机器人广泛应用于人类活动的各个领域,如汽车工业、钢铁和化工,电子产品的生产。机器人技术的进一步发展是旨在创造机器人能够自主解决集合问题和操作。一方面,这使得机器人在人类操作员不可靠。另一方面,允许生产简单的机器人,在大大小小的混合组。

让机器人功能在环境中,有必要提高路径规划的方法,映射,环境评估,评估功能单一的机器人的可能性,使集团的一部分( 1- - - - - - 22]。在[ 1- - - - - - 6),组织数据的交换和络合的方法所形成的单一机器人小组的成员当他们解决一个任务映射环境提出了。提议的方法的一个独特的特征是他们使用的可能性不足数量的感官信息。在[ 7, 8),成功的概率估计方法提出了由机器人完成任务,基于数学建模的相互交互和周围的空间。该方法的实际应用需要大量的先验信息对机器人的参数和环境。这些信息不能总是获得足够数量和并不总是有所需的精度水平,大大缩小的适用性,本文的结果。

在[ 9- - - - - - 11),移动自主移动机器人路径规划方法提出了环境与动态障碍。方法的一个突出特点是预测动态障碍的行为的能力,这是考虑的过程中形成的移动机器人的轨迹。

在[ 12),混合为一群移动机器人的路径规划方法。其主要思想是随之而来的使用两个人工潜在methods-method字段和遗传算法(GA)和方法获得初步的机器人的路径轨迹的进一步优化。这种方法的一个重要的缺点是需要数据的位置障碍,这在实践中并不总是可行的。

在[ 13, 14),移动机器人的路径规划方法提出了基于经典的遗传算法。的特性中描述的方法( 13]在于代表的方式生成的轨迹的可变长度染色体包含一组双不容小视的方向运动和线段的长度。机器人周围的空间表示为水平面所划分的部门。简化了遗传搜索的过程,但对三维环境限制了该方法的适用性。(描述的方法 13, 14),也有类似的限制,不同的编码染色体。

在[ 15, 16),移动机器人的路径规划方法提出了基于改进遗传算法。相比类似物;该算法有两个明显的区别:它使用环境状况的数据有限的能见度范围和适用修改后的变异算子。(描述的方法的主要缺点 15, 16)是一样的 13, 14)和与环境的代表。

在[ 17),形成最优轨迹的方法,提出了基于遗传算法的移动机器人运动类似于[提出的方法 14- - - - - - 16]。它独特的功能是使用一个特殊的多项式平滑结果GA轨迹。

在[ 18),不同类型的机器人底盘的用于提高越野性能的各种复杂的自然和人工环境。提出决策允许大幅增加的面积使用移动机器人,但他们为城市环境设计的。

在[ 19),重新配置的方法包含一些基本的蛇形机器人车轮的结构模块可能使用他们每个人单独。方法的主要思想是最小化的基础模块的重新配置他们的更精确的操纵。

在[ 20.),一个方法使用蜂巢的机器人提出了地面侦察和映射。它功能建模的结果蜂巢表面着陆太阳系的行星之一,确认方法的算法的效率的控制和协调。

在[ 21),规划的路径移动的方法移动自主机器人三维环境中,以优化生成的轨迹的可能性使用粒子群算法,提出了。这种方法的缺点是不可能在环境中的应用与动态障碍。

在[ 22),提出了一种方法,它允许一个获得最佳机器人轨迹基于一种改进的自学习算法 问则将。的缺点[描述的方法类似 13, 14),是由二维网格的方式代表空间。在机器人大多数作品的共同特征,包括( 1- - - - - - 22),是关注不足的分析环境中机器人执行的一组任务。评价机器人的功能特性,允许确定他们的健身水平设定目标的成就也不是。为了解决上述问题,这项工作提出了定性指标的生成方法的复杂性局部区域环境和复杂的评价机器人的特点。

用该方法在实验,下面的假设是:小组成员的相对位置是已知的每个成员;障碍检测信息是提供给所有小组成员在同一时间。在实践中,这些假设的实现需要使用特殊的设备,如惯性导航系统,GPS导航,里程表,和其他设备来解决的问题,确定机器人的位置区域,组织社会团体内部的信息交换的数据传输系统。目前,该方法不限制其正确应用程序所需数据的来源,这使得它可以使用任何可用的硬件设备。

在“环境的复杂性”在这篇文章中,我们所说的数量和配置在群机器人周围的环境障碍。使用数据环境的复杂性和机器人的参数,可以获得更优的轨迹运动的个人组和整个小组的成员作为一个整体,来确定区域的空间进入不良或不能接受的。

