多机器人协调优化方案

1.多机器人协调的概念

在多机器人系统中，协调是指多个机器人在完成一些集体活动时相互作用的性质，是对环境的适应。由于环境的动态变化性、机器人拥有知识的不完备性、不一致性、不兼容性和不可公度性，以及系统资源的共享性和有限性，机器人与环境之间、机器人与机器人之间可能产生许多冲突，导致系统不能正常有序地运行。因此，多个机器人之间需要相互协调，避免冲突的产生。当单个机器人不能完成某项任务（如大型的搬运作业等），就需要多个机器人通过协作来完成该项任务。多机器人的协作主要包括两个方面的内容：机器人之间的“合作（cooperation）”和机器人之间的“协调（coordination）”。机器人的合作解决的主要问题是如何组织多个机器人共同完成任务，是高层的组织与决策机制问题；机器人的协调解决的主要问题是如何保持或实现多机器人之间在执行任务的过程中动作的协调一致，是机器人之间合作关系确定后具体的动作控制问题。

对多机器人之间的协作，现在还没有一个统一的定义。总体上来讲，协作反映了多机器人系统在不同的层次上对系统控制与交互提出的不同要求。W.A.Rausch等在研究中提出多机器人系统不同层次上的协作问题，如图3-4所示。

（1）隐式协作：机器人按照自有的规划模型推测其他机器人的规划而产生的协作。

（2）异步协作：多个机器人在同一环境，存在相互间干涉的条件下为完成各自目标而产生的协作。

（3）同步协作：多个机器人为完成一个共同的目标而产生的协作。

图3-4　多机器人系统不同层次的协调协作

多机器人协调协作控制技术主要研究多机器人系统的体系结构、通信、感知、合作决策、协调控制、机器人学习等内容。对多机器人协作协调控制技术进行研究，可为多机器人协作协调控制系统的开发提供指导，是当前机器人领域研究的热门课题之一。

2.优势和面临的新问题

所谓多机器人协调是设计者给定一些任务，多机器人系统在事先设计的协调原理的基础上展示出协调的行为，以提高整个系统的效用。

一个相互协调的多机器人系统有着单个机器人系统所无法比拟的优势：

（1）相互协调的n个机器人系统的能力可以远大于一个单机器人系统的n倍，多机器人系统还可以实现单机器人系统无法实现的复杂任务。

（2）当环境或任务极其复杂，需要机器人具有多种能力，而设计这种集所有能力于一体的单机器人成为不可能时，多机器人系统是最佳解决方案。

（3）设计和制造多个简单机器人比单个复杂机器人更容易、成本更低。

（4）使用多机器人系统可以大大节约时间，提高效率。

（5）多机器人系统的平行性和冗余性可以提高系统的柔性、健壮性和容错性。

然而，多机器人系统也面临单机器人系统所不存在的问题：

（1）如何在各智能体间表达、描述问题，分解和分配任务。

（2）如何使智能体间相互通信和相互作用。

（3）如何保证各智能体行为协调一致。

（4）智能体间如何识别和解决冲突等。

多机器人协调系统涉及社会科学（组织理论、经济学）、生命科学（理论生物学、动物行为学）和认识科学（心理学、信息理论、人工智能）等学科的理论和关键技术。

多机器人的协调协作是指多个机器人在完成一些集体活动时相互合作的性质。多个机器人通过协调协作，可以完成单机器人难以完成的复杂作业；可以提高机器人系统在作业过程中的效率；可以增强机器人系统的环境适应能力；还可使多机器人系统解决更多的实际问题，拓宽应用的途径。多机器人的协调协作是机器人技术发展的一种趋势，也是实际应用迫切要求的结果。随着机器人技术的不断发展，机器人的协调协作成为机器人领域研究的热门课题之一。

3.多机器人协调协作控制技术研究的基本问题

多机器人协调协作要解决的主要问题是如何充分发挥多机器人系统中各个机器人的能力，以求根据环境与任务的变化，系统能够灵活、快速、高效地组织多个机器人完成给定的任务。其研究的基本问题主要有:多机器人系统的体系结构、机器人之间的通信、机器人的感知、合作决策机制、协调控制和学习等。

多机器人合作主要研究在给定一组任务、一组机器人和相关环境的前提下，如何优化配置系统资源，进行任务的分解、分配，产生一个联合行动规划，即多机器人系统的高层的组织与决策机制问题。

协作多机器人基本的合作决策方法主要有3种：全局规划（集中规划）、自由协商、隐式合作。

全局规划是一种自顶向下的方法，在主控机器人（主控系统）上一次完成任务的分解和规划计算，将复杂的任务分解成机器人可以执行的动作命令，产生联合行动规划，对合作型任务，则形成一种合作规划。因此，要求主控机器人具有系统中所有机器人的信息、任务的信息，以及环境的信息。(www.xing528.com)

