基于Artificial-Physics方法的多智能机器人协同控制概要.pptVIP

基于Artificial Physics方法的多智能机器人协同控制 一、项目背景 二、方案设计 三、主要内容 Artificial Physics队形控制方法（续） Artificial Physics队形控制方法（续） Artificial Physics队形控制方法（续） 通过各个机器人简单的控制与决策，完成群体内所有机器人的编队控制。 图4中左图为机器人初始位置，右图为迭代编队展开结果 人工势场法（续） 四、创新点及成果形式 四、应用价值 * * 技术背景 机器人路径规划 多智能体协同控制 自身条件 全局信息路径规划（A*算法） 局部信息路径规划（人工势场法） 集中式队形控制 分布式队形控制（Artificial Physics） 利用Pioneer3-AT移动机器人平台实现 多移动机器人编队控制 Artificial Physics方法 人工势场法 Leader-Follower方法 图1 编队控制设置场景 1. Artificial Physics队形控制方法 由怀俄明大学（University of Wyoming）的William M. Spears首先提出，属于最新理论，目前国内尚无人使用。 该方法通过尽量简单的局部配合来完成复杂的控制任务，互相协作的机器人只需配备简单的传感器，属于分布式算法。 该方法的实现与机器人的大小、数量无关，试验的结果具有较好的可移植性。 对该理论进行扩展，还可以应用到具有多个障碍物环境中的队形控制中。 该方法的思想基于Newton第二定律发展而来。 图2中的节点即为6个机器人组成6边形各自所 处的位置，设圆半径为R，则该距离为队形保 持距离。F为机器人所受的力。 图2 6个圆形组成的六边形队形 F = Gmi mj /rp 当rR时F为引力，反之为斥力，同时F限定要小于Fmax 相当于每个机器人各自处于其“势井”中，其只感受离自己最近的机器人位置。 图3 物理力F大小的分布情况 图3显示当G=1200，m=1，R=50，p=2，Fmax=1时物理力的变化规律 图4 算法进行示意 2.人工势场法(Artificial Potential Method) 图5环境中的势场分布 在环境中建立坐标系，则引力势场可以表示为： 其中q为当前机器人的位置矢量，qgoal为目标点位置矢量，ρ为机器人 和目标点的距离，ρ0为和障碍物的安全值 斥力场表示为 可实现局部路径规划。 对上述的引力势函数与斥力势函数分别计算梯度，则可得到机器人在当前位置所受的引力、斥力矢量。 由此即可得到机器人的运动轨迹： 其中有 3. leader-follower队形控制方法 图6 leader-follower方法控制框图 其中(Dis,φd)为期望的队形形状信息，(xd,yd)为follower的期望轨迹点， (xF,yF, φF)为follower当前的位置以及和leader的角度信息，(xL,yL, φL) 为leader机器人信息。通过坐标变换及运动学计算等数学方式最终得到 follower轨迹控制函数。 4. 基于TCP/IP的通信 Pioneer3移动机器人的ARIA类库中提供了Arnetworking子类供编程时调用，它嵌入了TCP/IP协议以及协议中的socket接口，Arnetworking是一个可扩展的网络协议和底层的基础设施，调用其中的接口函数就可以实现多机器人的通信问题。 本试验利用协议的网络编程接口socket，即可完成通信。通信因可靠性的需要采用流式套接字。首先需要建立server，然后某时刻client端发出请求，server端应答。即server与client端的关系是不对称的。 5. 软硬件综合及试验验证 1）软件介绍及控制流程图 移动机器人客户端软件主要包括：ARIA、MobileSim、MobileEyes、Mapper3、AriaDemo、GuiSever、SavClient、ACTS。 图7 ARIA体系结构 该软件具有较强的功能和适应性，先锋移动机器人的基本软件系统都是以ARIA为基础。ARIA为客户端/服务器系统处理了底层的细节，包括串口通讯、命令和服务器命令包处理、时钟周期、多线程以及多种附件的控制 软件控制流程 软件开发在Windows平台下完成，编译环境为Microsoft Visual Studio .NET 2003。借助ARIA通过调用类库中的函数，可方便的完成传感器读取、无人车驱动、通信、多线程等功能。为了对无人车进行实时的控制，程序采用循环方式运行。首先进行变量、ARIA、传感器的初始化，再运行循环程序。循环程序中包括传感器数据采集、数据处理、通信、无人车控制几个部分。 图8 软件控制流程图 2）硬件环境 本项目所需硬件包括移动机器人