CN114274146B - 机器人控制系统及机器人跟随控制方法 - Google Patents
机器人控制系统及机器人跟随控制方法 Download PDFInfo
- Publication number
- CN114274146B CN114274146B CN202210065692.2A CN202210065692A CN114274146B CN 114274146 B CN114274146 B CN 114274146B CN 202210065692 A CN202210065692 A CN 202210065692A CN 114274146 B CN114274146 B CN 114274146B
- Authority
- CN
- China
- Prior art keywords
- robot
- control
- execution
- current
- instruction set
- 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
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000011217 control strategy Methods 0.000 claims abstract description 56
- 238000012545 processing Methods 0.000 claims abstract description 38
- 238000012544 monitoring process Methods 0.000 claims abstract description 18
- 235000012907 honey Nutrition 0.000 claims description 156
- 238000004422 calculation algorithm Methods 0.000 claims description 56
- 230000002159 abnormal effect Effects 0.000 claims description 24
- 230000005856 abnormality Effects 0.000 claims description 14
- 230000007246 mechanism Effects 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 7
- 230000033764 rhythmic process Effects 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 abstract description 35
- 238000004891 communication Methods 0.000 abstract description 11
- 230000000875 corresponding effect Effects 0.000 description 109
- 238000007726 management method Methods 0.000 description 66
- 230000008569 process Effects 0.000 description 19
- 238000013439 planning Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 13
- 238000005457 optimization Methods 0.000 description 11
- 230000001276 controlling effect Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 238000003860 storage Methods 0.000 description 8
- 230000009471 action Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000010295 mobile communication Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 241000257303 Hymenoptera Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 239000012636 effector Substances 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Manipulator (AREA)
Abstract
本公开提供了一种机器人控制系统及方法,涉及计算机通信技术领域,该系统包括:移动边缘计算服务器,其中的控制策略管理模块被配置为管理机器人的控制策略,根据当前控制策略生成控制指令集;引领机器人,被配置为从B‑M2M网络中获取控制指令集,根据现场环境监测数据将控制指令集转换为现场执行指令集,通过B‑M2M网络将现场执行指令依次广播给所管辖的跟随机器人;跟随机器人,被配置为从B‑M2M网络中获取对应的引领机器人广播的现场执行指令,并与对应的引领机器人同步执行现场执行指令。本公开的技术方案,能够有效降低生产加工应用场景下的生产成本,同时满足复杂加工操作和不同生产环境的要求,且有效提高了机器人之间的通信性能。
Description
技术领域
本公开涉及计算机通信技术领域,具体涉及一种机器人控制系统及基于机器人控制系统的机器人跟随控制方法。
背景技术
在以机器人为核心的生产线中,大量机器人重复同样的动作。对于负责复杂工序的机器人,控制系统是机器人的核心部分,在整体成本中占据了很大部分。随着对机器人操作复杂性的提高,控制系统的成本急剧提升,影响了复杂机器人控制系统的应用和普及。
在一些相关技术中,机器人的控制系统主要采用传统的封闭模式和跟随模式。其中,在传统的封闭模式下,每个机器人配备完整的控制系统,以应对工作环境、加工过程的差异,在实际大规模生产加工中所需消耗的成本较高;在传统的跟随模式下,机器人大部分是简单的机械跟随模式,缺乏机器人之间的交互,不能满足不同机器人工作环境的差异,只能满足简单的操作,无法完成复杂的大规模加工,且机器人间的通信性能较差。
发明内容
为此,本公开提供一种机器人控制系统及基于机器人控制系统的机器人跟随控制方法,旨在至少解决相关技术中存在的技术问题之一。
为了实现上述目的,本公开第一方面提供一种机器人控制系统,该系统包括:
多个机器人,包括至少一个引领机器人和至少一个跟随机器人,每个引领机器人对应管辖至少一个跟随机器人;
移动边缘计算服务器MEC,包括控制策略管理模块,所述控制策略管理模块被配置为管理机器人的控制策略,并根据当前控制策略生成相应控制指令集;
所述引领机器人被配置为:从广播机器对机器B-M2M网络的B-M2M信道中获取所述MEC广播的控制指令集;根据现场环境监测数据将所述控制指令集转换为相应的现场执行指令集;通过B-M2M网络将所述现场执行指令集中的现场执行指令依次广播给所管辖的跟随机器人;依次执行所述现场执行指令集中的现场执行指令;
所述跟随机器人被配置为:从B-M2M网络的B-M2M信道中获取对应的引领机器人广播的现场执行指令,并与对应的所述引领机器人同步执行所述现场执行指令。
可选地,所述MEC还包括第一B-M2M模块,所述控制策略管理模块通过所述第一B-M2M模块将所述控制指令集广播到B-M2M网络的B-M2M信道;
所述引领机器人包括第二B-M2M模块、第一控制模块和第一执行机构;
所述第二B-M2M模块被配置为从B-M2M网络的B-M2M信道中获取所述控制指令集;
所述第一控制模块被配置为:根据现场环境监测数据将所述控制指令集转换为相应的现场执行指令集;通过所述第二B-M2M模块将所述现场执行指令集中的现场执行指令依次广播到B-M2M网络的B-M2M信道;控制所述第一执行机构执行所述现场执行指令。
可选地,所述跟随机器人包括第三B-M2M模块、第二控制模块和第二执行机构;
所述第三B-M2M模块被配置为从B-M2M网络的B-M2M信道中获取对应的所述引领机器人广播的所述现场执行指令;
所述第二控制模块被配置为:控制所述第二执行机构执行所述现场执行指令;通过所述第三B-M2M模块将所述跟随机器人的实时状态信息广播至B-M2M网络的B-M2M信道。
可选地,所述引领机器人包括跟踪管理模块和第二B-M2M模块;
所述跟踪管理模块被配置为:
通过所述第二B-M2M模块从B-M2M网络的B-M2M信道中获取所管辖的各所述跟随机器人广播的实时状态信息;
根据各所述跟随机器人的实时状态信息,调整所述引领机器人广播和执行所述现场执行指令的节奏;
在根据所述跟随机器人的实时状态信息确定所述跟随机器人执行所述现场执行指令异常时,将所述跟随机器人从所管辖的跟随机器人中移除,并向所述MEC报告所述跟随机器人的异常信息。
