基于实时启发式的移动机器人功率优化

摘要

移动机器人通常使用有限的能源，由有限的电池提供。由于能源资源的有限性，需要人为的介入来给电池充电。为了减少人类的干预，这项工作着重于协调一组机器人的力量。功率优化子程序提供了控制单元(CU)对功率分配的一些感觉。各种机载传感器、驱动器和通信模块由一个启发式的控制器类控制，允许这样的组件保存电流从附加电源。使用该方法，自主机器人将意识到他们的电力系统，特别是电池寿命。新方法利用了启发式函数，该函数使用在不同时间计算的评估值，针对不同的机器人。在这组机器人上应用了实验装置。在每个机器人上对优化模块进行评估。结果表明，移动机器人团队在执行任务时能耗更低，功率调节效率更高。 Finally, the application of the proposed optimization technique in a distributed manner achieves good power saving figures when performing the particular task.

1.介绍

同质移动机器人设计模仿群的生物生存和群体，如蚂蚁和鸟类的羊群工作的行为。然而，建立异构机器人系统时，面临的主要挑战是实现个体异构机器人之间的合作的能力。这一挑战，随后，对不同的设计因素，例如通信设备，连接和部件的完整性的影响。板载硬件资源的有效利用是一个关键问题，这不仅取决于电气架构，而且它的机械设计[1]。此外，机器人必须有很大的自主权来完成他们的任务在未知的地形，他们也应该能够运行很长一段时间[2，3]。为了成功地完成一项任务，机器人群应该有能力不断监控其电源的状态。自主移动机器人由安装在其平台上的电池供电，以便为机载传感器、微控制器、伺服系统和外围模块提供电力。电池有特定的充电率，因此集群中机器人的运行时间受到限制[4];因此，成功地利用能量资源对于管理机器人组的剩余能量至关重要[五]。

每个机器人所消耗的总功率，可由各部件所消耗的电流乘以其工作时间计算[6]。这样的计算对电池的选择有很大的影响。电池的选择还取决于许多参数，如大小，功率额定值，容量，放电周期，和成本。在本研究中，使用了五个不同硬件配置的异构机器人。锂离子电池的荷电状态(SoC)可以使用基于无迹卡尔曼滤波的方法估算，如[7]。但是，很多其他因素也会影响机器人的功耗，比如它周围的环境，任务的性质。

在本文中，主要重点是调查功耗优化的移动机器人的长期行动，重点对涉及问题，这些问题直接关系到电力估计，缓慢排放和动力总成约束。部分2从功率优化自治的角度讨论了机器人群实时技术。在章节中对文献中先前的研究工作进行了简要的概述3。部分4从能量消耗和能量估计的角度给出了被测试的机器人群的概述。部分五给出了功耗优化的结果，以及模块在分布式环境下的应用，最后给出了结论6。

2.文献评论

在这种情况下，功率优化是指控制程序能够独立关闭群体中每个机器人的所有子模块[8]。在机器人系统中使用锂聚合物电池作为电源。锂聚合物电池具有电流大、体积相对较小、整体性能优于其他类型电池等优点[9，10]。此外，这些电池具有非常低的自放电率和保留能力。操作特定硬件组件所需的电量因制造商而异。操作超声波传感器、伺服电机等所需的推荐电流可在制造商提供的规范文件中找到。从硬件的角度来看，使用这些数据可以节约能源。例如，至关重要的模块，如控制单元，负责操作相当重的车轮马达，可以激活或停用时，需要。这可以使用中断服务例程(当新的子任务被启动时)或由一个外部计时器[11]。

