精华内容
下载资源
问答
  • #资源达人分享计划#
  • 多机器人协同运输控制系统研究
  • 一种多机器人系统任务均衡分配协同工作控制方法.pdf
  • #资源达人分享计划#
  • 多机器人协同系统在汽车焊接生产线中的应用.pdf
  • #资源达人分享计划#
  • 研究背景 我们所生活的世界的动态和不可预测的本质使得很难设计出一个能够有效地适应所有环境的自主机器人。因此,各种形状、大小和能力的机器人,如无人机、无人地面车辆、类...展示了多机器人系统(MRS)的一个工作流

    研究背景

    我们所生活的世界的动态和不可预测的本质使得很难设计出一个能够有效地适应所有环境的自主机器人。因此,各种形状、大小和能力的机器人,如无人机、无人地面车辆、类人机器人等机器人。随着物联网(物联网)的出现,进行合作将大大增加自动化任务的范围。将这些设备集成在以下领域,如医疗保健、交通系统、应急响应系统、家务家务和老年人护理等,将使智能城市变得更加聪明

    本文贡献

    • 简要概述了更通用的多智能体系统(MAS)领域
    • 讨论了关于使用异构多机器人系统实现复杂任务自动化的文献
    • 展示了多机器人系统(MRS)的一个工作流的主要组件:任务分解、联盟形成、任务分配、感知和MAS规划和控制,调查每个领域中现有的工作,并确定一些剩余的挑战和未来可能的研究方向。

    相关工作

    • 与我们工作最近的两项调查:
      • 其中一个涵盖了机器人的协调,包括任务分配、分解和资源分配。然而,它关注基于市场的方法,并不包括关于联盟形成和决策模式的工作
      • 最近的一项调查讨论了现有的MRS架构、通信方案、群体机器人、任务分配和学习,如觅食、编队控制、协同对象操作和位移、路径规划和足球等应用。
    • 其他调查的范围比我们的工作范围更窄,重点集中在一个特定的研究领域,如合作的MAS规划和控制模型和算法,以及MAS中的分布式共识。一些调查集中在机器人及其分配的任务上;

    展开思路

    • 定义了MAS中的关键术语,并介绍MRS的工作流
    • 实施的调查
    • 介绍MRS工作流每个部分的现有工作
    • 剩余挑战
    • 总结展望

    多智能体系统(MAS)

    智能体(Intelligent Agents)

    • 智能体是一种物理(机器人)或虚拟(软件程序)实体,它可以在感知该环境的同时自动对环境执行操作,以实现目标。
    • 认知体系结构是“智能体的基础基础设施”:智能体的大脑。它包括感知、推理、学习、决策、解决问题、互动和沟通。
    • 评估标准是基于特定领域的性能度量、通用性、通用性、多功能性、合理性、最优性、效率、可伸缩性、自主性和可改进性的。

    多智能体系统( Multi-agent Systems)

    • MAS由多个自主的、相互作用的智能体组成,它们具有共同的或相互冲突的目标和感觉信息。它们的特征是分散的和不完整的信息、异步计算和分散的控制。然而,集中式系统或混合式系统也被认为是MAS。MRS将智能体限制在物理机器人上。
    • 评估标准是特定的或者不变的。特定于领域的标准量化性能。如对于搜救,性能措施包括获救人员或灭火人数。不变标准包括解决方案最优性、算法时间和空间复杂度、负载平衡、公平性、资源利用率和重新分配速度、通信开销、对噪声和智能体故障的鲁棒性,以及可伸缩性。

    异构MRS体系结构的三层层次结构。

    异构MRS的层次结构

    • 云连接MRS:关于所有机器人和复杂任务的信息都可以在云中获得。机器人可以通过云进行通信,并利用云中可用的任何计算资源和信息。
    • 本地连接MRS:从各种机器人的传感器中收集信息,并在它们之间进行交换。包含具有分配子任务的机器人子集。
    • 智能体:它可以进入它的感官输入和控制它的执行器。它可以与联盟内部的其他机器人进行通信,并可以连接到云上。

    任务分类法( Task Taxonomy)

    • 任务的复杂度决定了任务的难度,这会影响完成任务所需的机器人的数量和类型,并且可能由多个更简单的子任务组成。
    • 单机器人的任务可以由一个机器人完成。多机器人任务可以根据成功完成所需的合作水平来进一步区分,从松散到紧密协调。松散协调的任务可以分解为子任务,可以通过机器人之间最小的交互独立执行。紧密耦合的任务是不可分解的,需要在机器人之间具有重要交互的协调执行

