CN110989350B - 一种基于膜计算实现井下移动机器人位姿优化方法及装置 - Google Patents

Abstract

本发明公开一种基于膜计算实现井下移动机器人位姿优化方法及装置，所述位姿优化方法包括如下步骤：S1，构建机器人运动模型；S2，所述机器人组织型膜系统构建包括：S2‑1,所述机器人概率膜计算模型框架建立；S2‑2，针对于所述机器人概率膜计算模型框架下，机器人位姿动态性优化；本发明把膜计算引入到煤矿井下机器人的优化之中，提高机器人在井下巡检工作效率和精度。

Description

一种基于膜计算实现井下移动机器人位姿优化方法及装置

技术领域

本发明属于煤矿井下移送机器人优化控制领域，具体涉及一种基于膜计算实现井下移动机器人位姿优化方法及装置。

背景技术

伴随互联网+、大数据和智能控制的融合发展，煤炭开采面临改革创新。自动化和智能化是煤炭未来开采的新趋势，形成智能程度高、无人、高效安全的煤炭开采方法：提升自动化和智能化水平的同时做到无人下的煤炭安全高效精准开采。面向煤炭精准开采的物联网依托智能控制与通信网络，针对煤矿井下复杂环境，加强煤矿实时在线监测、风险判识，解决传统灾害预警的不确定性问题，移动机器人起到重要的载体作用。通过机器人完成煤矿井下实时监控、巡检及搜救工作，让灾害精准预警判别更加完善，深度融合煤矿智能精准开采的新趋势。然而，移动机器人由于自身的特性，在煤矿井下复杂环境中，如何让移动机器人完成煤矿井下的巡检任务，进一步发挥移动机器人在煤矿井下应用价值具有重要研究意义。

发明内容

针对现有技术的不足，本发明的目的在于提供一种基于膜计算实现井下移动机器人位姿优化方法及装置，提高机器人位姿精准性和系统鲁棒性，实现煤矿井下巡检的装置。

本发明的目的可以通过以下技术方案实现：

一种基于膜计算实现井下移动机器人位姿优化方法，所述位姿优化方法包括如下步骤：

S1，构建机器人运动模型；

S2，所述机器人组织型膜系统构建包括：

S2-1,所述机器人概率膜计算模型框架建立；

S2-2，针对于所述机器人概率膜计算模型框架下，机器人位姿动态性优化。

一种基于膜计算实现井下移动机器人，所述机器人装置包括底盘、装置电源、AI计算机、传感器、惯性测量单元、激光雷达和双面深度相机，所述双面深度相机位于所述机器人最顶端，所述激光雷达、所述惯性测量单元及所述传感器并列位于所述机器人的前调节杆上，所述AI计算机位于所述机器人中间位置，所述装置电源安装在所述底盘上端，其中所述装置电源、所述传感器、所述惯性测量单元、所述激光雷达和所述双面深度相机均与所述AI计算机通过电性连接。

本发明的有益效果：

1、本发明把膜计算引入到煤矿井下机器人的优化之中，提高机器人在井下巡检工作效率和精度。

2、依据煤矿井下环境的复杂性，本发明利用双目相机和激光雷达相结合，为机器人在井下的导航提供保障，根据所配置传感器对数据快速有效的接收及传输，利用英伟达TX2智能计算机，能够快速完成计算的同时对机器人位姿进行优化控制；

3、本发明通过仿真及实验表明，所提膜算法具有快速收敛性和有效性，所设计的装置能够有效解决煤矿井下复杂环境下的巡检问题，以其高效的计算性能和快速的优化性能为煤矿未来精准开采提供了理论支撑和现实应用价值。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例的整体结构示意图；

