《多移动机器人协同原理与技术》读书笔记（一、绪论）

1.1 多移动机器人系统简介

1.1.1 与单机器人相比，多移动机器人系统的优点：

（1）有些任务只能由多个机器人完成；

eg：执行战术使命、足球比赛、考虑到复杂性和成本的搬运重物 等

（2）加快任务执行速度、提高工作效率——通过任务适当分解，使多个机器人分别并行地完成不同的子任务；

eg：对未知的区域建立地图、对某区域进行探雷 等

（3）提高设计的灵活性，完成有限任务的机器人可以设计得更完善——可将成员设计成完成某任务的“专家”；

eg：

（4）更有效和更精确地进行定位——如果成员之间可以交换信息；

eg：野外作业的机器人

（5）增加冗余性、消除失效点，增加解决方案的鲁棒性——成员间相互协作；

eg：装配有摄像机的多移动机器人系统要建立某动态区域的基于视觉的地图，则某个机器人的失效不会对全局任务产生很大的影响，系统的可靠性更强

（6）降低系统造价与复杂度——可提供更多的解决方案，针对不同的具体情况，优化选择方案；

1.1.2 多移动机器人系统的应用领域

（1）远地作业

群体自主机器人系统自动完成复杂的工作，人类不时从远处干预，协作共同完成复杂的任务。

（2）协助军事行动

移动机器人代替士兵执行危险任务，以减少人员死亡。

（3）协助震后搜索与营救【限制：空间狭小】

多移动机器人协助搜索被严重破坏的建筑物，可进入需要搜索的狭小空间（人犬进不去）。

（4）自动建造【涉及大规模结构的装配】

多异质机器人系统将会在空间组装大型空间设备。

（5）教育及娱乐系统

多机器人之间进行协调。

（6）自动化工厂

增加产量、减少劳动成本，提高效率、安全性及总体质量——生产自动化设备——高效、高鲁棒性的异质多机器人。

（7）清除危险区域

eg：扫雷、清扫核废料和灾区。

（8）农业机器人

艰苦条件下的重体力劳动、单调重复的工作。

1.1.3 多移动机器人系统的性能衡量指标

（1）鲁棒性（Robustness）——个别机器人故障或被破坏

（2）最优化（Optimization）——对动态环境有优化反应

（3）速度（Speed）——对动态环境反应要迅速

（4）可扩展性（Extensibility）——新功能

（5）通信（Communication）——对通信失效有很强的鲁棒性

（6）资源（Resource）——优化利用现有的资源

（7）分配（Allocation）——优化分配，确定个体机器人的任务

（8）异质性（Heterogeneity）——成功的体系结构应当对同质、异质机器人同样适用。异质机器人更难协调。

（9）角色（Roles）——机器人 充分利用资源 完成多个角色的功能。

（10）新输入（New Input）——应对动态性应用领域中的变化，如新任务、新资源、新角色。

（11）灵活性（Flexibility）——适应不同的任务，轻松重新配置。

（12）流动性（Fluidity）——适应在操作过程中成员的增加或减少。

（13）学习（Learning）——在线调整相关参数。

（14）实现（Implementation）——在物理系统上实现和验证。

1.2 多移动机器人研究的主要内容

1.2.1 目前多移动机器人协作的体系结构主要有三种：

（1）集中式

代表：多Agent系统、SRI的OAA软件体系

一个控制与协作的中心（代理助手） + 多个功能Agent = C/S系统结构

缺点：过分依赖协调中心，系统失去该中心时完全瘫痪。

（2）分布式

代表：ROCI（UPENN提出）、基于网格、层次化和对象重构、多模式交互以及Ad Hoc网络等软件框架

ROCI核（软件体系的核心）+Agent（每个都存在一个ROCI核的副本）= 分布式控制

优点：结构灵活；缺点：协调机制上，任务分配、运动规划等方面开销很大。

（3）混合式

集中式和分布式的折中，较接近一些应用的实际情况。

多Agent组成层次结构 = 上层的监控Agent 对 下层的受控Agent 有部分控制能力 = 混合式系统

/* 查一下什么是 采用合同网进行任务分配和协商；

查找论文①L.E.Parker提出 ALLIANCE，②ACTRESS，③Vidal提出的混合层次体系结构（将机器人置于不同的抽象层次，通过层次间通信实现机器人的互操作）