    多机器人系统工作流程( Multi-robot System Workflow)

    • (1)任务分解,将复杂任务划分为简单的子任务;
    • (2)联盟组成,即智能体团队;
    • (3)任务分配,将子任务分配给智能体团队进行执行;
      (4)任务执行/规划和控制,即通过对环境执行一系列操作完成任务。

    人类设计人员根据可用机器人的能力将复杂的任务分解为更简单的子任务,并从一组智能体组成联盟。然后由机器人团队自主执行任务分配、机器人规划和控制。

    在这里插入图片描述

    应用

    结合机器人智能体、软件智能体和其他计算和传感设备的MAS在智能城市有许多应用,包括医疗保健、国内服务和智能交通系统。监视、导航和目标跟踪等军事应用程序也开发了MAS框架来有效地自动化这些复杂的任务。

    现有MRS

    • 异构的MRS系统:根据它们执行的合作任务的复杂性以及从大多数自动化程度分类
      • 第一级(最不自动化),只有任务执行是自动化,
      • 第二级自动化任务分配或联盟的形成,但不是两者都自动化
      • 第三级自动化联盟的形成和任务分配,但不自动化任务分解
      • 第四级可使整个系统实现自动化。

    据我们所知,没有发现任何参考资料能使整个过程自动化(第四级自动化)

    在自动化级别和任务复杂性中现有工作的分布
    总结了关于MRS及其任务的文献,仅提到了那些具有第二个或更高自动化级别的参考文献。“N/A”表示不适用。

    任务分解

    • 复杂任务自动化的MAS工作流中的第一步:它将复杂任务分为一组更简单或更原始的子任务,彼此独立或顺序依赖。任务分解问题的规划者可以是一般的或特定于某一领域的(如足球机器人)。
    • 任务分解的过程可以分为三类:分解然后分配、分配然后分解以及同时分解和分配
    • 分解然后分配算法,首先以集中的方式将一个复杂的任务分解为一个子任务列表,然后将各种子任务分配给可用的智能体。任务树分解基于现场中的逻辑关系来划分任务。
    • 分配然后分解的算法,首先将一个任务列表分配给智能体,然后每个智能体将这个任务划分为更原始的子任务。这种方法允许智能体根据智能体的特定技能集来分解任务,从而允许他们有效地执行任务。
    • 同时进行的任务分解和分配算法,提出了一种基于任务树和拍卖的解决方案。这种方法通过提供反馈来改进基于智能体能力的任务分解,从而产生更多特定于系统的分解。但是,由于子任务的微调,它可能会更耗时。

    联盟的组建和任务分配

    联盟

    • 在这项工作中,我们专注于合作联盟的形成。联盟的形成可以离线执行,形成静态联盟,或者在线形成可以适应环境的动态团队。
      • 许多搜索算法包括蚁群优化、粒子群优化和进化算法。搜索算法是一种简单的方法,不需要重要的智能体建模。
      • 贝叶斯强化学习(RL)允许智能体通过他们的交互来学习其他智能体的能力,并将联盟问题转化为一个顺序的决策问题。
      • 利用加权投票游戏和Q-学习建模了区域覆盖问题的动态机器人联盟形成,并扩展到基于编队的导航问题。
      • 使用沙普利值和边际贡献来修剪联盟结构,智能体从一个联盟到另一个联盟的过渡过程表示。
    • 这些方法的好处包括提高对环境随机性的鲁棒性和由系统设计人员对智能体建模不同的弹性。不幸的是,必须容忍一个学习阶段,以允许算法通过试验和不同来学习智能体模型。

    根据智能体能力的不确定性到实现分布式系统或考虑机器人智能体联盟形成算法的分类

    任务分配

    • 任务分配将任务分配给一个智能体或一组智能体,它的目的是在智能体和任务之间找到一个最优的或接近最优的映射。
    • MRS特定的任务分配算法:例如群智能、无人机军事、图论粒子群优化、K-means聚类算法、基于效用的任务分配、语义映射等。许多方法主要集中于尽量减少机器人完成任务的旅行距离,然而,一些工作旨在确保机器人和之间的工作负载平衡。
    • 拍卖算法是在任务分配问题中广泛采用的另一种算法,能够处理任务优先级和异构任务或机器人、多机器人旅行、以及巡逻任务。
      任务分配的一些工作。它比较了他们所做的各种假设,比如假设异构智能体、虚拟智能体或机器人智能体

