CN109992634B - 基于雾计算的复杂环境下机器人地图构建方法 - Google Patents
基于雾计算的复杂环境下机器人地图构建方法 Download PDFInfo
- Publication number
- CN109992634B CN109992634B CN201910197249.9A CN201910197249A CN109992634B CN 109992634 B CN109992634 B CN 109992634B CN 201910197249 A CN201910197249 A CN 201910197249A CN 109992634 B CN109992634 B CN 109992634B
- Authority
- CN
- China
- Prior art keywords
- fog
- robot
- task request
- request
- task
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Genetics & Genomics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Physiology (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种基于雾计算的复杂环境下机器人地图构建方法,包括建立雾计算框架;机器人通过传感器采集数据信息,将数据信息传送给雾网络并提出数据处理的任务请求,在雾网络中采用雾机协作模型的遗传算法对任务进行分配;雾节点执行任务请求并将执行结果反馈至机器人;机器人根据执行结果采用扩展卡尔曼滤波算法构建局部子地图,采用稀疏化扩展信息滤波算法将局部子地图联结成全局地图。本发明可以有效地缩短通讯时延;利用雾节点信息处理能力强的特点,有效避免了完全依靠机器人而导致的机载单元负荷过大的情况;而子地图的建立与联结降低了算法的复杂度,解决了全局地图构建时的整体算法复杂度高的问题,构建地图过程快速有效。
Description
技术领域
本发明涉及复杂环境下机器人地图构建方法,尤其涉及基于雾计算的复杂动态环境下的机器人地图构建方法。
背景技术
一直以来,人们对复杂环境的探测之路充满了挑战,未知地域的不确定性、以及动态干扰都很大程度上影响着地图构建的效果。例如:火灾救援现场、水下大环境的探测,陡峭山岩地域的勘探。而随着技术的发展,这些复杂环境大都能归结到一起,我们的处理手段已渐渐不再受地域的限制,在水域中我们可以用声波代替无线信号传输数据,在陆地通过遥操作控制水下机器人的任务请求,因此针对复杂环境下的地图构建具有其重大意义。
随着地域勘测以及复杂环境下作业难度的提高,机器人同步地位定位与地图构建逐渐引起人们的重视。SLAM是一个过程,包括同步构建环境地图和确定机器人的方位。SLAM在支持路径规划等许多任务方面非常重要,相应地,它需要减少估算机器人状态时的误差。机器人SLAM包括许多步骤:(1)基于外部感知的环境特征提取。传感器用于得到环境信息,里程计依靠传感器数据来确定机器的运动;(2)递推形式的预估和更新。完善前端测距、后端优化;(3)数据关联。实现自我定位和地图构建。在这之中,人们往往优化第一个步骤中的噪声和失真以提高准确性,确定预估真实的环境结构。
为采集到较为全面的数据信息需要进行机器人遥操作,而其最突出的问题是机器人工作端与操作者控制端存在通讯时延,这常导致系统的稳定性降低,同时干扰人的决策能力,使得遥操作的效率及安全性收到影响,而时间在救援过程中至关重要,这就要求机器人快速移动,并快速进行SLAM,给机载计算单元带来很大压力。此时,虽然可以使用低复杂度算法来节省SLAM时间,但这样做的一个后果是SLAM精度可能受到影响。除此之外,能量损耗也是一个问题,救援机器人由电池供电,因此电池寿命是一个重要限制条件。为了减少机器人的计算任务,可以考虑运用效果较差的算法,从而降低机器人的能量损耗,但是这可能导致SLAM的结果不理想。再者,唯一地图法每获取到一个数据特征就被要求将整个大地图进行一次全面更新,所以,由于地图的不断扩大,整个算法的复杂度高。
发明内容
发明目的:为了解决现有技术中复杂环境下机器人地图构建的算法复杂度高,能耗大的问题,本发明提供一种基于雾计算的复杂环境下机器人地图构建方法。
为达成上述目的,本发明提供一种基于雾计算的复杂环境下机器人地图构建方法,包括以下步骤:
(1)建立雾计算框架,所述雾计算框架包括多个雾节点和多个机器人,雾节点与雾节点之间通过水平接口通信,组成雾网络,机器人与雾节点之间通过南向接口通信;
