CN109409493A - 一组自主机器人伴随观察行为建立方法 - Google Patents

一组自主机器人伴随观察行为建立方法 Download PDF

Info

Publication number
CN109409493A
CN109409493A CN201811063656.2A CN201811063656A CN109409493A CN 109409493 A CN109409493 A CN 109409493A CN 201811063656 A CN201811063656 A CN 201811063656A CN 109409493 A CN109409493 A CN 109409493A
Authority
CN
China
Prior art keywords
behavior
observed
mode
task
robot
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
Application number
CN201811063656.2A
Other languages
English (en)
Inventor
毛新军
刘哲
杨硕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN201811063656.2A priority Critical patent/CN109409493A/zh
Publication of CN109409493A publication Critical patent/CN109409493A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/008—Artificial life, i.e. computing arrangements simulating life based on physical entities controlled by simulated intelligence so as to replicate intelligent life forms, e.g. based on robots replicating pets or humans in their appearance or behaviour

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Robotics (AREA)
  • Manipulator (AREA)

Abstract

本发明公开了一组自主机器人伴随观察行为建立方法，其步骤包括：建立伴随模型；在该模型中，将自主机器人的行为划分为：执行高层机器人行为的系统层行为和与特定任务相关的应用层行为；确立四种类型的伴随观察模式；包括：事故模式、观察行为合作模式、优先模式、非优先模式；基于伴随模型和伴随观察模式形成自主机器人的伴随观察行为。本发明具有原理简单、易实现、可提高自主机器人的感知能力和动作能力等优点。