    同时组建联盟和完成任务分配

    • 文献中还提出了同时执行联合形成和任务分配,以使用MRS解决更广泛的复杂任务。结合任务优先级排序和资源约束,改进了无人机的联盟形成。结合基于机器人、任务和环境信息的动态蚂蚁联盟形成和模因局部搜索任务分配算法,在无人机搜索任务中的多机器人任务分配。
    • 虽然这些方法收敛于更好的联合和任务分配,但它们在计算上更昂贵,需要更多的迭代来收敛到一个分配。然而,他们的任务随着经验的提高而改进,并导致更有效的MAS和MRS任务执行。

    MAS的规划和控制

    MAS规划和控制,也称为决策,是MAS的主要模块。它决定了智能体为完成分配的任务来执行的操作序列或策略。决策算法通常基于策略最优性及其时间和空间复杂度进行评估。已经提出了多个框架来建模和解决决策问题,包括强化学习(RL)、博弈论、群智能和图论模型。
    在这里插入图片描述
    根据上表我们可以看到,一个决策模型,当通信需求较低,它具有最高的可扩展性能力,但不允许在智能体间存在显著的差异。此外,异构性的增加会导致对通信的需求的增加,从而降低了系统的良好扩展能力。

    感知

    • 感知是成功的MRS部署的一个关键组成部分,它使机器人可以从感觉信息中建模他们的环境,并了解他们的行为如何影响环境,以及他们是否成功地完成任务;如果没有这种功能,在现实环境中几乎不可能执行任务。传感器测量环境中的变量,允许机器人观察他们的行为是如何影响环境的,从而导致更有效的任务执行。
    • SLAM允许机器人同时生成一个环境地图,并在该地图中定位自己,这是任何涉及导航的任务的一个重要方面。许多计算复杂度的算法,使用广泛的传感器,包括相机、声学传感器、结构化光和电磁信号。SLAM还采用了传感器融合,受益于各种信号,如激光测距探测器、WiFi、蓝牙、LTE等磁信号。
    • 场景理解允许机器人从视觉线索中提取一般原则。它包括图像分割、对象识别、事件识别、人类活动和行为识别、语义注释等计算机视觉问题。场景理解已被应用于行人、交通、城市、视频监控和水下场景。多智能体或分布式计算机视觉算法已经被开发出来,以提高在MAS应用程序中的场景理解。
    • 对象运动跟踪是场景理解的另一个重要方面,它通过跟踪感兴趣的对象来帮助机器人实现目标。开发的系统是基于无线链路[228]和基于卡尔曼滤波器的SLAM,基于激光的占用网格[98]等等。利用粒子滤波器、RL和最小二乘最小化,开发了多机器人来跟踪行人和其他对象。更多的信息可以在最近的MRSMRS目标检测和跟踪的调查中找到。
    • 自动语音识别在人机交互中很重要。方法包括隐藏MRS模型、深度神经网络和支持向量机。虽然深度神经网络到目前为止性能最好,但它们计算昂贵,需要许多数据点来实现良好的性能,这使得与机器人系统集成于实时应用成为一个挑战。
    • 许多系统已经将上述两个或两个以上的功能结合成机器人系统。总而言之,复杂的多模态感知模块在过去几十年里已经有了显著的改进,这将有助于智能体在现实环境中做出更好的决策

    挑战和见解

    大数据

    • 问题:
      • 云端数据的可访问性在一些机器人应用中可能是一个问题,而部署在机器人平台上的感知算法没有计算资源来利用这些进步和改进机器人的模型在环境中。
      • 决策模型的计算对机器人应用程序很昂贵,即使它们是离线训练的;
    • 方向:深度学习压缩、深度学习软件和硬件加速器,IBM的TrueNorth芯片等神经突触处理器。

    物联网

    • 问题:仍然有大量的信息可以从环境中提取,特别是在这个物联网的时代。
    • 方向:传感器融合和来自异构源的分布式感知是两个领域,可以帮助提高机器人应用的感知。分布式深度神经网络是传感器融合和影响机器人决策的一种可能的解决方案。

    任务的复杂性

    • 问题:随着任务变得更加复杂
    • 方向:任务分解步骤应该是自动化,以允许随着条件的变化而重新规划。此外,自动化的任务分解可以在自然语言处理中利用现有的本体和领域特定的字典将任务分解为子任务。

    自主机器学习

    • 问题:许多机器学习算法仍然依赖于人工干预来手动调整算法参数。
    • 方向:自主机器学习(AutoML)是一个机器学习的子领域开发不需要人类专家来选择学习算法、手动调整参数或选择用来训练的数据的学习算法。将AutoML合并到MRS中将导致能够更好地处理动态环境的通用智能体。

