以IHDR為核心的物流機(jī)器人自適應(yīng)導(dǎo)航算法

廣東工貿(mào)職業(yè)技術(shù)學(xué)院 孫濤 王朝輝 周佳杰

以學(xué)習(xí)或知識為基礎(chǔ)建立的機(jī)器人認(rèn)知機(jī)制正面臨著普適性、智能性及服務(wù)性差的挑戰(zhàn)，物流機(jī)器人的自適應(yīng)導(dǎo)航性能標(biāo)志著劃時(shí)代的技術(shù)大變革和進(jìn)步，對于機(jī)器人認(rèn)知準(zhǔn)確性、避障能力的提升功不可沒。文章以增量分層判別回歸算法（IHDR）為核心，將闡述其在物流機(jī)器人自適應(yīng)導(dǎo)航中的技術(shù)構(gòu)成、具體實(shí)現(xiàn)方法，并通過靜態(tài)、動(dòng)態(tài)兩種環(huán)境下的仿真試驗(yàn)，校檢物流機(jī)器人自適應(yīng)導(dǎo)航算法的可行性，以充實(shí)物流機(jī)器人領(lǐng)域的技術(shù)體系。

完善的自適應(yīng)導(dǎo)航環(huán)境，是物流機(jī)器人在操作中正確完成避障，在未知環(huán)境下有序作業(yè)的前提條件[1]。傳統(tǒng)的機(jī)器人導(dǎo)航算法涵蓋人工勢場法、遺傳算法等，這些算法按照技術(shù)方案的不同，支持全局性和局部的路徑規(guī)劃。隨著物流工業(yè)的發(fā)展推進(jìn)，移動(dòng)互聯(lián)網(wǎng)、人工智能、機(jī)器學(xué)習(xí)等技術(shù)相繼在“互聯(lián)網(wǎng)+物流”潮流中滲透，人們對物流工業(yè)的需求趨于智能化、生態(tài)化[2]。物流機(jī)器人自適應(yīng)導(dǎo)航算法對技術(shù)條件也提出了較高的要求，傳統(tǒng)的技術(shù)已不適用于現(xiàn)實(shí)需求，局限性也日益凸顯，主要體現(xiàn)在技術(shù)應(yīng)用范圍窄，適應(yīng)能力差，僅可適合簡單的環(huán)境，對于復(fù)雜、多變的環(huán)境欠缺應(yīng)用價(jià)值。IHDR算法具有自主學(xué)習(xí)、便捷化導(dǎo)航性等特點(diǎn)，計(jì)算效率高，且適應(yīng)新環(huán)境的能力強(qiáng)，對于物流機(jī)器人自適應(yīng)導(dǎo)航技術(shù)的研究與應(yīng)用有著寶貴的意義[3]。

1 IHDR算法的原理、關(guān)鍵技術(shù)

IHDR算法即增量式分層判別回歸算法，基本思想為：以IHDR原理將不純的數(shù)據(jù)集，經(jīng)過整理歸納后劃分為N個(gè)較純的子樣本集。在輸入某個(gè)樣本數(shù)據(jù)時(shí)，首先判斷其在子樣本集中的歸屬，再判斷與當(dāng)前樣本相接近的子樣本集，便可以獲得當(dāng)前樣本對應(yīng)的輸出動(dòng)作向量，算法的核心技術(shù)涉及樣本集劃分、子空間劃分、子集劃分、檢索分析等[4]。

1.1 IHDR算法的樣本集劃分

采用雙聚類策略劃分子集，即在獲取數(shù)據(jù)過程中，每個(gè)數(shù)據(jù)和一個(gè)指示類別或某一個(gè)指示動(dòng)作對應(yīng)，輸出、輸入兩者之間為分別對應(yīng)、相互補(bǔ)充的關(guān)系[5]。針對輸入數(shù)據(jù)來說，輸出的指示信息較小，可在Y-Space上聚類分析，并在X-Space中驗(yàn)證，可實(shí)現(xiàn)已有樣本數(shù)據(jù)有效、快速的劃分。