可选地,所述系统还包括系统管理模块;
所述系统管理模块被配置为:对所述系统的操作权限、所述系统的工作环境参数、所述系统的工作模式进行设置和管理,以及进行系统工作异常监测、处理和报警。
可选地,所述至少一个引领机器人包括主用引领机器人和备用引领机器人;
所述备用引领机器人被配置为:检测所述主用引领机器人是否发生异常;在检测出所述主用引领机器人发生异常的情况下,向所述系统管理模块报告所述主用引领机器人的异常信息;
所述系统管理模块还被配置为:根据所述异常信息,控制所述主用引领机器人暂停广播现场执行指令集;控制所述备用引领机器人向所述主用引领机器人所管辖的跟随机器人广播对应的现场执行指令集。
可选地,所述控制策略管理模块被配置为:
将当前控制策略划分为多个控制阶段分别对应的子策略,并设置每个控制阶段对应的子策略的执行时间阈值;
在当前执行周期的当前控制阶段,将当前控制阶段的子策略对应的控制指令集通过B-M2M网络广播给所述引领机器人,当前控制阶段为第m个控制阶段,1≤m≤M,M为控制阶段的数量。
可选地,所述引领机器人被配置为:
在当前执行周期的当前控制阶段,响应于获取到当前控制阶段的子策略Pm对应的控制指令集,将所述子策略Pm对应的控制指令集转换为N个不同的现场执行指令集Cim,i∈{1,2,……,N};
通过B-M2M网络将N个不同的现场执行指令集Cim中的现场执行指令广播给所管辖的跟随机器人。
可选地,所述跟随机器人被配置为:
在当前执行周期的当前控制阶段,将N个不同的现场执行指令集Cim映射为N个蜜源CX,CX={C1X,C2X,……,CNX},当前执行周期为第X个执行周期,X为正整数;
根据预定选择算法,从N个蜜源CX中选择一个蜜源作为当前蜜源;
执行当前蜜源对应的现场执行指令,并将执行结果通过B-M2M网络广播给所述MEC。
可选地,所述MEC的所述控制策略管理模块还被配置为:
响应于各所述跟随机器人在对应的执行时间阈值Tm内执行完成所述子策略Pm的信息,将下一个控制阶段作为当前控制阶段,并返回执行将当前控制阶段的子策略对应的控制指令集通过B-M2M网络广播给所述引领机器人的步骤。
可选地,所述MEC的所述控制策略管理模块还被配置为:
在当前执行周期的当前控制阶段,根据所述跟随机器人执行当前蜜源对应的现场执行指令集得到的执行结果,确定所述跟随机器人执行当前蜜源对应的现场执行指令的执行评分;
根据所述执行评分,确定在当前控制阶段所述跟随机器人所选择的所述当前蜜源对应的适应度;
响应于当前执行周期内的M个控制阶段的子策略均执行完成,将在当前执行周期内的各个控制阶段所确定的各蜜源对应的适应度广播至B-M2M网络的B-M2M信道,并启动下一个执行周期。
可选地,若所述当前执行周期为非首个执行周期,则所述根据预定选择算法,从N个蜜源CX中选择一个蜜源作为当前蜜源,包括:
基于在历史执行周期的当前控制阶段所确定出的各蜜源对应的适应度,根据预定选择算法确定各蜜源被选择的概率;
根据各蜜源被选择的概率,从N个蜜源CX中选择一个蜜源作为当前蜜源;
其中所述预定选择算法包括:
其中,Pn为N个蜜源CX中第n个蜜源被选择的概率,fitn为第n个蜜源对应的适应度。
可选地,若所述当前执行周期为首个执行周期,则所述预定选择算法包括:
CjX=1+rand(0,1)(N-1),1≤j≤N;
其中,rand(0,1)表示取(0,1)之间的一个随机数,CjX表示N个蜜源CX中的第j个蜜源。
为了实现上述目的,本公开第一方面提供一种基于机器人控制系统的机器人跟随控制方法,所述机器人控制系统包括如权利要求1-13中任一项所述的系统,所述方法包括:
所述MEC的控制策略管理模块根据当前控制策略生成相应控制指令集,并将所述控制指令集通过B-M2M网络广播给所述引领机器人;
所述引领机器人响应于从B-M2M网络中获取所述控制指令集,根据现场环境监测数据将所述控制指令集转换为相应的现场执行指令集;
所述引领机器人通过B-M2M网络将所述现场执行指令集中的现场执行指令依次广播给所管辖的跟随机器人;
所述跟随机器人从B-M2M网络的B-M2M信道中获取对应的引领机器人广播的现场执行指令,并与对应的所述引领机器人同步执行所述现场执行指令。
可选地,所述MEC的控制策略管理模块根据当前控制策略生成相应控制指令集,并将所述控制指令集通过B-M2M网络广播给所述引领机器人,包括:
所述控制策略管理模块将当前控制策略划分为多个控制阶段分别对应的子策略,并设置每个控制阶段对应的子策略的执行时间阈值;
所述控制策略管理模块在当前执行周期的当前控制阶段,将当前控制阶段的子策略对应的控制指令集通过B-M2M网络广播给所述引领机器人,当前控制阶段为第m个控制阶段,1≤m≤M,M为控制阶段的数量。
可选地,所述引领机器人响应于从B-M2M网络中获取所述控制指令集,根据现场环境监测数据将所述控制指令集转换为相应的现场执行指令集,包括:
所述引领机器人在当前执行周期的当前控制阶段,响应于获取到当前控制阶段的子策略Pm对应的控制指令集,将所述子策略Pm对应的控制指令集转换为N个不同的现场执行指令集Cim,i∈{1,2,……,N};
所述引领机器人通过B-M2M网络将所述现场执行指令集中的现场执行指令依次广播给所管辖的跟随机器人,包括:所述引领机器人通过B-M2M网络将N个不同的现场执行指令集Cim中的现场执行指令广播给所管辖的跟随机器人。
可选地,所述跟随机器人从B-M2M网络的B-M2M信道中获取对应的引领机器人广播的现场执行指令,并与对应的所述引领机器人同步执行所述现场执行指令,包括:
所述跟随机器人在当前执行周期的当前控制阶段,将N个不同的现场执行指令集Cim映射为N个蜜源CX,CX={C1X,C2X,……,CNX},当前执行周期为第X个执行周期,X为正整数;
所述跟随机器人根据预定选择算法,从N个蜜源CX中选择一个蜜源作为当前蜜源;
所述跟随机器人执行当前蜜源对应的现场执行指令,并将执行结果通过B-M2M网络广播给所述MEC。
可选地,所述方法还包括:
所述控制策略管理模块响应于各所述跟随机器人在对应的执行时间阈值tm内执行完成所述子策略Pm的信息,将下一个控制阶段作为当前控制阶段,并返回执行将当前控制阶段的子策略对应的控制指令集通过B-M2M网络广播给所述引领机器人的步骤。
可选地,所述方法还包括:
所述控制策略管理模块在当前执行周期的当前控制阶段,根据所述跟随机器人执行当前蜜源对应的现场执行指令集得到的执行结果,确定所述跟随机器人执行当前蜜源对应的现场执行指令的执行评分;以及,
所述控制策略管理模块根据所述执行评分,确定在当前控制阶段所述跟随机器人所选择的所述当前蜜源对应的适应度;
所述控制策略管理模块响应于当前执行周期内的M个控制阶段的子策略均执行完成,将在当前执行周期内的各个控制阶段所确定的各蜜源对应的适应度广播至B-M2M网络的B-M2M信道,并启动下一个执行周期。
根据本公开的技术方案,借助基于5G(5th Generation Mobile CommunicationTechnology,第五代移动通信技术)网络架构的B-M2M网络实现高效的引领机器人和跟随机器人之间的信息互通,提高了机器人之间的通信性能,同时借助5G网络中MEC的强大的移动边缘计算和数据处理能力,可以完成复杂的控制算法,实现对机器人的跟随控制;在大规模机器人生产加工应用场景中,能够大幅度降低成本,同时满足复杂加工操作的要求;通过少量高性能的引领机器人,完成不同算法控制指令到现场执行指令的转换,满足了不同生产环境的灵活配置需求;通过大量的具有简单控制功能的跟随机器人,实现了低复杂度的硬件配置下完成复杂操作和生产加工处理,从而显著降低了整体成本,增加了系统功能的灵活性,对促进大规模机器人应用的普及具有良好的作用,对构建B-M2M技术的应用生态也具有积极的意义。
附图说明
附图是用来提供对本公开的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本公开,但并不构成对本公开的限制。
图1为本公开实施例提供的一种机器人控制系统的结构示意图;
图2为本公开实施例提供的一种机器人跟随控制方法的流程示意图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本公开,并不用于限制本公开。
如本公开所使用的,术语“和/或”包括一个或多个相关列举条目的任何和全部组合。
本公开所使用的术语仅用于描述特定实施例,且不意欲限制本公开。如本公开所使用的,单数形式“一个”和“该”也意欲包括复数形式,除非上下文另外清楚指出。
当本公开中使用术语“包括”和/或“由……制成”时,指定存在所述特征、整体、步骤、操作、元件和/或组件,但不排除存在或添加一个或多个其它特征、整体、步骤、操作、元件、组件和/或其群组。
本公开所述实施例可借助本公开的理想示意图而参考平面图和/或截面图进行描述。因此,可根据制造技术和/或容限来修改示例图示。
除非另外限定,否则本公开所用的全部术语(包括技术和科学术语)的含义与本领域普通技术人员通常理解的含义相同。还将理解,诸如那些在常用字典中限定的那些术语应当被解释为具有与其在相关技术以及本公开的背景下的含义一致的含义,且将不解释为具有理想化或过度形式上的含义,除非本公开明确如此限定。
