领航-跟随型编队避障问题指编队在运动过程中,领航机器人根据某种方式获取与识别前方障碍物,同时编队整体采取一定方法及时规避障碍物与防止内部碰撞,涉及到障碍物检测、编队避障规划、编队避碰协调,运动控制等问题。本文在总结现有文献的基础上,将编队避障问题主要分解为在以下几个方面[7-10]:
(1) 避障规划与避碰协调问题。即在实现单个移动机器人路径规划问题的基础上,如何建立一个控制模型并以某种运动规则实现个体间的协调合作任务。结合编队,针对不同的避障环境:单障碍物,多障碍物,静态障碍物,动态障碍物,以及根据障碍物的不同类型、大小、位置以及编队系统的尺寸、个体数量,拟定定量表达式,以确定避障避碰方式。
(2) 运动控制问题。控制编队避障过程中的编队队形变换,结束后的恢复初始队形等,使整个编队系统的运动状态趋于一致。
(3) 编队体系结构。一定灵活性、容错性的编队结构模型,使拥有局部感知功能的编队根据环境信息进行队形保持与动态地队形变换,保证编队作为一个整体顺利通过障碍区域。编队体系结构是编队避障控制的前提,也是编队进行信息交互的基本框架。
(4) 编队交互通讯。实现编队避障,需要单机与多机,多机与多机等相互通讯,包含其位置信息、速度、加速度信息以及环境信息等,机器人相互之间的实时通讯数据庞大,处理速度要求高,且存在时延、时有时无且带宽受限等非理想条件约束,如何设计编队内部的底层通信协议,以提高整个系统的实时性,也是亟需解决的问题。
(5) 编队环境感知。需要采取一定方法明确周围是何种环境类型:单障碍物、多障碍物,静态障碍物,动态障碍物,有时根据情况在此基础上还需进一步考虑是否需要明确障碍物的大小、形状等具体信息。
(6) 编队协作定位。包含编队与障碍物之间以及编队内部机器人之间的定位。编队避障时的各个角色的精确定位比较困难,避障过程实质是一个动态复杂、多机耦合的过程,需及时调整编队内部机器人的相对位置以及编队与周围障碍物的相对位置,定位的准确程度直接影响编队避障与避碰的效果。
1.2.3 国内外研究现状
目前根据躲避局部静态障碍物时,编队的拆分情况,可大致分为两种避障策略:编队拆分避障与编队整体避障。
(1)编队拆分避障
编队拆分避障指编队内部不再维持原有控制,而是独立避障,只要在安全范围内机器人不相互碰撞即可,等避障结束后再重新恢复联系,相当于每个机器人独立进行在线避障。转化为单机避障路径规划问题。
按照机器人对环境的掌握情况,避障路径规划分为:(1)全局路径规划(静态或离线路径规划),是指机器人在了解运行环境的详细信息后所做的路径规划。(2)局部路径规划(在线或动态路径规划),是指移动机器人对于运行环境不了解,通过传感器实时探测环境信息的路径规划。将常用的路径规划算法主要有栅格法[11]、可视图法[12]、模糊逻辑法[13]、RTT算法[14] 、遗传算法[15] 等,对比优缺点如表1-1所示。
表1-1 常用路径规划方法及比较
路径规划方法 | 优点 | 缺点 | 在线或离线 |
栅格法 | 技术成熟,用栅格表示地图,在处理障碍物的形状大小时,避免了复杂计算。 | 栅格大小影响了存储环境信息的信息量大小,也影响机器人路径规划的准确性和时间。 | 离线 |
可视图法 | 将搜索最优路径的问题转化为经过各顶点可视直线从起点到目标点的最短距离问题,搜索时间短 | 不考虑机器人自身的大小,导致机器人在实际避障中可能碰触障碍物,灵活性不好,对传感器精度要求高。 | 离线 |
模糊逻辑法 | 通过传感器获得环境信息,实时性强,利用先验知识进行路径规划,容易实现,操作简单。 | 依赖传感器,对称环境的路径规划容易产生振荡甚至死锁。预先制定的先验经验不一定完备,计算量随障碍物数目增加,影响规划结果。 | 在线 |
RRT算法 | 无预处理,适应复杂外部环境,较高的搜索效率,无需路径转换。 | 对全局环境有较大的依赖性,常应用在外部环境先验内环境中,且在自主避障与导航中实时性较差。 | 在线 |
遗传算法 | 采用并行化的方式,直接对机器人路径采用概率化,自适应方式搜索,保证路径规划中求解路径的最优性。 | 运算慢,进行路径规划时要占据较大的存储空间和运算时间,编码合理性和效率问题较难处理 | 在线 |
考虑到编队避障对环境约束极为敏感,需要针对不同的环境类型,对编队进行不同的避障路径规划,均衡上述各算法的优缺点和应用范围,不必拘泥一种路径规划方法,有时几种算法的混合,基于某种方法的改进,或许可为编队提供更为适合的路径规划。