    可扩展性和异构性的平衡

    • 问题:在智能城市有效运作,智能体们需要可扩展、适应性和可推广,以应对动态环境和任务的复杂性。
    • 方向:开发有效的规划算法,在可扩展性和异质性之间达到任务适当的平衡,将使MRS在智能城市中更加普遍存在。局部交互密集、全局交互稀疏的层次方法可以用来提高可扩展性,同时允许智能体的异质性。

    联盟的组建和任务分配

    • 方向:联盟的形成和任务分配可以导致更最优的映射,应该进一步研究,因为只有少数研究考虑了这种方法,但得到了有希望的结果。此外,联盟和任务分配应该是动态的和时间变量,以更好地处理任务的复杂性和环境的变异性。

    人循环

    方向:人循环指的是需要机器人或智能体与人类交互的系统架构。这些系统的好处包括扩大MRS在不实现完全自主权的情况下可以执行的任务范围,补充MRS与人类的技能,以有效地执行某些任务,赋予人类加强系统控制,提高系统适应性和抗环境随机性。在给定的场景中,确定循环中的人是正向还是负向,是选择能够导致成功完成任务的正确系统架构的关键。

    转移学习

    • 问题:MRS将会遇到许多类似的情况。
    • 方向:利用以往的经验来改进当前的决策,将显著提高智能体的性能、适应性和鲁棒性。转移学习是一种学习范式,它允许智能体通过将知识从以前的经验转移到当前的强化学习问题来跳头开始学习,而不是在每个新场景中从头开始学习。

    统一的框架

    • 问题:对于MRS的工作流,大部分工作主要是将这些研究领域视为更大的领域独立处理这些模块的。采取更全面的方法。不同模块之间的反馈连接应被纳入工作流中,以进一步提高其有效性。所以模块之间的反馈会使他们进行相互作用。

    其他挑战

    • 问题:通信约束和连通性的不确定性进一步使合作智能体的事情变得更加复杂,特别是对于紧密协调的问题。虽然将MRS连接到云上也允许我们减少这些移动设备上的计算负载,并提高它们的性能,但这种连接的存在性和稳定性是不确定的,有时可能会崩溃提高系统,而不是提高其性能。某些任务的时间敏感性和机器人有限的硬件资源需要开发有效的决策、感知、联盟形成和任务分解和分配算法。

    任务分解和任务分配的区别

    • 任务分解,即将复杂的任务分成更简单的子任务;
    • 任务分配,将子任务分配给智能体团队执行;
    • 举例:足球任务分解,其中根据球和球员的相对位置在机器人之间划分覆盖场地。球被视为一个引力源,在它周围产生一个引力场,并影响子任务的分配。比如球在不同的位置会有不同的处理方式,这一步是任务分解,在当前的场景下每个机器人该怎么反应,这对应着任务分配
    • 分解然后分配算法:首先以集中的方式将复杂的任务分解成子任务列表,然后将各种子任务分配给可用的智能体。在环境中跟踪人是根据地理上的接近度在机器人之间动态分配的。
    • 分配-然后-分解算法,例如M+算法[28],首先将一个任务列表分配给智能体,然后每个智能体将这个任务分成更原始的子任务。这种方法允许智能体基于其特定的技能集分解任务,从而允许他们高效地执行任务。
    展开全文
  • 大型风电叶片多机器人协同磨抛系统的设计与研究.pdf
  • #资源达人分享计划#
  • 在机器人之间通过建立有效的通信控制策略,使得多机器人系统协同完成某一复杂任务,实现预期编队. 基于现有研究成果,本文拟开展基于领航者的机器人编队控制研究.首先对机器人系统中的机器人建立数学模型; ...

    本博客重点记录轮式机器人运动模型:

    随着科学技术的多样化发展,机器人技术对社会经济发展产生了深远的影响.与传统的单机器人相比,多机器人系统通过协同作业可以完成比较复杂的工作,在许多领域得到了广泛应用.运动控制问题是当前多机器人系统中的重要研究课题之一.在机器人之间通过建立有效的通信控制策略,使得多机器人系统协同完成某一复杂任务,实现预期编队.

    基于现有研究成果,本文拟开展基于领航者的多机器人编队控制研究.首先对多机器人系统中的机器人建立数学模型; 然后根据领航机器人的位姿确定相对应的虚拟机器人的位姿和跟随机器人的位姿误差数学模型; 最后根据误差数学方程构造基于领航—跟随策略的多机器人编队控制律.