图1为本公开实施例提供的一种机器人控制系统的结构示意图。
第一方面,本公开实施例提供一种机器人控制系统,如图1所示,该机器人控制系统包括:多个机器人100、移动边缘计算服务器(Mobile Edge Computing,MEC)200、云平台300以及广播机器对机器(Board Machine-to-Machine,B-M2M)网络400。
其中,多个机器人100,包括至少一个引领机器人101和至少一个跟随机器人102,每个引领机器人101对应管辖至少一个跟随机器人102;
移动边缘计算服务器200,包括控制策略管理模块201,控制策略管理模块201被配置为管理机器人100的控制策略,并根据当前控制策略生成相应控制指令集,并将控制指令集广播至B-M2M网络400中的B-M2M信道,以便引领机器人101接收获取。其中,控制策略是指用于控制机器人执行相关任务、流程或操作步骤的算法策略。
引领机器人101被配置为:从B-M2M网络400的B-M2M信道中获取移动边缘计算服务器200广播的控制指令集;根据现场环境监测数据将控制指令集转换为相应的现场执行指令集;通过B-M2M网络400将现场执行指令集中的现场执行指令依次广播给所管辖的跟随机器人102;依次执行现场执行指令集中的现场执行指令。示例性的,在生产加工应用场景中,现场环境监测数据例如可以包括:生产所需材料、所需零部件的存放位置、路径等。
跟随机器人102被配置为:从B-M2M网络400的B-M2M信道中获取对应的引领机器人广播的现场执行指令,并与对应的引领机器人同步执行现场执行指令。
在一些实施例中,控制策略管理模块201还用于进行控制策略中的机器人100的轨迹规划和路径规划管理,以及控制策略的示教和再现管理。
其中,控制策略中的机器人的轨迹规划和路径规划,可以采用经典方法实现,示例性的,对于简单的轨迹规划和路径规划,可以在确定整体轨迹后通过正逆运动学求解和插补算法求解;对于复杂的轨迹规划和路径规划,则采用基于机器学习的轨迹和路径规划,其中机器学习例如是快速扩展随机树(RRT)方法、概率路线图(PRM)方法;规划完成后,保存至轨迹规划和路径规划相应的文件中。
控制策略中的示教和再现(teaching/playback T/P)方式,可以通过由人工导引机器人末端执行器,或由人工操作导引机械模拟装置,或用示教盒完成预期的动作后,将过程数据编程生成示教文件,然后再利用示教文件控制多个机器人100进行重复再现。T/P方式可使机器人具有方式通用性和灵活性,是用机械人代替人工作业的最直接方法,但是只能应用与固定的简单环境,对于复杂的环境,则采用基于机器学习的控制策略,其中机器学习例如是监督学习(有标签学习数据)、无监督学习(无标签学习数据)、监督学习(部分标签数据,成本和准确性的折中)、强化学习(奖励信号反馈的自我学习)。
在一些实施例中,为满足不同应用场景的需求,不同应用场景所需的各类控制策略可以采用策略库的形式存储于云平台300中,移动边缘计算服务器200的控制策略管理模块201可以根据实际情况需要从云平台300的策略库中下载当前控制策略,并将当前控制策略转换为用于控制机器人100执行相应任务的控制指令集。
其中,控制指令集中的控制指令为描述机器人所需执行的任务、流程或步骤的指令,具体可根据实际应用场景确定。示例性的,本公开实施例中的机器人控制系统用于自动化生产场景,控制指令集中的控制指令为描述机器人所需执行的生成任务、生产流程、生产工序或生产步骤的指令。
在一些实施例中,B-M2M网络400是一种基于5G网络架构的无线广播网络,B-M2M网络400可以由基站(例如5G基站)、移动边缘计算服务器200、各机器人100、公共广播时隙信道资源池、B-M2M管理单元等构成。
其中,基站(例如5G基站)、移动边缘计算服务器200、各机器人100作为B-M2M网络400的设备节点,每个设备节点均具有B-M2M模块,每个设备节点的B-M2M模块均具有无线广播信息的发送以及接收公共广播信道资源池中所有时隙的功能,每个设备节点的B-M2M模块均可以在该B-M2M信道动态选择空闲时隙发送广播信息。
公共广播时隙信道资源池(即,B-M2M信道)是在基站覆盖范围,在5G网络的频段内划分出的公共广播时隙信道资源池,其由基站内的B-M2M管理单元进行管理,其具有连续频段和时隙。其中,公共广播时隙信道资源池的频段宽度和时隙数量由基站的B-M2M管理单元根据实时的广播强度进行动态调整,以保证各个设备节点的广播发送延迟可以符合生产现场的质量要求。
基站可以公共广播时隙信道资源池的频段信息和时隙信息发送给基站覆盖范围内的各设备节点,使得网络内所有设备节点均具有公共的广播时隙信道资源,所有设备节点均可以在广播时隙信道内进行广播,所有设备节点均可以接收广播时隙信道资源的所有时隙,从而实现所有设备节点的状态广播,以及指令发布等功能。
B-M2M管理单元部署在基站和移动边缘计算服务器200中。在基站的接入网(如5GNG-RAN)中部署部署B-M2M广播发送接收模块,具有广播管理信息、确认信息和状态信息的功能、系统管理以及接收公共广播信道资源池所有时隙的功能。基站的移动边缘计算平台部署B-M2M管理和控制系统,以及生产应用系统的运行。
本公开实施例通过B-M2M网络架构能够实现高效的移动边缘计算服务器200、引领机器人101和跟随机器人102之间的信息互通,有效提高了设备节点之间的通信效率,降低了广播通信成本。
在本公开的一些实施例中,如图1所示,机器人控制系统还可以包括系统管理模块301,系统管理模块301被配置为:对系统的操作权限、系统的工作环境参数、系统的工作模式进行设置和管理,以及进行系统工作异常监测、处理和报警。
其中,系统的工作环境参数例如可以包括B-M2M信道配置,以及引领机器人101、跟随机器人102的唯一标识、位置、数量、性能等。系统的工作模式例如是固定路径模式、控制策略模式等,在固定路径模式下可以进行机器人的轨迹规划和路径规划等,在控制策略模式下可以进行控制策略的示教、再现以及执行等。
在本公开的一些实施例中,如图1所示,系统管理模块301可以部署在云平台300中,方便管理整个系统的资源。其中,移动边缘计算服务器200可以通过移动核心网同云平台300相连,移动边缘计算服务器200中的参数、管理和控制算法可以从云平台300中下载,各类生产应用系统可以发布在云平台300的应用商店中,可以根据生产现场的实际需要下载到MEC中进行部署和运行。
在本公开的一些实施例中,如图1所示,移动边缘计算服务器200还包括第一B-M2M模块202,控制策略管理模块201通过第一B-M2M模块202将控制指令集广播到B-M2M网络400的B-M2M信道。
在本公开的一些实施例中,如图1所示,引领机器人101包括第二B-M2M模块1011、第一控制模块1012和第一执行机构1013。
其中,第二B-M2M模块1011被配置为从B-M2M网络400的B-M2M信道中获取移动边缘计算服务器200广播的控制指令集。
第一控制模块1012被配置为:根据现场环境监测数据将控制指令集转换为相应的现场执行指令集;通过第二B-M2M模块1011将现场执行指令集中的现场执行指令依次广播到B-M2M网络400的B-M2M信道;控制第一执行机构1013执行现场执行指令,以完成相应的机械或者电器动作。
在本公开的一些实施例中,跟随机器人102包括第三B-M2M模块1021、第二控制模块1022和第二执行机构1023。
其中,第三B-M2M模块1021被配置为从B-M2M网络400的B-M2M信道中获取对应的引领机器人101广播的现场执行指令。
第二控制模块1022被配置为:控制第二执行机构1023执行现场执行指令,以完成相应的机械或者电器动作;通过第三B-M2M模块1021将跟随机器人102的实时状态信息广播至B-M2M网络400的B-M2M信道。其中,实时状态信息可以包括设备状态、指令执行结果和状态等,在实际生产场景中,实时状态信息还可以进一步包括生产材料、配件、零部件的检测信息(如缺少生产材料、配件检测异常)等。
在本公开的一些实施例中,如图1所示,引领机器人还包括跟踪管理模块1014。其中,跟踪管理模块1014被配置为:通过第二B-M2M模块1011从B-M2M网络400的B-M2M信道中获取所管辖的各跟随机器人102广播的实时状态信息;根据各跟随机器人102的实时状态信息,调整引领机器人101广播和执行现场执行指令的节奏(时间)。引领机器人101的跟踪管理模块1014可以通过B-M2M信道接收到所管辖的所有跟随机器人102的实时状态信息,并通过分析实时状态信息确定所管辖的所有跟随机器人102执行任一现场执行指令后的执行结果和时间,然后进行执行指令的一致性分析,从而确实是否需要调整广播和执行现场执行指令的节奏(时间),以进行下一步现场执行指令的广播,从而可以协调引领机器人101和所管辖的跟随机器人102的动作,使得引领机器人101和所管辖的所有跟随机器人102可以步调一致地工作和执行指令。