(2)编队整体避障
编队整体避障指编队内部维持原有控制,通过动态调节队形进行在线避障。主要有以下方法:
1人工势场法
人工势场法将统筹路径规划,轨迹跟踪,以及内部协调规划为一体,通过构建势场函数,使其根据约束信息自适应动态的确定反馈控制律,驱动编队整体协调在线避障[16-20]。
文献[16] 将领航-跟随编队控制方法与人工势场法相结合,实现在未知环境下控制多移动机器人编队避障。
文献[18] 采用人工势场法进行编队避障控制,通过引力协调编队队形,通过斥力协调避障避碰,同时采用人工势场法为编队整体提供沿期望轨迹的自主导航控制,保持编队整体连通性,并成功远离障碍物。
正在上传…重新上传取消
图 1-6 基于人工势场法的编队避障避碰,a文献[16],b文献[18]
人工势场法可令编队在避障时根据环境约束,动态调节编队避障队形。但其缺点是,如果用于编队避障控制的势函数选择不够恰当,尤其是包含的各种比例参数的调节不当,就会造成编队成员之间、成员与障碍物之间的碰撞,且当遇到复杂的障碍物环境,尤其是狭长甬道式障碍物,或多种交叉凹型障碍物,编队中机器人往往会表现出运动徘徊往复甚至停滞等现象导致避障失败,该方法亦存在局部极小等问题。
2模型预测控制法
文献[21] 将提出的FSC-MPC方法用于处理机器人编队避障避碰的问题,MPC强大的对移动机器人的非完整约束的处理能力,有效地解决了编队中领航机器人运动混乱时,跟随机器人可以在有限的时间内跟踪上领航机器人,且保持期望的队形。
文献[22] 将模型预测控制器与人工势场法相结合,避障避碰时由人工势场法生成罚函数来规避障碍物,同时避免内部同类碰撞。
文献[23] 通过预测避碰避障距离,同时维持机器人之间相互通讯,采用模型预测控制器使机器人与障碍物,以及编队内部相互规避碰撞。
3固定队形变换法
文献[24] 采用有向无环图表示编队内部控制图,并预先枚举出机器人所有可能的控制图,采用反馈线性化控制方法,实现了在障碍物环境下任意两个队形之间的切换。
转存失败重新上传取消 转存失败重新上传取消
图 1-7 文献[24]障碍物环境下任意两个队形之间的切换
文献[25] 针对某一任务编队何时发生队形变换,通过设定编队重构队形误差模型,使机器人从预设队形知识库中匹配适于当前环境的队形,且使队形误差达到最小。
文献[26] 提出了一种动态队形变换避障策略:预设队形知识库,局部避障时通过队形变换最优效率求解模型从队形知识库选取匹配队形,协调避碰。以及其他一些类似的队形变换策略[27-28] 。
4基于行为法
基于行为法[29] 是一类模拟生物反应式行为机制的编队控制方法,无全局先验知识,直接通过传感器感知周围环境的变化,根据反馈来采取相应的运动行为,因此在面对未知环境时具有更好的鲁棒性、实时性,原理如图1-8所示。
转存失败重新上传取消
图 1-8 基于行为法的编队控制原理
采用基于行为法[30] 进行编队控制时,通过设计几种基本的行为与直接的协调机制,使多移动机器人在有障碍物环境下运动到目标点。基于行为法的核心之一是行为协调机制即权值设计,其中曹志强等[32] 利用遗传算法来决定控制权重,以使编队中成员选择合适的行为响应来保持队形和规避障碍物。
该方法的缺陷是多机器人系统的行为难以预测,无法实现精确的队形保持与队形变换,比较适用于大规模松散编队,并不太适用于严格的编队控制,而且其无法显性定义群体行为,只存在全局涌现现象,很难用数学方法对系统进行稳定性分析。
在行为法的基础上,Antonelli教授[33-34]提出基于零空间的行为法NSB(null-space-based behavioral)方法。该方法将多机系统看作一个过约束系统,并定义多个基本行为的优先级,将低优先级行为的速度映射到高优先级行为的速度的零空间上。
转存失败重新上传取消转存失败重新上传取消
图 1-9 文献[33]基于行为法编队控制
近几年,文献[35-36]将多机编队结合代数图论进行编队避障研究,将避障避碰问题转换为图拓扑结构的柔性改变。另外,还有其他一些新的避碰避障控制方法[37-41]用于编队避障研究中,使得多机器人系统能够协同避障。
转存失败重新上传取消转存失败重新上传取消
图 1-10 文献[35]编队避障避碰
本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系:hwhale#tublm.com(使用前将#替换为@)