    1 机器人数学模型

    1.1 机器人系统模型

    轮式机器人领航—跟随模型见图 1,机器人车轮中点与机器人系统中点的距离为 d,机器人的运动方向角为 θ,假设机器人运动的直线速度和角速度为 ν,ω.

    纯滚动无滑动的机器人满足非完整约束条件:

    \left\{\begin{array}{l} x \sin \theta-\dot{y} \cos \theta=d \omega \\ \dot{x} \cos \theta+\dot{y} \sin \theta=0 \end{array}\right.

    得到轮式机器人系统的数学模型:

    \left\{\begin{array}{l} \dot{x}=\nu \cos \theta+d \omega \sin \theta \\ \dot{y}=\nu \sin \theta-d \omega \cos \theta \\ \dot{\theta}=\omega \end{array}\right.

    1.2 领航者的数学模型

    领航—跟随系统模型如图 2 所示,Rl为领航机器人,Rv为虚拟机器人,Rf为跟随机器人,l 为虚拟机器人与领航机器人之间的距离,ν,ω 分别表示机器人的线速度和角速度( 机器人的控制输入) ,α 为虚拟机器人与领航机器人的角度.

    领航机器人的状态信息被虚拟机器人获得,则虚拟机器人的状态信息可以描述为:

    \left\{\begin{array}{l} x_{\mathrm{v}}=x_{1}-l \cos (\theta+\alpha) \\ y_{\mathrm{v}}=y_{1}-l \sin (\theta+\alpha) \\ \theta_{\mathrm{v}}=\theta_{1} \end{array}\right.

    在非完整系统下虚拟机器人和领航机器人满足非完整约束条件,虚拟机器人的数学模型可以描述为:

    \left\{\begin{array}{l} \dot{x}_{\mathrm{v}}=\nu_{\mathrm{v}} \cos \theta_{\mathrm{v}}+d \omega_{\mathrm{v}} \sin \theta_{\mathrm{v}} \\ \dot{y_{\mathrm{v}}}=\nu_{\mathrm{v}} \sin \theta_{\mathrm{v}}-d \omega_{\mathrm{v}} \cos \theta_{\mathrm{v}} \\ \dot{\theta}_{\mathrm{v}}=\omega_{\mathrm{v}} \end{array}\right.

    领航机器人的跟随机器人的数学模型:

    \left\{\begin{array}{l} \dot{x}_{\mathrm{f}}=\nu_{\mathrm{f}} \cos \theta_{\mathrm{f}}+d \omega_{\mathrm{f}} \sin \theta_{\mathrm{f}} \\ \dot{y_{\mathrm{f}}}=v_{\mathrm{f}} \sin \theta_{\mathrm{f}}-d \omega_{\mathrm{f}} \cos \theta_{\mathrm{f}} \\ \dot{\theta}_{\mathrm{f}}=\omega_{\mathrm{f}} \end{array}\right.

     

    参考文献

    [1]孙玉娇,杨洪勇,于美妍. 基于领航者的多机器人系统编队控制研究[J]. 鲁东大学学报(自然科学版), 2020, 36(1): 35-39, 97.

    展开全文
  • #资源达人分享计划#
  • 空地机器人协同系统地面监控平台设计.pdf
  • #资源达人分享计划#
  • 为充分发挥机器人的协作优势,克服单机器人能力不足问题,提出一种多机器人系统任务分配及编队控制的设计方案。该方案通过视觉系统捕获场地一侧的Kinect摄像头实时监控场地上的情况,基于颜色识别获取各个机器人的...
  • 为了实现球形两栖机器人协同控制系统,利用无线控制的方式,实现上位机对机器人的编队控制及远程控制,从而对球形两栖机器人进行组队完成作业规划并统一控制。通过对通信控制协议的编写,拟建立XBee通信...
  • #资源达人分享计划#
  • #资源达人分享计划#
  • 多机器人协同编队算法原理及实现

    千次阅读 多人点赞 2020-04-24 17:22:04
    ROS及SLAM进阶教程(八)机器人协同编队算法原理及实现图论基础基于...控制协同多智能体动态系统是通过通信图进行相互联系的动力学问题,通信图表明了各个节点之间的信息流。协同控制的目标是为各个节点设计控制协...