(2)机器人通过传感器采集数据信息,将数据信息传送给雾网络并提出数据处理的任务请求,在雾网络中采用雾机协作模型的遗传算法对任务进行分配;雾节点执行任务请求并将执行结果反馈至机器人;
(3)机器人根据执行结果采用扩展卡尔曼滤波算法构建局部子地图,采用稀疏化扩展信息滤波算法将局部子地图联结成全局地图。
有益效果:本发明提供的一种基于雾计算的复杂环境下机器人地图构建方法,建立了机器人SLAM的雾计算框架,考虑并利用了雾节点响应即时的特点,有效地缩短通讯时延;提出了基于“雾机协作模型”的遗传算法,考虑并利用了雾节点信息处理能力强的特点,有效避免了完全依靠机器人而导致的机载单元负荷过大的情况;而子地图的建立与联结降低了算法的复杂度,解决了大地图构建时的整体算法复杂度高的问题,整个地图的构建过程快速有效。
附图说明
图1是本发明基于雾计算的复杂环境下机器人地图构建方法原理示意图;
图2是机器人SLAM的雾计算框架图;
图3是雾机协作模型的示意图;
图4是任务请求分配模型图;
图5是子地图原理图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明。
如图1所示,基于雾计算的复杂环境下机器人地图构建方法,包括同时定位与地图构建,是通过遗传算法分配任务,由机器人和雾节点共同协作进行局部子地图的建立,最后完成地图构建的方法,包括以下步骤:
(1)建立雾计算框架,所述雾计算框架包括多个雾节点和多个机器人,雾节点与雾节点之间通过水平接口通信HI,组成雾网络。多雾节点可协作来完成多点协调(Coordinated Multiple Points , CoMP)、分布式存储系统或分布式计算系统,以获得效果更好的通信、存储和数据处理能力。HI传输支持协调功能的控制和数字信息。考虑到机器人是移动的,因此它们直接由无线方式(Wi-Fi或4G/5G)结合到雾网络。机器人与雾节点之间通过南向接口通信SI,见图2。当机器人靠近雾节点或雾网络时,机器人响应的时延可减少至毫秒级别。
南向接口用于传输数据平面和控制平面的信息,数据平面用于担当重要帧并提供由机器人或雾节点解决的信息,由机器人或雾节点解决的信息包括机器人采集的数据信息、提出的任务请求、雾节点执行任务的结果;控制平面用于担当管理系统流程,如提供初始化、结束、获得重要帧。
(2)机器人通过传感器采集数据信息,将数据信息传送给雾网络并提出数据处理的任务请求,在雾网络中采用雾机协作模型的遗传算法对任务进行分配;雾节点执行任务请求并将执行结果反馈至机器人。
所述雾机协作模型如图3所示,具体步骤包括:
(21)机器人将传感器采集的数据信息、任务请求存储到机器人内部存储单元;
(22)机器人提交任务请求相关参数到雾网络;
(23)雾网络根据任务请求相关参数以及雾机协作模型的遗传算法判断任务的请求类型,请求类型包括本地化的任务请求和非本地化的任务请求,本地化的任务请求包括局部子地图的构建;非本地化的任务请求包括局部子地图的联结;
若请求类型是本地化的任务请求,则将任务请求分配到机器人内部处理单元;若请求类型是非本地化的任务请求,则将任务请求分配到近端雾节点,找到最优任务请求分配结果,最优任务请求分配结果以机载计算单元压力作为目标函数来计算各机器人的适应度值;
(24)雾网络将最优任务请求分配结果反馈到机器人内部处理单元;
(25)机器人内部处理单元根据最优分配结果将非本地化的任务请求发送到雾节点;
(26)机器人内部处理单元执行本地化的任务请求;
(27)雾网络根据最优分配结果,由雾节点执行非本地化的任务请求;
(28)雾节点将任务请求执行结果反馈到机器人内部处理单元。
以上的任务请求分配模型如图4,随后本文选择基于“雾机协作模型”的遗传算法进行任务分配。本架构的遗传算法具体包括步骤:
(i)对个体进行编码,所述个体指机器人,将任务请求的分配顺序与机器人资源初步对应;染色体的长度是任务请求个数的两倍。如果任务的请求个数是m,那么每一条染色体就有2×m个基因。其中,前m个基因代表机器人资源节点情况,后m个基因代表任务请求的分配顺序;
(ii)随机产成初始种群,并且根据约束条件选择有效方案;
所述约束条件考虑为以下两方面:
(a)避免把过多的任务请求分配到同一个雾节点上,造成严重负载不平等;
(b)避免将相同的任务请求分配到不一致的节点上,而一个节点上可以同时解决多个任务请求;
(iii)计算个体适应度值,以机载计算单元压力作为目标函数,评价群体进化的方向;在雾网络下任务请求的分配处理中,群体的进化方向依靠适应度函数,而适应度函数也是体现遗传算法“优胜劣汰”的主要方面;
(iv)当进化的次数达到规定迭代次数时,输出结果,否则执行步骤(v);
