机器人大脑分析.docVIP

机器人的大脑 机器人作为为人类的奴仆，已经越来越频繁的出现在我们的生活中，为我们提供着越来越多越来越细致的服务，人们也早就已经习惯了机器人为我们带来的方便。为了让机器人今后为我们提供更加广泛优质的服务，我们就必须要更加了解机器人。 机器人这一词语出现在1910年捷克斯洛伐克作家卡雷尔·恰佩克的科幻小说中，根据捷克文原意为“劳役、苦工”Robota和波兰文原意为“工人”Robotnik，创造出“机器人”这个词联合国标准化组织采纳美国机器人协会给机器人下的定义：“一种可编程和多功能的操作机；或是为了执行不同的任务而具有可用电脑改变和可编程动作的专门系统。” 智能机器人的大脑 传感器型机器人以工作能力更强的伺服控制机器人为例，伺服系统的被控制量即输出可为机器人端部执行装置的位置、速度、加速度和力等。通过反馈传感器取得的反馈信号与来自给定装置的综合信号，用比较器加以比较后，得到误差信号，经过放大后用以激发机器人的驱动装置，进而带动末端执行装置以一定规律运动，到达规定的位置或速度。其智能之处在于可从环境获取参数，即具有感知环境的能力。 传感器型机器人之所以需要传感器就是传感器是反映外界环境信息的一种途径，传感器信息的变化对机器人来说也就是外界环境的变化，而智能机器人的智能也就体现在它可以根据外界环境的变化做出主动的反应，改变自身的运动规律。要解决更加复杂的问题做出更加智能的机器人我们就要引入规划的概念。 智能机器人的规划 机器人在进行目的作业时，根据环境的不同，可能必须改变状态，由现在位置移动到目标位置，计划这种动作的课题就称为动作规划。一个规划是一个行动过程的描述，一般来说，规划是具有某个规划目标的蕴含。对于路径有明确规则的机器人如生产线上有确定分工的工业机器人，其动作规划也是相对简单的。而对于一些工作环境较为复杂且变化性较强的机器人来说，动作规划就显得十分必要了。 体现了路径规划且贴近我们智能系学生的例子应该就是会搜索迷宫解法的电脑鼠了。它通过传感器返回的参数来判断前后左右是否有障碍物，为了得到从起点到终点的最优路径也就必须引入路径的规划。路径最短的电脑鼠走迷宫算法实际上是一种基于广度优先搜索(BFS) 的算法，首先用一个栈A来存放最短的行走路径，用栈B来存放当前的路径，然后从起点开始依次判断下一个可行点是不是终点，如果是终点则再判断如果栈A为空或者长度比栈B大，则将栈B复制给栈A，否则依次将可行的单元格放入栈B。 而判断下一个单元格是否可行有三个条件：它没有越界或者而且不是路障；它没有被访问过；上一个单元格离起点的权值+1小于它离起点的权值。算法的核心是给每一个单元格加入了离起点权值的概念，这样就可以保证找到的路径是最短的了。 对于更加复杂的路径求解甚至在是不同位置分别有不同姿势或状态的问题，我们就需要引入C-空间的概念。相对于进行实际作业的作业空间，决定机器人的位置、姿势（结构）q的变量所形成的空间称为结构空间即C-空间。C-空间的优势在于在其中的一个点可以表示以某姿势或状态在作业空间占有一定体积的机器人。 具有两个关节的机器人手臂的姿势如下图（a）可转换成C-空间2D圆环面如图（b）上的一点。计划问题可归纳如下：C-空间中在不触碰C-障碍物的情况下，将初始姿势与目标姿势结合，求出如下图（b）的一条路径。 如果可以明确地求出C-障碍物，那就只需在C-空间上计划出不碰触到C-障碍物的路径即可，但从下图中可以看出无论是在作业空间中还是在C-空间中，对于这个相对简单的问题要得到这样一条路径都是较为困难的。因此又有人提出使用抽样计划方法，即在C-空间上随机抽样，将抽样结果当做节点，建构出不会触碰到障碍物的途径网络，即路径图。然后利用图形搜索算法推算出自初始位置到目标位置的路径。在此方法中，只需确认在C-空间上取样到的姿势与所连成的局部路径是否会触碰到障碍物即可，而不必计算出C-障碍物的形状。 对于容易记述其行动的全方位移动机器人，也可在网格空间中记述环境，直接使用A*探索算法等较为有效的方式。抽样计划多用于多自由度机器人或形状与环境较为复杂的情况。 代表性的抽样计划方法有PRM（Probabilistic Road Map）法和RRT(Rapidly-exploring Random Tree)法。 PRM法是由前处理与计划两个阶段所构成的方法。前处理阶段，在C-空间上对姿势进行随机抽样，选择不碰触C-障碍物的姿势，然后将一定范围内与此接近的节点增加到局部路径，构成路径图。如此重复，直到节点达到一定数目，可由路径图看出环境已被覆盖至某种程度位置。在计划阶段，增加初始姿势、目标姿势与路径图所连结的局部路径，并通过图形搜索高速求得路径。 该算法通过在构形空间中进行采样、对采样点进行碰撞检