定性指标的生成方法的复杂性局部区域的环境是基于一个特定模型的使用。它允许将数据来自第i个机器人的计算机视觉系统的数值评估当地环境的复杂性 δ _疯狂的。让我们考虑一下它是如何发生的。基于3 d激光雷达,当机器人使用CVS的障碍提出了作为一个点集,它允许评估他们的分布。图 1说明了环境扫描的CVS。

使用的物理类比的时刻转动身体的自主移动机器人的纵轴(AMR) OY₁和横向轴 ОY₃,考虑到体重是单身,我们获得的浓度 J在轴 ОY₁和 ОY₃的点 P₁: (1) J O Y p 1 = d p 11 2 , (2) J O Y p 3 = d p 13 2 。

归一化浓度轴周围的障碍点 ОY₁和 ОY₃可以由以下公式: (3) J O Y p 1 = ∑ 我 = 1 米 d p 我 1 2 ∑ j = 1 米 d j 1 2 + ∑ 我 = 1 米 d p 我 1 2 , (4) J O Y p 3 = ∑ 我 = 1 米 d p 我 3 2 ∑ j = 1 米 d j 3 2 + ∑ 我 = 1 米 d p 我 3 2 , 在哪里 d _π1和 d _π3垂线的长度吗 我th坐标轴的障碍 ОY₁和 ОY₃, d _j1和 d _j3垂线的长度吗 jth激光射线,不符合一个坐标轴的障碍 ОY₁和 ОY₃, 米遇到的障碍是射线的数量, n射线的数量不满足一个障碍。

让3 d激光雷达有以下特点: α _盖子:水平扫描角(rad); β _盖子:垂直扫描角(rad); l _盖子:激光雷达操作范围(m); Δ _盖子:激光雷达射线间距(rad)。使用上面的特点,激光雷达能够扫描从左到右和自底向上的空间。垂线的长度 d _π1和 d _π3可以通过以下算法:发现计算的水平角 我th射线(从左到右) rh_我 Δ( rh_我水平的数量吗 我th射线);计算的垂直角度 我th射线(自底向上) 房车_我 Δ( 房车_我是垂直的吗 我th射线);计算坐标 x _iР, y _iР, z _iР的点 Р_我使用公式: x _iР= d _πcos ( rh _我 Δ)×cos ( 房车 _我 Δ), y _iР= d _πsin ( rh _我 Δ)×cos ( 房车 _我 Δ), z _iР= d _πcos ( rh _我 Δ)×罪( 房车 _我 Δ);考虑到AMR取向角( φ, υ, γ),我们需要用( x _我, y _我, z _我由旋转矩阵)坐标向量: (5) 米 φ , υ , γ = c φ c υ c φ 年代 υ 年代 γ − 年代 φ c γ c φ 年代 υ c γ + 年代 φ 年代 γ 年代 φ c υ 年代 φ 年代 υ 年代 γ + c φ c γ 年代 φ 年代 υ c γ − c φ 年代 γ − 年代 υ c υ 年代 γ c υ c γ , 在哪里 年代(·)和 c(·)分别是正弦和余弦;轴的角度 ОY₁, ОY₂, ОY₃通过方向余弦被发现: (6) α = 一个 因为 x 1 P d p 1 , β = 一个 因为 y 1 P d p 1 , ρ = 一个 因为 z 1 P d p 1 。

从点的垂线的长度 P_我的轴 ОY₁和 ОY₂被发现: d _₁= d _πsin ( α), d _pi3= d _πcos ( β)。最后一个表达式允许使用公式计算障碍点的浓度( 1)- ( 4)。

获得学位的评估当地的环境的复杂性,我们可以用以下表达式: (7) δ lос = J О Y 1 J О Y 3 。

为了证实的充分性评估当地的环境的复杂性,我们使用以下给定数据进行模拟:3 d激光雷达参数: α _盖子= π/ 2, β _盖子= π/ 4, l _盖子= 20米, Δ _盖子= π/ 30,空间从左到右扫描和自底向上的;移动物体参数: y ₁= 0, y ₂= 0, y ₃= 0, φ= 0, υ= 0, γ= 0;和障碍参数:球体半径。

