绝对定位机制下目标位置估计辅助的群机器人搜索

作者：太原科技大学 昝云龙

欢迎访问e展厅 展厅 1 工业机器人展厅 大负载机器人, 直角坐标机器人, 机械手, ... 摘要：在面向目标搜索、采用群体智能方法进行的群机器人协调控制过程中，机器人的搜索行为受自身对环境的认知和群体内分享的经验共同引导，且群体经验发挥了较大作用。由于群体经验从本质上看属于某个个体的认知，为提高目标搜索速度，在绝对定位机制下引入群机器人关于目标的位置估计这一群体决策。首先，采用扩展的微粒群算法建模法对群机器人系统建模。然后，基于群体经验对搜索行为引导作用的本质，以及采用RSSI法对目标位置进行估计的实质，将本质上属于单个机器人的经验与集体决策结合起来用于目标搜索控制。当满足目标位置估计条件时，将目标位置估计值引入扩展的微粒群算法模型；不满足位置估计条件时则保留原模型。仿真实验的结果表明，与单纯采用群体经验的模型法相比，无论在目标搜索成功率、搜索效率和能耗方面，本文算法均优于前者。 关键词：群机器人；微粒群算法；目标搜索；位置估计 1 引言 群机器人是特殊的多自主机器人系统[1]，由若干相对简单的机器人组成，个体仅具有有限的环境感知能力，其结构和功能角色均是同构的。群机器人系统具有以下特征[2]：鲁棒性；柔性；系统规模的可伸缩性。群机器人研究分为若干基准问题[3]，如搬运、编队、搜索、围捕等。其中的搜索任务包含若干本质科学问题[4]，如定位、通信、避碰、路径规划等，而定位是机器人识别自身在环境中所处位置，与其他机器人协同工作的基础。群机器人定位[5]，是指自主移动机器人在运动过程中实时采集里程计和传感器的测量数据，对自身位姿和其时变特征群内机器人位姿进行推测的过程，在此基础上，还可以进行运行速度的推测和目标位姿的估计。群机器人定位主要分两种[6]：绝对定位和相对定位。群机器人的绝对定位[7]，是在工作环境中或环境外设置一个参考点作为所有机器人的参照基准，然后每个机器人通过自身所携传感器对位姿进行推算，然后通过参考点对推算位置进行修正以消除积累误差。群机器人的相对定位机制[8]，是每个单体机器人均以自身所在位置作为参考点，以自身的头部朝向作为坐标系正方向来构建自身的局部坐标系，以自身对其他机器人的相对位置检测量作为其他机器人的位姿。绝对定位方法主要有导航信标定位、主动或被动标识定位、图形匹配定位、GPS定位、概率定位等；相对定位则主要有惯性导航、测程法等[9]。本文研究绝对定位机制下的群机器人目标搜索问题。已有的群机器人目标搜索研究，采用了扩展的微粒群算法模型进行系统建模和控制。扩展微粒群模型是靠自身经验和群体经验进行迭代期望位置和速度的。自身经验是引入短期记忆机制，从目前位置和上一步位置的目标信号强度决定，群体经验是机器人和其时变特征群内机器人监测到的目标信号强度值来判断自身的群体经验。可见，群体经验是基于时变特征群内所有机器人的认知“选举”得出的。无论是机器人的个体感知还是群体经验，从本质上说，引导机器人搜索行为的均属于单个机器人的认知。无线传感网络由分散的节点组成，每个节点具有传感、计算和通信的能力，其功能上与群机器人有相似之处。无线传感器网络中节点定位技术主要有无需测距和需测距两种，需测距定位法中的RSSI算法是比较成熟的方法。而群机器人的本质是无线传感器网络，个体机器人是具有运动属性的传感器网络的节点。基于无线传感器网络的目标定位的本质是群体决策的结果。考虑到搜索效率问题，本文将目标位置估计与群机器人搜索结合起来。在满足RSSI法目标位置估计条件时，通过机器人传感器的对目标信号的检测，对目标位置进行估计，并用目标位置估计值对模型进行修正，进而辅助群机器人进行目标搜索。 本文安排如下：第2节描述采用扩展的微粒群算法进行系统建模和协调控制进行群机器人目标搜索的方法，并对基于该法引导个体机器人搜索行为的本质进行分析；第3节介绍RSSI方法，结合自主运动机器人分析其定位的本质；第4节阐述目标位置估计的群机器人搜索方法，并给出其算法；第5节进行仿真实验，并对结果进行讨论。为了对比，同时进行了不考虑目标位置估计值的扩展微粒群算法模型法的目标搜索实验。第6节得出有关结论，并以未来的研究展望作结。 2 面向目标搜索的群机器人建模和协调控制 群机器人目标搜索任务在群机器人应用中占据特殊重要位置，相对于其他任务，目标搜索是基础。群机器人目标搜索任务在协调控制中采用扩展微粒群模型为其控制工具。扩展微粒群模型[10]为 机器人在搜索目标任务之初被随机放置在一个半径小于R的圆内，圆心距目标位置较远，这样是为了提高搜索难度。机器人初始速度与位置均为随机值，初始速度为最大速度为[0,1]之间随机值。机器人第一次监测目标信号，目标信号强度值[11]由 是成正态分布的高斯白噪声。