自由协商是指在分布式结构中，当一个机器人不能独立完成任务时，就需要请求机器人与之协作。通过与其他机器人进行信息交换、性能评估，最终形成联合行动规划以实现协作完成任务的合作规划方法。Davis和Smith在20世纪80年代对子问题分配提出了著名的合同网协商模型。它类似于市场上的招标、投标、中标的机制，通过协商达成协议并签订合同。

在无通信的多机器人系统中，机器人可以通过自己掌握的领域知识、多机器人共同的目标以及获取的环境信息，通过换位推理获取其他机器人的当前意图，并以此为依据，单独建立机器人之间的合作关系，确定机器人的下一步动作，实现机器人之间的合作，这种合作方法称为隐式合作。在这种协作中，由于机器人之间没有达成合作协议，也就没有明确的合作关系，合作任务的完成与机器人所掌握的领域知识、在特定的环境下多机器人能够达成的共识相关，因此存在着一定的风险。

机器人的协调控制是多机器人系统研究的另一个重要的问题，是多机器人控制中普遍存在的问题，主要解决以下两个方面的问题：第一，在执行合作型任务过程中，如何保持机器人相互之间动作的协调一致；第二，在系统运行过程中，如何预防和消除冲突或死锁、当冲突或死锁发生后如何采取有效的措施解除冲突或死锁。在多机器人系统中，由于外界环境的动态变化，以及系统资源的有限性和共享性，机器人在完成各自目标的过程中无法避免地产生冲突或死锁，而且这些冲突和死锁的发生通常是不确定的。因此，必须采取有效措施加以预防、消除，从而确保机器人系统有序地运行。对于动态冲突的消除方法主要有：

（1）磋商法：发生冲突的机器人之间通过通信进行磋商，共同研究存在的问题，提出各自的修改计划，使各个机器人都能满足目标要求。

（2）惯例法：系统中的每一个机器人都拥有一些惯例准则，当冲突发生时，各个机器人根据惯例来解除冲突。

（3）熟人模型法：一个机器人拥有系统中其他机器人的模型，运行时通过感知了解其他机器人的意图、行为，基于模型和知识来推测它们的规划和目标，从而避免各自行为的冲突。

在多机器人协调与协作控制中，传统的方法主要是采用集中式（centralized）控制方式来控制机器人之间的协调运动，这种控制的特点是集中规则和集中式数据共享，适用于机器人数量较少时的协调控制，当机器人的数量增加时由于计算负担过重将使系统效率降低而很难应用。现在采用的主要方法是基于多智能体概念的多智能体技术，这种控制方法具有灵活性、适应性、健壮性、可靠性，以及较高的问题求解效率等特点，能够更好地满足多机器人协调协作控制的要求。

4.多机器人协调协作控制技术的实现

在传统的多机器人系统中，通常采用分层和集中的结构，通过从上至下的一个过程来规划和制定系统决策，实现多机器人系统的协调协作。这种集中式控制系统存在许多致命的缺点。20世纪80年代末，受到分布式人工智能DAI（Distributed Artificial Intelligence）、多智能体系统MAS（Multi-Agent System）研究的启发，一些学者针对集中式控制的不足，提出了分散化和分布式的多机器人系统合作组织策略、方法和协调机制。使多智能体技术在多机器人系统协调协作控制中得到了广泛的应用。

多智能体技术是一种抽象层次较高的普遍理论，其核心是把一个复杂的大系统分成若干智能、自治的子系统，它们在物理和地理上分散，可独立地执行任务，同时又可通过通信交换信息，相互协调，从而共同完成整体任务。

在分布式控制系统中，智能体（Agent）被认为是一个物理或抽象的实体，它能作用于自身和环境，并能对环境的变化做出反应。智能体的典型特性有自治性、反应性、社会性等。多智能体系统是由不同的单个智能体为完成某一特定任务而组成的集合，单个智能体处在多智能体系统的环境中，每个智能体可以具有不同的特性功能，在完成某一共同目标的过程中扮演不同角色，相互协作。其中智能体的协作关系是通过系统的自组织形成的，系统功能不是单个智能体功能的简单和。

在多机器人系统中，每个机器人可当作一个智能体，具有一定的自治性、反应性、社会性等，采用多智能体技术可以实现动态环境下多机器人之间的协调协作控制。

多机器人之间的协调与协作控制是多机器人系统研究的核心问题之一，主要研究一组机器人的知识、目标与规划的协调，如何联合起来采取行动，完成给定的任务，并对多机器人协作协调控制技术研究的基本问题进行深入的阐述，旨在为多机器人协作协调控制系统的开发提供指导。