1.2 IHDR算法的子空間劃分

樣本空間內(nèi)通常無法一次完成劃分，在應(yīng)用中往往僅能得到目前時(shí)刻t所對應(yīng)的數(shù)據(jù)，可將子空間的劃分過程假設(shè)為動(dòng)態(tài)環(huán)境，設(shè)在IHDR樹中進(jìn)行樣本的持續(xù)添加，樣本會(huì)在子數(shù)據(jù)集中自動(dòng)劃分，若子數(shù)據(jù)集中的樣本數(shù)量高于設(shè)定的閥值ns，可把子數(shù)據(jù)集進(jìn)行整理，將其劃分為q個(gè)子數(shù)據(jù)集，依次順序，通過增量式的方法數(shù)據(jù)集可轉(zhuǎn)化為M個(gè)子樣本集[6]。

1.3 IHDR算法的子集劃分

如何將樣本劃分到對應(yīng)的子集，是IHDR算法應(yīng)當(dāng)思考的問題。在劃分過程中，重點(diǎn)找尋子樣本集的中心，由于一個(gè)樣本歸屬于某個(gè)子樣本集，則該樣本相應(yīng)地，和樣本集的中心較為貼近，僅需判斷子樣本集中心距離最近的樣本，即可對樣本進(jìn)行快捷的子樣本集劃分。

1.4 IHDR算法的檢索分析

無論是在節(jié)點(diǎn)對應(yīng)樣本集中進(jìn)行的樣本比對，還是在樣本與聚類子中心間的比對，比對的樣本數(shù)據(jù)和性能間有著密不可分的關(guān)系，可把樣本投影到待判別的特征空間，利用特征空間的優(yōu)勢實(shí)施比對分析[7]。特征空間運(yùn)用CCIPCA算法比對，通過對當(dāng)前樣本空間對應(yīng)判別的特征空間進(jìn)行可增量式的評估，在特征空間內(nèi)進(jìn)行樣本的投影。針對常規(guī)的節(jié)點(diǎn)，各個(gè)節(jié)點(diǎn)均建立負(fù)對數(shù)似然模型，判定當(dāng)前樣本屬于各聚類子中心的概率。因此，在建立的IHDR樹中，各個(gè)節(jié)點(diǎn)都會(huì)對應(yīng)一個(gè)統(tǒng)計(jì)模型，各個(gè)節(jié)點(diǎn)可對應(yīng)一個(gè)子樣本集。在展示結(jié)果時(shí)，對于未經(jīng)處理的數(shù)據(jù)采用IHDR進(jìn)行分類處理，即可增強(qiáng)對問題的識別率。

2 物流機(jī)器人IHDR自適應(yīng)導(dǎo)航算法實(shí)現(xiàn)方案

運(yùn)用上述IHDR自適應(yīng)導(dǎo)航算法的關(guān)鍵技術(shù)，文章將基于IHDR建立自適應(yīng)導(dǎo)航框架、知識庫表示方法，設(shè)計(jì)適用于物流機(jī)器人的導(dǎo)航規(guī)劃方法[8]。

2.1 基于IHDR算法的自適應(yīng)導(dǎo)航框架

采用IHDR原理，根據(jù)物流機(jī)器人路徑規(guī)劃、避障需求，設(shè)計(jì)自適應(yīng)導(dǎo)航框架，主要由知識學(xué)習(xí)模塊、內(nèi)容檢索模塊、知識更新模塊三個(gè)部分組成[9-10]。知識學(xué)習(xí)模塊的目的在于，經(jīng)過樣本的學(xué)習(xí)，借鑒以往的經(jīng)驗(yàn)，將之內(nèi)化為知識的形式，在IHDR樹節(jié)點(diǎn)中添加。當(dāng)機(jī)器人處于在線運(yùn)行狀態(tài)時(shí)，結(jié)合物流機(jī)器人的本體狀態(tài)、環(huán)境狀態(tài)，可在現(xiàn)有的知識庫中檢索決策量信息。若決策量信息判斷無效，可重新啟動(dòng)基本路徑規(guī)劃算法，幫助物流機(jī)器人在運(yùn)行中提供路徑導(dǎo)航所需的決策量，不僅可以將決策的結(jié)果反饋給知識庫，以供知識庫的參數(shù)更新，還可為機(jī)器人的行為輸出提供參考。若決策量有效，則可以充當(dāng)物流機(jī)器人的行為直接輸出。該框架和常規(guī)知識學(xué)習(xí)的區(qū)別在于，采用在線更新方式，與物流機(jī)器人的路徑規(guī)劃動(dòng)態(tài)保持同步，以使機(jī)器人獲得及時(shí)的運(yùn)行數(shù)據(jù)支持。