    多机器人编队(一)机器人协同编队算法原理及实现


    多机器人协同编队需要将理论和实践紧密地结合起来,其应用包括编队队形生成、保持、变换和路径规划与避障等等都是基于图论的理论基础完成的。

    图论基础

    控制协同多智能体动态系统是通过通信图进行相互联系的动力学问题,通信图表明了各个节点之间的信息流。协同控制的目标是为各个节点设计控制协议,以保证所有节点在某种特定意义上的状态同步行为。在协同系统中,任何控制协议都必须按照其所规定的图拓扑结构进行分布式控制,也就是说,每个节点的控制协议只允许依赖于关于该节点及其在图中的邻居节点的信息,拓扑图施加的通信限制可能会严重限制每个节点上的本地分布式控制协议所能完成的工作。

    在多机器人协同编队中,我们关注的是动态系统的行为和相互作用,这些动态系统通过通信网络的链接相互联系,该通信网络被建模为具有与系统间允许的信息流相对应的有向边的图,编队中的每个机器人被建模为图中的节点,那么最基本的问题就变为了图拓扑如何与节点的本地反馈控制协议交互,以生成互连节点的整体行为,下面展示一些在研究多机器人协同编队中必不可少的基本的图论概念。

    一个拓扑图可以表示为 G = ( V , E ) G=(V, E) G=(V,E),其中 V = { v 1 , … , v N } V=\{ v_1,…,v_N \} V={v1,,vN}表示N个节点的集合,E表示E条边的集合,假设图为简单有向图,即 ( v i , v j ) ∉ E (v_i,v_j) \notin E (vi,vj)/E并且同一对节点之间没有多条边,集合E中的元素 ( v i , v j ) (v_i,v_j) (vi,vj)表示从节点vj指向节点 v i v_i vi的边,在编队中表示信息从节点 v j v_j vj机器人流向节点 v i v_i vi机器人,节点 v i v_i vi机器人的出度 d i o d_i^o dio表示以其为数据发送端的边的数量,入度 d i d_i di表示以其为数据接收端的边的数量。

    图的结构和性质可以通过研究与图相关的某些矩阵的性质来研究,这就是代数图论。给定边的权值 a i j a_{ij} aij后,该图便可以被一个邻接矩阵或连通矩阵 A = [ a i j ] A=[a_{ij}] A=[aij]表示,其中当 ( v i , v j ) ∉ E (v_i,v_j) \notin E (vi,vj)/E a i j = 1 a_{ij}=1 aij=1,否则 a i j = 0 a_{ij}=0 aij=0,则此时节点i的加权入度可表示为矩阵A第i行所有值之和,如式(1)所示:
    d i = ∑ j = 1 N a i j d_i=\sum_{j=1}^N a_{ij} di=j=1Naij
    则其加权出度可表示为式(2):
    d i o = ∑ j = 1 N a j i d_i^o=\sum_{j=1}^N a_{ji} dio=j=1Naji
    入度和出度都为图的局部性质,在编队拓扑通信中,其出度可以反映出节点对编队其他机器人的影响程度,即当出度越大,该节点机器人对编队一致性的影响越大。

    定义一个对角入度矩阵 D = d i a g d i D=diag{d_i} D=diagdi和图拉普拉斯矩阵L=D-A,图的许多性质都可以以图拉普拉斯矩阵的性质被研究,其在动态多节点系统图论研究中有极其重要的意义,一个有向图及其伴随矩阵、对角矩阵和拉普拉斯矩阵如下所示:
    有向图及生成树
    其对应的矩阵如下所示:
    矩阵表示
    图拉普拉斯矩阵L的特征结构在图上动力系统分析中起着关键作用,下面对L的特征值情况进行分析,定义图拉普拉斯矩阵的约当形式如下:
    L = M J M − 1 L=MJM^{-1} L=MJM1
    其中约当形式矩阵J和变换矩阵M为:
    在这里插入图片描述
    其中特征值 λ i \lambda_i λi和M的右特征向量 v i v_i vi满足
    ( λ i I − L ) v i = 0 (\lambda_i I -L)v_i=0 (λiIL)vi=0
    其中I为单位矩阵。M左特征向量wi满足
    w i ( λ i I − L ) = 0 w_i(\lambda_i I -L)=0 wi(λiIL)=0
    w i T v i = 1 w_i^Tv_i=1 wiTvi=1
    由于矩阵L所有行元素之和为0,故当且仅当L有唯一的特征向量c使得Lc=0,其特征值为0,即L的秩为N-1时图G有一个生成树,这对于形成编队的稳定性有重要的作用。

