TB820V2

　　多移動機器人系統(tǒng)由于具有移動功能，能在非結構環(huán)境下完成復雜任務，是多機器人協(xié)作系統(tǒng)中典型意義和應用前景、也是得到zui廣泛研究的一類系統(tǒng)。以下就以多移動機器人系統(tǒng)為代表，介紹智能機器人協(xié)作系統(tǒng)的主要關鍵技術：

　　1．體系結構

　　體系結構是系統(tǒng)中機器人之間邏輯上和物理上的信息關系和控制關系，以及問題解能力的分布模式，它是多移動機器人協(xié)作行為的基礎。一般地，多移動機器人協(xié)作系統(tǒng)的體系結構分為集中式（Centralized）和分式（Distributed）兩種。集中式體系結構可用一個單一的主控機器人（Leader）來規(guī)劃，該機器人具有關于系統(tǒng)活動的所有信息。而分布式體系結構則沒有這樣一個機器人，其中所有機器人相對于控制是平等的。盡管集中式體系結構可實現(xiàn)全局*求解，但因考慮到不確定性影響，實際上人們更偏好分布式結構。近年采，在分布式體系結構中，為了克服機器人在實際環(huán)境中對環(huán)境建模的困難，，提高多移動機器人協(xié)作系統(tǒng)的魯棒性和作業(yè)能力，一些學者采用了基于行為的反應式控制體力，一些學者采用了基于行為的反應式控制體系結構，將合作行為建立在一種反應模式上，加快了移動機器人對外界的響應，避免了復雜的推理，從而提高了系統(tǒng)的實時性。

　　2．感知

　　感知是智能機器人行動的基礎，包括“感覺”（傳感）和“知道與理解”信息融合與利用）。在移動機器人中zui主要的感知問題是定位和環(huán)境建模問題［7］o雖然已有里程計推算、基于視覺的路標識別、基于地圖匹配的全局定位、陀螺導航、GPS等多種定位方法，但在未知非結構環(huán)境中，目前有GPS才能實現(xiàn)可實用的全局定位。但GPS同時受到精度、安全等因素的限制。如何借助機器人之間的配合提高定位和環(huán)境建模能力，是研究多移動機器人系統(tǒng)智能的重要內容。近年來，提出了多種環(huán)境地圖建立與定位的同步處理方法［8］，其中環(huán)境建模與定位過程是相互伴隨的，兩者在彼此迭代的過程中逐步清晰化，但往往要求苛刻的環(huán)境條件。此外，在不少協(xié)作任務中只需要合作者間的相對位置信息，如編隊及局部避碰等，因此基于傳感器的局部定位也受到關注，機器人之間通過超聲、紅外、激光或視覺等傳感器相互探測，然后通過統(tǒng)計、濾波等算法進行信息融合，由此得到系統(tǒng)中各機器人的相對位置。

　　3．規(guī)劃

　　規(guī)劃問題主要包括任務規(guī)劃和路徑規(guī)劃，一直是人工智能及機器人學研究的主要問題，對其進行了大量和長期的研究，成果已應用在多機器人協(xié)作系統(tǒng)的規(guī)劃問題研究中E引，與體系結構相對應，多移動機器人系統(tǒng)的規(guī)劃通常包括集中式規(guī)劃（Centra）—ized1anning）牙口分布式規(guī)戈 U（DistribUted“nning）兩種方式。集中式規(guī)劃一般能獲得效率高、全局*的規(guī)劃結果，但它主要適用于靜態(tài)環(huán)境，難以應付環(huán)境的變化。分布式規(guī)劃中，每個機器人根據(jù)自身擁有的環(huán)境信息規(guī)劃自己的行動，其優(yōu)點是能適應環(huán)境的變化，缺點是不能獲得全局*解和可能出現(xiàn)死鎖現(xiàn)象。