5.多移动机器人协调系统涉及的若干问题和相关技术

1）学习和再励学习

传统的机器人研究是建立在工作环境的精确的先验知识基础上的，存在着知识获取、工程实现和精确性等问题，适应能力很差。当机器人在未知环境下工作时，就需要注重机器人的自适应性，需要机器人能“学习”。机器人依靠与环境的不断交互来获取知识，通过反复调整环境模型和自身的模型，最终学会在未知环境下运行。多机器人协调系统是一个极其复杂的非线性动态系统，不可能具有完备的先验知识，而必须依赖其自学习和自适应能力，通过自学习和再励学习建模，动态调整控制参数，优化系统性能，适应环境变化。有不少文献对多机器人协调系统的自学习和再励学习做了研究，并提出了一些学习算法。大致可分为4类：个体再励学习、群体再励学习、基于遗传算法的学习算法和基于模糊神经元的学习算法。基于进化算法和遗传算法的再励学习算法已被较多开发，它解决了个体再励学习的收敛性问题和群体再励学习的样本复杂性问题，而基于模糊逻辑、神经网络或模糊神经元学习算法的研究在近几年正引起极大关注。

2）资源冲突问题

当某资源被多个机器人请求使用时就产生了资源冲突，资源冲突主要发生在共享空间、共同操作的对象和通信媒体的冲突上。对于多移动机器人来说，研究重点是空间冲突问题，也就是避撞轨迹规划问题。

关于多移动机器人避撞轨迹规划的文章国内外已有不少，也提出了一些典型的方法。最直接的方法是集中行为控制法（centralized motion control），由中央规划器集中规划所有机器人的无碰撞路径。这种方法在实际应用中无法适应环境的变化。因此，人们更关注非集中控制式的轨迹规划方法。主从控制式（Master-slave control）是在冲突状态下，选择一个主控机器人，由它向其他机器人发出行动指令，多用于分散式控制结构系统。交通规则方法（traffic rules）主要用于将环境建模成交通道路网式的系统中。相互排斥法（mutual exclusion）也是将工作区域分解成交通网式的离散空间资源，如通道、十字路口等，机器人按事先规划的路径移动、相互通信，并按相互排斥的原则共享空间，从而协调其行为。动态优先级法是当机器人检测到碰撞时，根据优化结果动态分配优先级，优先级高的机器人不考虑避撞，而优先级低的机器人将高优先级的机器人当作移动障碍物采取避撞措施。这些方法的共同缺点是没有为系统提供修正路径的可能性，而当突然遇障或一个机器人突然失效时，修正路径极其重要。因此，人们提出基于传感器信息和机器学习的轨迹规划方法，使得系统具有较高的柔性和健壮性。

3）编队行进问题

编队行进问题是要求机器人团队在完成任务的过程中保持有利队形的一种控制问题。此研究的灵感源于对动物群居生活的研究。自然界中，动物以编队行进的方式猎食的现象普遍存在，这使它们更适于生存和繁衍。应用于多机器人系统中，可以从编队行进中获得同样的效益。该方式多用于完成搜索、营救等任务。编队行进要求机器人个体既要保留在群体中，又要与其他个体保持一定的距离和形状。在编队过程中，须有一个参考点，不同机器人位于参考点的不同相对位置，这样就形成了一定的队形。参考点的选取方法常有两种：以其中一个机器人为领队作为参考点和以机器人编队的平均坐标为参考点。前者在运动过程中被打乱的时间较短而后者队形被改变的幅度较小。

4）协调理论问题

尽管多机器人协调系统从兴起至今发展极为迅速，也提出了许多相互合作的协调方法，但对其协调机制缺乏一个系统的理论体系指导。部分文献借用了尚在发展中的分布式人工智能领域的多智能体理论。

5）若干相关技术

多机器人协调系统的研究尽管发展非常迅速，毕竟是一个新兴研究课题，尚有许多待解决的理论和技术问题。

（1）计算机视觉技术。对自然界的生物来说，通过视觉获取的信息可以说是最为丰富的。同样，对多机器人协调系统，视觉用于环境建模和各机器人间的建模，可以降低对通信的要求。已有一些文献提出基于视觉的多机器人协调系统。

（2）语音识别和语音控制技术。随着服务业机器人被列为研究开发对象，作为其基本能力之一的语音识别和语音控制技术成为迫切要解决的问题。而迄今为止，机器人对语音的识别能力仅限于在样本数据反复训练的前提下对少数词汇的理解，这样的能力远远达不到要求。语音识别和语音控制技术的发展将一方面提高单机器人的能力，一方面应用于多机器人系统解决通信问题，提高协调能力。

（3）传感器技术和多传感器信息融合技术。由于目前传感器及其信息处理技术的落后，传感器技术成为多机器人协调系统的发展瓶颈。许多系统在仿真环境下取得很好的效果，而在实物平台上验证时常因传感器技术的限制而得不到理想结果。多传感器信息融合技术也是一个新兴的研究热点，它的发展将大大促进机器人技术的发展。

（4）分布式控制技术。分布式控制结构综合了集中式和分散式控制结构的优点，分布式控制系统将是多机器人协调系统的主流控制方式，因此，发展和完善分布式控制技术十分重要。