机器人将测得的信号强度值，和自身位置坐标广播出去，同时监听其时变特征群内机器人发送过来的信号。机器人将初始位置作为自身最优位置，机器人和群内邻居机器人的目标信号强度值做比较，将最大值机器人的位置作为自身的群最优位置。根据监听到的信号，如果群内没有任何机器人检测到目标信号则进行螺旋发散式漫游状态，其迭代公式为 如果群内有至少一个机器人检测到目标强度信号，则进行智能搜索状态，其迭代公式为式1，机器人根据初始位置，自身最优位置和群最优位置计算出自己的期望位置和速度。至此，机器人移动一步。机器人再监测目标信号一次，根据式2计算出目标信号强度值。机器人将测得的信号强度值和更新位置坐标广播出去，同时监听其时变特征群内机器人发送过来的信号。机器人通过[12] 计算出自身最优位置，再将自身目标信号强度值和群内邻居机器人做比较，将最大值的机器人位置作为自身的群最优位置，根据监听到的信号，如果群内没有任何机器人监测到目标信号则进行螺旋发散式漫游状态，其迭代公式为式3。如果群内有至少一个机器人监测到目标强度信号，则进行智能搜索状态，其迭代公式为式1，机器人根据现位置，自身最优位置和群最优位置计算出自己的期望位置和速度。至此，机器人又移动一步。如此反复直至群内至少有一个机器人距离目标小于一个设定值，或者超过最大迭代步数。 自身经验是引入短期记忆机制，从目前位置和上一步位置的目标信号强度决定，群体经验是机器人和其时变特征群内机器人监测到的目标信号强度值来判断自身的群体经验。可见，群体经验是由时变特征群内所有机器人的认知中的某一个担当。无论是机器人的个体感知还是群体经验，从本质上说，引导机器人搜索行为的均属于单个机器人的认知，并未进行集体决策。而目标位置估计相当于集体决策，因为该法用到了参与估计的至少三个机器人的经验。 3 引入目标位置估计的目标搜索 无线传感网络由分散的节点组成，每个节点具有传感、计算和通信的能力，其功能上与群机器人有相似之处。无线传感器网络中节点定位技术主要有无需测距和需测距两种，需测距定位法中的RSSI算法是比较成熟的方法。根据无线传感网络节点定位技术和群机器人绝对定位技术的相似性，将RSSI算法引入其中。机器人在进行搜索目标任务时，当群内包括自己至少有三个机器人检测到的目标信号强度不为0，且这三个机器人不在同一条直线上，则满足RSSI估计目标位置条件。 4 算法描述 引入目标位置估计的新模型仿真算法过程如下： 5 仿真结果 对于扩展模型和本文模型，分别用3至10个机器人进行五十次仿真，总共是8000次，对仿真得出的数据进行分析比较。扩展微粒群模型和本文模型性能评价指标主要为，本文模型机器人数量从3至10搜索目标成功率比较；本文模型机器人数量从3至10搜索目标步数期望比较；本文模型和扩展微粒群模型机器人数量从3至10搜索目标成功率比较；本文模型和扩展微粒群模型机器人数量从3至10搜索目标步数期望比较；本文模型和扩展微粒群模型机器人数量从3至10搜索目标步长期望比较；本文模型在满足RSSI法进行目标位置估计时，个体机器人对目标位置的估计值和其群最优位置距目标距离的期望比较。 5.2仿真数据 为了本文模型和扩展微粒群模型比较方便，在数据图和数据表格中样式规整，以下将本文模型简称方法1，扩展微粒群模型简称方法2。 从表和图中可以看出方法1随着机器人的数量增加成功率也在增加，说明群体搜索效率随着系统的规模扩大而提高。模型在相同机器人数量时，方法1总体上也比方法2提高，说明方法1同情形下搜索效率比方法2高。 从表和图中可以看出方法1随着机器人数量增加搜索步数在逐渐减少，说明群体搜索所需要消耗的步数在减少，其搜索效率在增加。模型在机器人数量相同时，方法1所消耗步数略优于方法2，但是在标准差上明显优于方法2，说明方法1搜索步数比方法2稳定性高。 从表和图中可以看出，模型在机器人数量相同时方法1比方法2所消耗的步长少，说明其消耗的能量少，在节能方面证明其优势所在。 群机器人在方法1搜索目标时，当满足RSSI法时对目标位置进行估计，由此来更新期望位置与速度，如若不满足RSSI法时用方法2中的迭代公式。可以在满足RSSI条件时用目标估计位置与群最优位置的距目标位置距离期望值来判断方法1中新的迭代公式引导群机器人搜索目标的能力。从表和图中数据可以看出，方法1在机器人数量相同时，满足RSSI法估计目标位置条件时，对目标位置的估计值距目标的距离比其同时群最优位置距目标位置小，说明其引导机器人搜索目标能力强。 6 结束语 通过仿真实验验证了本文模型的可行性，其定位效率，步数和能耗方面均优于扩展微粒群模型。但是这仅是在绝对定位机制下的目标搜索任务定位效率的研究，还有相对定位机制下引入目标位置估计定位效率正待研究。

文章内容仅供参考 (投稿) (如果您是本文作者，请点击此处) (10/29/2011)