近点的次序，(xej,yej)为第j个猎物的坐标，Rs为猎物的感知距离；
[0053] 所述步骤1‑1中，SOM网络算法选择的获胜神经元由两种元素决定，两种元素包括机器人与靠近点的距离、机器人与猎物之间的距离，当机器人到靠近点的距离与机器人到猎物之间的距离比值小于1时，说明机器人到靠近点的行进路线不会经过猎物的感知区域，应该优先被选择；此外，机器人到靠近点的距离，距离越小越优先被选择。本文采用获胜神经元的计算公式如式(1)所示，当在所有机器人集合中，第j个机器人与输入神经元之间的权值最小时，该机器人就会被选择为获胜神经元：
[0054]
[0055] 其中，Ri为第i个靠近点的获胜神经元，j为机器人的顺序编号，S为所有机器人的集合，Pj为第j个机器人的位置，Vi为第i个靠近点的位置，dist(Pj,Vi)为Pj与Vi的距离，T为猎物的位置，dist(Pj,T)为Pj与T的距离，e为自然底数，Q为范围从0到e之间的调节系数。
[0056] 优选地，所述步骤1‑2中，获胜神经元选择协同机器人的过程中，通过计算SOM网络的邻域函数值决定协同机器人的可移动距离，邻域函数值f(j)的计算公式如式(2)所示：
[0057]
[0058] 其中，j为机器人的顺序编号，f(j)为第j个机器人的邻域函数值，Pj为第j个机器人的位置，P(Ri)为第i个靠近点获胜神经元的位置，dist(Pj,P(Rj))为Pj与P(Ri)的距离，λ为邻域函数的影响半径；δ、g为常数，δ决定协同机器人移动距离的变化幅度，g决定协同机器人首次迭代的移动距离，k是SOM网络目前的迭代次数；
[0059] 从式(2)可以看出，邻域函数值的取值范围为0到1，并且仅当获胜机器人本身才能取到最大值1，协同机器人离获胜机器人越远，其邻域函数取值越小，那么其行进的距离也相应越小。
[0060] 优选地，所述步骤1‑2中，获胜机器人及其协同机器人分配的可移动距离由邻域函数值f(j)计算得出，如式(3)所示：
[0061]
[0062] 其中，j为机器人的顺序编号，Dj为第j个机器人的可移动距离，f(j)为第j个机器人的邻域函数值，Pj为第j个机器人的位置，Vi为第i个靠近点的位置，dist(Pj,Vi)为Pj与Vi的距离，k是SOM网络目前的迭代次数；N为常数，N决定SOM网络的最大迭代次数。
[0063] 优选地，所述步骤1‑3中，当机器人的行进路线横切猎物的感知范围时，需绕开猎物的感知范围，具体方法如下：
[0064] 当获胜机器人到目标靠近点的距离与机器人到猎物的距离的比值不大于1时，获胜机器人向目标靠近点移动，如图5所示，机器人在以猎物与目标靠近点连线的中垂线的右边，即靠近目标靠近点的一边，因此机器人的行进路线不会经过猎物的感知区域，只需要直接向目标靠近点移动；当获胜机器人到目标靠近点的距离与机器人到猎物的距离的比值大于1时，获胜机器人沿与猎物和目标靠近点连线平行的直线轨迹移动，且移动方向与猎物至目标靠近点一致，如图6所示，机器人在中垂线左边，即靠近猎物的一边，这时候机器人如果直接朝着目标靠近点移动，肯定会经过猎物的感知区域，因为猎物具有与机器人相同的速度，因此这样会因为猎物逃逸而导致围捕失败，因此机器人会向以猎物和目标靠近点直线方向为前进方向移动，这样移动到中垂线的另一边后，等到下次迭代就可以直接移动到目标靠近点了。
[0065] 优选地，所述步骤1‑6中，当获胜机器人与猎物的直线和猎物的移动方向形成的角度为锐角时，机器人的移动方向如下：
[0066] 如图3所示，以获胜机器人和猎物位置的连线为横坐标，猎物的移动角度为α时，机器人的移动角度为π‑α，使获胜机器人的移动路线与猎物的移动路线存在一个相交点，获胜机器人在相交点捕获目标；
[0067] 当机器人与猎物的直线和猎物的移动方向形成的角度不是锐角时，机器人的移动方向如下：
[0068] 如图4所示，因为猎物的最大速度与机器人的最大速度一样，因此，在这种情况下机器人无法缩小与猎物的距离，只能进行跟随。以机器人和猎物位置的连线为横坐标，猎物的移动角度为α时，机器人的移动角度也为α，机器人始终保持相对位置即可。
[0069] 优选地，如图7所示，当上述的多机器人协同追捕猎物方法应用于三维环境中时，在三维环境中，选择六个靠近点与六个获胜神经元，所述三维环境包括水下、空中。
[0070] 以上所述仅是本发明的优选实施方式，应当指出，对于本技术邻域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