(v)通过一种处理选择,将优秀个体的特征遗传到下一代中,将优秀个体的特征遗传到下一代中,以服从“优胜劣汰”。处理选择为一种轮盘赌算法。该算法为:根据个体适应度值以及所有个体的适应度值累计总和来确定每个个体被选择的概率,该概率范围为(0,1),再由计算机随机产生一个(0,1)范围上的数。通过随机数出现的概率区间来确定被选择的个体;
(vi)对各个队列采用相异的交叉方式,产生新的个体,使得能满足约束条件。交叉处理是完成基因重组的主要方式,将相异的个体基因部分交换,产生新的基因。针对各个队列采用相异的交叉手段,所有队列都会产生与其相应的一个新基因个体,最后将两个队列相应的新基因结合,产生一个整体的新基因组。具有地,资源队列通过单点交叉,交叉点生成位置不固定;任务队列通过部分匹配交叉,交叉点生成位置同样不固定。对于新产生的基因个体判断其能否满足约束要求,对于不满足的基因个体则去除,再次进行交叉,直至新基因个体符合约束要求。
(vii)对各个队列采用相异的变异方式,产生新的个体,使得能满足约束条件。基因突变是完成染色体内部基因改变的主要方式与交叉处理相似,针对各个队列采用相异的变异手段,最后把两个队列生成的新基因结合成一个整体的新基因组,并对于新产生的基因个体判断其能否满足约束要求,对于不满足的基因个体则去除,再次进行变异处理,直至新基因个体符合约束要求。具有地,资源队列通过随机变异,即变异点产生位置不固定,由等位基因替代;任务请求队列通过设置生成变异基因的位数Z(Z为整数),变异点产生位置不固定,以变异点为开始位置,对其紧接着的Z个基因通过排列组合的操作产生出新基因组。
(viii)判断新个体染色体后半部分任务请求的类型,若请求类型是本地化有关内容,则将有关请求分配到机器人内部处理单元,否则分配到雾节点;
(ix)更新迭代计数器I=I+1,返回执行步骤(iii)。
(3)机器人根据执行结果采用扩展卡尔曼滤波算法构建局部子地图,采用稀疏化扩展信息滤波算法将局部子地图联结成全局地图。融合方式选择使用经典的分治D&C策略,将全局地图的问题分解为创建一串子地图以及联结子地图的问题,采用虚拟观测函数将两个子地图中共同的特征标点更新到同样的位置,然后再去掉其中一项。
局部子地图的建立与联结如图5。图中外圈为全局地图,内圈为局部子地图。分落的各点为地图中的路标信息,其中着色填充的圆圈(例如小圆点a、b)为已通过小地图构建而得到的路标特征信息,空白填充的圆圈(例如小圆点a’、b’)为尚未通过小地图采集得到的路标特征信息。以首张子地图为代表,三角形A是首张子地图机器人起始位置,三角形B为机器人在首张子地图终止位置,也是次张子地图起始位置。依次建立子地图,最后联结融合得到整张大地图。
采用EKF算法(扩展卡尔曼滤波算法,Extended Kalman Filter)建立局部子地图,把每一张子地图当作一个获得值,进而把局部子地图融入到全局地图中,而不同使用唯一地图的传统SLAM方法那样,将每一个环境特征认为是一个获得值。联结过程采用快速高效的SEIF算法(稀疏化扩展信息滤波算法,Sparse Extended Information Filter),SEIF是对EIF的改进,是通过局部特征相关性来表达机器人的状态和未知性,这与地图中特征标点的个数无关,能很大程度上降低运算复杂度。融合方式采用经典的D&C(分治,Divide andConquer)策略,采用虚拟观测函数将两个子地图中共同的特征标点更新到同样的位置,然后再去掉其中一项。
该基于雾计算的复杂环境下机器人地图构建方法能有效地缩短通讯时延,减少每个机器人的计算任务,减轻机载计算单元压力,降低整体算法的复杂度。
Claims (6)
1.一种基于雾计算的复杂环境下机器人地图构建方法,其特征在于,包括以下步骤:
(1)建立雾计算框架,所述雾计算框架包括多个雾节点和多个机器人,雾节点与雾节点之间通过水平接口通信,组成雾网络,机器人与雾节点之间通过南向接口通信;
(2)机器人通过传感器采集数据信息,将数据信息传送给雾网络并提出数据处理的任务请求,在雾网络中采用雾机协作模型的遗传算法对任务进行分配;雾节点执行任务请求并将执行结果反馈至机器人;
所述步骤(2)包括:
(21)机器人将传感器采集的数据信息、任务请求存储到机器人内部存储单元;
(22)机器人提交任务请求相关参数到雾网络;
(23)雾网络根据任务请求相关参数以及雾机协作模型的遗传算法判断任务的请求类型,请求类型包括本地化的任务请求和非本地化的任务请求,若请求类型是本地化的任务请求,则将任务请求分配到机器人内部处理单元;若请求类型是非本地化的任务请求,则将任务请求分配到近端雾节点,找到最优任务请求分配结果;
(24)雾网络将最优任务请求分配结果反馈到机器人内部处理单元;