在本公开的一些实施例中,跟踪管理模块1014还被配置为:在根据跟随机器人102的实时状态信息确定跟随机器人102执行现场执行指令异常时,将执行指令异常的跟随机器人102从所管辖的跟随机器人102中移除,并向移动边缘计算服务器200报告该跟随机器人102的异常信息。具体的,跟踪管理模块1014可以根据跟随机器人102的实时状态信息,分析跟随机器人102是否能够完成当前的现场执行指令,例如在分析设备状态为故障、缺少生产材料、配件检测异常等情况存在时,则可以确定跟随机器人102执行现场执行指令异常,通过第二B-M2M模块1011将跟随机器人102的异常信息广播到B-M2M网络400的B-M2M信道,以供移动边缘计算服务器200获取并处理异常信息,例如移动边缘计算服务器200可以将跟随机器人102的异常信息上报给部署于云平台300的系统管理模块301,以便系统管理模块301进行异常处理和报警工作,并提醒维护人员及时处理。
在一些实施例中,对于规模较小的系统,可以设置两个引领机器人101作为主备引领机器人,多个引领机器人101中可以包括主用引领机器人和备用引领机器人。其中,备用引领机器人配置同主用引领机器人相同,也可以执行领航跟随机器人的功能。
进一步地,备用引领机器人还被配置为:检测主用引领机器人是否发生异常;在检测出主用引领机器人发生异常的情况下,向系统管理模块301报告主用引领机器人的异常信息。系统管理模块还被配置为:根据主用引领机器人的异常信息,控制主用引领机器人暂停广播现场执行指令集;控制备用引领机器人向主用引领机器人所管辖的跟随机器人广播对应的现场执行指令集。
示例性地,备用引领机器人可以根据对主用引领机器人广播的现场执行指令集与自身生成的现场执行指令集进行比对分析,检测主用引领机器人是否发生异常,如指令比对分析结果为不一致时,则检测出主用引领机器人异常,并将主用引领机器人的异常信息广播至B-M2M网络的B-M2M信道,以便移动边缘计算服务器200获取并进行异常处理,例如移动边缘计算服务器200可以将主用引领机器人的异常信息上报至部署于云平台300的系统管理模块301,以便系统管理模块301进行异常处理和报警工作,并提醒维护人员及时处理,同时,系统管理模块301通过移动边缘计算服务器200控制主用引领机器人暂停广播现场执行指令集,并控制备用引领机器人向主用引领机器人所管辖的跟随机器人102广播对应的现场执行指令集(由备用引领机器人根据移动边缘计算服务器200广播的控制指令集生成的现场执行指令集)。
示例性的,备用引领机器人还可以根据主用引领机器人广播的设备状态等信息分析主用引领机器人是否发生设备故障等异常情况。
在一些实施例中,在检测出主用引领机器人发生异常之前,备用引领机器人具有领航跟随机器人102的功能,但不用于向B-M2M信道广播现场执行指令;而检测出主用引领机器人发生异常之后,备用引领机器人可以接管主用机器人所管辖的跟随机器人102,并向所管辖的跟随机器人102广播现场执行指令集(由备用引领机器人根据移动边缘计算服务器200广播的控制指令集生成的现场执行指令集)。
根据本公开实施例所提供的机器人控制系统的技术方案,借助基于5G(5thGeneration Mobile Communication Technology,第五代移动通信技术)网络架构的B-M2M网络实现高效的引领机器人和跟随机器人之间的信息互通,提高了机器人之间的通信性能,同时借助5G网络中MEC的强大的移动边缘计算和数据处理能力,可以完成复杂的控制算法,实现对机器人的跟随控制;在大规模机器人生产加工应用场景中,能够大幅度降低成本,同时满足复杂加工操作的要求;通过少量高性能的引领机器人,完成不同算法控制指令到现场执行指令的转换,满足了不同生产环境的灵活配置需求;通过大量的具有简单控制功能的跟随机器人,实现了低复杂度的硬件配置下完成复杂操作和生产加工处理,从而显著降低了整体成本,增加了系统功能的灵活性,对促进大规模机器人应用的普及具有良好的作用,对构建B-M2M技术的应用生态也具有积极的意义。
在一些实施例中,机器人控制系统可以基于改进的人工蜂群算法对跟随机器人对指令集的选择进行优化,使得系统控制算法能够快速收敛于优化后的指令集,从而实现优化机器人的跟随控制方法。
进一步地,移动边缘计算服务器200的控制策略管理模块201具体被配置为:将当前控制策略划分为多个控制阶段分别对应的子策略,并设置每个控制阶段对应的子策略的执行时间阈值;在当前执行周期的当前控制阶段,将当前控制阶段的子策略对应的控制指令集通过B-M2M网络400广播给引领机器人101,当前控制阶段为第m个控制阶段,1≤m≤M,M为控制阶段的数量。
在实际生产加工应用中,每个控制阶段可以对应一个加工阶段,子策略是该加工阶段的阶段策略,执行时间阈值是约定的对应的控制阶段的最晚完成时间,从而在实现不同机器人个体进行不同操作探索的同时,保持整体加工进程时间一致。
进一步地,执行周期是根据实际生产加工需要进行设置,例如,在实际生产加工应用中,需重复进行1000个零部件的加工操作,则需要设置1000个执行周期,在每个执行周期,按照控制策略控制机器人执行加工操作。
进一步地,引领机器人101具体被配置为:在当前执行周期的当前控制阶段,响应于获取到当前控制阶段的子策略Pm对应的控制指令集,将子策略Pm对应的控制指令集转换为N个不同的现场执行指令集Cim,i∈{1,2,……,N};通过B-M2M网络400将N个不同的现场执行指令集Cim中的现场执行指令广播给所管辖的跟随机器人102。
由于移动边缘计算服务器200的控制策略是通用的,具体到现场的实际加工环境,移动边缘计算服务器200不能确认具体采用何种操作方式是最优的,例如机器人的机械臂搬运某个配件,如果加工现场是位置摆放规则的配件,机械臂只需要简单移动到计算后的位置就可以,但如果现场是位置摆放不规则的配件,则需要首先识别定位后才能搬运。因此,引领机器人101将子策略Pm对应的控制指令集转换为N个不同的现场执行指令集Cim,该N个不同的指令集都完成相同的操作结果,但是参数选择、操作模式等不同。
进一步地,跟随机器人102具体被配置为:在当前执行周期的当前控制阶段,将N个不同的现场执行指令集Cim映射为N个蜜源CX,CX={C1X,C2X,……,CNX},当前执行周期为第X个执行周期,X为正整数;根据预定选择算法,从N个蜜源CX中选择一个蜜源作为当前蜜源;执行当前蜜源对应的现场执行指令,并将执行结果通过B-M2M网络400广播给移动边缘计算服务器200。
引领机器人101在广播N个现场执行指令集的指令后,跟随机器人102按照改进的人工蜂群算法选择其中的一个现场执行指令集的指令,然后将现场执行指令集的指令输出到跟随机器人102的执行机构,控制执行机构完成相应的动作。为实现改进的人工蜂群算法,跟随机器人102将N个现场执行指令集Cim映射成N个蜜源CX,CX={C1X,C2X,……,CNX}。
在当前执行周期是首个执行周期(即第一个执行周期)的情况下,由于没有历史最优现场执行指令集,因此跟随机器人102可以随机在N个蜜源CX中选择一个蜜源作为当前蜜源,并执行当前蜜源对应的现场执行指令集的指令。
示例性的,在当前执行周期是首个执行周期的情况下,上述预定选择算法包括:CjX=1+rand(0,1)(N-1),其中,1≤j≤N,rand(0,1)表示取(0,1)之间的一个随机数,CjX表示N个蜜源CX中的第j个蜜源。在当前执行周期是首个执行周期的情况下,跟随机器人102可以基于该预定选择算法:CjX=1+rand(0,1)(N-1),从N个蜜源CX中选择一个蜜源作为当前蜜源。
在当前执行周期是非首个执行周期(如第二个执行周期、第三个执行周期等)的情况下,可以根据各个蜜源在历史执行周期的适应度计算各个蜜源被选择的概率,跟随机器人102可以N个蜜源CX中各个蜜源被选择的概率选择一个蜜源作为当前蜜源,并执行当前蜜源对应的现场执行指令集的指令。
示例性的,在当前执行周期是非首个执行周期的情况下,跟随机器人102被配置为:基于在历史执行周期的当前控制阶段所确定出的各蜜源对应的适应度,根据预定选择算法确定各蜜源被选择的概率,根据各蜜源被选择的概率,从N个蜜源CX中选择一个蜜源作为当前蜜源。其中,上述预定选择算法包括:
其中,Pn为N个蜜源CX中第n个蜜源被选择的概率,fitn为第n个蜜源对应的适应度。
在一些实施例中,蜜源的适应度表征蜜源的优劣程度,适应度越大,表示蜜源越优,相应的,蜜源被选择的概率即越大;反之,适应度越小,表示蜜源越劣,相应的,蜜源被选择的概率即越小。因此,跟随机器人102可以从N个蜜源CX中选择一个对应的概率最高的蜜源作为当前蜜源,当前蜜源表示当前执行周期的当前控制阶段中最优的蜜源。
在本公开的一些实施例中,为有效防止系统限于局部最优解的问题,跟随机器人102在根据各蜜源被选择的概率,从N个蜜源CX中选择一个蜜源作为当前蜜源之后,可以采用掷硬币[0,1]的算法或者掷骰子[1,2,...,K]的算法,进行0/1判决或者1/K判决,若判决为是则继续保持当前蜜源作为最优解进行下一步操作,若判决为否则跟随机器人102可以按照上述随机方式在当前最优解的蜜源附近产生一个新的新蜜源,并计算新蜜源的适应度,选择新蜜源和当前蜜源中较好的蜜源作为当前蜜源进行下一步操作,从而使得探索的范围聚焦到最优质的蜜源周围又形成一定的范围,防止局部最优而失去其他更优解的探索机会。