图2是本发明实施例的基于最短路径下的机器人寻优仿真结果示意图；

图3是本发明实施例的膜算法鲁棒性分析示意图；

图4是本发明实施例的膜算法速度误差分析示意图；

图5是本发明实施例的膜算法跟踪误差分析示意图；

图6是本发明实施例的基于膜计算实现井下移动机器人结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

如图1所示，一种基于膜计算实现井下移动机器人位姿优化方法，包括如下步骤：

S1，构建机器人运动模型：

S1-1，由于煤矿井下环境的复杂性，将机器人设定在平面环境中，其运动状态的变量即位姿。由平面坐标(x,y)及方位角θ组成,向量表示为(x,y,θ)^T位姿和参与计算的环境共同构成机器人运动状态x_i。

设定初始位姿x_t-1＝(x,y,θ)^T,后继位姿x_t＝(x',y',θ')^T,控制u_t＝(v,ω)^T,其中v是机器人平移速度，ω是角速度，控制以Δt时间执行。由于运动模型误差参数噪声的干扰，真实速度与测量速度是不同的，因此模型须考虑控制噪声。当Δt较小时，可确定机器人的模型为：

S1-2，由概率密度是三维表示二维，对式(1)进行扩展，当旋转

时机器人到达最终位姿，此时有：

S1-3，由公式(1)和(2)可得到移动机器人的最终模型为：

S2，所述机器人组织型膜系统构建包括：

组织型膜系统中，规则以概率方式执行，可以快速处理数据，结合膜计算的并行、分布式特征，构成一个独立、协作的数据处理膜系统。采用组织型膜系统对煤矿井下移动机器人建模原理和过程，如图1所示。

S2-1,所述机器人概率膜计算模型框架建立：

S2-1-1，确定机器人的实时位置，膜控制器开始执行的每个周期都接收机器人数据(x，y，θ)^T,位置更新输出数据(x′，y′，θ′)^T。根据膜计算的分布并行特征，建立度为3的如下膜系统。

∏＝(M,μ,w₁,w₂,w₃,R,{c_r}_r∈R)

其中：①M＝{x_ij,y_ij,θ_ij,Err:i,j∈[1,2]}.

②μ＝[[]₂[]₃]₁,机器人组织膜系统膜机构。

③w₁＝p(x_t|μ_t,x_t-1),解算密度函数。

④w₂＝p(x_t′|μ_t′,x_t-1′),噪声干扰后密度计算。

⑤

理想密度评价

⑥R为规则集,转移过程中保持能量守恒。

⑦c_r表示基于r规则的对象产生进化的概率。

S2-2，针对于所述机器人概率膜计算模型框架下，机器人位姿动态性优化，包括:

第一步：根据所述S2-1机器人概率膜计算模型框架，确定膜结构的度数为3，并初始化各层膜内的对象(x，y，θ)^T；

第二步：根据机器人姿态动力学模型，进化规则集,并保证进化规则膜内数据的最优；

第三步:根据第二步执行表层膜内数据的更新，继续返回执行第一步。

上述进化规则集，即进化规则的集合，膜内符合进化条件的对象，以概率的方式执行，这样的目的是处理控制机器人位姿过程中采集到的不确定性或随机性的数据。

膜内数据的最优，前提是基于进化规则，适应进化规则的数据(对象)按照进化规则发生的概率执行，由于多个膜的存在，所属膜内数据进化或转移的条件是所有规则执行概率之和为1，保障了膜间数据处理的并行性，同时避免了局部(某一个膜内)收敛，起到了全局寻优的效果，因此称作膜内数据最优。

根据上述定义概率膜系统，适应煤矿井下移动机器人位姿动态性变化的P-lingua文件，文件框架如下所示。

为了验证构建的机器人运动模型在概率膜算法下与普通算法相比具有可行性，以及膜算法相对于普通算法具有更好的收敛性，申请人做出以下验证：

1)构建的机器人运动模型在概率膜算法的可行性分析:

根据公式(3)移动机器人的最终模型，验证为证明该模型在概率膜算法下的可行性，建立机器人误差模型：

假设机器人控制以确定时间间隔Δt进行，初始和后继位姿分别表示为x_t-1＝(x,y,θ)^T,x_t＝(x',y',θ')^T,控制u_t＝(v_t,ω_t)^T，则定义概率膜算法如下：

Algorithm-membrane-probabilistic(x_t,u_t,x_t-1)

