多移動(dòng)機(jī)器人協(xié)同搬運(yùn)技術(shù)綜述

顧大強(qiáng)，鄭文鋼

（浙江大學(xué) 機(jī)械工程學(xué)院，浙江 杭州 310027）

多移動(dòng)機(jī)器人的研究始于20世紀(jì)80年代后期，當(dāng)時(shí)的研究領(lǐng)域主要集中在多移動(dòng)機(jī)器人重構(gòu)、軌跡規(guī)劃以及多移動(dòng)機(jī)器人協(xié)同合作幾個(gè)方面。但隨著多移動(dòng)機(jī)器人技術(shù)的發(fā)展，多移動(dòng)機(jī)器人的應(yīng)用領(lǐng)域逐漸擴(kuò)展到水下機(jī)器人、太空空間、高危場(chǎng)所以及服務(wù)領(lǐng)域[1]。與單移動(dòng)機(jī)器人系統(tǒng)相比，多移動(dòng)機(jī)器人系統(tǒng)具有一系列的優(yōu)勢(shì)，尤其是在一些特定場(chǎng)景[2]：多移動(dòng)機(jī)器人系統(tǒng)完成的任務(wù)復(fù)雜性更高；多移動(dòng)機(jī)器人系統(tǒng)能夠勝任分布式任務(wù)；多個(gè)簡(jiǎn)單的移動(dòng)機(jī)器人系統(tǒng)比復(fù)雜的單機(jī)器人系統(tǒng)架構(gòu)更簡(jiǎn)單，成本更低；多移動(dòng)機(jī)器人的并行操作能夠更快地執(zhí)行任務(wù)；多移動(dòng)機(jī)器人系統(tǒng)能增強(qiáng)系統(tǒng)的魯棒性。

1 多移動(dòng)機(jī)器人搬運(yùn)的控制策略

在多移動(dòng)機(jī)器人系統(tǒng)中，多移動(dòng)機(jī)器人的搬運(yùn)任務(wù)是其主要應(yīng)用領(lǐng)域之一，在很多場(chǎng)合，如人員的急救工作、高危工作的執(zhí)行、工業(yè)自動(dòng)化過程、重物搬運(yùn)等，都可以得到應(yīng)用。最為經(jīng)典的搬運(yùn)問題被稱為“推箱問題(box-pushing problem)”，是由著名的“鋼琴搬運(yùn)工問題(piano movers problem)[3]”引申而來的。如圖1所示，任意給定一個(gè)剛性的多面體，滿足將規(guī)定的對(duì)象從原配置位置移動(dòng)到所需的目標(biāo)配置位置，很多相關(guān)研究都是圍繞這個(gè)問題展開的[4-9]。

圖 1 推箱問題示意圖Fig. 1 Schematic of the “box-pushing problem”

對(duì)于已知物體的搬運(yùn)方案可以大致分為3種類型：抓取、推拉、鎖定。抓取操作是應(yīng)用較為普遍的一種方式，尤其是對(duì)于配有機(jī)械臂或多指機(jī)械手的系統(tǒng)，該方案的難點(diǎn)在于保持機(jī)器人在抓取過程中抓取位置的準(zhǔn)確性以及搬運(yùn)過程中物體的穩(wěn)定性，對(duì)多移動(dòng)機(jī)器人系統(tǒng)的實(shí)時(shí)響應(yīng)性能和傳感器的精度要求較高[10]。第二種推拉方式較為典型，“推箱問題”采用的便是這種方式，推拉操作可以認(rèn)為是一種條件封閉操作(conditional closure manipulation),被廣泛應(yīng)用于群體智能(swarm intelligence)機(jī)器人的搬運(yùn)任務(wù)中[11-12]。另外，通過大型物體的翻轉(zhuǎn)、抬運(yùn)[13-14]操作進(jìn)行物體的協(xié)同搬運(yùn)，實(shí)際也屬于廣義動(dòng)態(tài)的推拉操作。第三種鎖定方案，源于機(jī)械手抓取過程中的力封閉(force closure)和形封閉(form closure)算法[15]，通過若干個(gè)移動(dòng)機(jī)器人鎖定物體，使搬運(yùn)的物體能夠與機(jī)器人群作為整個(gè)剛體進(jìn)行運(yùn)動(dòng)，實(shí)現(xiàn)最終的搬運(yùn)操作，常見于規(guī)則多面體的物體搬運(yùn)[16]，應(yīng)用不同的搬運(yùn)方案主要有以下3種常見的多移動(dòng)機(jī)器人協(xié)同搬運(yùn)策略。

