生物免疫系统在残疾人移动机器人中的应用

摘要

摘要为提高残障服务机器人的服务质量，将免疫系统应用于机器人上，具有多样性、动态性、并行管理、自组织、自适应等优点。根据免疫系统理论，将机器人感知到的局部环境条件视为抗原，将机器人视为b细胞，将可能的节点视为抗体。利用抗体-抗原亲和选择最优可能节点，保证服务机器人通过最优路径。本文详细介绍了免疫系统在服务机器人上的应用，并给出了实验结果。

1.介绍

近年来，机器人已经在许多领域得到了广泛的应用。服务机器人尤其迅速发展，为人类完成有益的服务任务。近年来，随着全球老龄化问题的日益严重，以老年人和残疾人为主要服务对象的服务机器人成为研究热点。李等人[1]研制了以高位截瘫患者为护理对象的七自由度移动式护理机器人，在无人的情况下帮助患者取药、取水、取书。Zhihua等[2]提出了一种可移动的双臂服务机器人，为老人和残疾人服务。对于这些服务机器人来说，路径规划是一个重要的问题。在有障碍物的大规模环境中，路径规划就是使机器人沿着最优路径运动，从起始位置避开障碍物到达目标位置。机器人路径规划的研究始于20世纪60年代中期。在Wesley [3.1979年)。从那时起，许多方法被开发出来。有许多传统的方法，如网格理论[4.]潜在的场方法[5.]，遗传算法[6.和神经网络[7.］.目前，免疫系统受到越来越多的关注，是继遗传算法、神经网络、进化计算等智能系统研究之后，生物启发计算智能方法的一个新的研究热点[8.］.由于免疫系统具有多样性、动态、并行管理、自组织、自适应等特点，因此免疫系统免疫算法被广泛应用于数据挖掘、网络安全、模式识别、学习和优化等领域。

在本文中，在移动机器人上应用生物系统，以更好的道路服务残疾。为确保服务机器人可以通过最佳路径，机器人需要沿着最佳路径移动。首先，生成可允许的空间树以获取可能的节点。然后申请免疫系统的吸引力。参考免疫系统理论，将局部环境信息计入抗原，并且可能的节点被认为是抗体。在此基础上，计算亲和力以选择最佳可能节点。最后，使用节点更新规则，计划最佳路径。

本文的其余部分组织如下。节2，提出了总体设计。部分3.详细介绍生物免疫系统。部分4.本节介绍了免疫系统在移动机器人上的应用，并给出了实验结果5.．本节讨论了结论和未来的工作6.．

2.免疫系统在移动机器人上的应用总体设计

为了更好地服务残疾人，将免疫系统应用于移动机器人，具有自组织、并行管理、自适应、多样性和动态性等优点。应用的细节如图所示1．

广义地说，为完成服务任务，本文提出的方法可分为三个部分。一个是可容许的空间树生成。这部分的目的是为机器人寻找可能的节点。另一个是免疫系统应用。本部分旨在优化可能的节点;从而使机器人在服务过程中路径最优。最后是拓扑图的构建。在这一部分，构造拓扑图来展示机器人所经过的路径。

3.生物免疫系统理论

保护生活尸体免受诸如病毒，细菌和其他寄生虫（称为抗原）的外国物质（称为抗原）的生物免疫系统，在人体中具有两种类型的免疫力。一种是体液免疫，另一个是细胞介导的免疫力。

两种主要类型的淋巴细胞，即b细胞和t细胞，在两种免疫中都发挥着显著的作用[9.］.b细胞通过克隆增殖分泌抗体参与体液免疫，t细胞参与细胞介导免疫。t细胞分为两类。一类被称为杀手t细胞，当感染被识别时，它会摧毁被感染的细胞。另一类被称为辅助t细胞，它能触发克隆扩增并刺激或抑制抗体的形成。淋巴细胞在血液和淋巴结中自由漂浮，巡逻寻找外来抗原。当感染的外来病原体攻击人体时，淋巴细胞对这些抗原敏感并被激活。然后辅助t细胞释放细胞因子，这是增殖信号作用于产生b细胞或其他远程细胞。另一方面，当b细胞识别抗原时，b细胞受到刺激并产生抗体。分泌的抗体是b细胞的可溶性受体，这些抗体可以分布在全身各处。 An antibody’s paratope can bind with an antigen’s epitope according to their affinity. Moreover, an antibody can not only distinguish an antigen, but also be distinguished by other antibodies [10.］.生物免疫系统抽象模型如图所示2．