Δθ＝atan2(y'-y”,x'-x”)-atan2(y-y”,x-x”)

return

基于上述的概率膜算法，并基于为保证概率P系统下数据初始化及与环境参与下的数据实时更新问题，考虑扰动情况下建立如下的数据采样膜算法：

Algorithmmembrane datasampling(u_t,x_t-1):

return x_t＝(x',y',θ')^T

其中，x_t为采样位姿，

为扰动项。

算法具体执行步骤如下:

第1步：种群初始化，初始化机器人姿态序列进行排列组合，初始个体作为姿态序列。序列规则编码从1～n，即个体长度为n；

第2步：误差函数计算，执行概率膜算法及采样膜算法，进一步评价结果的优劣，更新姿态数据；

第3步：选择算子计算，按照种群适应度评价，从种群中选择优胜个体，利用种群中适应度大的个体替换适应度小的；

第4步：交叉算子计算，将个体进行配对，以一定概率p将配对中的个体替换重新组成新的个体；

第5步：变异算子计算，以变异概率p对种群中的个体值作变动，如果变异后新的适应度值优越，则保留新个体，否则，保留原个体。

2)构建膜算法的收敛性分析

机器人运动方程(3)满足如下性质和假设：

性质1设p(n)为井下机器人位置，n为时间，i为迭代次数，期望轨迹为：

p_i(n+1)＝A(p_i(n),n)u_i(n)+α(n)+p_i(n) (6)

性质2矩阵A(p_i(n),n)满足：

||A(p₁,n)-A(p₂,n)||≤λ||p₁-p₂|| (7)

性质3矩阵A(p_i(n),n)有界，为(p_i(n),n)满秩矩阵。

假设1

满足假设1，考虑干扰和误差，则公式(6)存在：

||I-L₁(n)A(q_i(n))||≤1 (9)

证明：考虑性质2和假设1，得：

递推(10)得：

结合迭代控制率可得：

利用性质1性质2得：

将式子(9)、(11)代入(13)得：

根据等比数列得：

假设α足够大：

将式子(11)变换可得：

由式子(16)、(17)得:

由上述推理可得结论：当系数为0时，即非扰动情况下

收敛为0，否则为扰动情况下有界收敛，证明了算法的有效性。

3)移动机器人仿真及实验结果分析

概率膜系统煤矿井下移动机器人计算模型，考虑了井下环境的复杂性和噪声干扰因素，并且系统进化规则以概率特征执行，由于前期实验验证了P_Lingua模型与MeCoSim.仿真结果的一致性，所以构建膜计算仿真软件MeCoSim平台，完成煤矿井下移动机器人位姿的概率膜系统仿真实验。

假设机器人在密闭走廊模仿巷道验证构建的组织型膜系统下的膜算法，为验证发明内容中膜控制器的跟踪寻优性能及膜算法的有效性，分别设置10个和20个节点标记；种群中个体数目为40，交叉概率p1＝0.15,变异概率P2＝0.85。

依据所设计的膜控制器结构和算法，通过改变进化代数，即可确定路径优化的优劣，寻优结果由表1和图5所示。

表1算法位姿误差分析

为验证装置的可行性及算法的收敛性，位置估计中心点u_t-1＝(90，90，0),运动控制u_t＝(20cm/s，10⁰/s)^T,时间控制10s由平移和旋转速度建模，测量相对定位标记的位置和方位，每次按顺序观测，依据所设计的膜控制结构和算法，机器人产生的速度误差由图3所示。

通过图3得出，与传统的遗传算法相比较，机器人移动的速度误差相对较小，具备很好的收敛性，概率膜计算模型在机器人速度解算上准确度更高，膜算法在井下移动机器人速度解算上准确度更高；