1.1 群體智能

多智能機(jī)器人系統(tǒng)(multi-agent robot systems，MAS)作為一個(gè)分布式自治系統(tǒng)，其核心在于將整個(gè)系統(tǒng)分成若干個(gè)智能的、自治的子系統(tǒng)，它們可以是同質(zhì)的，也可以是異質(zhì)的，任務(wù)的完成可以由若干物理和地理上分散的子任務(wù)組成，子任務(wù)之間可以相互通信、相互協(xié)調(diào)，能夠滿足多移動(dòng)機(jī)器人系統(tǒng)適應(yīng)復(fù)雜環(huán)境的需求，同時(shí)對(duì)任務(wù)(多移動(dòng)機(jī)器人掃描監(jiān)測(cè)、搬運(yùn)、構(gòu)圖等)具有高度的適應(yīng)性[17]。MAS在多移動(dòng)機(jī)器人搬運(yùn)中應(yīng)用很廣泛，它的優(yōu)勢(shì)在于系統(tǒng)對(duì)單個(gè)移動(dòng)機(jī)器人的性能要求不高，且單個(gè)移動(dòng)機(jī)器人的故障不會(huì)引起整個(gè)系統(tǒng)的崩潰。MAS應(yīng)用于多移動(dòng)機(jī)器人搬運(yùn)任務(wù)，一方面可以實(shí)現(xiàn)對(duì)大型物體的集體搬運(yùn)[18-20]，另一方面也適用于實(shí)時(shí)的多目標(biāo)搬運(yùn)[21-22]，因此被廣泛應(yīng)用于工業(yè)搬運(yùn)[23]、物流[24]等場(chǎng)所。

基于群體智能(swarm intelligence)的控制理論研究是基于生物學(xué)中的群體行為(如昆蟲覓食、搬運(yùn)行為等)。在生物群體中，各個(gè)個(gè)體獨(dú)立分布，單個(gè)個(gè)體的故障不會(huì)影響整個(gè)系統(tǒng)，同時(shí)個(gè)體之間通過非直接通信進(jìn)行信息交互，使得系統(tǒng)具有很強(qiáng)的擴(kuò)展性，適用于MAS系統(tǒng)的控制。群體智能算法中以蟻群優(yōu)化算法(ant colony optimization, ACO)和粒子群優(yōu)化算法(particle swarm optimization, PSO)最為典型。

蟻群算法是由Dorigo等[25]于1997年提出。該算法受螞蟻覓食行為的啟發(fā)：螞蟻在行動(dòng)過程中會(huì)留下“信息素”作為標(biāo)記，其他螞蟻可以通過感知“信息素”的濃度來選擇最佳的路徑，大量的螞蟻群體會(huì)形成一個(gè)正反饋，從而找到系統(tǒng)的最優(yōu)解(最短路徑)。

1) 經(jīng)典的蟻群算法

t 時(shí)刻，螞蟻k 從第 i 個(gè) 節(jié)點(diǎn)到下一個(gè)節(jié)點(diǎn)j 是根據(jù)初始信息素 τij(t) 和啟發(fā)信息 ηij(t) 的大小進(jìn)行判定，判定原則為偽隨機(jī)比例原則：節(jié)點(diǎn) i的螞蟻以一定概率q0轉(zhuǎn)移到下一個(gè)節(jié)點(diǎn)j ，若 q≤q0，則滿足[τij(t)]α[ηij(t)]β最大，螞蟻的狀態(tài)轉(zhuǎn)移公式為式(1)，否則按照式(2)采用輪盤賭方式選擇下一個(gè)節(jié)點(diǎn)。

式中：q為[0, 1]區(qū)間均勻分布的隨機(jī)數(shù)；α為信息素啟發(fā)因子，代表信息素的重要程度；β為期望啟發(fā)因子，表征啟發(fā)信息的重要程度； Ak表示螞蟻k 下一步允許選擇的路徑集合； djg表示待選節(jié)點(diǎn)j與目標(biāo)節(jié)點(diǎn)g 的歐氏距離。信息素需要隨著時(shí)間推移進(jìn)行更新，傳統(tǒng)蟻群算法在完成一次迭代后通過式(4)、式(5)進(jìn)行信息素的全局更新。