2.2 IHDR算法知識庫表示方法

IHDR算法增量學(xué)習(xí)過程體現(xiàn)了某種映射機(jī)制，這種映射的表達(dá)式為[11]：

在表達(dá)式中，X代表當(dāng)前的狀態(tài)，為輸入端，由自身所處的環(huán)境狀態(tài)和物流機(jī)器人的運(yùn)行狀態(tài)兩個(gè)部分組成。它以相對量表示，在相對速度空間有著適用性。Y為輸出端，表示物流機(jī)器人在下一階段采用的規(guī)劃量，輸入、輸出兩者的表達(dá)式為：

在輸入、輸出兩個(gè)表達(dá)式中，VA代表物流機(jī)器人目前的速度，VAG代表物流機(jī)器人目前和目標(biāo)間的相對速度，VA00代表物流機(jī)器人目前和第0個(gè)障礙物的相對速度，LAG代表物流機(jī)器人目前與目標(biāo)的相對坐標(biāo)，LA00代表物流機(jī)器人目前和第0個(gè)障礙物的相對速度，R01代表第0個(gè)障礙物對物流機(jī)器人作業(yè)的威脅半徑，△VA代表物流機(jī)器人在下一階段即將采取的加速度[12]。以兩個(gè)表達(dá)式的運(yùn)算為依據(jù)，構(gòu)建IHDR樹型結(jié)構(gòu)，樹型結(jié)構(gòu)的學(xué)習(xí)原理為：設(shè)S=（X，Y）為需要學(xué)習(xí)的新樣本，即率先從IHDR樹的根節(jié)入手學(xué)習(xí)，之后以節(jié)點(diǎn)的子節(jié)點(diǎn)為范圍，在其中找尋和新樣本狀態(tài)X接近的中心區(qū)域。以找到的該節(jié)點(diǎn)為中心繼續(xù)搜索，直至確定葉子的節(jié)點(diǎn)。之后對葉子節(jié)點(diǎn)的類別中心均值、方差進(jìn)行更新。對物流機(jī)器人的規(guī)劃量進(jìn)行持續(xù)的調(diào)整和優(yōu)化[13]。

3 以IHDR為核心的物流機(jī)器人自適應(yīng)導(dǎo)航算法仿真試驗(yàn)

3.1 物流機(jī)器人自適應(yīng)導(dǎo)航靜態(tài)環(huán)境仿真分析

采用IHDR算法設(shè)計(jì)的自適應(yīng)導(dǎo)航算法，基于自主學(xué)習(xí)框架結(jié)合建立的知識庫，在靜態(tài)環(huán)境下配置Visual Studio2008簡體中文版，硬件要求為：內(nèi)存≥768MB，可用磁盤空間2.2GB，CPU1.6GHZ，分辨率1024×768，附帶DVD-ROM驅(qū)動(dòng)器，在Windows7環(huán)境下完成試驗(yàn)。假設(shè)物流機(jī)器人周邊環(huán)境中有4個(gè)障礙物，分別記為0b1、0b2、0b3、0b4，要求物流機(jī)器人避開4個(gè)靜態(tài)障礙物，運(yùn)動(dòng)路線為由起始點(diǎn)到目標(biāo)點(diǎn)T，運(yùn)行參數(shù)如表1所示[14-15]：