算法鲁棒性实验结果如图4所示，结果得出，所设计的膜算法具备更好的稳定性。

如图6所示，一种基于膜计算实现井下移动机器人，移动机器人装置由底盘1、装置电源2、AI计算机3、传感器4、惯性测量单元5、激光雷达6和双面深度相机7组成，双面深度相机7位于机器人最顶端，激光雷达6、惯性测量单元5及传感器4并列位于机器人前调节杆上，AI计算机3位于机器人中间位置，装置电源2安装在底盘1上端，其中装置电源2、传感器4、惯性测量单元5激光雷达6和双面深度相机7均与AI计算机3通过电性连接；

装置电源2起到供电的同时也具有配重作用，可进一步保障机器人行驶过程中物理层面的稳定性；

底盘1优选采用履带式；

装置电源2包括装置电源及备用电源，其特性符合井下防爆标准；

AI计算机3，该模块在整个装置中占核心地位，巡检任务过程中产生的所以数据都经过该计算机根据前述构建的膜计算模型及算法进行运算处理，根据运算结果控制机器人自身及双面深度相机7的姿态变化，并未机器人巡检过程中路径规划提供精准保障；

传感器4包括瓦斯浓度测量传感器和CO浓度测量传感器，测量值采集后实时回传AI计算机3进行阈值研判，做到实时全工程一氧化碳瓦斯监测；

惯性测量单元5，具备动态补偿、正交补偿特性，RS485接口，具备井下防爆特征，姿态角误差范围小于等于1o，陀螺仪量程500o/sec，噪声密度小于0.005o；

激光雷达6，型号为：RPLIDARA2M8，尺寸(长：宽：高)8cm:8cm:5cm。测量半径12米，频率8000次/秒，360o扫描测距，可通过PWM信号控制扫描频率，用于后续煤矿井下3D环境构建及机器人自身定位。

双面深度相机7，型号：Intel RealSense D435i，尺寸(长：宽：高)9cm:2.5cm:2.5cm具备深度传感器4模组，和IMU单元，结合视觉数据可实现6DoF追踪功能。

使用时，双面深度相机7的支架具备全自由度自动调节，巡检过程中可针对发现的问题完成精准拍摄，图像传回AI计算机3进行图像处理后可实时传回地面站，并根据计算机处理结果执行预定操作，同时可与激光雷达6(位于深度相机下方)融合，进一步满足煤矿井下复杂环境下后续路径优化工作；

进一步，装置电源2、传感器4、惯性测量单元5激光雷达6和双面深度相机7均由AI计算机3完成控制，之间以有线通讯方式进行，保障通信效率的同时又提高装置的整体计算性能。

其中控制器模型是组织型膜控制器模型，重构利用膜计算的分布式计算性能的优势，实现数据采集-传输-处理-反馈控制实时有效性，实现位姿优化的同时为后续路径优化提供很好的支撑。

整个装置基于构建的膜控制器及膜算法实现机器人的自主控制，适应煤炭未来智能开采新形式的同时，进一步提高了智能化水平，因此，基于组织型膜系统的煤矿井下移动机器人位姿优化及装置具有重要的理论研究意义和现实意义价值。

紧紧围绕未来煤炭精准开采的发展趋势，本发明创新性的把膜计算引入到煤矿井下机器人的优化之中，提高机器人在井下巡检工作效率和精度。具体效果表述如下；

在算法的有效性方面：基于膜计算模型的膜算法充分利用了膜系统的并行性特征，通过构建适应机器人控制的组织型膜系统，设计基于该系统下的膜算法，并通过算法的运行结果证明算法的有效性；

膜控制器设计方面：充分考虑机器人动力学及运动学特性，使各参数控制量按照控制率在各个膜中快速并行运算，并将结果返回设定的表层膜控制单元，通过有限迭代运算，达到机器人位姿参数的优化结果。

装置设计方面：

依据煤矿井下环境的复杂性，利用双目相机和激光雷达相结合，为机器人在井下的导航提供保障，根据所配置传感器对数据快速有效的接收及传输，利用英伟达TX2智能计算机，能够快速完成计算的同时对机器人位姿进行优化控制；

通过仿真及实验表明，所提膜算法具有快速收敛性和有效性，所设计的装置能够有效解决煤矿井下复杂环境下的巡检问题，以其高效的计算性能和快速的优化性能为煤矿未来精准开采提供了理论支撑和现实应用价值。