4.免疫系统在机器人中的应用

随着全球社会老龄化问题的日益严重，以老年人和残疾人为主要服务对象的服务机器人越来越受到重视。因此，作为服务任务的关键问题，路径规划一直是研究的热点。同时，生物免疫系统以其多样性、动态性、并行管理、自组织、自适应等优点受到越来越多的关注并被广泛应用于许多领域。为了满足老年人和残疾人的需求，更好地完成配送任务，免疫系统以其独特的优势应用于机器人上。根据生物免疫系统，将可能的节点视为抗体，将局部环境信息视为抗原。抗体与抗原的亲和关系是目标节点的选择参考，以保证机器人在整个交付任务服务过程中路径最优。

4．1.可能的节点

允许的空间树，一组节点和图表，以说明机器人可以直接在环境中从当前位置移动到节点。来自激光扫描的聚集的读数数据根据远离机器人的欧几里德距离分离成几层。由于存在障碍物，一些层通常被分成不同的部分。在当前阶段，有两种方法可用于获得机器人的可允许空间树。一个要求覆盖有障碍物的区域被扩张，并且截面是否足够宽以通过机器人将被歧视。另一个人使用机器人的宽度作为选择可允许的空间树中的测量标准[11.］.

当前AST可用时，最新的节点被选为当前可能的节点，它描述了允许的方向。一组可能的节点为当前节点建立。定义如下:

机器人在未知环境中自主探索时，不断生成可能的节点。有时，这些节点中的一些接近已建立拓扑或可能的节点可能不属于前一个拓扑的可容许空间树。

因此，为了避免对瞬时目标节点的重访问和保证其全局收敛，采用节点更新规则对瞬时目标节点进行追加、重绑定或删除。可能的节点选择过程和节点更新规则的细节如图所示3.．

4．2．免疫系统应用程序

在生物免疫系统中，抗体可以根据亲和关系识别抗原。当抗体与抗原的亲和力较大时，就会产生免疫反应。通过相互结合形成结合，促进抗原逐渐凋亡。

为了在服务机器人上施加免疫系统，将服务机器人计数为B细胞，可能的节点被认为是抗体，并且当地环境信息被认为是抗原。对于生物免疫系统，亲和力越大，身体的益处越多。因此，遵循免疫系统理论，服务机器人系统的亲和力，被定义为，计算如下: 在哪里意思是谐波参数。被定义为环境信息获取的预测能力。它表示圆形区域中的未知网格单元数，抗体为中心和激光扫描范围作为半径。在交付任务期间，勘探环境的环境信息越多，勘探值得越大。当机器人移动到障碍时被定义为探索引用仪;它通常从一到十个值估值。值越高，占用的网格号越多。这是基于自主探索的一个固定思路，这意味着附近的障碍物的环境更多的环境信息。同时，表示机器人从当前位置移动到相应可能节点所花费的时间。总之，参数越大是，机器人可以服务越好。因此，将选择具有更大亲和力的可能节点作为机器人将移动的目标节点。

5.实验结果

为了验证免疫系统应用带来的良好路径规划性能，进行了一些实验。

5．1.实验的机器人

在实验环境中对机器人进行了实验。实验结果如图所示4.．

数字4(一)说明了实验环境和图4 (b)显示机器人在四个时刻的位置。此外,图4 (c)描述了可能的节点抽象过程和图4 (d)说明拓扑图。红色节点表示拓扑节点，这意味着机器人在配送服务中通过的位置。蓝色节点是可能的节点。

