CN104834308A - 满足复杂需求的最优巡回控制方法 - Google Patents
满足复杂需求的最优巡回控制方法 Download PDFInfo
- Publication number
- CN104834308A CN104834308A CN201510165760.2A CN201510165760A CN104834308A CN 104834308 A CN104834308 A CN 104834308A CN 201510165760 A CN201510165760 A CN 201510165760A CN 104834308 A CN104834308 A CN 104834308A
- Authority
- CN
- China
- Prior art keywords
- robot
- task
- control
- fuzzy
- path
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Feedback Control In General (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
一种满足复杂需求的机器人最优巡回控制方法,包括构建加权切换系统、构建Büchi自动机的任务图表、构建Product自动机的任务可行网络拓扑、路径寻优、模糊逻辑控制以及位姿信息反馈六步。首先,基于线性时序逻辑,结合机器人运行环境信息,规划出满足任务需求的最优路径;然后,采用模糊控制策略,结合实时反馈的机器人当前位置坐标和朝向信息,根据当前移动机器人与目标点之间的角度偏差α和距离偏差d,给出机器人左右两轮速度vl和vr的控制量,实现最优路径跟踪控制。本发明能够规划出既符合机器人运行环境,又满足复杂巡回任务需求的最优路径,同时能够有效的控制机器人实现最优路径跟踪,完成指定任务。
Description
技术领域
本系统涉及计算机图像处理、路径规划、移动机器人控制、通信等领域,尤其是面向复杂时序任务的移动机器人巡回控制。
背景技术
移动机器人控制方法涉及环境感知、动态决策与规划、行为控制与执行等多种相关技术。其中,满足复杂任务需求的智能移动机器人控制方法,在探索人类无法到达的未知和危险地域等方面具有显著的优势,应用前景非常广泛,诸如机器人采矿、工厂特定环境的安检、灾区救灾等。
传统的移动机器人控制方法主要集中在对go-to-goal这类简单的任务需求的研究,主要采用路标法、单元分割法、人工势场法、人工神经网络算法等方法来实现“从A点到B点并避开障碍物”这类简单的路径寻优,并采用红外寻迹、学习控制、路线跟踪、视觉导航等控制方法来控制机器人完成简单的任务。然而,上述的方法无法满足移动机器人实际应用中的复杂任务需求,诸如“从点A到点B,然后巡回C、D两点”这类包含巡回的任务。此外,上述的控制方法都存在着不同程度的缺陷,如红外寻迹和路线跟踪需要构建特定的环境,且对环境的光线要求较高;视觉导航对于机器人硬件的要求较高;学习控制通用性差,且机器学习与参数调整是一个较为繁琐和复杂的过程。
随着实际生产生活中对机器人的应用需求越来越大,对机器人的技术要求也越来越高,对于能够满足复杂巡回任务需求且简单、有效的控制方法的研究是目前移动机器人相关产业的迫切需求。而基于线性时序逻辑的路径规划方法针对的不仅仅是传统的“从A到B并避开障碍物”这种简单的点到点访问任务,它可以满足实际中比较复杂的任务需求,例如全局保持在某些点的集合之内(安全性),顺序经过某些点(保证性)之后,巡回其他几个点(循环性),并规避某些点(避障),同时在到达某些点之后必须访问另外几个点(反应性)等。此外,基于模糊逻辑的移动机器人控制策略是一种基于规则的控制策略,具有设计简单,便于实现,适用范围广,鲁棒性强等优点,可以控制机器人实现路径跟踪。鉴于上述优点,将线性时序逻辑理论与模糊控制方法相结合,研究满足复杂需求的机器人最优巡回控制方法,不仅能够规划出既满足复杂任务需求,又符合机器人运行环境的最优路径,并且可以简单、方便地实现控制机器人完成最优路径跟踪。
满足复杂需求的机器人最优巡回控制方法弥补了传统机器人路径规划方法无法满足实际应用中复杂任务需求的缺陷,而且,基于专家经验,采用基于模糊逻辑的机器人运行控制策略能较好的控制机器人实现路径跟踪,完成指定任务。满足复杂需求的机器人最优巡回控制方法可以实现机器人替人完成那些枯燥、危险的任务,如港口等特殊环境的巡回监控,工厂内的货物搬运,军事中大范围数据监控等,而且可以降低任务风险,减少损失,提高工作效率。
发明内容
为了克服传统的移动机器人控制系统无法满足复杂任务需求的缺陷,本发明将设计实现一种满足复杂任务需求的移动机器人控制方法。
本发明解决其技术问题所采用的方案是:
满足复杂需求的机器人最优巡回控制方法包括:构建加权切换系统、构建Büchi自动机的任务图表、构建Product自动机的任务可行网络拓扑、路径寻优、模糊逻辑控制以及位姿信息反馈六步。首先,将已知的机器人运行环境建模成一个加权切换系统;接着,利用线性时序逻辑(LTL)表达式描述给定的复杂任务需求作为任务输入,同时用一个成本函数(总的移动距离)来衡量路径的最优性;之后,将切换系统和线性时序任务公式作笛卡尔乘积构建任务可行网络拓扑;然后,采用移动机器人最优巡回路径算法搜索出满足给定任务需求的最优巡回路径;获得最优巡回路径(目标节点序列)之后,将其存储在缓存中,根据当前任务的完成的情况(已访问节点),将缓存中的下一目标点分配给模糊逻辑控制器进行跟踪;模糊逻辑跟踪控制器根据实时反馈的机器人位置和角度信息,调整机器人左右两轮速度,控制机器人完成路径跟踪,具体步骤如下:
步骤1,构建加权切换系统
根据当前机器人的运行环境,构建加权切换系统,以矩阵的形式表示。其中,QT为一组有限的状态集,表示机器人当前运行环境所包含的区域;为初始状态,表示机器人初始位置所在的区域;为转换关系,表示机器人当前运行环境中各区域之间的联通状态;ΠT为一组有限的原子命题集,表示机器人需要执行的所有任务的集合,其中机器人在特定区域所执行的任务表示为ωT>0为加权切换系统的权重,表示机器人在当前运行环境中各区域之间运动所需的成本(距离、时间等)。
步骤2,构建Büchi自动机的任务图表
为了更加接近于人类自然语言,本发明采用线性时序逻辑语言来描述复杂任务需求,然后通过外接LTL2BA工具箱将任务公式转化为图表的形式。其中,线性时序逻辑语言所描述的任务需求是由加权切换系统的节点集QT,标准布尔算子(非)、∨(或)、∧(与),以及时序逻辑算子(直到)、<>(最后)、[](始终)等组成的表达式。例如,QT={q0,q1,q2,q3},给定任务需求“巡回q1和q3两点”,则线性时序逻辑公式φ可以描述为:
φ=[]<>q1∧[]<>q3;
在输入任务需求表达式后,需要将它转化为区域序列可行性图表,用以构建步骤3中的Product自动 机。本发明采用LTL2BA工具将任务需求表达式φ转换成对应的Büchi自动机,Büchi自动机是可判断输入的路径序列是否满足任务需求的图表,用字母B表示:其中QB是有限状态集合,是初始状态集合,ΣB是输入字母表,是转换函数,是最终状态集合。Büchi自动机可以保证路径满足任务需求;
步骤3,构建Product自动机的任务可行网络拓扑
为了在切换系统中获取满足任务需求的路径,还要确保环境中存在这条路径,因此将加权切换系统T和Büchi自动机B作笛卡尔乘积,得到满足任务需求的所有路径的图表,称它为任务可行网络拓扑,用字母P表示,即P=T×B,其中 QP=QT×QB为有限状态集合,为初始状态集合,为转换函数,FP=QT×FB为最终状态集合。任务可行网络拓扑上所包含的路径既满足任务需求,又符合机器人当前运行环境;
步骤4,在可行网络拓扑上采用最优巡回路径算法搜索最优巡回路径
采用A*算法,在步骤3所构建的任务可行网络拓扑上,按照任务表达式中需要访问节点的顺序搜索出一条最优路径,并映射回加权切换系统,得到加权切换系统上满足任务需求的最优路径,即机器人运行环境中满足任务需求的一条最优路径上对应加权切换系统中的目标节点序列。
步骤5,模糊逻辑控制
模糊逻辑控制包含了变量定义、模糊化、指示库、逻辑判断及解模糊化五个部分,其具体实现过程如下:
51)变量定义
在寻优路径之后,将获得的最优路径(目标节点序列)发送给模糊逻辑控制器,并存储在缓存中。模糊逻辑控制器按顺序读取缓存中的目标节点,并结合实时反馈的机器人当前位置和朝向信息,以移动机器人朝向与机器人和目标点连线之间的夹角α,以及机器人位置与目标点的距离d为输入变量,以机器人左轮速度vl和右轮速度vr为输出变量。
52)模糊化
将输入的精确量转换为模糊化量。其中输入量包括α、d、vl和vr。受实验机器人本身性能的限制将机器人左右轮速度的基本论域设为(vmin,vmax);角度偏差α的基本论域为(-π,π);距离偏差d的基本论域根据地图建模中单节点的所属地图区域的半径而定。参照偏差大,则用大控制量;偏差小,则用小控制量的策略。因此,模糊量划分的宽度是随模糊量与零元素的距离变化的,而非线性增大。本发明取α、d、 vl和vr的模糊子集个数分别为7、4、7、7,用集合表示为:α={NB,NM,NS,Z,PS,PM,PB};vl,vr={NB,NM,NS,Z,PS,PM,PB};d={PZ,PS,PM,PB}。其中,NB表示为负大,NM为负中,NS为负小,Z为零,PS为正小,PM为正中,PB为正大,PZ为正零。
53)指示库
根据上述模糊子集,可分别确定各变量对应的隶属函数,然后根据实验经验以及模糊控制的规则,制定出控制规则表。
54)逻辑判断
在得到控制规则表后,模糊逻辑控制器需要根据实时的输入量反复的进行逻辑判断,找到输入量模糊化后对应控制规则表中的位置,输出对应的模糊控制量Vl和Vr。
55)解模糊化
根据模糊逻辑控制器输出的模糊控制量,解模糊化后得到输出的精确控制量vl和vr,控制机器人的运动(前进和转向)。
当机器人运动到给定目标点时,判断是否为目标节点序列的最后一个节点,是则结束;否则根据当前任务的完成情况(已访问节点),模糊逻辑控制器从缓存中读取下一个目标点,直至遍历整个目标节点序列。
步骤6,位姿信息反馈
在路径跟踪过程中,本发明采用全局相机通过图像处理技术获取环境坐标信息和机器人实时位姿(位置坐标和朝向)信息,并通过UDP通信反馈给模糊逻辑控制器。其中,机器人的朝向取机器人上前后两个色块的中心坐标来标定。
本发明的优点是:采用了线性时序逻辑语言来描述复杂任务需求,将任务以线性时序逻辑公式的形式表达,更贴近人类自然语言,简洁方便;采用基于线性时序逻辑的路径规划方法,能够搜索出既满足线性时序逻辑公式,又符合机器人当前运行环境的最优路径;通过构建Büchi自动机的任务图表和Product自动机的任务可行网络拓扑,能够有效的将任务需求与机器人运行环境信息相融合,提高搜索路径的效率;通过构建Product自动机的任务可行网络拓扑来搜索最优路径,缩小了搜索范围;采用模糊逻辑控制的方法,通过经验及实验数据指定控制规则来控制机器人完成路径跟踪,便于实现,且实际跟踪路径与理想最优路径的偏差能够控制在误差范围内;采用闭环控制,能够实时记录并显示机器人的运动轨迹并且及时修正偏差。本发明可以广泛应用于诸如工厂巡回安检、山林等大范围数据采集等实际应用中,实现机器人替人,提高工作效率。