切断摄像机控制单元（CCU）或超声波传感器可能被认为从机器人的角度来看不可接受的，因为它是使机器人知道其它机器人和障碍的唯一传感器。但是，如果能量源是有限的，这些模块也可以通过自动适当的行动计划如Kim [讨论关闭12]。例如，在地形导航的同时，从一个机器人向另一个机器人共享信息是不可能的;事实上，大部分的能量是由安装在机器人平台上的控制器或执行机构消耗的。Grzelczyk等[13更感兴趣的是确定六足机器人的最佳运动学配置。通过使用振荡器对机器人的运动和重心进行模式识别，实现了可观的节能效果。摩擦是导致能量迅速流失的极端因素之一。地面和机器人的轮胎或胎面之间可能会产生摩擦，这取决于机器人的设计。Eggers等人试图提出一种精确的模型来节约能源消耗。[14]。作者提出了一种在工业机器人中依靠温度和摩擦之间的联系的方法。他们的方案在著名的KUKA kr16机器人机械手上进行了测试。

Mondada等[15]提出各种自配置字段机器人之间的分布式动力负载的技术。使用感测覆盖模型的更复杂的控制，通过Kantaros等人提出。[16]。理想的任务分配方式有利于节省电能。机器人之间的工作分配已经进行了研究。Buscarino等研究人员[17]有提出解决方案，以克服在联网的粒子或在它们的情况下的组移动机器人的图案噪声。每个机器人的速度和方向被控制，这从而增加电池寿命。博弈论的概念已在开发使用以以前玩过输球的解决方案（球队的状态）来产生电流获胜状态的战略决策有相当一部分。战略决策能够在一个团队自主机器人的使用，以便他们将根据如在工作解释健身功能达到通过基因组合两个以前的状态（游戏）的最佳目标[18]。显然，只有在系统中涉及多个代理时才能执行策略解决方案。Dorigo等人介绍的swarmnoid系统的异质性[19是集成了电源管理模块的群系统的另一个例子。如Mie等人所解释，伺服电机消耗了总功率负荷的50%以上[20.]。他们介绍了两种方法来使用实时调度动态管理功耗。

3.电源保护通过编程

在设计软件程序时，电源优化控制器模块(class)对节电起到了重要作用。最初，控制器处于休眠模式，因为它在给定的时间内断开时钟信号。控制器处于睡眠模式一段时间，直到机器人获得新的动作。这个过程大大降低了执行循环的频率，如算法中所示的伪代码所示1。该控制器然后可以使用硬件中断，如中断服务程序（ISR），或通过在休眠模式期间外部定时器唤醒。硬件中断触发实现软件定时器相约在功率优化模块中，使其减小，如算法所示。在机器人的执行周期(运行时)中，系统可以看作是一个状态图。基本上，控制器最初设置为睡眠模式(根状态)。当它被唤醒时，根据省电管理器生成的评估值，它会进入一个新的状态，如本节所述3。评估计算每一个可能的解决方案，引导特定的机器人到最终目标。在active模式下，控制器不断检查当前行为(动作)和系统状态是否仍然有效。否则，将启动一个时间溢出中断，指示任务已完成。

该程序被上传到每个机器人代理上，包括一个功率优化子程序代码。这个程序包含了负责管理硬件设备和所有可能的功能的集成软件方法。功耗模块中的控制器类跟踪控制器的空闲和活动模式。

4.电源优化使用启发式功能

多智能体移动系统设计的一个重要问题是高效能。群机器人代理往往体积较小，这导致与更强大的单一代理系统相比，其车载电池相对较小。几种可充电电池已用于移动机器人。正如章节中提到的2在美国，与普通的可充电电池相比，使用锂聚合物电池有很多优点。此外，锂电池具有放电慢、充电快的特点，能承受高频充放电循环。这是因为这些电池容量小，但自放电率低，每月不到5% [21]。在更大规模的应用中，拥有数千个小锂电池需要一个冷却机制来防止过热。在这样的系统中，由于锂电池在充电阶段非常敏感，需要一个控制电路来保护电池在充电期间的使用寿命。集成在电池上的微控制器负责提供控制来调节充电过程[22-24]。

这个系统中的一号机器人由各种硬件组成。它配备了一个2200毫安(毫安)9v(伏)的电池给它的微控制器和驱动马达。微控制器反过来为各种伺服器和传感器提供5v。使用瓦特等于伏特乘以安培的公式，加上电压和每个组件的额定功率，每个机器人的总功耗可以计算为瓦特。例如，超声波传感器在5v电流下工作时消耗20ma，总功率负载为0.02(安培)×5v = 0.1 w。