为了说明通过引入免疫系统带来的优点，在图中描述了没有免疫系统的对比实验5(一个)，免疫系统的探索结果如图所示5 (b)．

如图所示5(一个)，机器人在蓝线环绕的矩形区域内重复探索区域，图中有免疫系统的机器人探索性能5 (b)显然更好。

5.2。轮椅上的实验

将基于免疫系统的路径规划策略应用于轮椅平台，验证了该策略的实用性。实验结果如图所示6.．

数字6（a）展示了实验过程和轮椅的路径及图6（b）显示轮椅运动的四个时刻。

结果表明，利用我们基于免疫系统的路径规划策略，轮椅可以避开障碍物，在最优路径上运动。

综上所述，通过基于免疫系统的路径规划策略，服务机器人可以完成配送任务，使残疾人和老年人的移动更加方便等。

6.结论

为了满足老人和残疾人士更好，服务机器人必须通过最佳路径移动。因此，免疫系统适用于服务机器人的优点。

首先，机器人抽象出可容许的空间树来寻找可能的节点。然后与免疫系统比较，将可能的节点视为抗体，将局部环境信息视为抗原。最后，在机器人和轮椅上进行了实验，验证了路径规划策略的实用性。

未来将进一步研究现有算法的改进，并将重点放在多机器人系统上。

利益冲突

作者声明本文的发表不存在利益冲突。

致谢

北京自然科学基金会（KZ201110005004）和国家自然科学基金会（61175087和61105033）支持这项研究工作。

参考文献

1. J. Li，J. Zhang和D. Jin，“移动医疗保健机器人”，中国康复医学杂志，第10卷，第5期。3、pp. 126-128, 1995。视图:谷歌学者
2. 张志华，张建勇，杨磊，刚磊，“一种可移动的双工作臂老年人和残疾人服务机器人的研制”国际电子计算机技术会议(ICECT '09)论文集，第636-640页，2009年2月。视图:出版商网站|谷歌学者
3. M. A.卫斯理，“在多体障碍之间规划无碰撞路径的算法”，ACM的通信，第2卷，959-962页，1979年。视图:谷歌学者
4. Y.-S。刘乃伟，杨梅。基于网格法的虚拟人路径规划算法计算机工程与设计，第29卷，第2期5，页1229-1230,2008。视图:谷歌学者
5. D. Gu, H. Hu, J. Reynolds, E. Tsang，“基于ga的行为机器人学习”，机器人和自动化计算智能的IEEE交易，第3卷，第1521-1526页，2003。视图:谷歌学者
6. 陈光，沈林，“复杂环境下的遗传路径规划算法”，机器人，第23卷，第2期。1，页40-43,2001。视图:谷歌学者
7. J. Yu，V.Kromov，Z. Sun和H. Narihisa，“基于神经网络的路径规划快速算法”机器人，第23卷，第2期。3，第201-205页，2001。视图:谷歌学者
8. “基于人工免疫网络的机器人路径规划”，中国IEEE机器人与仿生学国际会议论文集(ROBIO’07)，页1053-1057，中国三亚，2007年12月。视图:出版商网站|谷歌学者
9. R. O. Canham和A. M. Tyrrell，“用于容错系统的硬件人工免疫系统和胚胎阵列”，遗传编程与可进化机器，第4卷，第4期。4，页359-382,2003。视图:出版商网站|谷歌学者
10. D. dasgupta，“人工神经网络和人工免疫系统：相似性和差异”IEEE系统、人与控制论国际会议论文集，第873-878页，美国佛罗里达州奥兰多，1997。视图:谷歌学者
11. S. S.GE，Q. Zhang，A.T.Breaham和B. Rebsamen，“同时的路径规划和拓扑映射（SP2ATM）为环境探索和目标导向导航”机器人技术与自主系统，第59卷，第59期3-4页，228-242,2011。视图:出版商网站|谷歌学者

版权

版权所有©2014贾松民等。这是一篇发布在创意公共归因许可证，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。