    基于一致性的编队控制算法

    本文采用领航者-跟随者编队中的分布式控制结构,在前文图论的基础上采用下文给出的一致性算法实现了编队控制。

    编队控制算法原理

    领航者-跟随者编队是一种经典的编队形式,其基于一致性的一阶编队算法主要思想在于控制好领航者和跟随者之间的相对位置和速度等状态量,这些量达到一定的稳定状态时就实现了编队队形,其中领航机器人扮演着至关重要的角色。
    编队系统的一阶连续系统模型如下:
    x ˙ i = u i \dot{x}_i=u_i x˙i=ui
    x i x_i xi, u i u_i ui分别表示节点i的状态量和输入量,且 x i , u i ∈ R n x_i,u_i \in R^n xi,uiRn,n表示状态量的维度,在理想情况下,考虑如下形式的控制输入
    u i = ∑ j ∈ N i a i j ( x j − x i ) u_i=\sum_{j \in N_i}a_{ij}(x_j-x_i) ui=jNiaij(xjxi)
    其中 a i j a_{ij} aij为编队邻接矩阵元素, N i N_i Ni为成员i的邻居集合,将(2-8)代入(2-7)再引入全局状态向量 x = [ x 1 , . . . , x n ] T ∈ R n x=[x_1,...,x_n]^T\in R^n x=[x1,...,xn]TRn可得到全局动态关系为:
    x ˙ = − D x + A x = − L x \dot{x}=-Dx+Ax=-Lx x˙=Dx+Ax=Lx
    从上式我们可以看出编队的闭环动态特性取决于L矩阵。此外,当且仅当编队的拓扑图G具有一棵生成树时,-L特征值均位于复平面左半平面,因此(2-8)能保证系统达到一致性,最终状态值为:
    c = ∑ i = 1 N p i x i ( 0 ) c=\sum_{i=1}^Np_ix_i(0) c=i=1Npixi(0)
    在离散时间下,(2-7)可化为:
    x i ( k + 1 ) = x i ( k ) + u i ( k ) x_i(k+1)=x_i(k)+u_i(k) xi(k+1)=xi(k)+ui(k)
    在本课题中,假设一个场景为领航者带领其他机器人完成一段距离的运动,从起点出发向一个目标点运动,理想情况下编队中跟随者的的算法采用如下形式
    u i ( k ) = ε ∑ j ∈ N i a i j ( x j ( k ) − x i ( k ) − r i j ( k ) ) u_i(k)=\varepsilon\sum_{j\in N_i}a_{ij}(x_j(k)-x_i(k)-r_{ij}(k)) ui(k)=εjNiaij(xj(k)xi(k)rij(k))
    其中 ε > 0 \varepsilon >0 ε>0 r i j r_{ij} rij表示机器人i和机器人j之间的相对位置,与他们之间的距离相关,而领航者N的控制算法为
    u N ( k ) = m + k D ( k ) + ∑ i ∈ N i a N i r N i ( k ) u_N(k)=m+kD(k)+\sum_{i\in N_i}a_{Ni}r_{Ni}(k) uN(k)=m+kD(k)+iNiaNirNi(k)
    其中r_{nj}表示领航者与其他机器人之间的相对位置,m和k均为常数,D(k)表示k时刻领航者到目标点的距离,领航者的速度受到相邻节点的影响以及领航者到目标点的距离影响。
    以上是最基本的算法,除此之外还有对如平均一致性、运动不变量等的研究,因篇幅有限,这些算法不再赘述。

    编队算法仿真实现

    本文验证编队一致性算法,使用五个机器人按照领航者-跟随者的形式组成实验的机器人编队,找定一个稳定的通信拓扑矩阵A,如
    在这里插入图片描述
    使用此通信拓扑矩阵后编队队形及其通信拓扑结构如下图所示:
    在这里插入图片描述
    其中箭头表示信息流方向,从上图可以看出节点五的出度最大,故节点五为关键节点,即为领航机器人,而节点一出度为0,其对编队的影响最小。

    博主git上给出了MATLAB的仿真和ROS中基于python的仿真,有需要请到git自取,有用的话一定要点赞收藏关注支持博主哈

    以上是关于多机器协同编队的算法原理讲解与代码实现。后续还会介绍基于编队的避障算法
    码字不易,喜欢的话请点赞收藏关注哦,您的支持是博主最大的动力。

    博主有两年多ROS的使用经验,目前仍在不停研究中。本系列多机器人编队将结合论文讲解多机器人编队的算法原理、稳定性分析等研究领域,持续不断更新中。如果大家有相关问题或发现作者漏洞欢迎私戳,同时欢迎关注收藏。
    同时欢迎关注博主Git:
    https://github.com/redglassli