Description

一组自主机器人伴随观察行为建立方法
技术领域
本发明主要涉及到机器人的控制领域，特指一组自主机器人伴随观察行为建立方法。
背景技术
如今，越来越多的机器人越来越多地应用在开放的环境中(例如家庭、医院、战场)，并希望在没有人干预的情况下自主地执行任务以达到指定的任务。通常，称之为自主机器人(Autonomous Robot，AR)，它是一个复杂的软件驱动系统。
自主机器人软件(Autonomous Robot Software，ARS)期望：(1)管理和控制机器人的物理设备(例如，手臂、马达、腿)；(2)对机器人行为作出决策并驱动机器人做出动作；(3)对机器人感测数据进行计算。在开放和动态环境中研究机器人自主行为的机器人软件有三个研究问题，包括指定机器人感知和执行行为之间的相互作用过程的行为理论，协调多机器人观察行为的观察模式和实现上述行为理论的控制逻辑的软件体系结构。
在存在动态和不确定性的情况下，自主机器人软件面临以下问题：(1)没有明确的行为理论来指定自主机器人的行为模式；(2)有效地协调各种传感行为的观察模式很有限；(3)缺少适用于实现行为理论的软件体系结构。
在自主机器人的行为领域中，基于机器人行为模型的研究有很多。近年来，有从业者提出了一种基于行为的层次结构，并定义了十四种机器人行为来协助控制仿人机器人。然而，机器人行为与行为理论之间的关系并不是热门的研究方向。索尼公司在行为模块中对机器人行为进行了简单的分类和描述，但它们的行为分类不能用于ARS行为，因为它们的方法不符合AR的特性。对于ARS的软件体系结构，已经有很多研究将ARS与MAS(多Agent系统)相结合。VMAS被开发来支持任务的自发生成而不需要重新计划。COROS是协作机器人的多agent软件框架，其中每个agent代表一个机器人或一个监控/控制工作站。
发明内容
本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种原理简单、易实现、可提高自主机器人的感知能力和动作能力的一组自主机器人伴随观察行为建立方法。
为解决上述技术问题，本发明采用以下技术方案：
一组自主机器人伴随观察行为建立方法，其步骤包括：
建立伴随模型；在该模型中，将自主机器人的行为划分为：执行高层机器人行为的系统层行为和与特定任务相关的应用层行为；
确立四种类型的伴随观察模式；包括：事故模式、观察行为合作模式、优先模式、非优先模式；其中事故模式为观察行为与系统层行为之间的事件类型消息依赖模式，用于改善机器人对环境的突然变化的应急响应；观察行为合作模式为，在运行时观察行为之间进行交互，主动交互用以帮助观察行为快速调整自己，在此基础上机器人接收环境信息；优先模式为任务行为与多观察行为之间的数据类型消息依赖模式；非优先模式为用于具有相同处理优先级的行为，它们的传感信息将被任务行为融合，这是一种任务行为与多观察行为之间的数据类型消息依赖模式；
基于伴随模型和伴随观测模式形成自主机器人的伴随行为。
作为本发明的进一步改进：所述执行高层机器人行为的系统层行为包括规划行为、调度行为、建模行为，所述特定任务相关的应用层行为包括任务行为和观察行为。
作为本发明的进一步改进：所述事故模式是针对自主机器人运行安全的运行时突发事件而设计的，对于可能来自环境的事故，自主机器人期望规划相应的观察行为来检测它们；当发生事故时，观察行为将发送事件类型消息到系统层行为；然后，将允许机器人阻止当前执行的任务，并切换到预先设计的相应任务来处理事故；一旦事故被移除，将让机器人恢复任务。
作为本发明的进一步改进：在所述观察行为合作模式下，当自主机器人需要多观察行为来观察特定目标或周围环境时，传感器Agent的观察行为相互作用来调整它们的观察策略。
作为本发明的进一步改进：在优先模式下，对于特定任务，不同观察行为的处理优先级将在效应器中预先定义或由规划行为指定；在收集传感信息之后，任务行为将根据它们的处理优先级来处理这些信息。
作为本发明的进一步改进：在所述非优先模式下，观测行为具有相同的处理优先级；任务行为只需要顺序接收感测信息，并根据任务预定义处理它们。
与现有技术相比，本发明的优点在于：
1、本发明的一组自主机器人伴随观察行为建立方法，通过新的行为理论、观察模式和软件体系结构来提高自主机器人的感知能力和动作能力。具体而言，本发明提出了一个伴随模型，它为机器人行为交互指定了一种新的伴随模式，提出了协调多种机器人感知行为的四种伴随观察模式。结合一个具体的多Agent软件体系结构，本发明实现了上述行为模型和伴随观察模式。
2、本发明的一组自主机器人伴随观察行为建立方法，提出了一种伴随模型和四种类型的自主机器人伴随观察模式，解决了自主机器人对环境变化高度敏感和灵活调节自身行为的挑战。
附图说明
图1是本发明方法的原理示意图。