　　4．學習與演化

　　學習和演化是系統(tǒng)具有適應性、靈活性等特性的體現(xiàn)。目前，在協(xié)作機器人學中主要采用增強型學習（ReinforcementLearning）方法和遺傳規(guī)劃（GeoeTIcPrgramming），并且在多機器人搬運系統(tǒng)和機器人足球中獲得了成功應用［10］［11］。目前的多機器人學習和演化還停留在比較低的行為層次，其學習和演化的任務和環(huán)境也非常簡單，當其面對更為復雜的任務和環(huán)境時，存在時滯評價和組合爆炸問題，另外，對多智能體的分布式學習與演化，也與傳統(tǒng)的集中式的學習與演化方法有明顯區(qū)別，還有待尋找更為有效的行為優(yōu)化方法。

　　5．協(xié)調與協(xié)作策略

　　多移動機器人系統(tǒng)在協(xié)作完成復雜任務時，涉及到各機器人任務、規(guī)劃、控制間的協(xié)調［12］［13］，多智能體理論的研究已為這些協(xié)調行為提供了思想與策略，但如何把這些抽象的思想與策略結合到具體系統(tǒng)中加以實現(xiàn)，同時又能體現(xiàn)普適性，涉及到用什么工具正確描述各層次的系統(tǒng)行為。目前在任務協(xié)調層zui典型的描述工具是離散事件動態(tài)系統(tǒng)理論中的有限狀態(tài)機（FSA）方法，但如何對不同層次的行為借鑒混合系統(tǒng)理論和方法進行統(tǒng)一描述，還是在研究的熱門課題。此外，在同一環(huán)境中運行的多個移動機器人，經常會產生資源利用時的沖突。如果沒有適當?shù)膮f(xié)調策略，系統(tǒng)將不能正常工作。對于可預見的沖突，可通過規(guī)劃加以避免。但系統(tǒng)動態(tài)運行時的情況常常不能事先準確預測，僅依靠規(guī)劃的方法解決沖突將十分有限。對于動態(tài)沖突的消解主要包括磋商法、慣例法（ConvenTIon）和熟人模型法。在動態(tài)環(huán)境中的死鎖檢測與消解，仍是十分具有挑戰(zhàn)性的難題。

　　6．系統(tǒng)軟件平臺開發(fā)

　　多機器人系統(tǒng)的研究已經持續(xù)進行了近20年，前期的工作主要集中在系統(tǒng)硬件和與之相關的某些單項技術的研究，隨著多移動機器人硬件系統(tǒng)的逐步完善，當前的軟件研究明顯滯后，所開發(fā)的軟件往往針對具體的硬件系統(tǒng)和單一任務，技術集成度低、通用性差，無法有效發(fā)揮硬件的效能。為此，人們迫切感到需要研制具有高度開放性、通用性、機器人硬件無關性和可擴展性的系統(tǒng)軟件平臺，對現(xiàn)有的零散技術成果進行系統(tǒng)集成，同時為規(guī)范系統(tǒng)軟件的設計框架提供標準。美國和歐洲各國近3年來啟動了多項針對多移動機器人協(xié)作系統(tǒng)軟件開發(fā)的大型項目，產生了一些有代表性的軟件開發(fā)平臺，并已獲得應用。

　　7．實驗研究

　　多移動機器人協(xié)作系統(tǒng)的實驗研究zui初是從計算機的模擬仿真起步，利用計算機軟件建立一個假想的機器人群體。通過這種途徑，可以較自由地賦予機器人主體以理想的機制，使其以不同的方式相互作用。但是，這種做法盡管能考察很多數(shù)理性或生物性原理對機器人群體協(xié)作行為規(guī)范的影響，卻很難直接應用于構造實際的作業(yè)系統(tǒng)。近年來，隨著機器人及其構件性能的改善，使用實機多機器人系統(tǒng)的研究不斷增加，從而使理論研究與實際環(huán)境、現(xiàn)有物理機器人之間的距離逐漸縮小。目前，上多數(shù)機器人基礎研究實驗室都在從計算機仿真和實機實驗兩個途徑同時開展研究。