3 多机器人系统的性能衡量指标

各个应用领域要求多机器人系统要有很高的性能，这些性能由下列指标衡量[2]：

(1)  鲁棒性（Robustness）：对机器人出现故障具有鲁棒性。因为许多应用要求连续的作业，即使系统中的个别机器人出现故障或被破坏，这些应用要求机器人利用剩余的资源仍然能够完成任务。

(2)  最优化（Optimized）：对动态环境有优化反应。由于有些应用领域涉及的是动态的环境条件，具有根据条件优化系统的反应的能力成为能否成功的关键。

(3)  速度（Speed）：对动态环境反应要迅速。如果总是要求将环境信息传输到别的地方进行处理才能作出决策，那么当环境条件变化很快时，决策系统就有可能不能及时提供给机器人如何行动的指令。

(4)  可扩展性（Extensibility）：根据不同应用的要求易于扩展以提供新的功能，从而可以完成新的任务。

(5)  通信（Communication）：要有处理有限的或不太好的通信的能力。要求应用领域为机器人之间提供理想的通信，这在许多情况下是不现实的。因此，协调体系结构对通信失效要具有很强的鲁棒性。

(6)  资源（Resource）：合理利用有限资源的能力。优化利用现有的资源，是优化多机器人协调的重要因素。

(7)  分配（Allocation）：优化分配任务。多协调机器人系统中一个主要难点就是确定个体机器人的任务，这是设计体系结构时要考虑的重要因素。

(8)  异构性（Heterogeneity）：能够应用到异构机器人团队的能力。为了易于规划，许多体系结构以同构机器人为假设条件。如果是异构机器人的情况，协调问题将更困难。成功的体系结构应当对同构机器人和异构机器人都适用。

(9)  角色（Roles）：优化指定角色。许多体系结构将机器人限于完成一种角色的功能，但机器人拥有的资源可以完成多种任务。优化指定角色可以使机器人根据当时可以利用的资源尽可能地完成多个角色的功能，并且随着条件的变化而变化。

(10)       新输入（New Input）：有处理动态新任务、资源和角色的能力。许多动态性应用领域要求机器人系统能够在运行过程中处理一些变化，如处理新分配的任务、增加新资源或引进新角色。所有这些都由体系结构支持。

(11) 灵活性（Flexibility）：易于适应不同的任务。由于不同的应用，有不同的要求，因此通用的体系结构需要有针对不同的问题可以轻松重新配置的能力。

(12)       流动性（Fluidity）：易于适应在操作过程中增加或减少机器人。一些应用要求可以在系统运行过程中添加新的机器人成员。同样，在执行任务的过程中系统也要具有适应减少成员或成员失效的现象。合理的体系结构可以处理这些问题。

(13)       学习（Learning）：在线适应特定的任务。虽然通用的系统非常有用，但将它用于特定应用上时，通常需要调整一些参数。因此具有在线调整相关参数的能力是非常吸引人的，这在将体系结构转移到其它应用时可以节省许多工作。

(14)       实现（Implementation）：能够在物理系统上实现和验证。和其它问题一样，用实际的系统证实更能令人信服。然而要想成功实现物理系统需要解决那些在仿真软件系统上不能发现的细节问题。

表1.1是目前多机器人系统在一些应用领域的性能指标实现情况。其中，“√”表示对应的指标已实现或达到。

表1.1 多机器人系统的应用领域和性能指标

4 多机器人系统的研究现状和研究内容[1~14]

正是因为多机器人系统有许多优点和应用领域，它才日益引起国内外学术界的兴趣与关注。在20世纪40年代中期，Grey Walter、Wiener和Shannon一起研究海龟一样的机器人，这些机器人装备有灯和接触传感器。通过对相互之间动作的反应，这些简单的机器人显示出“复杂的社会行为”。

自从20世纪70年代，多智能体的研究在分布式人工智能领域得到重视，一些机器人学的研究者开始将分布式人工智能（DAI）理论应用到多机器人系统的研究中。

由于多机器人系统的应用前景非常巨大，美、欧、日等发达国家从20世纪80年代中期就对多机器人系统投入了相当大的研究热情，协作机器人学得到发展，起初的项目有ACTRESS、DEBOT、GOFER、SWARM等。早期的研究主要以仿真为主，但近来的研究更强调实际的物理实现。如欧盟设立专门进行多机器人系统研究的MARTHA课题——“用于搬运的多自主机器人系统(Multiple Autonomous Robots for Transport and Handling Application)”。美国海军研究部和能源部也对多机器人系统的研究进行了资助。国内在该领域的研究工作很少，只有少数的研究所和大学在进行相关的研究，且大部分的研究工作仍然停留在仿真和实验室阶段。

20世纪80年 代后期，协作多机器人系统的快速发展体现为三个方面的相互影响：问题、系统和理论。为解决一个给定的问题，想象出一个系统，然后进行仿真、构建，借用别的 领域的理论进行协作。将这些实际应用中多机器人合作所面临的任务加以抽象，列出了一些代表性的任务，这些任务可分三类：

l       交通控制(Traffic Control)　

当多个机器人运行在同一环境中时，它们要努力避碰。从根本上说，这可以看作是资源冲突的问题，这可以通过引进如交通规则、优先权或通信结构等来解决。从另一个角度来看，进行路径规划必须考虑其它机器人和全局环境。这种多机器人规划本质上是配置空间－时间中的几何问题。

l       推箱子/协作操作(Box-Pushing/Cooperative Manipulation)　

许多工作是讨论推箱子问题的。有的集中在任务分配、容错和强化学习上，而有的则研究通信协议和硬件。协作操作较大的物体也非常令人感兴趣，因为即使机器人之间相互不知道对方的存在也可以实现协作行为。

l      采蜜(Foraging)　

它 要求一群机器人去拣起散落在环境中的物体。这可以联想到有毒废物清除，收割，搜寻和营救等。采蜜任务是协作机器人学的规范的试验床。这个问题之所以感兴趣 是因为，一方面这种任务可以由单个机器人来完成，另一方面可以从生物学获得灵感来研究协作机器人系统。解决方案有最简单的随机运动拾捡，还有将机器人沿着 目标排成链型队形将目标传递到目的地。在研究这类问题时，群体的体系结构和学习也是主要的研究主题。

多机器人系统是一个复杂的系统，研究的内容涉及方方面面，主要有：

(1)    群体的体系结构

体系结构是多机器人系统的最高层部分和基础, 多机器人之间的协作机制就是通过它来体现的, 它决定了多机器人系统在任务分解、分配、规划、决策及执行等过程中的运行机制以及系统各机器人成员所担当的角色，如各机器人成员在系统中的相对地位如何，是平等、自主的互惠互利式协作还是有等级差别的统筹规划协调。总之，正如社会制度作用于人类社会一样, 它决定了多机器人系统的运作机制, 事关协作效率的高低。从系统设计的角度而言, 系统结构要有利于个体能力最大程度的发挥和任务的最高效完成。另外，协作机器人系统面向的是动态变化的环境，因而系统结构要对环境有自组织适应能力。

一般地，根据系统中是否有组织智能体为标准，将体系结构分为集中式控制和分布式控制，分别如图1.1和图1.2所示。

图1.1 集中式控制                                   图1.2 分布式控制

集中式结构以有一个组织智能体为特点，由该组织智能体负责规划和决策，其协调效率比较高，减少了用于协商的开销，最突出的优点是可以获得最优规划。但难以解决计算量大的问题，因此其实时性和动态特性较差，不适用于动态、开放的环境。

分布式结构没有组织智能体，个体高度自治，每个机器人根据局部信息规划自己的行为，并能借助于通信手段合作完成任务， 其所有智能体相对于控制是平等的，这种结构较好地模拟了自然社会系统，具有反应速度快、灵活性高、适应性强等特点，适用于动态、开放的任务环境。但这种结 构增加了系统的复杂性，由于没有一个中心规划器，所以难于得到全局最优的方案，还可能带来通信的巨大开销。目前，分布式结构是主流。

普遍的看法是分布式结构在某些方面（如故障冗余、可靠性、并行开发的自然性和可伸缩性等）比集中式结构要好。

另外，有的学者将分布式结构和集中式结构相结合，相互取长补短，系统中的组织智能体对其它个体只有部分的控制能力。

Anthony Stentz和M. Bernardine Dias提出了用自由市场体系的方法协作一组机器人实现特定的目标^[13]。自由市场体制已被证实是一种能组织大量个体，从而提高总体生产效率的机制。这种方法对特定任务的解决方案定义收入和支出函数，将任务分解成子任务，机器人在执行任务时，为了获得最大的个人收入就会出现合作和竞争，从而实现目标。这种基于自由市场体系的控制方法由于没有集中控制而会有很高的鲁棒性，并且能够在动态环境中有效地利用资源。这种控制体系本质上是分布式的，但有时会形成集中式的子组以提高效率。

在 群体体系结构中还涉及同构与异构的问题。如果群体中所有机器人的能力一样，则这样的系统为同构系统，如果群体中机器人的能力不尽相同，那么这样的系统为异 构系统。相比之下，异构系统更具有普遍性，但它会使问题更复杂，任务分配更加困难，智能体更需要对群体中的其它个体建模。在异构系统中，任务分配一般按个 体的能力来确定，在同构系统中，各智能体需要被区分为不同的角色，以便控制时加以识别。群体体系结构要能够适应动态自组织的要求。在系统拓扑结构可变情况 下，动态选举组织智能体和建立多智能体之间的关系是建立体系结构时要考虑的问题之一。目前的研究中以同构系统居多。

在协作多机器人系统中，比较典型的体系结构有GOFER^[15]、MURDOCH^[16]、KAMARA^[17]、ALLIANCE^[18]、STEAM^[19]、CEBOT^[20]、SWARM^[21]等。

Caloud和Lepape等人用GOFER体系结构研究了室内环境中多个移动机器人进行分布式求解问题。在该体系结构中，有一个中心任务规划系统（CTPS）。CTPS与所有的机器人进行通信，对所有机器人的运行状态和任务的完成情况有全局了解。然后，CTPS产生计划结构，并将其通知所有的机器人。机器人利用任务分配算法来决定自身的角色。这样，各机器人就可以知道系统在完成任务的过程中自身的目标，并利用传统的AI规划技术来实现该目标。利用GOFER已经成功地完成了三个机器人进行推箱子、跟踪等任务。

Gerkey和Mataric等人提出了MURDOCH体 系结构，它是一种以资源为中心的信息交流模型。该结构的主要特点在于，所有的通信交流都是以完成某任务所需要的资源为中心的，而不是基于名称的。所有的任 务分配都是根据单轮的拍卖交易而定。拍卖者决定谁是赢家，并通知该出价者。赢家获得了任务合同，并要在有限的时间内完成该任务。拍卖者负责监控任务的完成 情况，并周期性地给赢家发送合同更新信息，赢家要返回确认信息。这些信息交流就对通信系统提出了一定的要求。如果拍卖者没有及时收到确认信息，则它认为赢 家机器人已经出现了故障，并将该任务交给其它的出价者来完成。这样，系统中就可能有多个机器人来完成同一项任务_。

共3页 上一页  [1] [2] [3] 下一页  第1页第2页第3页