附图说明
图1是本发明的系统结构框架
图2是本发明系统设计总体框架
图3是本发明系统整体示意图
图4是本发明上位机定位程序显示界面
图5是本发明切换系统示例
图6是本发明可行网络拓扑示例
图7是本发明所采用的两轮差动机器人运动学模型
图8是本发明模糊逻辑控制模块输入变量α和d的示意图
图9(a)是本发明输入变量α的隶属度函数示意图
图9(b)是本发明输入变量d的隶属度函数示意图
图9(c)是本发明输出变量vl和vr的隶属度函数示意图
图10是本发明运动控制层程序流程图
图11是本发明实验地图以及切换系统示例
图12是本发明实验案例结果示意图
图13是本发明实验案例采用的E-Puck机器人
表1是本发明模糊逻辑控制规则表
具体实施方式
下面结合附图对本发明作进一步描述。本发明实施例用来说明本发明,并不是对本发明进行限制,在本发明的精神和权利要求的保护范围内,对本发明做出的任何修改和改变,都落入本发明的保护范围。
满足复杂需求的机器人最优巡回控制方法包括:构建加权切换系统、构建Büchi自动机的任务图表、构建Product自动机的任务可行网络拓扑、路径寻优、模糊逻辑控制以及位姿信息反馈六步。首先,将已知的机器人运行环境建模成一个加权切换系统。接着,利用线性时序逻辑(LTL)表达式描述给定的复杂任务需求作为任务输入,同时用一个成本函数(总的移动距离)来衡量路径的最优性。之后,将切换系统和线性时序任务公式作笛卡尔乘积构建任务可行网络拓扑;然后,采用移动机器人最优巡回路径算法搜索出满足给定任务需求的最优巡回路径;获得最优巡回路径(目标节点序列)之后,将其存储在缓存中,根据当前任务的完成的情况(已访问节点),将缓存中的下一目标点分配给模糊逻辑控制器进行跟踪;模糊逻辑跟踪控制器根据实时反馈的机器人位置和角度信息,调整机器人左右两轮速度,控制机器人完成路径跟踪,具体步骤如下:
步骤1,构建加权切换系统
根据当前机器人的运行环境,构建加权切换系统,以矩阵的形式表示。其中,QT为一组有限的状态集,表示机器人当前运行环境所包含的区域;为初始状态,表示机器人 初始位置所在的区域;为转换关系,表示机器人当前运行环境中各区域之间的联通状态;ΠT为一组有限的原子命题集,表示机器人需要执行的所有任务的集合,其中机器人在特定区域所执行的任务表示为ωT>0为加权切换系统的权重,表示机器人在当前运行环境中各区域之间运动所需的成本(距离、时间等);
步骤2,构建Büchi自动机的任务图表
为了更加接近于人类自然语言,本发明采用线性时序逻辑语言来描述复杂任务需求,然后通过外接LTL2BA工具箱将任务公式转化为图表的形式。其中,线性时序逻辑语言所描述的任务需求是由加权切换系统的节点集QT,标准布尔算子(非)、∨(或)、∧(与),以及时序逻辑算子(直到)、<>(最后)、[](始终)等组成的表达式。例如,QT={q0,q1,q2,q3},给定任务需求“巡回q1和q3两点”,则线性时序逻辑公式φ可以描述为:
φ=[]<>q1∧[]<>q3;
在输入任务需求表达式后,需要将它转化为区域序列可行性图表,用以构建步骤3中的Product自动机。本发明采用LTL2BA工具将任务需求表达式φ转换成对应的Büchi自动机,Büchi自动机是可判断输入的路径序列是否满足任务需求的图表,用字母B表示:其中QB是有限状态集合,是初始状态集合,ΣB是输入字母表,是转换函数,是最终状态集合。Büchi自动机可以保证路径满足任务需求;
步骤3,构建Product自动机的任务可行网络拓扑
为了在切换系统中获取满足任务需求的路径,还要确保环境中存在这条路径,因此将加权切换系统T和Büchi自动机B作笛卡尔乘积,得到满足任务需求的所有路径的图表,称它为任务可行网络拓扑,用字母P表示,即P=T×B,其中 QP=QT×QB为有限状态集合,为初始状态集合,为转换函数,FP=QT×FB为最终状态集合。任务可行网络拓扑上所包含的路径既满足任务需求,又符合机器人当前运行环境;
步骤4,在可行网络拓扑上采用最优巡回路径算法搜索最优巡回路径
采用A*算法在步骤3所构建的任务可行网络拓扑上,按照任务表达式中需要访问节点的顺序搜索出一条最优路径,并映射回加权切换系统得到加权切换系统上满足任务需求的最优路径,即机器人运行环境中满足任务需求的一条最优路径上对应加权切换系统中的目标节点序列;
步骤5,模糊逻辑控制
模糊逻辑控制包含了变量定义、模糊化、指示库、逻辑判断及解模糊化五个部分,其具体实现过程如下:
51)变量定义
在寻优路径之后,将获得的最优路径(目标节点序列)发送给模糊逻辑控制器,并存储在缓存中。模糊逻辑控制器按顺序读取缓存中的目标节点,并结合实时反馈的机器人当前位置和朝向信息,以移动机器人朝向与机器人和目标点连线之间的夹角α,以及机器人位置与目标点的距离d为输入变量,以机器人左轮速度vl和右轮速度vr为输出变量;
52)模糊化
将输入的精确量转换为模糊化量。其中输入量包括α、d、vl和vr。受实验机器人本身性能的限制将机器人左右轮速度的基本论域设为(vmin,vmax);角度偏差α的基本论域为(-π,π);距离偏差d的基本论域根据地图建模中单节点的所属地图区域的半径而定。参照偏差大,则用大控制量;差小,则用小控制量的策略。因此,模糊量划分的宽度是随模糊量与零元素的距离变化的,而非线性增大。本发明取α、d、vl和vr的模糊子集个数分别为7、4、7、7,用集合表示为:α={NB,NM,NS,Z,PS,PM,PB};vl,vr={NB,NM,NS,Z,PS,PM,PB};d={PZ,PS,PM,PB}。其中,NB表示为负大,NM为负中,NS为负小,Z为零,PS为正小,PM为正中,PB为正大,PZ为正零;
53)指示库