在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。

Claims (1)

1.一种基于膜计算实现井下移动机器人位姿优化方法，其特征在于，所述位姿优化方法包括如下步骤：

S1，构建机器人运动模型；

S2，所述机器人组织型膜系统构建包括：

S2-1,所述机器人概率膜计算模型框架建立；

S2-2，针对于所述机器人概率膜计算模型框架下，机器人位姿动态性优化；

所述S1，构建机器人运动模型包括以下步骤：

S1-1，由平面坐标(x,y)及方位角θ组成,向量表示为(x,y,θ)^T，位姿和参与计算的环境共同构成机器人运动状态x_t，设定移动机器人t-1时刻的位姿为初始位姿x_t-1＝(x,y,θ)^T,其中，(x,y)为机器人在二维平面下的坐标，θ为t-1时刻机器人方位角；机器人t时刻的位姿为后继位姿x_t＝(x',y',θ')^T,其中，(x',y')表示机器人t时刻的位姿即后继位姿，θ'为t时刻机器人方位角；控制u_t＝(v,ω)^T,其中v是机器人平移速度，ω是角速度，控制以Δt时间执行，当Δt→0时，机器人的模型为：

式(1)中，

和

分别表示机器人在噪声影响下的平移速度和角速度；

S1-2，由于概率密度是以二维的形式表征，而位姿本身是三维，而机器人后验位姿存在两个变量即平移速度和角速度，是三维表征二维，为了表示三维，对式(1)进行扩展，当旋转

时机器人到达最终位姿，此时有：

式(2)中，θ′表示机器人到达最终位姿即t时刻时的方位角，

和ε表示机器人附加旋转噪声参数；

S1-3，由公式(1)和(2)可得到机器人的最终模型为：

所述S2-1,机器人概率膜计算模型框架建立包括：

S2-1-1，确定机器人的实时位置，膜控制器开始执行的每个周期都接收机器人数据(x，y，θ)^T,位置更新输出数据(x′，y′，θ′)^T，建立度为3的如下膜系统：

∏＝(M,μ,w₁,w₂,w₃,R,{c_r}_r∈R)；

其中：①M＝{x_ij,y_ij,θ_ij,Err:i,j∈[1,2]},M表示以x_ij,y_ij,θ_ij,Err为对象构成的集合；其中：x_ij表示机器人不同位置的横坐标，y_ij表示机器人不同位置的纵坐标，θ_ij表示机器人对应x_ij,y_ij坐标下的方位角，Err为机器人运动产生的误差；

②μ＝[[ ]₂[ ]₃]₁,μ表示机器人组织膜系统膜机构，其中：[]表示单个膜，1，2，3分别表示膜的标记，即第i个膜，i＝1,2,3；

③w₁＝p(x_t|μ_t,x_t-1),w₁表示解算密度函数；其中：x_t为机器人t时刻姿态，u_t为控制输入，x_t-1为t-1时刻机器人位姿；

④w₂＝p(x_t′|μ_t′,x_t-1′),w₂表示噪声干扰后密度计算；其中：x_t′为机器人在噪声干扰后t时刻姿态，u_t′为噪声干扰控制输入，x_t-1′为机器人在噪声干扰后t-1时刻姿态；

⑤

w₃表示理想密度评价；其中：

为机器人t时刻理想姿态，

为机器人理想位姿对应的控制输入，x_t-1为t-1时刻机器人理想位姿；

⑥R为规则集,转移过程中保持能量守恒；

⑦c_r表示基于r规则的对象产生进化的概率；

所述S2-2中机器人位姿动态性优化包括以下步骤：

第一步：根据所述S2-1机器人概率膜计算模型框架，确定膜结构的度数为3，并初始化各层膜内的对象(x，y，θ)^T；

第二步：根据机器人姿态动力学模型，进化规则集,并保证进化规则膜内数据的最优；

第三步:根据第二步执行表层膜内数据的更新，继续返回执行第一步。

Images