式中：ρ為全局信息素?fù)]發(fā)系數(shù)； Δτij(t,t+1)表示(t,t+1)時(shí) 刻在路徑 (i,j)上 的信息素增量； Q為信息素強(qiáng)度系數(shù)； Lk為 螞蟻 k建立的最短路徑。在傳統(tǒng)的蟻群算法基礎(chǔ)上也衍生出了很多優(yōu)化的蟻群算法[26-27]。

2) 粒子群算法

粒子群算法是一種模擬鳥群覓食過程中的遷徙和群聚行為的算法，最早由Kennedy和Eberhart[28]提出。它假設(shè)在 D維的搜索空間內(nèi)，粒子群的 規(guī) 模 是 N ，第 i(i=1,2,···,N)個(gè) 粒 子 的 位 置 是xi=[xi1xi2···xiD]， 飛行速度為 vi=[vi1vi2···viD]，則第 t 次迭代的自身歷史最優(yōu)位置為 pbest，全局粒子最優(yōu)位置為 gbest，粒子通過兩個(gè)不斷更新的極值來更新自己的速度和位置[29]。經(jīng)典的迭代公式為

式中：t 為當(dāng)前進(jìn)化迭代數(shù)；學(xué)習(xí)因子 c1、 c2為非負(fù)常數(shù)；r1、r2為[0, 1]區(qū)間服從均勻分布的兩個(gè)獨(dú)立隨機(jī)數(shù)。程序在達(dá)到最大迭代次數(shù)或者達(dá)到預(yù)設(shè)精度時(shí)終止。粒子群算法的缺陷在于：搜索精度低，對(duì)參數(shù)依賴程度高，改進(jìn)的粒子群算法有二進(jìn)制粒子群算法、協(xié)同粒子群算法、簡(jiǎn)化粒子群算法等。

1.2 領(lǐng)導(dǎo)-跟隨控制模式

領(lǐng)導(dǎo)-跟隨(Leader-Follower)模式是多移動(dòng)機(jī)器人系統(tǒng)最典型的集中式控制模式[30-31]，它通常由一個(gè)功能相對(duì)強(qiáng)大的移動(dòng)機(jī)器人作為群體移動(dòng)機(jī)器人的“Leader”，其他移動(dòng)機(jī)器人受到“Leader”的集中控制。所有移動(dòng)機(jī)器人接受到的傳感器信息都需要傳遞到“Leader”機(jī)器人，進(jìn)行統(tǒng)一分析，對(duì)系統(tǒng)的任務(wù)分配、路徑規(guī)劃等進(jìn)行統(tǒng)一處理，最后一一分配給其他從屬機(jī)器人。該體系下，其他從屬機(jī)器人不具備自主動(dòng)作與相互協(xié)調(diào)的功能，只是作為收集信息的執(zhí)行端。它的優(yōu)點(diǎn)是：各移動(dòng)機(jī)器人之間的協(xié)調(diào)效率高，整個(gè)系統(tǒng)的邏輯架構(gòu)相對(duì)簡(jiǎn)單，但是對(duì)“Leader”機(jī)器人的運(yùn)算性能要求高，同時(shí)由于系統(tǒng)對(duì)其的高度依賴性，系統(tǒng)的容錯(cuò)性只能被限定在小范圍的錯(cuò)誤中，主控機(jī)器人的故障直接會(huì)導(dǎo)致系統(tǒng)的崩潰。系統(tǒng)的靈活性、自主性、可擴(kuò)展性和魯棒性都比較差，無(wú)法應(yīng)用于非結(jié)構(gòu)化、動(dòng)態(tài)環(huán)境。集中式控制模式下，各機(jī)器人之間可以有明確的分工協(xié)作。