图2是本发明在具体应用实例中在优先模式和非优先模式下相同行为的处理序列示意图。
图3是本发明在具体应用实例中多主体系统下的自主机器人软件架构的示意图。
具体实施方式
以下将结合说明书附图和具体实施例对本发明做进一步详细说明。
对于复杂的任务，机器人通常需要执行不同的行为，以达到共同的任务目标。一些行为负责观察环境和感知变化，而另一些行为驱动物理致动器装置以实现物理任务。在这种观点下，机器人行为可以分为两类：由致动器(例如，臂、腿和马达)执行的任务行为，以及通常由传感器或探针(例如声纳和摄像机)执行的观察行为。虽然这两种行为是相对独立的，但是机器人在完成任务时应该增强它们的协同作用，从而任务行为可以获得按需反馈来调整、优化和自我管理计划行为。任务行为和观察行为之间的这种协同关系被定义为伴随行为。
通过研究发现，自助机器人的伴随行为关系不仅发生在观察和任务行为之间，而且在观察行为之间也会发生，多观察行为是伴随行为的基础。例如，当机器人跟随目标时，机器人应该使用相机锁定目标并使用雷达测量它与目标之间的距离。
基于多观察行为的伴随行为关系有几个特征：
交互性：自主机器人的观察和任务行为必须频繁且快速地相互交互。观察行为的感知信息允许任务行为获知任务执行状态并及时适应。
并发性：当发生伴随关系时，总是执行不止一个观察行为。多观测行为可以在多维度上观察环境，提高感知能力。
时序性：当多个观察行为并行执行时，大量观测信息的处理将显示一种时序性。通常，这些信息将依次处理。然而，有时，一种类型的信息对于任务执行更重要，并且应该给予较高的处理优先级。
依赖性：不同的伴随行为在不同类型的信息交互作用下进行应答。有些交互依赖于数据类型消息，而其他交互可能依赖于事件类型消息。
基于上述研究，如图1所示，本发明提出一组自主机器人伴随观察行为建立方法，其步骤包括：
建立伴随模型；在该模型中，将自主机器人的观察行为划分为：执行高层机器人行为的系统层行为(如规划行为、调度行为等)和与特定任务相关的应用层行为(任务行为和观察行为)。
确立四种类型的伴随观察模式；包括：事故模式、观察行为合作模式、优先模式、非优先模式；其中事故模式为观察行为与系统层行为之间的事件类型消息依赖模式，用于改善机器人对环境的突然变化的应急响应。观察行为合作模式为，在运行时观察行为之间进行交互，主动交互用以帮助观察行为快速调整自己，在此基础上机器人接收环境信息；优先模式为任务行为与多观察行为之间的数据类型消息依赖模式；非优先模式为用于具有相同处理优先级的行为，它们的传感信息将被任务行为融合，这是一种任务行为与多观察行为之间的数据类型消息依赖模式。
基于伴随模型和伴随观察模式形成自主机器人的伴随行为。
在本发明的方法中，多观察行为是伴随模型的核心：(1)当观察行为之间发生伴随关系时，它可以让自主机器人接收更准确的环境信息。(2)当任务行为与观察行为之间存在伴随关系时，可以使自主机器人更准确、快速地知道任务执行情况。因此，伴随模型已经达到ARS的两个目的：(1)一方面，多观察行为可以通过多个传感器提高机器人对动态环境的灵敏度。伴随行为可以帮助机器人通过多反馈更精确地制定计划。(2)另一方面，伴随模型可以帮助自主机器人在不同行为之间的交互下更灵活地调整其行为和任务。
在上述的方法中，伴随模型是对自主机器人抽象之后建立的模型，伴随观察模式又是基于伴随模型建立和总结的，伴随观察行为则是在伴随观察模式中体现的。
从实际角度出发，伴随观察行为的建立是基于伴随观察模式之上的，伴随观察模型直接指导了具体的伴随观察行为的建立。在每一种伴随观察模式之中，已经给出了机器人不同行为之间应如何交互，当伴随观察模式应用于具体案例之中，则可以根据实际情况来指定发生伴随观察行为的具体机器人行为。从理论层面出发，伴随观察行为已经体现在了伴随观察模式之中，即每一种伴随观察模式中不同机器人行为之间的交互就可以理解为伴随观察行为。
伴随观察行为是实际层面具体案例中的机器人行为，那么伴随观察模式和伴随观察行为的建立是分开的：对于伴随观察模式的建立，分为两步：1)伴随模型的建立；2)根据伴随模型总结出四种具体的伴随观察模式。对于伴随观察行为的建立，也分为两步：1)抽象出具体机器人应用案例中的机器人伴随模型；2)根据伴随模型和伴随观察模式以及实际情况选择合适的伴随观察模式，建立伴随观察行为。
在具体应用实例中，事故模式是针对自主机器人运行安全的运行时突发事件而设计的，它是一种观察行为与系统层行为之间的事件类型消息依赖模式。这种模式能够改善机器人对环境的突然变化的应急响应。自主机器人通常工作在复杂的环境中，可能会出现许多意想不到的状态。这些状态有时会对机器人任务执行产生副作用，并且自主机器人不能总是将所有传感器打开以观察这些不确定状态。