下面给出的情况下具有不同的例子视图中的许多障碍AMR的3 d激光雷达和不同距离的障碍。

案例1:有一个障碍AMR的观点在15米的距离。给出了这种情况下的俯视投影图 2;前视图投影图所示 3。

在例1中,我们获得的价值当地的环境的复杂性 δ _lос= 0.0115,这对应于现实,远离AMR自障碍。案例2:有一个障碍AMR的观点在5米的距离,这是比案例1的近三倍。这种情况下的垂直投影视图呈现在图 4,前视图投影图 5。在例2中,我们获得的价值当地的环境的复杂性 δ _lос= 0.0658。复杂性估计的价值增加,因为障碍是接近AMR现在。案例3:有一个障碍AMR的观点在1.35米的距离。图 6说明了立体的的障碍所看到的AMR的3 d激光雷达。

3,当地环境的复杂性的价值AMR的方向运动 δ _lос= 1,对应于现实,因为障碍,事实上,街区。案例4:有三个相对分组障碍AMR的观点在15米的距离。这种情况下的垂直投影视图呈现在图 7,前视图投影图 8。在例4中,我们获得的价值当地的环境的复杂性 δ _lос= 0.0483。获得的估计价值大于以防虽然距离的障碍是相同的,现在有三个人,构成一组。案例5:有三个相对分组障碍AMR的观点在5米的距离。

这种情况下的垂直投影视图呈现在图 9,前视图投影图 10。5,我们获得的价值当地的环境的复杂性 δ _lос= 0.8153。环境复杂度估计现在明显的价值更大,与前面的情况下,相同数量的障碍,但在三次大的AMR的距离。案例6:有五个相对分组障碍AMR的观点在15米的距离。这种情况下的垂直投影视图呈现在图 11,前视图投影图 12。

6,我们获得的价值当地的环境的复杂性 δ _lос= 0.0531,大于以防4有三个障碍放置在相同的距离。例7:有五个障碍互相远离的AMR的观点在15米的距离。这种情况下的垂直投影视图呈现在图 13,前视图投影图 14。在案例7中,我们获得了当地的环境的复杂性 δ _lос= 0.1784,大于4有三个障碍和对应的五个障碍水平AMR的3 d激光雷达视图。

成功完成的任务由一群机器人不仅取决于环境的复杂性也由机器人的特点。获得定量评估特点,AMR集团的成员是一个单独的任务,这是解决这项工作基于模型如图 15。这个模型包含以下元素:评估AMR的动力学模型;AMR的评估模型的大小;和模型评估的AMR的机动能力。模型的分解图所示 15为它的组成元素显著减少合成的复杂性。这是通过减少的数量的输入和输出变量的组合研究人员被迫操作当制定控制规则为每个元素。而不是一个庞大的模糊模型,结果几个简单,逻辑上是透明的。

我们将目前的机器人的动力学模型,评估相结合的三种模式М1-М3如下:模型接收的输入输出变量的模糊分类器对AMR的线性和角度特征,和输出变量 米 _r就形成了。线速度 v r 和线性加速度 一个 _r将被视为输入语言变量(LV)模型M1。角速度 ω _r和角加速度 ε _r将被视为输入语言变量的模型M2。

LV的“线速度”,专家确定术语集 T( v r )={<低>、<介质>、<高>},它包含三个terms-three模糊变量(艘)。基础设置无视阵线LV“线速度”速度变化范围从 v _rmin来 v _征求。用模糊值进一步简化操作,让我们正常速度变化的范围,减少区间[0,1]。图 16显示了LV阵线成员函数 v r 。LV的“线性加速度”,专家确定术语集 T( 一个 _r)={<慢>、<平均>、<快>},其中包含三艘渔船。注意,术语“线性加速”包括加速度和AMR的缺陷。基本设置设置阵线LV“线性加速度”已经从−加速度变化范围 一个_rmin到+ 一个_征求。

再一次,我们进一步简化操作和模糊值;让我们正常的加速度变化范围,减少区间[0,1]。图 17显示了LV阵线成员函数 一个 _r。

以同样的方式,让我们定义LV ε _r(角速度)和LV ω _r(角加速度),设置类似的术语集 T( ε _r), T( ω _r)和三艘具有相同的含义。图 18显示了LV阵线成员函数 ε _r。图 19显示了LV阵线成员函数 ω _r。基地集确定为LV阵线 ε _r并为LV阵线 ω _r也归一化,即。,reduced to the range of values [0, 1]. Rule bases of fuzzy classifiers M1 and M2 contain 9 rules of fuzzy output each. Surfaces of fuzzy output for these models are shown in Figures 20(一个)和 20 (b)。输出变量的评估模型的AMR的动力学是一个LV 米 _r(“AMR的动态评估”)。