在多移動(dòng)機(jī)器人搬運(yùn)系統(tǒng)中，經(jīng)常采用的移動(dòng)機(jī)器人集中式控制模式被稱為“Pusher-Watcher”模式[32]。與“Leader-Follwer”模式類似，“Pusher-Watcher”模式中“Watcher”機(jī)器人占據(jù)系統(tǒng)控制的主要地位，負(fù)責(zé)對(duì)系統(tǒng)環(huán)境的掃描、定位、避障操作，有時(shí)還需要檢測(cè)搬運(yùn)物體的實(shí)時(shí)狀態(tài)[33]，“Pusher”機(jī)器人則只需根據(jù)“Watcher”機(jī)器人的指示協(xié)助機(jī)器人進(jìn)行物體的搬運(yùn)操作。與傳統(tǒng)的集中式控制相比，“Pusher-Watcher”模式能夠更好地響應(yīng)動(dòng)態(tài)環(huán)境，“Watcher”機(jī)器人能夠根據(jù)具體環(huán)境的實(shí)時(shí)變化作出反應(yīng)，同時(shí)對(duì)于同質(zhì)的“Pusher-Watcher”機(jī)器人系統(tǒng)，各個(gè)機(jī)器人往往能夠在“Watcher”和“Pusher”兩者之間切換，甚至同時(shí)擔(dān)任兩者的功能，系統(tǒng)具有較強(qiáng)的容錯(cuò)性[34]。除此之外，類似于“Pusher-Watcher”模式，東京大學(xué)工業(yè)產(chǎn)品造物工程研究中心(research into artifacts center for engineering，RACE)的Ota等[35]還提出了抓取者-搬運(yùn)者、翻轉(zhuǎn)者-搬運(yùn)者模式[36-37]，以若干特制的移動(dòng)機(jī)器人完成了對(duì)大型物體的協(xié)同搬運(yùn)。

1.3 對(duì)象鎖定

多移動(dòng)機(jī)器人搬運(yùn)的對(duì)象鎖定(object closure)策略，策略中的“鎖定”概念定義為：在各個(gè)移動(dòng)機(jī)器人“到位”之后，物體的可移動(dòng)區(qū)域有界，且當(dāng)移動(dòng)機(jī)器人之間的相對(duì)位置發(fā)生改變或者個(gè)別移動(dòng)機(jī)器人與物體的接觸力為零(處于脫離狀態(tài))時(shí)，物體仍在各個(gè)移動(dòng)機(jī)器人的控制邊界內(nèi)[38-39]。圖2表示鎖定物體的移動(dòng)機(jī)器人群Ri(i=1,2,3,4)與物體之間的相互關(guān)系[40]，可見當(dāng)物體處于鎖定狀態(tài)時(shí)，物體的搬運(yùn)控制可以通過各個(gè)移動(dòng)機(jī)器人簡(jiǎn)單的剛性變換來實(shí)現(xiàn)。與機(jī)械手的鎖定抓取不同，多移動(dòng)機(jī)器人的協(xié)同控制會(huì)隨著機(jī)器人數(shù)目的增多，物體與機(jī)器人之間的拓?fù)潢P(guān)系變化而變得愈加復(fù)雜，需要借助于高效的分布 式算法來實(shí)現(xiàn)多移動(dòng)機(jī)器人位置的規(guī)劃。

圖 2 鎖定狀態(tài)下的移動(dòng)機(jī)器人與物體相對(duì)位置Fig. 2 Relative positions of mobile robots with the object under the object closure state

目前，常應(yīng)用人工勢(shì)場(chǎng)法進(jìn)行搬運(yùn)對(duì)象的搜索以及鎖定狀態(tài)的確定。勢(shì)場(chǎng)法最初應(yīng)用于虛擬力解決路徑規(guī)劃問題，它將移動(dòng)機(jī)器人所處環(huán)境信息模擬成虛擬勢(shì)場(chǎng)，通過斥力勢(shì)場(chǎng)和引力勢(shì)場(chǎng)的相互作用，使移動(dòng)機(jī)器人能夠避開障礙物，最終安全到達(dá)目標(biāo)點(diǎn)。在移動(dòng)機(jī)器人進(jìn)行對(duì)象搜索時(shí)，機(jī)器人所受到的引力來自搬運(yùn)物體，斥力來自其他移動(dòng)機(jī)器人。搬運(yùn)物體鎖定狀態(tài)的實(shí)現(xiàn)主要分搜索與鎖定兩步。

1)假設(shè)單個(gè)機(jī)器人i 受到一個(gè)2維力向量βi的驅(qū)使進(jìn)行運(yùn)動(dòng)， βi由2部分組成，即物體的吸引力向量 βobj_i和 其他機(jī)器人的斥力向量 βij：