根据上述模糊子集,可分别确定个变量对应的隶属函数,然后根据实验经验以及模糊控制的规则,制定出控制规则表;
54)逻辑判断
在得到控制规则表后,模糊逻辑控制器需要根据实时的输入量反复的进行逻辑判断,找到输入量模糊化后对应控制规则表中的位置,输出对应的模糊控制量Vl和Vr;
55)解模糊化
根据模糊逻辑控制器输出的模糊控制量,解模糊化后得到输出的精确控制量vl和vr,控制机器人的运动(前进和转向);
当机器人运动到给定目标点时,判断是否为目标节点序列的最后一个节点,是则结束;否则根据当前任务的完成情况(已访问节点),模糊逻辑控制器从缓存中读取下一个目标点,直至遍历整个目标节点序列;
步骤6,位姿信息反馈
在路径跟踪过程中本发明采用全局相机通过图像处理技术获取环境坐标信息和机器人实时位姿(位置 坐标和朝向)信息,并通过UDP通信反馈给模糊逻辑控制器。其中,机器人的朝向取机器人上前后两个色块的中心坐标来标定;
图1为满足复杂需求的机器人最优巡回控制方法的结构框架,图2为满足复杂需求的机器人最优巡回控制方法的总体框架。图3所示为满足复杂需求的机器人最优巡回控制方法的实施例,它包括一台网络摄像机、一台图像处理服务器、一台路径规划计算机、两轮差动机器人,以及机器人运行的实验平台。
实施例1
以图5的切换系统为实施例,按以下步骤获取满足任务需求的最优路径,步骤如下:
步骤1,图5中切换系统包含5个节点,节点间箭头代表转换关系,节点间连线上的数值即为权重,其中q0为初始节点,用加权切换系统T表示如下:
其中,每个参数代表切换系统中两节点间的转换权重,如第一行第一列代表节点q0到q1的转换权重,inf代表机器人无法在这两个节点间移动,同时默认机器人不能在原地转圈,因此主对角线上权重也为inf;
步骤2,机器人任务需求以巡回访问节点q1和q4为实施例,通过任务输入模块输入线性时序任务公式:
φ=[]<>q1∧[]<>q4
利用LTL2BA工具包转化为图表形式得到B;
步骤3,将步骤1得到的T与步骤2得到的B作笛卡尔乘积得到图6所示的可行网络拓扑P;
步骤4,路径寻优部分采用最优巡回路径算法在图6的可行网络拓扑P上搜索最优路径,图6中加粗虚箭头和加粗实箭头为路径寻优结果,其中加粗虚箭头部分为最优路径的前缀部分,不包含巡回点,加粗实箭头部分为最优路径的后缀部分,包含巡回点的最小成本回环路径。
实施例2
在图3所示的控制系统和图12所示机器人运行环境上以任务需求“先到达q2和q6,然后巡回访问q15、q34和q37三个节点”为实施例实现满足任务需求的移动机器人巡回控制,步骤如下:
步骤1,通过网络摄像机获取机器人的运行环境,并抽象成相应的切换系统T3如图12所示。切换系统T3包含42个节点,节点q0为机器人的起点,节点间的连线代表切换系统内的转换关系,节点间的距离即为权重,其中节点q9、q11、q10、q18、q19、q30、q31为障碍物点,节点q2、q6、q15、q34、q37为机器人任务中可能需 要巡回的节点;
步骤2,基于任务需求“先到达q2和q6,然后巡回访问q15、q34和q37三个节点”输入线性时序任务公式φ3=<>(q2∧<>q6)∧[]<>q15∧[]<>q34∧[]<>q37,并通过LTL2BA工具包将步骤2输入的任务公式转化为区域序列可行性图标,即将φ3转化为对应的Büchi自动机B3;
步骤3,将步骤1所得切换系统T3和步骤2所得Büchi自动机B3作笛卡尔乘积,构建任务可行网络拓扑Product自动机P,使得在可行拓扑上规划出的最优路径既能够满足通过线性时序逻辑语言描述的任务需求,又符合移动机器人当前的运行环境;
步骤4,采用A*算法在步骤3所得的任务可行网络拓扑P上,按照步骤2中任务表达式φ3中所要求访问的节点循序(q2→q6→q15→q34→q37→q15→q34→q37→...)搜索出一条最优路径,然后将其映射回加权切换系统T3,得到加权切换系统上满足任务需求φ3的最优路径,即机器人运行环境中满足任务需求的一条最优路径上对应加权切换系统中的离散目标节点序列{q0,q2,q6,q15,q34,q37,q15,q34,q37,...};
步骤5,模糊逻辑控制
模糊逻辑控制包含了变量定义、模糊化、指示库、逻辑判断及解模糊化五个部分,其具体实现过程如下:
51)变量定义
在寻优路径之后,将获得的最优路径(目标节点序列)发送给模糊逻辑控制器,并存储在缓存中。模糊逻辑控制器按顺序读取缓存中的目标节点,并结合实时反馈的机器人当前位置和朝向信息,以移动机器人朝向与机器人和目标点连线之间的夹角α,以及机器人位置与目标点的距离d为输入变量,以机器人左轮速度vl和右轮速度vr为输出变量;
52)模糊化
将输入的精确量转换为模糊化量。其中输入量包括α、d、vl和vr。如图13所示,受实验所采用的E-Puck机器人本身性能的限制,其左右轮实测最大行驶速度为0.124m/s。因此,本例中将机器人左右两轮速度的基本论域设为[-0.1,0.1],单位为m/s;角度偏差α的基本论域为(-π,π);距离偏差d的基本论域根据地图建模中单节点的所属地图区域的半径,本例中取d=17cm。参照偏差大,则用大控制量;偏差小,则用小控制量的策略。因此,模糊量划分的宽度是随模糊量与零元素的距离变化的,而非线性增大。本发明取α、d、vl和vr的模糊子集个数分别为7、4、7、7,用集合表示为:α={NB,NM,NS,Z,PS,PM,PB}; vl,vr={NB,NM,NS,Z,PS,PM,PB};d={PZ,PS,PM,PB}。其中,NB表示为负大,NM为负中,NS为负小,Z为零,PS为正小,PM为正中,PB为正大,PZ为正零;
53)指示库