进一步地,移动边缘计算服务器200的控制策略管理模块201还被配置为:在当前执行周期的当前控制阶段,根据跟随机器人102执行当前蜜源对应的现场执行指令集得到的执行结果,确定跟随机器人102执行当前蜜源对应的现场执行指令的执行评分;根据执行评分,确定在当前控制阶段跟随机器人所选择的当前蜜源对应的适应度。
在本公开的一些实施例中,跟随机器人102在执行完当前蜜源对应的现场执行指令集的指令后,将操作的过程参数和对应的执行结果,附加上时间戳等信息,通过B-M2M网络400的B-M2M信道进行广播,移动边缘计算服务器200接收跟随机器人102的操作过程和对应的执行结果,对执行结果按照系统设定的评价算法进行评价,其中评价算法可以由系统根据实际需要进行设置,例如可以根据不同的生产加工产品,将多个关注的评分元素进行加权平均,从而得到跟随机器人102执行当前蜜源对应的现场执行指令的执行评分。
示例性的,对于跟随机器人102在当前执行周期的当前控制阶段执行当前蜜源对应的现场执行指令得到的执行结果,可以按照以下公式1进行评价得到相应的执行评分:
公式1:fm=rm1*tm+rm2*qm+rm3*sm
其中,fm表示执行评分,tm表示跟随机器人执行指令所消耗的时间,qm表示跟随机器人执行结果的质量参数,sm表示跟随机器人执行指令所产生的能耗。在实际生产加工应用中,跟随机器人执行结果的质量参数可以为跟随机器人根据指令生产加工产品产生的次品率,rm1是tm的加权系数,rm2是qm的加权系数,rm3是是sm的加权系数。
根据上述公式1可知,执行评分越高,表示跟随机器人102执行当前蜜源对应的现场执行指令得到的执行结果越不佳,当前蜜源越劣;反之,执行评分越低,表示跟随机器人102执行当前蜜源对应的现场执行指令得到的执行结果越佳,当前蜜源越优。
在本公开实施例,改进的人工蜂群算法优化的目标是使得跟随机器人所选择蜜源的执行结果的执行评分最低。为实现该目的,移动边缘计算服务器200的控制策略管理模块201根据执行评分,确定在当前控制阶段跟随机器人所选择的当前蜜源对应的适应度,以将跟随机器人所选择的当前蜜源对应的执行评分映射为人工蜂群算法中的适应度,以便进行人工蜂群算法的学习和优化。
示例性的,在当前执行周期的当前控制阶段,跟随机器人所选择的当前蜜源的适应度可以根据以下公式2进行计算。
公式2:
其中,fitm表示蜜源的适应度,当当前蜜源对应的执行评分fm大于或等于0时,根据公式2中的1/(1+fm)公式计算当前蜜源的适应度,当当前蜜源对应的执行评分fm小于0时,根据公式2中的1+abs(fm)公式计算当前蜜源的适应度,abs表示取绝对值。
根据公式2可知,当前蜜源对应的执行评分fm越大,当前蜜源的适应度越小;相反,当前蜜源对应的执行评分fm越小,当前蜜源的适应度越大。
在本公开的一些实施例中,当跟随机器人102在超过当前控制阶段对应的执行时间阈值Tm的时间仍未执行完成子策略Pm,即跟随机器人102在当前控制阶段执行指令消耗的时间tm>Tm,跟随机器人102超时完成当前控制阶段的子策略Pm任务,此时跟随机器人102可以通过B-M2M网络的B-M2M信道广播状态信息,引领机器人101根据跟随机器人102的状态信息向移动边缘计算服务器200上报跟随机器人102超时完成当前控制阶段的子策略Pm的告警信息,以便移动边缘计算服务器200进行处理。
进一步地,当跟随机器人102在当前控制阶段对应的执行时间阈值Tm的时间内执行完成子策略Pm,即跟随机器人102在当前控制阶段执行指令消耗的时间tm≤Tm,跟随机器人102在约定执行时间阈值内完成了当前控制阶段的子策略Pm任务,跟随机器人102进入待机等待状态。
进一步地,移动边缘计算服务器200的控制策略管理模块201还被配置为:响应于接收到各跟随机器人102在对应的执行时间阈值Tm内执行完成子策略Pm的信息,将下一个控制阶段作为当前控制阶段,并返回执行将当前控制阶段的子策略对应的控制指令集通过B-M2M网络400广播给引领机器人101的步骤。
进一步地,移动边缘计算服务器200的控制策略管理模块201还被配置为:响应于当前执行周期内的M个控制阶段的子策略均执行完成,将在当前执行周期内的各个控制阶段所确定的各蜜源对应的适应度广播至B-M2M网络400的B-M2M信道,并启动下一个执行周期。移动边缘计算服务器200的控制策略管理模块201启动下一个执行周期,将下一个执行周期作为当前执行周期,继续执行在当前执行周期的当前控制阶段,将当前控制阶段的子策略对应的控制指令集通过B-M2M网络400广播给引领机器人101的步骤。
在所有执行周期均执行完成之后,完成生产加工过程。
在本公开实施例中,引领机器人101在移动边缘计算服务器200中获得的控制策略来源于通用的策略库,并没有与本地的操作现场的实际情况结合,因此移动边缘计算服务器200中的控制策略并不是针对实际现场的优化控制方法。例如某个工序,由于现场布置合理,可以显著加快这个工序的速度,但是在另外一个工序,盲目增加进度会造成大量的废品。因此,通用的控制策略需要根据现场的加工数据不断进行优化,以提高整个系统的运行效率,又保证产品的质量。对于机器人100,在大量重复的加工操作中,可以不断积累数据,从而实现本设备操作的不断优化。本公开实施例基于B-M2M广播模式实现,移动边缘计算服务器200可以通过B-M2M信道可以获得所有设备的操作数据,由于移动边缘计算服务器200具有强大的数据存储和处理能力,因此可以部署多个设备探索不同的模式,从而可以基于大量设备的操作数据进行优化,相比单台设备能达到更好的效果。本公开实施例的各类优化算法(如改进的人工蜂群算法)可以算法库的方式部署在云平台300,各个移动边缘计算服务器200根据现场的实际需求下载相应的优化算法,通过优化算法结合移动边缘计算服务器200存储的设备操作数据优化机器人的跟随控制,通过优化结果可以优化控制策略。
在本公开实施例中,机器人100最常用的场景是一定数量和规模的机器人100按照相同的节奏执行相同的任务,这样便于整个生产线各部分的相互衔接和生产任务调度,本公开实施例借助于基于5G网络架构的B-M2M网络400的高效广播体系,将对时间不敏感的控制算法和优化部署到移动边缘计算服务器200中,可以充分利用移动边缘计算服务器200强大的数据处理能力。在生产加工现场部署较少数量的具有将移动边缘计算服务器200中的不同算法的控制指令集转换成不同现场执行指令集的能力的引领机器人101,其他机器人作为跟随机器人102只配置简单的控制功能,通过优化的跟随控制算法,选择最优的现场执行指令集进行执行,通过控制功能转换成相应的机械或者电器动作,并将执行结果通过B-M2M信道广播,移动边缘计算服务器200接收各个跟随机器人102广播的结果,进行汇总评价,将汇总评价结果再通过B-M2M信道广播,以指导跟随机器人102选择更优的现场执行指令集。
其中,在优化的跟随控制算法中,通过改进的人工蜂群算法实现跟随机器人选择指令集的优化,具体可以体现在以下几个方面:
1)经典人工蜂群算法中没有考虑阶段时间的一致性,各个蜜蜂没有约定飞回时间,难以完成信息的交流,体现在本公开实施例中,由于所有的机器人是进行同样的加工操作,如果没有完成时间的约定,就会出现某个工序完成时间不一致,这样对下一个工序会带来极大的影响,造成生产的混乱,因此本公开实施例通过设置每个控制阶段的执行时间阈值Tm,结合移动边缘计算服务器200通过B-M2M信道完成各跟随机器人的执行状态收集和下个阶段和周期的启动命令,从而能够有效解决经典人工蜂群算法中没有考虑阶段时间的一致性的问题。
2)经典人工蜂群算法中,侦察蜂在搜索空间随机搜索,这样会造成优化没有积累效应,经典人工蜂群算法由于整个蜂群没有统一的指挥能力,完全靠个体探索和个体之间的信息交流来实现优化,而本公开实施例中移动边缘计算服务器200通过B-M2M信道可以获得所有设备节点的信息,因此可以快速使整个系统的跟随控制算法可以快速收敛于最优解的蜜源。
3)由于系统容易出现陷于局部最优解而失去更优解的探索,因此本公开实施例还在移动边缘计算服务器200通过B-M2M信道广播全局蜜源质量(适应度)的同时,也采用掷硬币0/1算法或者掷骰子1/K算法向最优解的蜜源周围扩散,以在提高整体的性能的同时,保持系统能够动态搜索更优解的能力。
图2为本公开实施例提供的一种机器人跟随控制方法的流程示意图。
第二方面,本公开实施例提供一种基于机器人控制系统的机器人跟随控制方法,其中机器人控制系统包括上述任一实施例提供的机器人控制系统,如图2所示,该机器人跟随控制方法包括:
步骤S1,MEC的控制策略管理模块根据当前控制策略生成相应控制指令集,并将控制指令集通过B-M2M网络广播给引领机器人。
步骤S2,引领机器人响应于从B-M2M网络中获取控制指令集,根据现场环境监测数据将控制指令集转换为相应的现场执行指令集。
步骤S3,引领机器人通过B-M2M网络将现场执行指令集中的现场执行指令依次广播给所管辖的跟随机器人。
