多機器人編隊導(dǎo)航若干關(guān)鍵技術(shù)研究.pdf

1、多機器人學(xué)是當(dāng)前機器人領(lǐng)域中令人激動且富有挑戰(zhàn)性的新興學(xué)科，有很強的學(xué)科交叉性，涉及到了生物學(xué)、管理學(xué)、分布式人工智能和控制論等多個領(lǐng)域。多機器人學(xué)領(lǐng)域的一個重要組成部分就是多機器人系統(tǒng)協(xié)作的研究，從系統(tǒng)的角度探討機器人群體的合作行為、信息交互及進化機制等。本文研究的多機器人編隊導(dǎo)航正是典型的多機器人系統(tǒng)協(xié)作課題，該課題被廣泛應(yīng)用于軍事、救援、安防和機器人足球等領(lǐng)域。 多機器人編隊導(dǎo)航是指機器人群體通過傳感器感知周邊環(huán)境和自身狀

2、態(tài)，協(xié)作完成編隊，實現(xiàn)在有障礙物的環(huán)境中向目標(biāo)運動。其研究內(nèi)容包括了協(xié)作定位，路徑規(guī)劃，多機器人通信，以及合作編隊等關(guān)鍵技術(shù)。本文圍繞多機器人編隊導(dǎo)航的幾個關(guān)鍵技術(shù)，根據(jù)它們在編隊導(dǎo)航系統(tǒng)構(gòu)成中的先后邏輯，展開深入研究。 定位問題是編隊導(dǎo)航基礎(chǔ)而又重要的問題，定位的精度及實時性直接影響到編隊及導(dǎo)航的質(zhì)量。本文針對編隊機器人協(xié)同定位問題，提出了一種基于多傳感器融合的多機器人協(xié)同定位方法。該方法以建立一個聯(lián)合濾波模型為基礎(chǔ)，聯(lián)合濾波

3、模型由三個子濾波器及一個主濾波器組成。首先利用離散卡爾曼濾波器融合機器人內(nèi)部里程計與陀螺儀，推導(dǎo)出慣導(dǎo)系統(tǒng)狀態(tài)方程；接著改進了CMVision算法，并結(jié)合Adaboost算法訓(xùn)練的分類器及攝像機標(biāo)定算法獲取目標(biāo)的定位信息，將此定位信息作為觀測輸入，通過擴展卡爾曼濾波器估計視覺傳感器對目標(biāo)的定位狀態(tài)；然后激光測距掃描儀結(jié)合通過視覺傳感器獲取到的目標(biāo)在水平方向的投影跟攝像機光軸的夾角，獲取目標(biāo)的定位信息。將此定位信息作為觀測輸入，通過擴展卡

4、爾曼濾波器估計激光測距掃描儀對目標(biāo)的定位狀態(tài)。最后主濾波器計算各子濾波器的信息分配因子，將各子濾波器估計結(jié)果按照信息分配因子權(quán)重，利用擴展卡爾曼濾波器進行融合，得到精確的目標(biāo)定位。 在協(xié)同定位的基礎(chǔ)上，本文針對編隊機器人導(dǎo)航過程的避障問題，提出了基于障礙物運動預(yù)測的類人方式移動機器人避障方法。該方法使用常速(CV)模型、常加速(CA)模型和當(dāng)前統(tǒng)計(CS)模型描述障礙物運動狀態(tài)，利用交互多模型(IMM)算法預(yù)測出障礙物下一時間點

5、的位置，速度及加速度。將機器人周圍空間由外到內(nèi)劃為規(guī)劃合理路徑區(qū)域(PPA)、常規(guī)避障區(qū)域(NAA)以及緊急逃逸區(qū)域(UEA)三個區(qū)域?；谡系K物運動狀態(tài)的預(yù)測信息，對進入PPA的障礙物，改進了人工勢場法進行局部路徑規(guī)劃；對進入NAA的障礙物，采用變速或繞行策略進行避障；對進入UEA區(qū)域的障礙物，采用緊急逃逸算法，計算最佳逃逸角度進行避障。 機器人之間的信息交互是多機器人系統(tǒng)研究的基礎(chǔ)，也是多機器人編隊導(dǎo)航最基本的需求。本文針對

6、采用Ad Hoc組網(wǎng)方式的編隊機器人數(shù)據(jù)通信，提出了一種基于Ad Hoc網(wǎng)絡(luò)帶寬預(yù)測方式的實時數(shù)據(jù)傳輸模型。發(fā)送方在通信過程中，使用跨層方式與接收端反饋方式，周期性提取對傳輸性能影響較大的幾個因素。根據(jù)這些因素之間的依賴關(guān)系，構(gòu)建貝葉斯網(wǎng)絡(luò)預(yù)測模型，并將周期性獲取的影響因素值作為實時樣本數(shù)據(jù)輸入預(yù)測模型。預(yù)測模型輸出下一時間周期Ad Hoc網(wǎng)絡(luò)帶寬的預(yù)測值。發(fā)送方根據(jù)該預(yù)測值控制網(wǎng)絡(luò)發(fā)送流量，達到更小丟包率和更大網(wǎng)絡(luò)帶寬利用率的目的。

7、 基于上述關(guān)鍵技術(shù)的研究，本文針對編隊機器人隊形變換問題，提出了隊形變換最優(yōu)效率求解模型。將多機器人隊形變換模式分為靜態(tài)變換和動態(tài)變換，并確定隊列變換能耗(FEC)與隊列收斂時間(FCT)作為效率衡量指標(biāo)。最優(yōu)FEC效率模型是使得隊列中所有機器人移動距離之和最小的極小化模型；最優(yōu)FCT效率模型是使得隊列中移動距離最大的機器人移動的距離最小的極小化極大模型。動態(tài)變換的效率模型增加了隊形幾何中心移動方向與范圍的約束條件。通過求取模型的