根据上述模糊子集,可分别确定各变量对应的隶属函数,图9(a)和图9(b)分别为输入变量α和d的隶属度函数,图9(c)为输出变量vl和vr的隶属度函数,从图中可以直观看出各不同角度及距离的偏差属于不同模糊集合的隶属度。然后,根据实验经验以及模糊控制的规则,制定表1所示的控制规则,其中 vl,vr={-0.1,-0.7,-0.2,0,0.2,0.7,0.1}单位为m/s;d={0,8,13,16}单位为cm;
54)逻辑判断
在得到控制规则表后,模糊逻辑控制器需要根据实时的输入量反复的进行逻辑判断,找到输入量模糊化后对应控制规则表中的位置,输出对应的模糊控制量Vl和Vr;
55)解模糊化
根据模糊逻辑控制器输出的模糊控制量,解模糊化后得到输出的精确控制量vl和vr,控制机器人的运动(前进和转向);
步骤6,机器人运行过程中采用全局相机通过图像处理技术获取环境坐标信息与机器人实时坐标和朝向信息,并通过UDP通信反馈给模糊逻辑控制器,其中机器人的朝向用机器人上前后两个色块中心点的坐标来标定,如图12所示,机器人上前后两色块分别为蓝色和黄色,位姿反馈模块反馈两色块的中心点坐标从而标定机器人的朝向;
步骤7,反复执行步骤5和步骤6,最终实现路径跟踪,并将结果显示在图4中的界面上,图12即为满足任务需求“先到达q2和q6,然后巡回访问q15、q34和q37三个节点”机器人运行的最终路径。
从图12中可以看出,满足复杂需求的机器人最优巡回控制方法可以有效的规划并跟踪既满足给定的复杂需求,又符合当前环境信息的最优路径。
Claims (2)
1.满足复杂需求的机器人最优巡回控制方法,包括:构建加权切换系统、构建Büchi自动机的任务图表、构建Product自动机的任务可行网络拓扑、路径寻优、模糊逻辑控制以及位姿信息反馈六步;首先,将已知的机器人运行环境建模成一个加权切换系统;接着,利用线性时序逻辑表达式描述给定的复杂任务需求作为任务输入,同时用一个成本函数(总的移动距离)来衡量路径的最优性;之后,将切换系统和线性时序任务公式作笛卡尔乘积构建任务可行网络拓扑;然后,采用移动机器人最优巡回路径算法搜索出满足给定任务需求的最优巡回路径;获得最优巡回路径之后,将其存储在缓存中,根据当前任务的完成的情况,将缓存中的下一目标点分配给模糊逻辑控制器进行跟踪;模糊逻辑跟踪控制器根据实时反馈的机器人位置和角度信息,调整机器人左右两轮速度,控制机器人完成路径跟踪,具体步骤如下:
步骤1,构建加权切换系统
根据当前机器人的运行环境,构建加权切换系统,以矩阵的形式表示。其中,QT为一组有限的状态集,表示机器人当前运行环境所包含的区域;为初始状态,表示机器人初始位置所在的区域;为转换关系,表示机器人当前运行环境中各区域之间的联通状态;ΠT为一组有限的原子命题集,表示机器人需要执行的所有任务的集合,其中机器人在特定区域所执行的任务表示为ωT>0为加权切换系统的权重,表示机器人在当前运行环境中各区域之间运动所需的成本;
步骤2,构建Büchi自动机的任务图表
为了更加接近于人类自然语言,采用线性时序逻辑语言来描述复杂任务需求,然后通过外接LTL2BA工具箱将任务公式转化为图表的形式;其中,线性时序逻辑语言所描述的任务需求是由加权切换系统的节点集QT,标准布尔算子(非)、∨(或)、∧(与),以及时序逻辑算子(直到)、<>(最后)、[](始终)等组成的表达式;例如,QT={q0,q1,q2,q3},给定任务需求“巡回q1和q3两点”,则线性时序逻辑公式φ可以描述为:
φ=[]<>q1∧[]<>q3;
在输入任务需求表达式后,需要将它转化为区域序列可行性图表,用以构建步骤3中的Product自动机。本发明采用LTL2BA工具将任务需求表达式φ转换成对应的Büchi自动机,Büchi自动机是可判断输入的路径序列是否满足任务需求的图表,用字母B表示:其中QB是有限状态集合,是初始状态集合,ΣB是输入字母表,是转换函数,是最终状态集合。Büchi自动机可以保证路径满足任务需求;
步骤3,构建Product自动机的任务可行网络拓扑
为了在切换系统中获取满足任务需求的路径,还要确保环境中存在这条路径,因此将加权切换系统T和Büchi自动机B作笛卡尔乘积,得到满足任务需求的所有路径的图表,称它为任务可行网络拓扑,用字母P表示,即P=T×B,其中 QP=QT×QB为有限状态集合,为初始状态集合,为转换函数,FP=QT×FB为最终状态集合。任务可行网络拓扑上所包含的路径既满足任务需求,又符合机器人当前运行环境;
步骤4,在可行网络拓扑上采用最优巡回路径算法搜索最优巡回路径
采用A*算法,在步骤3所构建的任务可行网络拓扑上,按照任务表达式中需要访问节点的顺序搜索出一条最优路径,并映射回加权切换系统,得到加权切换系统上满足任务需求的最优路径,即机器人运行环境中满足任务需求的一条最优路径上对应加权切换系统中的目标节点序列;
步骤5,模糊逻辑控制
根据给定的目标节点,采用模糊逻辑控制方法控制机器人实现分段目标跟踪,最终达到最优路径跟踪的效果;
步骤6,位姿信息反馈
在路径跟踪过程中,本发明采用全局相机通过图像处理技术获取环境坐标信息和机器人实时位姿信息,并通过UDP通信反馈给模糊逻辑控制器,其中,机器人的朝向取机器人上前后两个色块的中心坐标来标定。
2.根据权利要求书1所述,满足复杂需求的机器人最优巡回控制方法,其特征在于:所述的步骤5中采用了模糊逻辑控制,分为变量定义、模糊化、指示库、逻辑判断及解模糊化五个步骤,其具体实现过程如下:
51)变量定义
在寻优路径之后,将获得的最优路径(目标节点序列)发送给模糊逻辑控制器,并存储在缓存中;模糊逻辑控制器按顺序读取缓存中的目标节点,并结合实时反馈的机器人当前位置和朝向信息,以移动机器人朝向与机器人和目标点连线之间的夹角α,以及机器人位置与目标点的距离d为输入变量,以机器人左轮速度vl和右轮速度vr为输出变量;