对于可能来自环境的事故，自主机器人期望规划相应的观察行为来检测它们。当发生事故时，观察行为将发送事件类型消息到系统层行为。然后，将允许机器人阻止当前执行的任务，并切换到预先设计的相应任务来处理事故。一旦事故被移除，将让机器人恢复任务。
如在激励示例中所描述的，当深度传感器发现机器人前方存在障碍物时，它将发送事件消息“障碍物”到规划行为，并且将允许机器人停止直到障碍物之前避开障碍物。
在具体应用实例中，观察行为合作模式是针对运行时观察行为之间的交互而设计的。主动交互可以帮助观察行为快速调整自己，在此基础上机器人能够更精确和高效地接收环境信息。这种模式是一种数据类型消息依赖模式。在观察行为合作模式下，当自主机器人需要多观察行为来观察特定目标或周围环境时，传感器Agent(观察行为)可以相互作用来调整它们的观察策略。
在具体应用实例中，优先模式是针对不同优先级的观察行为而设计的。该模式是一种任务行为与多观察行为之间的数据类型消息依赖模式。一般来说，不同的优先级意味着不同的处理顺序。在某些任务中，自主机器人应该给出比其他信息更高的处理优先级的传感信息。换句话说，自主机器人将更频繁和快速地处理这些传感信息。在优先模式下，对于特定任务，不同观察行为的处理优先级将在效应器中预先定义(任务行为)或由规划行为指定。在收集传感信息之后，任务行为将根据它们的处理优先级来处理这些信息。
在具体应用实例中，非优先模式被设计用于具有相同处理优先级的行为，它们的传感信息将被任务行为融合。这是一种任务行为与多观察行为之间的数据类型消息依赖模式。在非优先模式下，观测行为具有相同的处理优先级。任务行为只需要顺序接收感测信息，并根据任务预定义处理它们。图2示出在优先模式和非优先模式下相同行为的处理序列。在图2中，在优先模式下，观察行为O1具有比O2和O3更高的处理优先级。在非优先模式下，所有观测行为具有相同的处理优先级，并被按顺序依次处理。
在表I中示出了多个维度的这些模式的特征，交互性意味着在模式中相互作用的行为类型；并发性意味着是否同时出现多个观察行为；时序性意味着需要高优先级处理的行为是否存在；依赖性是指伴随行为模式中的消息依赖类型。
表1.多重维度下伴随观察模式的特点
AM＝事故模式，OM＝观察行为合作模式，PM＝优先模式，NPM＝非优先模式，OB＝观察行为，TB＝任务行为，SB＝系统层面行为。
本发明在一个具体应用实例中，参见图3，采用多Agent系统(MAS)，用来解决高层次自治机器人的建模和实现方面提供了一个有效的解决方案。自主机器人是一个复杂的系统，由多个不同的和相互作用的组件组成。所有这些组件一起工作，以实现机器人的设计目标。因此，自主机器人可以被分解和组织成多个自治Agent实体。
本发明在实例中提出了一个多Agent软件架构来实现自主机器人。在体系结构中，每个Agent扮演不同的角色，采取不同的行为，并相互协作以实现共同的任务目标。结合以前的工作为双环控制模型，多代理软件体系结构通过代理通信机制提供对伴随行为的支持。然而，在基于MAS的体系结构中，没有考虑MAS的非确定性特性，如学习、自适应和自组织。每个agent在多Agent模型中扮演的角色的描述如下：
-规划Agent(PlannerAgent)进行建模和规划工作，包括一个特定的问题域建立世界模型和规划活动。
-调度Agent(ScheduleAgent)充当分发角色，将生成的计划分发到能够执行相应行动的具体执行agent中。
-建模Agent(ModelAgent)基于传感器agent收集的传感器输入建立世界模型，然后为规划任务的规划agent提供规划域和问题的规约。
-一个效应器Agent(ActuatorAgent)作为机器人物理效应器的抽象，并保持简单的反应结构，有效地管理单个机器人执行器，并将规划任务转化为机器人行为。
-一个传感器Agent(SensorAgent)控制机器人的独立传感器装置，并执行针对外部状态变化的刺激响应行为。
在上述多Agent软件体系结构中，传感器Agent(观察行为)可以将感测信息反馈给效应器Agent(任务行为)和高层Agent(系统级行为)。此外，传感器Agent可以相互交互。这些架构的设计保证了伴随模式的实现。
在实现这一基于MAS的体系结构中，本发明提供了一个基于MAS的软件框架AutoRobot，用于开发自主机器人软件应用程序。在AutoRobot中，基于MAS的软件体系结构可以在JADE下实现，机器人控制器可以在ROS下实现。对于伴随的实现，JADE为代理提供了三种通信行为：单次模式、循环模式和三步模式。此外，本发明还进一步提供了两种Agent通信的交互机制：基于话题的机制和基于服务的机制。这些通信行为和机制保证了伴随模式的实现。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (6)