步骤S4,跟随机器人从B-M2M网络的B-M2M信道中获取对应的引领机器人广播的现场执行指令,并与对应的引领机器人同步执行现场执行指令。
在一些实施例中,在步骤S1中,MEC的控制策略管理模块根据当前控制策略生成相应控制指令集,并将控制指令集通过B-M2M网络广播给引领机器人,可以进一步包括:控制策略管理模块将当前控制策略划分为多个控制阶段分别对应的子策略,并设置每个控制阶段对应的子策略的执行时间阈值;控制策略管理模块在当前执行周期的当前控制阶段,将当前控制阶段的子策略对应的控制指令集通过B-M2M网络广播给引领机器人,当前控制阶段为第m个控制阶段,1≤m≤M,M为控制阶段的数量。
在一些实施例中,在步骤S2中,引领机器人响应于从B-M2M网络中获取控制指令集,根据现场环境监测数据将控制指令集转换为相应的现场执行指令集,可以进一步包括:引领机器人在当前执行周期的当前控制阶段,响应于获取到当前控制阶段的子策略Pm对应的控制指令集,将子策略Pm对应的控制指令集转换为N个不同的现场执行指令集Cim,i∈{1,2,……,N}。
在步骤S3中,引领机器人通过B-M2M网络将现场执行指令集中的现场执行指令依次广播给所管辖的跟随机器人,可以进一步包括:引领机器人通过B-M2M网络将N个不同的现场执行指令集Cim中的现场执行指令广播给所管辖的跟随机器人。
在一些实施例中,在步骤S4中,跟随机器人从B-M2M网络的B-M2M信道中获取对应的引领机器人广播的现场执行指令,并与对应的引领机器人同步执行现场执行指令,可以进一步包括:跟随机器人在当前执行周期的当前控制阶段,将N个不同的现场执行指令集Cim映射为N个蜜源CX,CX={C1X,C2X,……,CNX},当前执行周期为第X个执行周期,X为正整数;跟随机器人根据预定选择算法,从N个蜜源CX中选择一个蜜源作为当前蜜源;跟随机器人执行当前蜜源对应的现场执行指令,并将执行结果通过B-M2M网络广播给MEC。
在一些实施例中,该机器人跟随控制方法还包括以下步骤:控制策略管理模块响应于各跟随机器人在对应的执行时间阈值tm内执行完成子策略Pm的信息,将下一个控制阶段作为当前控制阶段,并返回执行将当前控制阶段的子策略对应的控制指令集通过B-M2M网络广播给引领机器人的步骤。
在一些实施例中,该机器人跟随控制方法还包括以下步骤:控制策略管理模块在当前执行周期的当前控制阶段,根据跟随机器人执行当前蜜源对应的现场执行指令集得到的执行结果,确定跟随机器人执行当前蜜源对应的现场执行指令的执行评分;以及,控制策略管理模块根据执行评分,确定在当前控制阶段跟随机器人所选择的当前蜜源对应的适应度。
在一些实施例中,该机器人跟随控制方法还包括以下步骤:控制策略管理模块响应于当前执行周期内的M个控制阶段的子策略均执行完成,将在当前执行周期内的各个控制阶段所确定的各蜜源对应的适应度广播至B-M2M网络的B-M2M信道,并启动下一个执行周期。
在本公开实施例中,该机器人跟随控制方法可以基于上述实施例提供的机器人控制系统实现,具体的相关描述可参见上述实施例中机器人控制系统的各功能模块和设备的描述,此处不再赘述。
上面各种方法的步骤划分,只是为了描述清楚,实现时可以合并为一个步骤或者对某些步骤进行拆分,分解为多个步骤,只要包括相同的逻辑关系,都在本公开的保护范围内;对算法中或者流程中添加无关紧要的修改或者引入无关紧要的设计,但不改变其算法和流程的核心设计都在本公开的保护范围内。
需要明确的是,本公开并不局限于上文实施例中所描述并在图中示出的特定配置和处理。为了描述的方便和简洁,这里省略了对已知方法的详细描述,并且上述描述的系统、模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本领域普通技术人员可以理解,上文中方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中,在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分;例如,一个物理组件可以具有多个功能,或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其它数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM(Random Access Memory,随机存取存储器)、ROM(Read-Only Memory,只读存储器)、EEPROM(Electrically Erasable Programmable Read Only Memory,带电可擦可编程只读存储器)、闪存或其它存储器技术、CD-ROM(Compact Disc Read Only Memory,只读光盘存储器)、数字多功能盘(Digital Video Disc,DVD)或其它光盘存储、磁盒、磁带、磁盘存储或其它磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其它的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其它传输机制之类的调制数据信号中的其它数据,并且可包括任何信息递送介质。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本实施例的范围之内并且形成不同的实施例。
可以理解的是,以上实施方式仅仅是为了说明本公开的原理而采用的示例性实施方式,然而本公开并不局限于此。对于本领域内的普通技术人员而言,在不脱离本公开的精神和实质的情况下,可以做出各种变型和改进,这些变型和改进也视为本公开的保护范围。
Claims (5)
1.一种机器人控制系统,包括:
多个机器人,包括至少一个引领机器人和至少一个跟随机器人,每个引领机器人对应管辖至少一个跟随机器人;
移动边缘计算服务器MEC,包括控制策略管理模块,所述控制策略管理模块被配置为管理机器人的控制策略,并根据当前控制策略生成相应控制指令集;
所述引领机器人被配置为:从广播机器对机器B-M2M网络的B-M2M信道中获取所述MEC广播的控制指令集;根据现场环境监测数据将所述控制指令集转换为相应的现场执行指令集;通过B-M2M网络将所述现场执行指令集中的现场执行指令依次广播给所管辖的跟随机器人;依次执行所述现场执行指令集中的现场执行指令;
所述跟随机器人被配置为:从B-M2M网络的B-M2M信道中获取对应的引领机器人广播的现场执行指令,并与对应的所述引领机器人同步执行所述现场执行指令;
所述控制策略管理模块被配置为:将当前控制策略划分为多个控制阶段分别对应的子策略,并设置每个控制阶段对应的子策略的执行时间阈值;在当前执行周期的当前控制阶段,将当前控制阶段的子策略对应的控制指令集通过B-M2M网络广播给所述引领机器人,当前控制阶段为第m个控制阶段,1≤m≤M,M为控制阶段的数量;
所述引领机器人被配置为:在当前执行周期的当前控制阶段,响应于获取到当前控制阶段的子策略Pm对应的控制指令集,将所述子策略Pm对应的控制指令集转换为N个不同的现场执行指令集Cim,i∈{1,2,……,N};通过B-M2M网络将N个不同的现场执行指令集Cim中的现场执行指令广播给所管辖的跟随机器人;
所述跟随机器人被配置为:在当前执行周期的当前控制阶段,将N个不同的现场执行指令集Cim映射为N个蜜源CX,CX={C1X,C2X,……,CNX},当前执行周期为第X个执行周期,X为正整数;根据预定选择算法,从N个蜜源CX中选择一个蜜源作为当前蜜源;执行当前蜜源对应的现场执行指令,并将执行结果通过B-M2M网络广播给所述MEC;
所述MEC的所述控制策略管理模块还被配置为:响应于各所述跟随机器人在对应的执行时间阈值Tm内执行完成所述子策略Pm的信息,将下一个控制阶段作为当前控制阶段,并返回执行将当前控制阶段的子策略对应的控制指令集通过B-M2M网络广播给所述引领机器人的步骤;
所述MEC的所述控制策略管理模块还被配置为:在当前执行周期的当前控制阶段,根据所述跟随机器人执行当前蜜源对应的现场执行指令集得到的执行结果,确定所述跟随机器人执行当前蜜源对应的现场执行指令的执行评分;根据所述执行评分,确定在当前控制阶段所述跟随机器人所选择的所述当前蜜源对应的适应度;响应于当前执行周期内的M个控制阶段的子策略均执行完成,将在当前执行周期内的各个控制阶段所确定的各蜜源对应的适应度广播至B-M2M网络的B-M2M信道,并启动下一个执行周期;
若所述当前执行周期为非首个执行周期,则所述根据预定选择算法,从N个蜜源CX中选择一个蜜源作为当前蜜源,包括:基于在历史执行周期的当前控制阶段所确定出的各蜜源对应的适应度,根据预定选择算法确定各蜜源被选择的概率;根据各蜜源被选择的概率,从N个蜜源CX中选择一个蜜源作为当前蜜源;其中所述预定选择算法包括:
其中,Pn为N个蜜源CX中第n个蜜源被选择的概率,fitn为第n个蜜源对应的适应度;
若所述当前执行周期为首个执行周期,则所述预定选择算法包括:
CjX=1+rand(0,1)(N-1),1≤j≤N;