52)模糊化
将输入的精确量转换为模糊化量;其中,输入量包括α、d、vl和vr;受实验机器人本身性能的限制将机器人左右两轮速度的基本论域设为(vmin,vmax);角度偏差α的基本论域为(-π,π);距离偏差d的基本论域根据地图建模中单节点的所属地图区域的半径而定。参照偏差大,则用大控制量;偏差小,则用小控制量的策略。因此,模糊量划分的宽度是随模糊量与零元素的距离变化的,而非线性增大;本发明取α、d、vl和vr的模糊子集个数分别为7、4、7、7,用集合表示为:α={NB,NM,NS,Z,PS,PM,PB};vl,vr={NB,NM,NS,Z,PS,PM,PB};d={PZ,PS,PM,PB};其中,NB表示为负大,NM为负中,NS为负小,Z为零,PS为正小,PM为正中,PB为正大,PZ为正零;
53)指示库
根据上述模糊子集,可分别确定各变量对应的隶属函数,然后根据实验经验以及模糊控制的规则,制定出控制规则表;
54)逻辑判断
在得到控制规则表后,模糊逻辑控制器需要根据实时的输入量反复的进行逻辑判断,找到输入量模糊化后对应控制规则表中的位置,输出对应的模糊控制量Vl和Vr;
55)解模糊化
根据模糊逻辑控制器输出的模糊控制量,解模糊化后得到输出的精确控制量vl和vr,控制机器人的运动;
当机器人运动到给定目标点时,判断是否为目标节点序列的最后一个节点,是则结束;否则根据当前任务的完成情况,模糊逻辑控制器从缓存中读取下一个目标点,直至遍历整个目标节点序列,完成最优路径跟踪。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510165760.2A CN104834308A (zh) | 2015-04-10 | 2015-04-10 | 满足复杂需求的最优巡回控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510165760.2A CN104834308A (zh) | 2015-04-10 | 2015-04-10 | 满足复杂需求的最优巡回控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104834308A true CN104834308A (zh) | 2015-08-12 |
Family
ID=53812252
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510165760.2A Pending CN104834308A (zh) | 2015-04-10 | 2015-04-10 | 满足复杂需求的最优巡回控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104834308A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105467997A (zh) * | 2015-12-21 | 2016-04-06 | 浙江工业大学 | 基于线性时序逻辑理论的仓储机器人路径规划方法 |
CN106500697A (zh) * | 2016-10-13 | 2017-03-15 | 浙江工业大学 | 适用于动态环境的ltl‑a*‑a*最优路径规划方法 |
CN107092265A (zh) * | 2017-06-22 | 2017-08-25 | 义乌文烁光电科技有限公司 | 一种适用于矩阵式仓库的分拣小车路径规划方法 |
CN107918396A (zh) * | 2017-11-30 | 2018-04-17 | 深圳市智能机器人研究院 | 一种基于船体模型的水下清洗机器人路径规划方法及系统 |
CN108603764A (zh) * | 2016-02-17 | 2018-09-28 | 三菱电机株式会社 | 信息提供装置、信息提供服务器及信息提供方法 |
CN109333531A (zh) * | 2018-10-09 | 2019-02-15 | 深圳前海达闼云端智能科技有限公司 | 用于规划移动设备速度的方法及装置 |
CN109341709A (zh) * | 2018-08-15 | 2019-02-15 | 深圳壹账通智能科技有限公司 | 路线推荐方法、电子设备及计算机可读存储介质 |
CN110014428A (zh) * | 2019-04-23 | 2019-07-16 | 北京理工大学 | 一种基于强化学习的时序逻辑任务规划方法 |
WO2020034903A1 (zh) * | 2018-08-17 | 2020-02-20 | 北京京东尚科信息技术有限公司 | 一种基于拓扑图的智能导航的方法和系统 |
CN112882380A (zh) * | 2021-01-07 | 2021-06-01 | 上海交通大学 | 时序逻辑任务下多无人艇系统协同控制方法、终端及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101354587A (zh) * | 2008-09-04 | 2009-01-28 | 湖南大学 | 一种未知环境下移动机器人多行为融合自动导航方法 |
CN101650568A (zh) * | 2009-09-04 | 2010-02-17 | 湖南大学 | 未知环境下移动机器人导航安全的方法 |