1.一组自主机器人伴随观察行为建立方法，其特征在于，其步骤包括：
建立伴随模型；在该模型中，将自主机器人的行为划分为：执行高层机器人行为的系统层行为和与特定任务相关的应用层行为；
确立四种类型的伴随观察模式；包括：事故模式、观察行为合作模式、优先模式、非优先模式；其中事故模式为观察行为与系统层行为之间的事件类型消息依赖模式，用于改善机器人对环境的突然变化的应急响应；观察行为合作模式为，在运行时观察行为之间进行交互，主动交互用以帮助观察行为快速调整自己，在此基础上机器人接收环境信息；优先模式为任务行为与多观察行为之间的数据类型消息依赖模式；非优先模式为用于具有相同处理优先级的行为，它们的传感信息将被任务行为融合，这是一种任务行为与多观察行为之间的数据类型消息依赖模式；
基于伴随模型和伴随观察模式形成自主机器人的伴随观察行为。
2.根据权利要求1所述的一组自主机器人伴随观察行为建立方法，其特征在于，所述执行高层机器人行为的系统层行为包括规划行为、调度行为、建模行为，所述特定任务相关的应用层行为包括任务行为和观察行为。
3.根据权利要求1所述的一组自主机器人伴随观察行为建立方法，其特征在于，所述事故模式是针对自主机器人运行安全的运行时突发事件而设计的，对于可能来自环境的事故，自主机器人期望规划相应的观察行为来检测它们；当发生事故时，观察行为将发送事件类型消息到系统层行为；然后，将允许机器人阻止当前执行的任务，并切换到预先设计的相应任务来处理事故；一旦事故被移除，将让机器人恢复任务。
4.根据权利要求1所述的一组自主机器人伴随观察行为建立方法，其特征在于，在所述观察行为合作模式下，当自主机器人需要多观察行为来观察特定目标或周围环境时，传感器Agent的观察行为相互作用来调整它们的观察策略。
5.根据权利要求1所述的一组自主机器人伴随观察行为建立方法，其特征在于，在优先模式下，对于特定任务，不同观察行为的处理优先级将在效应器中预先定义或由规划行为指定；在收集传感信息之后，任务行为将根据它们的处理优先级来处理这些信息。
6.根据权利要求1所述的一组自主机器人伴随观察行为建立方法，其特征在于，在所述非优先模式下，观察行为具有相同的处理优先级；任务行为只需要顺序接收感测信息，并根据任务预定义处理它们。
CN201811063656.2A 2018-09-12 2018-09-12 一组自主机器人伴随观察行为建立方法 Pending CN109409493A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811063656.2A CN109409493A (zh) 2018-09-12 2018-09-12 一组自主机器人伴随观察行为建立方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811063656.2A CN109409493A (zh) 2018-09-12 2018-09-12 一组自主机器人伴随观察行为建立方法