表1 靜態(tài)障礙物物流機(jī)器人仿真分析三維參數(shù)Tab.1 Three-dimensional parameters of static obstacle logistics robot simulation analysis

運(yùn)用上述三維參數(shù)，對IHDR算法為核心的自適應(yīng)導(dǎo)航算法進(jìn)行運(yùn)算分析，結(jié)果如表2所示：

表2 靜態(tài)環(huán)境下物流機(jī)器人仿真結(jié)果Tab.2 Simulation results of logistics robots in static environment

經(jīng)IHDR算法反復(fù)運(yùn)行10次，平均避障的總時(shí)間達(dá)到了150ms，平均路徑的總長度為6500m，檢索成功的比例為38/59，單次規(guī)劃的平均時(shí)長為2.58ms，經(jīng)測試，該方法用于物流機(jī)器人的路徑規(guī)劃和導(dǎo)航有著較高的效率[16]。

3.2 物流機(jī)器人自適應(yīng)導(dǎo)航靜態(tài)環(huán)境仿真分析

考慮到單一的靜態(tài)環(huán)境下物流機(jī)器人自適應(yīng)導(dǎo)航算法無法全面體現(xiàn)算法成效的特點(diǎn)，文章引入了動(dòng)態(tài)環(huán)境法下的物流機(jī)器人仿真試驗(yàn)，試驗(yàn)所用的計(jì)算機(jī)硬件同靜態(tài)仿真[17]。在三維參數(shù)選擇上，動(dòng)態(tài)仿真僅修改4個(gè)障礙物的初始運(yùn)行速度。假設(shè)物流機(jī)器人運(yùn)行中有著4個(gè)障礙物，初始狀態(tài)條件下障礙物對物流機(jī)器人的運(yùn)行路線造成了堵塞。動(dòng)態(tài)仿真時(shí)，物流機(jī)器人必須繞過4個(gè)目標(biāo)障礙物方可保持既定的操作路線。動(dòng)態(tài)仿真環(huán)境的三維參數(shù)及仿真試驗(yàn)結(jié)果如表3和表4所示：

表3 動(dòng)態(tài)環(huán)境下的物流機(jī)器人仿真分析三維參數(shù)Tab.3 3D parameters of logistics robot simulation analysis in dynamic environment

表4 動(dòng)態(tài)環(huán)境下物流機(jī)器人仿真分析結(jié)果Tab.4 Simulation analysis results of logistics robots in a dynamic environment

動(dòng)態(tài)環(huán)境下物流機(jī)器人單次路徑規(guī)劃用時(shí)低，綜合靜態(tài)仿真結(jié)果，以IHDR為核心的物流機(jī)器人自適應(yīng)導(dǎo)航算法在應(yīng)用中有著良好的適用性。

4 結(jié)論

物流機(jī)器人自適應(yīng)導(dǎo)航研究的問題在于，在給定的機(jī)器人運(yùn)動(dòng)構(gòu)型、初始構(gòu)型中，可以運(yùn)算出一條連續(xù)并可以滿足不同狀態(tài)下環(huán)境約束的途徑，讓機(jī)器人可以沿著自主導(dǎo)航規(guī)定的路線，自初始點(diǎn)運(yùn)行到目標(biāo)點(diǎn)位終止。提供成熟的三維空間路徑規(guī)劃，能夠支撐物流機(jī)器人技術(shù)向精細(xì)化、專業(yè)化方向發(fā)展。以IHDR為核心的物流機(jī)器人自適應(yīng)導(dǎo)航算法，適應(yīng)了物流機(jī)器人領(lǐng)域的技術(shù)研發(fā)需求，通過傳感器數(shù)據(jù)感知環(huán)境信息，可進(jìn)行數(shù)據(jù)研判，運(yùn)用構(gòu)建的知識庫修訂偏差，健全物流機(jī)器人自適應(yīng)導(dǎo)航算法的流程和思路，從而對物流機(jī)器人的速度、位移數(shù)據(jù)進(jìn)行合理的掌握，以不斷提升物流機(jī)器人自適應(yīng)導(dǎo)航的精度。