KR20120013057A (ko) * | 2010-08-04 | 2012-02-14 | 중앙대학교 산학협력단 | 로봇 경로 제어 방법 및 장치 |
CN103324196A (zh) * | 2013-06-17 | 2013-09-25 | 南京邮电大学 | 基于模糊逻辑的多机器人路径规划与协调避碰方法 |
CN103383569A (zh) * | 2013-05-31 | 2013-11-06 | 浙江工业大学 | 基于线性时序逻辑的移动机器人最优巡回路径设定方法 |
CN103605368A (zh) * | 2013-12-04 | 2014-02-26 | 苏州大学张家港工业技术研究院 | 一种动态未知环境中路径规划方法及装置 |
-
2015
- 2015-04-10 CN CN201510165760.2A patent/CN104834308A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101354587A (zh) * | 2008-09-04 | 2009-01-28 | 湖南大学 | 一种未知环境下移动机器人多行为融合自动导航方法 |
CN101650568A (zh) * | 2009-09-04 | 2010-02-17 | 湖南大学 | 未知环境下移动机器人导航安全的方法 |
KR20120013057A (ko) * | 2010-08-04 | 2012-02-14 | 중앙대학교 산학협력단 | 로봇 경로 제어 방법 및 장치 |
CN103383569A (zh) * | 2013-05-31 | 2013-11-06 | 浙江工业大学 | 基于线性时序逻辑的移动机器人最优巡回路径设定方法 |
CN103324196A (zh) * | 2013-06-17 | 2013-09-25 | 南京邮电大学 | 基于模糊逻辑的多机器人路径规划与协调避碰方法 |
CN103605368A (zh) * | 2013-12-04 | 2014-02-26 | 苏州大学张家港工业技术研究院 | 一种动态未知环境中路径规划方法及装置 |
Non-Patent Citations (1)
Title |
---|
孙涛等: "加入临时路径的移动机器人路径跟踪模糊控制", 《计算机工程与应用》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105467997A (zh) * | 2015-12-21 | 2016-04-06 | 浙江工业大学 | 基于线性时序逻辑理论的仓储机器人路径规划方法 |
CN105467997B (zh) * | 2015-12-21 | 2017-12-29 | 浙江工业大学 | 基于线性时序逻辑理论的仓储机器人路径规划方法 |
CN108603764A (zh) * | 2016-02-17 | 2018-09-28 | 三菱电机株式会社 | 信息提供装置、信息提供服务器及信息提供方法 |
CN108603764B (zh) * | 2016-02-17 | 2022-08-05 | 三菱电机株式会社 | 信息提供装置、信息提供服务器及信息提供方法 |
CN106500697A (zh) * | 2016-10-13 | 2017-03-15 | 浙江工业大学 | 适用于动态环境的ltl‑a*‑a*最优路径规划方法 |
CN107092265A (zh) * | 2017-06-22 | 2017-08-25 | 义乌文烁光电科技有限公司 | 一种适用于矩阵式仓库的分拣小车路径规划方法 |
CN107918396A (zh) * | 2017-11-30 | 2018-04-17 | 深圳市智能机器人研究院 | 一种基于船体模型的水下清洗机器人路径规划方法及系统 |
CN109341709A (zh) * | 2018-08-15 | 2019-02-15 | 深圳壹账通智能科技有限公司 | 路线推荐方法、电子设备及计算机可读存储介质 |
WO2020034903A1 (zh) * | 2018-08-17 | 2020-02-20 | 北京京东尚科信息技术有限公司 | 一种基于拓扑图的智能导航的方法和系统 |
US11334072B2 (en) | 2018-10-09 | 2022-05-17 | Cloudminds (Shanghai) Robotics Co., Ltd. | Method and device for planning velocity of a mobile apparatus |
CN109333531A (zh) * | 2018-10-09 | 2019-02-15 | 深圳前海达闼云端智能科技有限公司 | 用于规划移动设备速度的方法及装置 |
CN110014428A (zh) * | 2019-04-23 | 2019-07-16 | 北京理工大学 | 一种基于强化学习的时序逻辑任务规划方法 |
CN112882380A (zh) * | 2021-01-07 | 2021-06-01 | 上海交通大学 | 时序逻辑任务下多无人艇系统协同控制方法、终端及介质 |
CN112882380B (zh) * | 2021-01-07 | 2022-06-14 | 上海交通大学 | 时序逻辑任务下多无人艇系统协同控制方法、终端及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104834308A (zh) | 满足复杂需求的最优巡回控制方法 | |