    展开全文
  • #资源达人分享计划#
  • #资源达人分享计划#
  • #资源达人分享计划#
  • 纸模拟:让我们重现多机器人系统,队形控制,分布式优化和协同操纵的纸模拟
  • 沈阳自动化所排爆机器人空地协同作业研究取得进展.pdf
  • #资源达人分享计划#
  • 本文着重研究具有障碍物环境的地面多机器人系统协同编队控制。 每个机器人均由Euler-Lagrange动力学建模,在2D空间中具有未知的干扰。 为每个机器人设计了一个基于辅助误差变量的自适应协作控制器,以使所有机器人...
  • 基于ARM-MCX514的机器人-数控协同系统运动控制器设计
  • 多机器人路径规划与协同避碰研究
  • 1计算数据:点击按钮,计算校准数据完成后,[校准状态]指示灯变为...此时机器人和附加轴1:J7轴处于协同状态。低速移动J7轴,观察机器人工具末端与J7轴移动方向是否一致,如果一致,则协同1校准完成。如果方向相反,...

    150546cbf8de6ec1701c8b34da0c6958.png

    1计算数据:

    点击按钮,计算校准数据完成后,[校准状态]指示灯变为绿,同时,下方[XYZABC]将显示校准后的数据。

    如果计算有误,将在信息提示区提示,请按照提示信息处理。

    2验证方向:

    点击,此时[协同开/关]指示灯变为绿,同时在状态栏中将由协同1绿底显示黄底。此时机器人和附加轴1:J7轴处于协同状态。

    低速移动J7轴,观察机器人工具末端与J7轴移动方向是否一致,如果一致,则协同1校准完成。

    如果方向相反,则修改[协同轴旋转方向],点击。再低速移动J7轴,观察机器人工具末端与J7轴移动方向是否一致,如果一致,则协同1校准完成。

    进入协同2校准界面,点击,返回协同1、2轴开关界面,点击,将协同1运行到零点。再点击进入协同2校准界面。如下:

    fbd1c046b58d16855d31b0bda37ccabb.png

    使用移动光标到[校准点]上,选择P1点。

    完成协同2轴的校准:重复5)-9)步骤,完成协同2轴的校准。

    协同2校准说明:协同2校准时,协同1轴必须运行到零点,否则无法记录P1、P2、P3点。校准点必须严格按照P1-P2-P3的顺序记录。P1-P2和P2-P3的角度要大于30度,P1-P3的角度要大于60度。两点之间的角度差越大,准确度越高。运动和记录P1、P2、P3点的过程中,要保证机器人姿态一致。即:记录P1点前调整好工具的姿态,运动和记录P1、P2、P3过程中,不能再变换姿态。校准P1,P2,P3点过程中,坐标系可以使用除关节坐标外的任意坐标系。在校准协同2时,不能动作协同1轴。

    3协同使用:本系统目前只能使用J7和J8轴接口作为协同附加轴。协同附加轴类型只能使用旋转轴。当使用一个协同附加轴时,接口只能使用J7。只需要校准J7轴即可。当使用两个协同附加轴时,J7轴只能为翻转轴,J8轴作为回转轴。示教模式下,进入界面,开启协同1,协同2时。当手动动作协同1或者协同2时,机器人工具会协同该附加轴动作。而动作机器人的各轴,附加轴不动作。在再现模式中,只要工作的程序行有COORD、COORD1、COORD2附加项,则当前行程序按照协同方式运行。与附加轴协同设置界面的协同开关无关。

    4协同程序编辑:

    编程指令行如下

    40475316001401dec341181f756d9d2e.png

    说明:COORD表示所有外部轴参与协同运动;COORD1表示仅协同1轴参与协同运动;COORD2表示仅协同2轴参与协同运动。当指令行有COORD、COORD1、COORD2附加项时,该指令行按照协同方式运行。COORD只对MOVL,MOVC指令有效,对MOVJ无效(加了也不起作用)。使用COORD附加项后,用户坐标系将不可使用。

    举报/反馈

    展开全文
  • Android系统协同LEGO机器人工作关键技术研究.pdf
  • 硬件设备描述一点背景一点想法硬件设施相机机械臂树莓派 一点背景 实验室由于前期搭建的各种试验,所以采购了一些设备,包括optitrack...初始目的,就是想把上述的硬件系统全部联系起来,完成手眼协同任务,最终目的...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 14,084
精华内容 5,633
关键字:

多机器人系统协同