Publications (1)

Publication Number Publication Date
CN109409493A true CN109409493A (zh) 2019-03-01

Family

ID=65464771

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811063656.2A Pending CN109409493A (zh) 2018-09-12 2018-09-12 一组自主机器人伴随观察行为建立方法

Country Status (1)

Country Link
CN (1) CN109409493A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113093773A (zh) * 2021-06-10 2021-07-09 深之蓝海洋科技股份有限公司 基于水下机器人的水下结构检测方法、系统、设备及介质
CN113189986A (zh) * 2021-04-16 2021-07-30 中国人民解放军国防科技大学 一种自主机器人的二阶段自适应行为规划方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106054894A (zh) * 2016-07-05 2016-10-26 北京九星智元科技有限公司 一种机器人伴随系统、伴随方法及机器人小车
CN108326875A (zh) * 2017-01-20 2018-07-27 松下知识产权经营株式会社 通信控制方法与装置、远程呈现机器人以及存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106054894A (zh) * 2016-07-05 2016-10-26 北京九星智元科技有限公司 一种机器人伴随系统、伴随方法及机器人小车
CN108326875A (zh) * 2017-01-20 2018-07-27 松下知识产权经营株式会社 通信控制方法与装置、远程呈现机器人以及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ZHE LIU 等: ""AutoRobot: A Multi-Agent Software Framework for Autonomous Robots"", 《IEICE TRANSACTIONS ON INFORMATION AND SYSTEMS》 *
ZHE LIU等: ""Accompanying Observation Modes and Software Architecture for Autonomous Robot Software"", 《THE 30TH INTERNATIONAL CONFERENCE ON SOFTWARE ENGINEERING AND KNOWLEDGE ENGINEERING》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113189986A (zh) * 2021-04-16 2021-07-30 中国人民解放军国防科技大学 一种自主机器人的二阶段自适应行为规划方法及系统
CN113189986B (zh) * 2021-04-16 2023-03-14 中国人民解放军国防科技大学 一种自主机器人的二阶段自适应行为规划方法及系统
CN113093773A (zh) * 2021-06-10 2021-07-09 深之蓝海洋科技股份有限公司 基于水下机器人的水下结构检测方法、系统、设备及介质
CN113093773B (zh) * 2021-06-10 2021-09-03 深之蓝海洋科技股份有限公司 基于水下机器人的水下结构检测方法、系统、设备及介质

Similar Documents

Publication Publication Date Title
Jang et al. Q-learning algorithms: A comprehensive classification and applications
Chaimowicz et al. A paradigm for dynamic coordination of multiple robots
Rodríguez-Guerra et al. Human-robot interaction review: Challenges and solutions for modern industrial environments
Alami et al. Multi-robot cooperation in the MARTHA project
Ijspeert et al. Collaboration through the exploitation of local interactions in autonomous collective robotics: The stick pulling experiment
López et al. A framework for building mobile single and multi-robot applications
Parusel et al. Modular state-based behavior control for safe human-robot interaction: A lightweight control architecture for a lightweight robot
CN109409493A (zh) 一组自主机器人伴随观察行为建立方法
Janiak et al. Control system architecture for the investigation of motion control algorithms on an example of the mobile platform Rex
Rockel et al. A multi-robot platform for mobile robots—A novel evaluation and development approach with multi-agent technology
Nam et al. A software architecture for service robots manipulating objects in human environments
Safin et al. Modelling a turtlebot3 based delivery system for a smart hospital in gazebo
Schlegel et al. Interfacing different layers of a multilayer architecture for sensorimotor systems using the object-oriented framework smartsoft
Fernandez et al. NEXUS: A flexible, efficient and robust framework for integrating software components of a robotic system
Liu et al. Petri nets-based modeling solution for cyber–physical product control considering scheduling, deployment, and data-driven monitoring
Fernández et al. Using hierarchical binary Petri nets to build robust mobile robot applications: RoboGraph
Kosecka et al. Application of discrete events systems for modeling and controlling robotic agents
Pack et al. Intelligent machine architecture for object-based system integration
Wang et al. Cooperative control of robotic swarm based on self-organized method and human swarm interaction
Kim et al. Intelligent robot software architecture
Lee et al. Robot clustering
Manschitz et al. Shared Autonomy for Intuitive Teleoperation
Yasuda An object-oriented multitasking control environment for multirobot system programming and execution with 3D graphic simulation
Liekna et al. Challenges in development of real time multi-robot system using behaviour based agents
Uri et al. Human-robot collaborative learning system for inspection

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190301