Teng et al. | Motion planning for autonomous driving: The state of the art and future perspectives | |
Dong et al. | A review of mobile robot motion planning methods: from classical motion planning workflows to reinforcement learning-based architectures | |
CN104834309A (zh) | 基于目标跟踪控制策略的单移动机器人最优巡回控制方法 | |
CN105467997A (zh) | 基于线性时序逻辑理论的仓储机器人路径规划方法 | |
CN114237041B (zh) | 一种基于预设性能的空-地协同固定时间容错控制方法 | |
Liu et al. | Kinematic and dynamic control model of wheeled mobile robot under internet of things and neural network | |
Hu | Research on robot fuzzy neural network motion system based on artificial intelligence | |
Zhao et al. | Parallel transportation in transverse: From foundation models to decast | |
Ramer et al. | A robot motion planner for 6-DOF industrial robots based on the cell decomposition of the workspace | |
Yang et al. | Novel decentralised formation control for unmanned vehicles | |
Ljungqvist | On motion planning and control for truck and trailer systems | |
Bensekrane et al. | Energy planning for autonomous driving of an over-actuated road vehicle | |
Liu et al. | Reinforcement learning for robot navigation in nondeterministic environments | |
Wang et al. | Path planning for nonholonomic multiple mobile robot system with applications to robotic autonomous luggage trolley collection at airports | |
WO2022233332A1 (zh) | 一种路径规划方法 | |
Lin et al. | Connectivity guaranteed multi-robot navigation via deep reinforcement learning | |
Guan et al. | Intelligent obstacle avoidance algorithm for mobile robots in uncertain environment | |
Zhang et al. | A novel deep neural network architecture for Mars visual navigation | |
Li et al. | DDPG-Based Path Planning Approach for Autonomous Driving | |
Ma et al. | Collaborative planning algorithm for incomplete navigation graphs | |
Diehl et al. | On a Connection between Differential Games, Optimal Control, and Energy-based Models for Multi-Agent Interactions | |
Xiao et al. | MACNS: A generic graph neural network integrated deep reinforcement learning based multi-agent collaborative navigation system for dynamic trajectory planning | |
Baklouti et al. | Remote control of mobile robot through 3D virtual reality environment | |
Khalajzadeh et al. | A review on applicability of expert system in designing and control of autonomous cars |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150812 |
|
RJ01 | Rejection of invention patent application after publication |