这个LV的术语集 T( 米 _r)={<低>、<介质>、<高>}。AMR的动力学的基本设置评估是相对的间隔值从0到1,1是AMR的最大值的流动性。图 21显示了LV阵线成员函数 米 _r。图 22LV的显示表面模糊的输出 米 _r值,这说明了依赖的程度决定模型的输入参数。

模糊模型,提出了评估的AMR的大小有三个输入和一个输出,如图 22。为LV“长度”,专家确定术语集 T( l _r)={<小>,<介质>、<好>},其中包含三个模糊变量。基地集确定阵线LV的变化范围从“长度” l _rmin来 l _征求,这是减少区间[0,1]。图 23显示了LV阵线成员函数 l _r。lv的 h _r(“高度”)和и b _r(“宽度”)以相同的方式定义。这些变量的隶属度函数给出了数据 (24日)和 24 (b)。评估模型的输出amr LV的大小定义 大小 _r用术语集 T( 大小 _r)={<小>、<中部>、<大>}。

图 25显示了LV阵线成员函数 大小 _r与基地组估计从0到1。专家规则库确定的变量的值 大小 _r包含27个规则。模糊模型的积分估计AMR的机动能力有两个输入(“动态评估”和“规模评估”)和一个输出(语言变量“机动能力”)。LV“操纵能力,”专家确定术语集 T( 女士 _r)={<弱>,<强>、<好>},其中包含三个模糊变量。无视阵线LV的基组“机动能力”的变化范围 女士 _rmin来 女士 _征求,这是减少区间[0,1]。

图 26显示了LV阵线成员函数 女士 _r。变量的隶属度函数的形式 d _com如图 27。输出值的变量的规则库包含9“机动能力”规则。图 28显示了模糊输出表面模型M5。

模糊模型的初始参数用于工作选择偏好的基础上研究人员,随后根据实验结果调整。最后一个参数的模糊模型,以及溶液的表面和建模结果在他们的基础上,现介绍如下。

实验研究方法的量化指标的生成复杂的局部区域的环境进行一些测试场景。让我们考虑一下。如图 29日,该集团包括三个amr和五个障碍;职位描述表 1。CVS是由激光雷达的距离矩阵建模16×8,可视角度90°水平和垂直45°,和一系列20米。图 30.说明了激光雷达扫描各自环境的机器人。

开始和结束的坐标移动点的AMR表 2和表 3。图 31日介绍了模拟的结果一群机器人的运动采用模糊模式( 23- - - - - - 26]。数据 31日(一)来 31日(d)显示模拟结果一群AMR的运动,当到达端点从不同的角度。

从图我们可以看出 31日,环境看起来最复杂的观点的AMR没有。1(实线),但其较低的值(小于0.25)允许所有机器人通过障碍作为一个集团的形成,没有冲突。AMR的复杂性估计没有。2,AMR没有。3类似,因为他们有对称的位置。案例2:组中的每个机器人都有自己的复杂性。初始位置的障碍和AMR集团在图所示 32。

开始和结束点移动的坐标AMR集团给出的表 4和表 5。我们可以看到在图 32,AMR集团需要通过一个障碍,提出了与奇异的球体半径和块运动区域的50%。仿真结果如图3 33。

从图我们可以看出 33AMR集团的,不同的成员有显著不同的CVS的观点,影响运动的过程和评估环境的复杂性。图 34显示情况2刺激的结果。在这种情况下,环境看起来最复杂的观点的机器人。2(虚线)的原因没有实现端点。AMR没有。1(实线)评估环境的复杂性,而复杂,但在离开机动指标JYO1 JYO2开始减少和估计改为noncomplicated。AMR的环境复杂度估计没有。3(点划线)最初是最低的一个,也没有在模拟运动校正的必要性。

的生成进行研究和实验表明,该方法估计的局部区域的环境使用CVS数据使我们能够了解他们有多加载与不同的对象,例如障碍。这些数据可用于确定最优规划算法能够满足的需求现状的计算资源的成本和效率产生的轨迹 23- - - - - - 26]。如果考虑本地地区相对较小的复杂性、计划任务等方法可以成功地解决了基于虚拟字段和模糊行为的方法。

如果复杂性高,应该使用替代方法,例如,不稳定的方法模式。数据环境的复杂性也可以用于无视它的一些地区作为一个不可逾越的机器人或一组机器人。这一决定的原因可能违反安全要求,无法保持群体形成,或按时完成任务。形成一个复杂的方法评估amr的特点允许获得定量估计他们的健身实现设定的目标。这些数据是必要的,有效的目标分布,重新配置群体形成的情况下其结构的变化,客观变化,等等。