其中,rand(0,1)表示取(0,1)之间的一个随机数,CjX表示N个蜜源CX中的第j个蜜源;
其中所述MEC还包括第一B-M2M模块,所述控制策略管理模块通过所述第一B-M2M模块将所述控制指令集广播到B-M2M网络的B-M2M信道;
所述引领机器人包括第二B-M2M模块、第一控制模块和第一执行机构;
所述第二B-M2M模块被配置为从B-M2M网络的B-M2M信道中获取所述控制指令集;
所述第一控制模块被配置为:根据现场环境监测数据将所述控制指令集转换为相应的现场执行指令集;通过所述第二B-M2M模块将所述现场执行指令集中的现场执行指令依次广播到B-M2M网络的B-M2M信道;控制所述第一执行机构执行所述现场执行指令;
所述跟随机器人包括第三B-M2M模块、第二控制模块和第二执行机构;
所述第三B-M2M模块被配置为从B-M2M网络的B-M2M信道中获取对应的所述引领机器人广播的所述现场执行指令;
所述第二控制模块被配置为:控制所述第二执行机构执行所述现场执行指令;通过所述第三B-M2M模块将所述跟随机器人的实时状态信息广播至B-M2M网络的B-M2M信道。
2.根据权利要求1所述的系统,其中所述引领机器人包括跟踪管理模块和第二B-M2M模块;
所述跟踪管理模块被配置为:
通过所述第二B-M2M模块从B-M2M网络的B-M2M信道中获取所管辖的各所述跟随机器人广播的实时状态信息;
根据各所述跟随机器人的实时状态信息,调整所述引领机器人广播和执行所述现场执行指令的节奏;
在根据所述跟随机器人的实时状态信息确定所述跟随机器人执行所述现场执行指令异常时,将所述跟随机器人从所管辖的跟随机器人中移除,并向所述MEC报告所述跟随机器人的异常信息。
3.根据权利要求1所述的系统,其中所述系统还包括系统管理模块;
所述系统管理模块被配置为:对所述系统的操作权限、所述系统的工作环境参数、所述系统的工作模式进行设置和管理,以及进行系统工作异常监测、处理和报警。
4.根据权利要求3所述的系统,其中所述至少一个引领机器人包括主用引领机器人和备用引领机器人;
所述备用引领机器人被配置为:检测所述主用引领机器人是否发生异常;在检测出所述主用引领机器人发生异常的情况下,向所述系统管理模块报告所述主用引领机器人的异常信息;
所述系统管理模块还被配置为:根据所述异常信息,控制所述主用引领机器人暂停广播现场执行指令集;控制所述备用引领机器人向所述主用引领机器人所管辖的跟随机器人广播对应的现场执行指令集。
5.一种基于机器人控制系统的机器人跟随控制方法,所述机器人控制系统包括如权利要求1-4中任一项所述的系统,所述方法包括:
所述MEC的控制策略管理模块根据当前控制策略生成相应控制指令集,并将所述控制指令集通过B-M2M网络广播给所述引领机器人;
所述引领机器人响应于从B-M2M网络中获取所述控制指令集,根据现场环境监测数据将所述控制指令集转换为相应的现场执行指令集;
所述引领机器人通过B-M2M网络将所述现场执行指令集中的现场执行指令依次广播给所管辖的跟随机器人;
所述跟随机器人从B-M2M网络的B-M2M信道中获取对应的引领机器人广播的现场执行指令,并与对应的所述引领机器人同步执行所述现场执行指令;
所述MEC的控制策略管理模块根据当前控制策略生成相应控制指令集,并将所述控制指令集通过B-M2M网络广播给所述引领机器人,包括:
所述控制策略管理模块将当前控制策略划分为多个控制阶段分别对应的子策略,并设置每个控制阶段对应的子策略的执行时间阈值;
所述控制策略管理模块在当前执行周期的当前控制阶段,将当前控制阶段的子策略对应的控制指令集通过B-M2M网络广播给所述引领机器人,当前控制阶段为第m个控制阶段,1≤m≤M,M为控制阶段的数量;
所述引领机器人响应于从B-M2M网络中获取所述控制指令集,根据现场环境监测数据将所述控制指令集转换为相应的现场执行指令集,包括:
所述引领机器人在当前执行周期的当前控制阶段,响应于获取到当前控制阶段的子策略Pm对应的控制指令集,将所述子策略Pm对应的控制指令集转换为N个不同的现场执行指令集Cim,i∈{1,2,……,N};
所述引领机器人通过B-M2M网络将所述现场执行指令集中的现场执行指令依次广播给所管辖的跟随机器人,包括:所述引领机器人通过B-M2M网络将N个不同的现场执行指令集Cim中的现场执行指令广播给所管辖的跟随机器人;
所述跟随机器人从B-M2M网络的B-M2M信道中获取对应的引领机器人广播的现场执行指令,并与对应的所述引领机器人同步执行所述现场执行指令,包括:
所述跟随机器人在当前执行周期的当前控制阶段,将N个不同的现场执行指令集Cim映射为N个蜜源CX,CX={C1X,C2X,……,CNX},当前执行周期为第X个执行周期,X为正整数;
所述跟随机器人根据预定选择算法,从N个蜜源CX中选择一个蜜源作为当前蜜源;
所述跟随机器人执行当前蜜源对应的现场执行指令,并将执行结果通过B-M2M网络广播给所述MEC;所述方法还包括:
所述控制策略管理模块响应于各所述跟随机器人在对应的执行时间阈值tm内执行完成所述子策略Pm的信息,将下一个控制阶段作为当前控制阶段,并返回执行将当前控制阶段的子策略对应的控制指令集通过B-M2M网络广播给所述引领机器人的步骤;
所述方法还包括:
所述控制策略管理模块在当前执行周期的当前控制阶段,根据所述跟随机器人执行当前蜜源对应的现场执行指令集得到的执行结果,确定所述跟随机器人执行当前蜜源对应的现场执行指令的执行评分;以及,
所述控制策略管理模块根据所述执行评分,确定在当前控制阶段所述跟随机器人所选择的所述当前蜜源对应的适应度;
所述控制策略管理模块响应于当前执行周期内的M个控制阶段的子策略均执行完成,将在当前执行周期内的各个控制阶段所确定的各蜜源对应的适应度广播至B-M2M网络的B-M2M信道,并启动下一个执行周期;
若所述当前执行周期为非首个执行周期,则所述跟随机器人根据预定选择算法,从N个蜜源CX中选择一个蜜源作为当前蜜源,包括:
基于在历史执行周期的当前控制阶段所确定出的各蜜源对应的适应度,根据预定选择算法确定各蜜源被选择的概率;
根据各蜜源被选择的概率,从N个蜜源CX中选择一个蜜源作为当前蜜源;其中所述预定选择算法包括:
其中,Pn为N个蜜源CX中第n个蜜源被选择的概率,fitn为第n个蜜源对应的适应度;
若所述当前执行周期为首个执行周期,则所述预定选择算法包括:
CjX=1+rand(0,1)(N-1),1≤j≤N;
其中,rand(0,1)表示取(0,1)之间的一个随机数,CjX表示N个蜜源CX中的第j个蜜源;
其中所述MEC还包括第一B-M2M模块,所述控制策略管理模块通过所述第一B-M2M模块将所述控制指令集广播到B-M2M网络的B-M2M信道;
所述引领机器人包括第二B-M2M模块、第一控制模块和第一执行机构;
所述第二B-M2M模块被配置为从B-M2M网络的B-M2M信道中获取所述控制指令集;
所述第一控制模块被配置为:根据现场环境监测数据将所述控制指令集转换为相应的现场执行指令集;通过所述第二B-M2M模块将所述现场执行指令集中的现场执行指令依次广播到B-M2M网络的B-M2M信道;控制所述第一执行机构执行所述现场执行指令;
所述跟随机器人包括第三B-M2M模块、第二控制模块和第二执行机构;
所述第三B-M2M模块被配置为从B-M2M网络的B-M2M信道中获取对应的所述引领机器人广播的所述现场执行指令;
所述第二控制模块被配置为:控制所述第二执行机构执行所述现场执行指令;通过所述第三B-M2M模块将所述跟随机器人的实时状态信息广播至B-M2M网络的B-M2M信道。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210065692.2A CN114274146B (zh) | 2022-01-20 | 2022-01-20 | 机器人控制系统及机器人跟随控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210065692.2A CN114274146B (zh) | 2022-01-20 | 2022-01-20 | 机器人控制系统及机器人跟随控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114274146A CN114274146A (zh) | 2022-04-05 |
CN114274146B true CN114274146B (zh) | 2024-02-27 |
Family
ID=80881273
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210065692.2A Active CN114274146B (zh) | 2022-01-20 | 2022-01-20 | 机器人控制系统及机器人跟随控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114274146B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114932553B (zh) * | 2022-06-06 | 2024-04-02 | 乐聚(深圳)机器人技术有限公司 | 机器人组队方法、机器人及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104238552A (zh) * | 2014-09-19 | 2014-12-24 | 南京理工大学 | 一种有冗余的多机器人编队系统 |