在 βi的作用下，各個(gè)移動(dòng)機(jī)器人會(huì)在搬運(yùn)物體的周圍逐漸形成一個(gè)閉環(huán)鏈。

2)完成1)后各個(gè)移動(dòng)機(jī)器人需要圍繞著物體的邊緣不斷移動(dòng)直到物體被“鎖定”。物體的鎖定狀態(tài)由下式確定：

式中：

在這兩個(gè)過程中，基于人工勢(shì)場(chǎng)式(8)和式(9)得到吸引力向量 βobj_i和斥力向量 βij：

式中： k≥1； pi、pj表示任意一個(gè)機(jī)器人位置； pd為指向物體邊緣的最近的“鎖定平衡點(diǎn)”，對(duì)應(yīng)的角度為θi； Pd是為了保證各個(gè)機(jī)器人相隔距離相等，其 值 為 S(pd)/n ， S(pd) 為 pd路 徑 長(zhǎng) 度，n為 移 動(dòng) 機(jī) 器人總數(shù)；Lsen為機(jī)器人傳感器探測(cè)的范圍。最后，βspin_i可以通過式(10)確定， βspin_i的方向垂直于物體的吸引力 βobj_i方向：

2 多移動(dòng)機(jī)器人的相關(guān)技術(shù)

在多移動(dòng)機(jī)器人搬運(yùn)的實(shí)際實(shí)現(xiàn)過程中，具體搬運(yùn)流程可以概括為：工作環(huán)境信息的感知；多移動(dòng)機(jī)器人的任務(wù)分配與軌跡規(guī)劃，機(jī)器人執(zhí)行過程，根據(jù)實(shí)時(shí)環(huán)境進(jìn)行軌跡再規(guī)劃；完成搬運(yùn)任務(wù)。其中涉及的相關(guān)技術(shù)主要包括多移動(dòng)機(jī)器人任務(wù)分配、環(huán)境感知與定位及軌跡規(guī)劃3個(gè)方面。

2.1 多移動(dòng)機(jī)器人協(xié)同任務(wù)分配

多移動(dòng)機(jī)器人的任務(wù)分配問題是一個(gè)最優(yōu)化問題，可描述為：對(duì)一個(gè)移動(dòng)機(jī)器人集合、一個(gè)任務(wù)集合指定系統(tǒng)評(píng)價(jià)指標(biāo)，將各個(gè)子任務(wù)分配到合適的子機(jī)器人，滿足整個(gè)移動(dòng)機(jī)器人系統(tǒng)在執(zhí)行全部任務(wù)過程中獲得的收益最大。該問題屬于NP問題[41]，通常采用啟發(fā)式算法求出其中一個(gè)可接受的解。若以多移動(dòng)機(jī)器人完成全部偵查任務(wù)所需要移動(dòng)的路徑總長(zhǎng)度作為評(píng)價(jià)任務(wù)分配的最優(yōu)性能指標(biāo)，靜態(tài)環(huán)境下多移動(dòng)機(jī)器人協(xié)同偵查多個(gè)目標(biāo)點(diǎn)的任務(wù)分配問題可以歸結(jié)為求解一般形式(各移動(dòng)體的起點(diǎn)、終點(diǎn)不一定相同)的多旅行商問題(MTSP)。常用的任務(wù)分配算法有基于拍賣的分配算法[42]，當(dāng)系統(tǒng)需要完成任務(wù)并得到最短路徑時(shí)，通常采用的算法有異質(zhì)交互式文化混合算法(HICHA)、遺傳算法(GA)、改進(jìn)粒子群算法(PSOBA)、蟻群優(yōu)化算法(ACO)、均衡負(fù)載規(guī)劃算法(BPA)等。