(25)机器人内部处理单元根据最优分配结果将非本地化的任务请求发送到雾节点;
(26)机器人内部处理单元执行本地化的任务请求;
(27)雾网络根据最优分配结果,由雾节点执行非本地化的任务请求;
(28)雾节点将任务请求执行结果反馈到机器人内部处理单元;
步骤(2)中雾机协作模型的遗传算法包括以下步骤:
(i)对个体进行编码,所述个体指机器人,将任务请求的分配顺序与机器人资源初步对应;
(ii)以约束条件随机生成初始种群;
(iii)计算个体适应度值,以机载计算单元压力作为目标函数,评价群体进化的方向;
(iv)当进化的次数达到规定迭代次数时,输出结果,否则执行步骤(v);
(v)通过一种处理选择,将优秀个体的特征遗传到下一代中;
(vi)对各个队列采用相异的交叉方式,产生新的个体,使得能满足约束条件;
(vii)对各个队列采用相异的变异方式,产生新的个体,使得能满足约束条件;
(viii)判断新个体染色体后半部分任务请求的类型,若请求类型是本地化有关内容,则将有关请求分配到机器人内部处理单元,否则分配到雾节点;
(ix)更新迭代计数器,返回执行步骤(iii);
(3)机器人根据执行结果采用扩展卡尔曼滤波算法构建局部子地图,采用稀疏化扩展信息滤波算法将局部子地图联结成全局地图;具体为,使用分治策略的融合方式,将全局地图的问题分解为创建一串子地图以及联结子地图的问题,采用虚拟观测函数将两个子地图中共同的特征标点更新到同样的位置,然后再去掉其中一项。
2.根据权利要求1所述的基于雾计算的复杂环境下机器人地图构建方法,其特征在于,所述步骤(1)中南向接口用于传输数据平面和控制平面的信息,数据平面用于担当重要帧并提供由机器人或雾节点解决的信息,由机器人或雾节点解决的信息包括机器人采集的数据信息、提出的任务请求、雾节点执行任务的结果;控制平面用于担当管理系统流程并提供初始化、结束、获得重要帧。
3.根据权利要求1所述的基于雾计算的复杂环境下机器人地图构建方法,其特征在于,步骤(23)中的最优任务请求分配以机载计算单元压力作为目标函数来计算各机器人的适应度值。
4.根据权利要求1所述的基于雾计算的复杂环境下机器人地图构建方法,其特征在于,本地化的任务请求包括局部子地图的构建;非本地化的任务请求包括局部子地图的联结。
5.根据权利要求1所述的基于雾计算的复杂环境下机器人地图构建方法,其特征在于,所述约束条件为:
(a)避免把过多的任务请求分配到同一个雾节点上;
(b)避免将相同的任务请求分配到不一致的节点上,而一个节点上可以同时解决多个任务请求。
6.根据权利要求1所述的基于雾计算的复杂环境下机器人地图构建方法,其特征在于,所述步骤(v)中的处理选择为轮盘赌算法,所述轮盘赌算法为根据个体适应度值以及所有个体的适应度值累计总和来确定每个个体被选择的概率,再由计算机随机产生概率数,通过随机数出现的概率区间来确定被选择的个体,所述个体为机器人。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910197249.9A CN109992634B (zh) | 2019-03-15 | 2019-03-15 | 基于雾计算的复杂环境下机器人地图构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910197249.9A CN109992634B (zh) | 2019-03-15 | 2019-03-15 | 基于雾计算的复杂环境下机器人地图构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109992634A CN109992634A (zh) | 2019-07-09 |
CN109992634B true CN109992634B (zh) | 2021-04-06 |
Family
ID=67129342
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910197249.9A Active CN109992634B (zh) | 2019-03-15 | 2019-03-15 | 基于雾计算的复杂环境下机器人地图构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109992634B (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103278164B (zh) * | 2013-06-13 | 2015-11-18 | 北京大学深圳研究生院 | 一种复杂动态场景下机器人仿生路径规划方法及仿真平台 |