CN104504439A (zh) * | 2014-11-26 | 2015-04-08 | 沈阳建筑大学 | 基于改进人工蜂群算法的约束多目标优化方法 |
CN113645593A (zh) * | 2021-08-18 | 2021-11-12 | 中国联合网络通信集团有限公司 | M2m设备节点的广播通信方法、系统、基站及存储介质 |
CN113704003A (zh) * | 2021-08-30 | 2021-11-26 | 中国联合网络通信集团有限公司 | 基于b-m2m的协同识别方法、边缘计算服务器及介质 |
CN113776491A (zh) * | 2021-09-26 | 2021-12-10 | 中国联合网络通信集团有限公司 | 基于b-m2m的多维测距方法、mec及测距单元 |
CN113869523A (zh) * | 2021-09-26 | 2021-12-31 | 中国联合网络通信集团有限公司 | 基于b-m2m的机器学习方法、系统、基站及介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018119945A1 (zh) * | 2016-12-29 | 2018-07-05 | 深圳前海达闼云端智能科技有限公司 | 机器人协作方法、装置、机器人和计算机程序产品 |
CN107450498B (zh) * | 2017-09-11 | 2018-08-28 | 合肥工业大学 | 基于改进人工蜂群算法的生产调度方法及系统 |
US10403135B2 (en) * | 2017-12-29 | 2019-09-03 | Intel IP Corporation | Network infrastructure for collaborative automated driving |
EP3783932B1 (en) * | 2019-08-23 | 2022-09-21 | Nokia Solutions and Networks Oy | Receiving vehicular communication messages |
-
2022
- 2022-01-20 CN CN202210065692.2A patent/CN114274146B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104238552A (zh) * | 2014-09-19 | 2014-12-24 | 南京理工大学 | 一种有冗余的多机器人编队系统 |
CN104504439A (zh) * | 2014-11-26 | 2015-04-08 | 沈阳建筑大学 | 基于改进人工蜂群算法的约束多目标优化方法 |
CN113645593A (zh) * | 2021-08-18 | 2021-11-12 | 中国联合网络通信集团有限公司 | M2m设备节点的广播通信方法、系统、基站及存储介质 |
CN113704003A (zh) * | 2021-08-30 | 2021-11-26 | 中国联合网络通信集团有限公司 | 基于b-m2m的协同识别方法、边缘计算服务器及介质 |
CN113776491A (zh) * | 2021-09-26 | 2021-12-10 | 中国联合网络通信集团有限公司 | 基于b-m2m的多维测距方法、mec及测距单元 |
CN113869523A (zh) * | 2021-09-26 | 2021-12-31 | 中国联合网络通信集团有限公司 | 基于b-m2m的机器学习方法、系统、基站及介质 |
Non-Patent Citations (4)
Title |
---|
UAV-Assisted Data Transmission in Blockchain-Enabled M2M Communications with Mobile Edge Computing;Li, M;IEEE NETWORK;20210105;第34卷(第6期);242-249 * |
卢晶琦编著.《移动通信理论与实战》.西安电子科技大学出版社,2017,第190-194页. * |
基于视觉筛选的并联机器人平面抓取系统设计;陈志伟;制造业自动化;20180515;第40卷(第5期);44-47 * |
肖玲斐作.《最优控制在航空动力系统中的应用》.北京航空航天大学出版社,2020,第267-230页. * |
Also Published As
Publication number | Publication date |
---|---|
CN114274146A (zh) | 2022-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022095616A1 (zh) | 一种变电站在线智能巡视系统及方法 | |
JP7222883B2 (ja) | 予測を使用してターゲットシステムを制御すること | |
DE112012005419B4 (de) | System und Verfahren für eine effiziente dienstinstanzenorientierte Energieverwaltung im Internet der Dinge | |
CN114274146B (zh) | 机器人控制系统及机器人跟随控制方法 | |
CN108449394B (zh) | 一种数据文件的调度方法、调度服务器及存储介质 | |
CN108767851A (zh) | 一种变电站运维智能作业指挥方法及系统 | |
CN108052010B (zh) | 智能电器自调节的方法、装置、计算机设备及存储介质 | |
CN113341712B (zh) | 无人机自主控制系统智能分层递阶控制选择方法 | |
CN111082960B9 (zh) | 数据的处理方法及装置 | |
TW202132989A (zh) | 一種巡檢方法及裝置 | |
Vu et al. | Data driven chiller plant energy optimization with domain knowledge | |
KR101565694B1 (ko) | 무선 센서 네트워크에서 인공벌군집 클러스터링 설계 방법 및 시스템 | |
CN113114480B (zh) | 一种数据的上报方法及相关设备 | |
Bhorkar et al. | DeepAuto: A hierarchical deep learning framework for real-time prediction in cellular networks | |
Braten et al. | Towards cognitive iot: Autonomous prediction model selection for solar-powered nodes | |
CN111770133B (zh) | 一种多体慧联云控平台 | |
CN117374920A (zh) | 考虑环境因素的超短期预测方法、装置及介质 | |
CN111897634A (zh) | 算子的运行方法及装置、存储介质、电子装置 | |
Genkin et al. | B-SMART: A Reference Architecture for Autonomic Smart Buildings. | |
EP4142088A1 (en) | Predicting grid frequency | |
Liri et al. | Energy-Efficient Distributed Task Scheduling for Multi-Sensor IoT Networks | |
CN116405990A (zh) | 设备节能方法、系统、电子设备及存储介质 | |
Li et al. | An AI Model Automatic Training and Deployment Platform Based on Cloud Edge Architecture for DC Energy-Saving | |
CN117750408B (zh) | 一种基于物联网的通信故障嗅探方法 | |
Morales et al. | Data analytics based origin-destination core traffic modelling |
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 |