實(shí)際上，多移動(dòng)機(jī)器人之間的任務(wù)分配以及協(xié)同控制還需要考慮多移動(dòng)機(jī)器人系統(tǒng)在時(shí)間、空間、功能上的分布性特點(diǎn)，國(guó)內(nèi)外學(xué)者在分布式機(jī)器人系統(tǒng)的控制系統(tǒng)領(lǐng)域展開了很多的研究。ALLIANCE[43]作為基于行為的軟件架構(gòu)，成功解決了多移動(dòng)機(jī)器人的容錯(cuò)協(xié)同控制。Klavins等[44]提出了分布式機(jī)器人系統(tǒng)的混合控制方法。在該系統(tǒng)中，每個(gè)單體任務(wù)都由一個(gè)控制器進(jìn)行控制，常被應(yīng)用于自動(dòng)化生產(chǎn)的機(jī)器人裝配任務(wù)中?！叭龑印?three-tier, 3T)架構(gòu)由Schreckenghost等[45]于1998年提出，該架構(gòu)考慮了遠(yuǎn)程設(shè)備維護(hù)管理的人機(jī)交互問題，可以在執(zhí)行過程中對(duì)操作進(jìn)行合理地人為干預(yù)。CLARAty架構(gòu)由Volpe等[46]提出，屬于兩層架構(gòu)，該架構(gòu)考慮了系統(tǒng)的規(guī)劃層和執(zhí)行層之間的強(qiáng)耦合問題，其功能層實(shí)現(xiàn)了仿真、狀態(tài)監(jiān)測(cè)和面向?qū)ο蟮南到y(tǒng)操作。3T和ClARAty架構(gòu)都已被應(yīng)用于美國(guó)國(guó)家航空航天局(NASA)的部分移動(dòng)機(jī)器人項(xiàng)目中。

2.2 多移動(dòng)機(jī)器人環(huán)境感知與定位

移動(dòng)機(jī)器人一般通過各類傳感器來獲取外界信息，常見的傳感器包括聲吶系統(tǒng)、激光測(cè)距儀、攝像頭等。移動(dòng)機(jī)器人需要依靠傳感器來感知周邊環(huán)境，并提取環(huán)境中的有效信息加以處理和理解，最終通過所在環(huán)境的模型來表達(dá)所在環(huán)境的信息，這是實(shí)現(xiàn)自主移動(dòng)機(jī)器人定位、導(dǎo)航的前提[47]。

對(duì)距離和障礙的探測(cè)，目前主要采用聲吶和激光測(cè)距儀。相對(duì)來說，激光測(cè)距儀測(cè)距的精度更高，而且不受環(huán)境因素的影響，但價(jià)格更高，功耗更大。機(jī)器人的視覺系統(tǒng)分為主動(dòng)視覺和被動(dòng)視覺兩種。主動(dòng)視覺通常自身配備光源，被動(dòng)視覺依靠外部光源。從視覺傳感器數(shù)目上看，機(jī)器人視覺系統(tǒng)可以分為單目視覺、雙目視覺以及多目視覺。單目視覺處理簡(jiǎn)單，只能獲取環(huán)境的二維信息，而雙目或者多目視覺處理信息更加復(fù)雜，能夠獲取環(huán)境中的三維信息。多機(jī)器人系統(tǒng)的一個(gè)難點(diǎn)在于如何將不同類型的信息進(jìn)行整合，即多傳感器信息融合問題[48]。目前常用的多傳感器信息融合算法有卡爾曼濾波、加權(quán)平均法、統(tǒng)計(jì)決策理論和神經(jīng)網(wǎng)絡(luò)等。

在獲得外界信息的基礎(chǔ)上，多移動(dòng)機(jī)器人需要對(duì)這些信息進(jìn)行實(shí)時(shí)處理。信息處理的一個(gè)很重要目標(biāo)是機(jī)器人自身的定位問題。具體來說，機(jī)器人需要根據(jù)當(dāng)前位置估計(jì)周圍環(huán)境地圖數(shù)據(jù)以及外部傳感器數(shù)據(jù)等，經(jīng)過特定算法處理，得到更加精確的當(dāng)前位置估計(jì)。機(jī)器人定位可以分為2種：相對(duì)定位和絕對(duì)定位。前者是在給定初始位置的情況下，確定自己的位置；后者則不需要給定初始位置。相對(duì)定位的實(shí)現(xiàn)包括2種定位方法：慣性導(dǎo)航和測(cè)程法。慣性導(dǎo)航依賴于加速度計(jì)、陀螺儀、電磁羅盤等傳感器，測(cè)程法則基于編碼器測(cè)量信息。絕對(duì)定位通常依賴的方法包括：導(dǎo)航信標(biāo)；主動(dòng)或被動(dòng)標(biāo)識(shí)；圖形匹配；基于衛(wèi)星的導(dǎo)航信號(hào)，即GPS定位；概率定位。