CN104574387B (zh) * | 2014-12-29 | 2017-11-21 | 张家港江苏科技大学产业技术研究院 | 水下视觉slam系统中的图像处理方法 |
CN205852807U (zh) * | 2016-06-13 | 2017-01-04 | 北京科技大学 | 一种具有自主地图构建和无线充电的多功能巡逻机器人 |
US10243878B2 (en) * | 2016-06-16 | 2019-03-26 | Cisco Technology, Inc. | Fog computing network resource partitioning |
CN109459037A (zh) * | 2018-12-29 | 2019-03-12 | 南京师范大学镇江创新发展研究院 | 一种基于slam智能载体的环境信息采集方法及系统 |
-
2019
- 2019-03-15 CN CN201910197249.9A patent/CN109992634B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109992634A (zh) | 2019-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112180734B (zh) | 一种基于分布式自适应事件触发的多智能体一致性方法 | |
CN111240319B (zh) | 室外多机器人协同作业系统及其方法 | |
CN108256577B (zh) | 一种基于多线激光雷达的障碍物聚类方法 | |
CN110308740B (zh) | 一种面向移动目标追踪的无人机群动态任务分配方法 | |
CN110989352B (zh) | 一种基于蒙特卡洛树搜索算法的群体机器人协同搜索方法 | |
CN100531087C (zh) | 基于贝叶斯方法的无线传感器网络的节点失效预警方法 | |
CN104090262B (zh) | 一种基于多采样率多模型融合估计的移动目标跟踪方法 | |
CN114415735B (zh) | 面向动态环境的多无人机分布式智能任务分配方法 | |
Li et al. | Dynamic path determination of mobile beacons employing reinforcement learning for wireless sensor localization | |
CN113701742B (zh) | 一种基于云端与边端融合计算的移动机器人slam方法 | |
CN112911705A (zh) | 基于贝叶斯迭代改进的粒子群优化算法的室内定位方法 | |
CN110493844B (zh) | 面向无线传感器网络的数据融合联盟博弈方法及系统 | |
CN111813858A (zh) | 基于计算节点自组织分组的分布式神经网络混合同步训练方法 | |
CN117007040A (zh) | 基于多源信息融合的相对导航方法和装置 | |
CN113886460A (zh) | 低带宽分布式深度学习方法 | |
CN114186112B (zh) | 一种基于贝叶斯优化多重信息增益探索策略的机器人导航方法 | |
CN114967694A (zh) | 一种移动机器人协同环境探索方法 | |
CN116576852A (zh) | 一种融合多源路网数据的森防救援智能导航系统 | |
CN109615885B (zh) | 一种智能交通信号控制方法、装置及系统 | |
CN109992634B (zh) | 基于雾计算的复杂环境下机器人地图构建方法 | |
CN111915185B (zh) | 一种基于路径规划策略的时空众包任务分配方法和装置 | |
CN103889053A (zh) | 一种自生长式的指纹图自主建立方法 | |
Sun et al. | Study on safe evacuation routes based on crowd density map of shopping mall | |
Chandio et al. | Towards adaptable and tunable cloud-based map-matching strategy for GPS trajectories | |
CN115903912A (zh) | 一种城市智能感知下多无人机协同部署与任务分配方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |