基于自主行为智能体的月球漫游车运动规划与控制.pdfVIP

基于自主行为智能体的月球漫游车运动规划与控制 基于自主行为智能体的月球漫游车运动规划与控制 居鹤华，崔平远，崔祜涛 (啥尔演工业大学深空探测研究中心哈尔滨 150001) (E·mail：Juhehua@163．cOm。Tel：0451 摘要：本文研究基于自主行为智能体的月球车运动规划与控制方法． 在基于自主行为智能体 控制系统体系结构基础上，首先设计了月球丰运动规划与控制的一组基本行为，然后通过行为 状态机对行为进行选择．如果规划结果不能保障月球漫游车的安全，则由运动规划智能体进行 行为参数学习，并由神经网络记忆行为参数、环境状态、月球车运动状态．该行为控制系统根 据环境的状态自适应地选择相应行为与参数，从而增强月球车对未知环境的适应能力．本文将 月球漫游车运动规划与控制问题分解为基本行为设计与学习两个过程，使月球车控制系统设计 易于加入人的先验知识．同时，月球车的基本行为能够满足月球漫游车机动性约束与月面地形 的传送性约束，保证月球车系统开发过程的结构化与可实现性．该方法不仅具有很高的实时性， 而且对未知环境具有很强的适应能力．初步仿真研究与原型样机试验证明了该方法的有效性． 关键词：月球漫游车；自主行为智能体；运动规划；运动控制 l引言 月球车运动规划与控制的最大特点是月面地形的非结构化，即地形中的障碍是不能用模型来表达， 因而也自然产生两大类型的运动规划方法，一是模型化的方法，即先将非结构化的障碍用近似的模型来描 述，然后再用基于模型的优化方法来解决。基于物理的规划方法、基于计算几何的路规划规划方法、基于 人工势场的规划方法就属这一类。二是基于非模型化的方法，即不需要关于障碍的模型描述，直接运用数 值优化的方法来解决问题。基于遗传算法的优化方法、神经网络方法、行为控制方法或基于传感器的方法 就是这一类．文献研究了在行为控制中如何加入人的先验知识或者通过学习来提高机器人的行为。由于自 然地形是非结构化的，人为地得到环境的近似模型，必然导致巨大的计算代价，即使使用大型计算机往往 也难以胜任．其一是由于相对准确地形模型的建立本身就是一个复杂的优化问题．其次是由于目前的计算 几何方法是单纯的数学计算方法，难以加入问题的先验知识，常常对于简单问题进行优化也要对所有环境 作细致的计算才能做出结论．同样。基于遗传算法的优化方法、人工势场方法、神经网络方法都难以加入 人的先验知识，对问题的描述常常存在很多不合理性，只能对于特定的环境具有比较成功的应用。人工势 场方法必须运用数值优化方法，为了得到最优解不得不采用遗传算法等进行优化．由于各种不确定性常常 导致计算结果的不确定性及强大的计算量，又不可避免陷入局部最小。而遗传算法及神经网络方法也存在 同样的问题。这些方法在仿生学上只具有一定的合理性．它们共同的另一个特征是用少数几个、甚至一个 指标函数来统一描述具有无穷模式的自然地形，也就是把在自然地形运行的机器人的运动规划智能归结为 一类或几类函数，从而把复杂的人工智能过于简单化．对于非结构化、具有无穷模式的运动规划问题应该 运用基于知识的方法才能与月球车运动规划问题相匹配。关于部分未知环境下的运动规划方法已提出很多 方法，比如Vis—Bug、Bugl、Bu92、Bu92A、及由Hiroshi Noborio改进的Bug。 月球车进行探测过程中，可视的环境是局部的，同时由于月球车运行的月面地形是非结构化的，因而， 有必要研究适用于部分环境已知条件下的并且能够根据不同地形特点做出合理规划运动规划方法。 2自主行为月球车的行为控制基本理论 2．1未知环境的运动规划Situated．Bug 月球车R，由起始点S受目标趋向行为控制向目标G行进，当接近第一个障碍Ol并与障碍相碰即由 接触传感器检测得碰撞点HI点时，月球车由目标趋向的避障行为控制绕障碍OI行走。并在障碍边缘切向 经目标点的边缘点与障碍自动分离，并继续向目标方向行走。此时，当月球车前进方向与目标方向不一致 时月球车由沿障碍行走行为控制沿障碍行走。当月球车到达离开点Ll时月球车再次由目标趋向行为控制向 目标行走．如此往复，最终可到达目标G。记月球车现在的位置为c(x，Ⅵ。月球车的速度记为V