2.3 多移動(dòng)機(jī)器人軌跡規(guī)劃

多移動(dòng)機(jī)器人路徑規(guī)劃目的在于：根據(jù)已知的、部分已知的環(huán)境信息，由移動(dòng)機(jī)器人群自主規(guī)劃路徑，滿足各個(gè)移動(dòng)機(jī)器人從各自已知的起始位置出發(fā)，繞過障礙物，到達(dá)各自的終止位置，在整個(gè)過程中，各個(gè)機(jī)器人之間不發(fā)生干涉。已有的路徑規(guī)劃算法主要有柵格法、構(gòu)型空間法(C-Space)、邊界距離模型法等。多移動(dòng)機(jī)器人的全局路徑規(guī)劃不僅需要保證機(jī)器人與障礙物之間無(wú)碰撞，同時(shí)還要避免機(jī)器人與機(jī)器人之間無(wú)碰撞，并且滿足優(yōu)化條件，可以采用多移動(dòng)機(jī)器人免疫協(xié)同路徑規(guī)劃算法。

多移動(dòng)機(jī)器人的實(shí)時(shí)避障、路徑規(guī)劃以及編隊(duì)等[49-50]傳統(tǒng)問題一直是國(guó)內(nèi)外的研究熱點(diǎn)。但是近年來，多移動(dòng)機(jī)器人的停駐、目標(biāo)搜索問題[51-52]得到了越來越多的關(guān)注。該問題的核心在于：找到目標(biāo)物外圍的包圍圈，并且合理分配包圍圈上的機(jī)器人停駐點(diǎn)，從而獲取目標(biāo)物體各個(gè)方面的信息。在停駐點(diǎn)分配的過程中，需要機(jī)器人有一定的自主避障能力，要求機(jī)器人能夠?qū)Νh(huán)境有一定快速感知并處理的能力。目前較為有效的避障策略有人工勢(shì)場(chǎng)法(APF)、柵格法和神經(jīng)網(wǎng)絡(luò)法等[53]。

3 結(jié)束語(yǔ)

隨著傳感器技術(shù)、計(jì)算機(jī)視覺、人工智能算法以及計(jì)算機(jī)軟硬件等相關(guān)技術(shù)的發(fā)展，多移動(dòng)機(jī)器人協(xié)同搬運(yùn)技術(shù)的發(fā)展必然會(huì)越來越成熟。目前，對(duì)多移動(dòng)機(jī)器人協(xié)同搬運(yùn)技術(shù)的研究還存在很多不足，在未來工作中需要對(duì)以下幾個(gè)方面作進(jìn)一步地研究。

1)提高多移動(dòng)機(jī)器人對(duì)工作環(huán)境的適應(yīng)性。目前對(duì)多移動(dòng)機(jī)器人搬運(yùn)技術(shù)的研究多集中于協(xié)同算法、導(dǎo)航技術(shù)，較少考慮機(jī)器人結(jié)構(gòu)方面的問題。所采用的機(jī)器人多為輪式或鏈條式機(jī)器人，對(duì)工作環(huán)境尤其是移動(dòng)面的要求較高。實(shí)際上多移動(dòng)機(jī)器人的應(yīng)用場(chǎng)所往往是一些高?；蛘叱Ｈ穗y以進(jìn)入的場(chǎng)所，因此對(duì)環(huán)境具有高適應(yīng)性的機(jī)器人的開發(fā)是極其重要的。

2)搬運(yùn)中缺少反饋系統(tǒng)，目前大部分多移動(dòng)機(jī)器人搬運(yùn)系統(tǒng)都是一個(gè)開環(huán)的系統(tǒng)。一旦滿足了系統(tǒng)給定的搬運(yùn)起始狀態(tài)(夾緊、鎖定等)之后，搬運(yùn)物體在整個(gè)過程中便處于自由狀態(tài)，一些重心較高的物體很容易在搬運(yùn)過程中發(fā)生傾倒等情況。目前，已有的一些基于視覺反饋系統(tǒng)的研究仍然不成熟，在時(shí)間響應(yīng)以及反饋信息處理上需要得到進(jìn)一步的提高。

3)多移動(dòng)機(jī)器人控制算法應(yīng)與人工智能結(jié)合。雖然機(jī)器學(xué)習(xí)很早就應(yīng)用于多機(jī)器人協(xié)同控制,但是目前機(jī)器學(xué)習(xí)算法在復(fù)雜環(huán)境中的響應(yīng)時(shí)間和正確率都不令人滿意。隨著人工智能的不斷發(fā)展，機(jī)器視覺的不斷突破，人工智能技術(shù)與機(jī)器人控制的結(jié)合應(yīng)該變得更加密切。