④Saptharishi提出通过检查站和基于统计运动状态估计的动态权限分配策略（进行路径规划）⑤ALLIANCE

*/

1.2.2 多移动机器人的任务分配（协同合作）

合理有效地进行任务分配和调度

基于市场机制的任务分配策略有利于包容异质成员

各个机器人根据自己的局部环境信息对某任务的执行效果做出估计（效用估计值大者获得该任务的执行权）

动态环境的多移动机器人协调路径规划问题，两种解决方法：

（1）基于“空间——时间”的规划方法——设置优先级

（2）人工势场法——基于各个机器人的局部信息而确定当前运动路线

1.2.3 多机器人协作环境感知与定位

多个机器人间相互定位的问题：

（1）多移动机器人在待探索的环境中行动时，某个时刻至少有一个机器人是静止的——作为其他机器人的路标，相对其进行自身定位；

（2）某时刻只有一个机器人可以行动，其他机器人组成等边三角形的信标，供移动机器人进行定位。

注：局限性：某时刻只能有部分机器人可以移动，机器人与作为信标的机器人间必须保持视觉或距离传感方面的接触。

S.I.Roumeliotis和G.A.Bekey将Kalman滤波算法扩展到多机器人协作建模领域，将一个Kalman滤波估计器分解为多个具有通信能力的小滤波器，存在于每个机器人上，相互之间共享内部传感器信息。多机器人团队行动中，各个滤波器根据各自外部传感器信息进行位置估计和修正，并相互交流位置信息。实践证明，协作定位精度明显高于单个机器人使用Kalman滤波的定位结果。但该方法在估计与更新阶段都忽略了方向不确定性的影响，因而简化了实际环境的噪声分布。

MonteCarlo定位被应用于两个机器人写作探索环境的场合——两个机器人互相探测到对方时，各自对定位位置估计的信念由于互相印证而得到加强，能更快收敛到相对精确的位置。

目前有效利用异质传感器融合的多机器人协作环境识别与目标定位还很少见：

（1）声纳能够较精确探测机器人间的距离，但杂波较多；

（2）立体视觉既能探测距离也能探测方向；

（3）激光雷达是测距传感器的主流，融合视觉传感器与激光雷达数据进行协作建模是异质传感器信息融合的有益尝试。但目前还是像素级融合。

1.3 多移动机器人系统研究趋势

1.3.1 异质多移动机器人系统的问题

（1）通信。

最理想：通用的描述语言；按需通信。

  （2）任务分配的优化

①任务的分解：根据距离、时间、场合等

②根据机器人的能力和当前状态：携带的传感器、机器人的速度和灵活程度、机器人的计算能力和通信能力、当前机器人是否空闲、机器人以前做类似任务时的完成情况。

（3）信息融合问题

涉及信息表示、匹配、相关以及如何处理不确定性和如何提高处理速度等

1.3.2 具有容错机制的多移动机器人系统

容易出现传感器失效或性能下降、与环境中不可见目标或动态目标冲撞等故障——误差和安全

故障诊断和提高容错性，难点在于：

机器人是资源受限的非线性非高斯系统，难以建立精确的故障模型，对系统以及环境的先验知识稀少。

基于粒子滤波的方法，粒子滤波器被认为是实现移动机器人实时故障诊断的理想工具——可以同时估计离散和连续状态，可以处理非线性非高斯问题，计算复杂度可以根据例子数目调整。（提出克服退化问题以及样本枯竭问题的实用的粒子滤波器算法）