一个启发式函数用于展示如何节省功率优化操纵实时机器人群。假设 一组n个机器人，每个机器人在哪里可以通过其板载电池、伺服器、传感器和通讯外设来表达。即。，each robot can be expressed as ，表示机器人的id、电池容量和机器人的评价函数。节能过程首先为机器人指定一个评估值执行一个任务 。评价参数由相乘机器人的结果除以结果生成电池容量和电池电压由传感器或驱动器的功率率。然后将结果加到机器人的频率系数中运行为组的整个团队的一部分。机器人的评价参数由下式表示:

在哪里是由一个组件所消耗的最大功率，是其他各部分的消耗之和。是机器人的总负载 ， 是表示其中机器人的时间部分的恒定系数被激活。常数取值在（0,1]的时间间隔。为了节省功率，激活机器人团队的权组可以通过选择具有最大试探值的一个来实现。启发式函数等于为的总和all robots’ evaluations in a given group. For instance, if there are four groups of robotic agents, the heuristic function for each group它由机器人由下式给出:

选择启发式值最大的组来执行预期的任务。提前进行数学模拟，并事先了解实验情况，这将为初步选择机器人提供一个清晰的画面。在任务执行过程中，选择对整体节能起着重要的作用。先验知识包括对象的大小，它与机器人的距离，以及任何其他有效因素(如表中所示的组件使用率百分比)1)。功率优化模块为机器人计算评估参数，并通过无线通信监测其行为。在测试所提议的系统时，拉动一个对象的任务被分配给移动小组。显然，首要任务是导航;例如，使用启发式方法的三个机器人团队的评估参数的意图如下:

考虑机械人一在第一组( ）表格1显示了这个机器人的电源故障。

机器人1的评价函数如下:

因此，对于机器人2和3的评价值分别为3.68和2.53。Therefore, the total heuristic value for the group is 3.52 + 3.68 + 4.3 = 11.5. The group that has the maximum heuristic value amongst the other groups is chosen and hence, will be assigned the task by the heuristic power manager.

在等式中使用的数值（1)均列于表中2-6。这些表还示出了由不同的硬件部件的电源负载的更详细的描述在五个异构机器人剂即机器人1，2，3，4，和5的功率因数（PF）是给定的实际功率的比率由车载电池并供应到传感器的可用功率。功率的量由微控制器，因为它把它们ON或OFF来确定。功率因数基本上具有在0到1的范围的值。

如表所示2，the microcontroller only supplies a 5 V current to the various sensors and communication units using a 2200 mAh 9 V Li-Po battery. The 9 V current goes directly to wheel motors/encoders. The total power consumed by this particular robot is 19.621 Watts. The estimated battery lifetime of robot-1 at its best conditions should be as follows,

Robot-2使用一个6 V 3000 mAh Li-Po电池给微控制器、车轮马达和车轮编码器。robot-2的启发式值为3.68。和robot-1一样，robot-2上的微控制器向其连接的组件提供5v电流。如表所示3，该机器人的总功率负载为8.88瓦。电池预计用时计算如下:

如表所示4在美国，robot-3使用了一个7.3 V 3300毫安的电池来为它的微控制器、其他单元以及机载摄像头供电。这个机器人的总功率负载为11.41瓦。电池预计用时计算如下:

与robot-1类似，通过功率优化模块计算机器人3的评价函数。应该记住，当电池电量开始下降时，这些值可能会在运行期间发生变化。虽然这种启发式的集中计算速度更快，但将这种控制分布在每个机器人上也是可能的，我们将在章节中进一步讨论5.2。在分布式方法中，模块使用仅在指定任务中使用的有限数量组件的值。因此，与集中式方法相比，启发式值将显著地更高。对robot-3的初始评价计算如下:

Unlike robot-3, robot 4 uses a 7.3 V 2400 mAh battery to supply its microcontroller as well as an onboard camera. The total power load on this robot is 15.95 Watts as shown in Table五。电池预计用时计算如下:

Robot-5使用一个6v 2400毫安的电池为其微控制器和其他外设供电。如表所示，该机器人的总功率负荷为13.08瓦6。PF小于1的组件对电池的瓦数负载更小。在这种情况下，PF系数将乘以元件的比载荷。机器人5的电池估计时间计算如下:

5.实验评价

5.1。评估功耗优化控制器

通过检查表中每个机器人的总功耗2-6在美国，机器人的耗电量在8.9到19.6瓦之间。基于启发式的控制器在为团队中的每个机器人计算评估值时，对每个组件使用这样的载荷图。数字1示出了机器人正在测试中。

在表中的数值的数字显示由每个机器人假设它们不拉/携带任何对象所生成的估计的功率负载。当负载在群系统被呈现，例如，拉一个对象，实时技术激活省电模式这继而会关闭用于特定任务的任何不需要的成分。为了说明的是，机器人1，2，和3被分配拉动，重量0.5公斤的对象的任务。功耗测量两种不同的情况采取每一个不同的实验。而群系统处于模式节省被动元件-（方案1号）第一组读数取。所有传感器，伺服系统，驱动电机，通信外设，以及时钟总是在做他们的工作打算不管他们实际需要的。因此，电池的放电率是相当高的。例如，机器人1执行该任务，直到它完全在20分钟之后排出其功率与图蓝色线图形方式显示2。几个机械和地形因素是解释机器人实际放电率明显低于理论计算的关键原因。更具体地说，机器人在拉动物体时，或者在崎岖不平的地面上行走时，会消耗更多的能量来抵消车轮摩擦。

为了节省电池，电源由计算机上运行的电源模块管理。模块决定传感器和/或执行器是否保持(激活)，直到任务完成。因此，在第二组(方案no。2)，模块根据接收到的启发式值控制传感器、执行器和伺服电机的状态。这是由特定硬件组件提供的功率因数决定的。在这个实验中，传感器、伺服器和其他元件只在需要的时候被激活;否则，它们会保持睡眠模式以提高效率。功率启发式读数用红线表示，如图所示2。它可以从图中可以看出，在第二场景（启发式方法）使机器人更有效地用于第一两组实验执行的任务，因为电池放电较慢。

Robot-2是消耗能量最少的代理。虽然它使用的电池相对较弱，但它的重量较轻，组件较少，有助于节省电力。数字3在两种模式显示机器人-2放电行为。

Robot-3配备了无线摄像头。在不同的时间间隔读取电池容量，如图所示4。

5.2。以分布式方式实现

所提出的系统可无论分布在队机器人的数量。该组的机器人之间的控制的动态分配可以通过由每个机器人生成可受理启发函数值的选择来实现。机器人有一个启发式由式(10）

在哪里可由公式(1)，如章节所示4。对于每个机器人来说，一个可容许的启发式函数意味着该函数代表了完成特定任务的成本，其中其值小于或等于真实成本 。现在，通过积分评估模块每个机器人拥有CU，机器人可以分享他们的启发式值，并在避开障碍物时分散对彼此的控制。这一次，所有5个机器人都被分配了在教室里的障碍物之间导航的任务。受…的启发。17，机器人通过无线功能分享它们的方向和速度信息。机器人在环境中四处走动时，试图形成统一的动作。实时生成一组路点。在每个点上，计算每个机器人的评估参数和方向，并与团队的其他成员共享，以便比较启发式。5个机器人在不同时期共享的启发式值如图所示五。通过共享启发式值，机器人必须激活基于其启发式及其零部件的机会，因为在解释节4。

从图中可以看出，机器人在任务开始时共享的启发式值非常高，因为在相当简单的避障任务中激活的硬件组件数量有限。这些值形成了一个正方形的模式，因为他们是共享和观察通信通道(终端)。随着电池容量的降低，这些值开始下降。共享这些启发式值允许团队均匀地分配子任务，以实现最大的节能。

图中出现在不寻常位置的异常点实际上是计算错误 。这些错误是由于机器人的突然过载造成的。当机器人遇到相当困难的地形或障碍物时，可能会在几秒钟内发生这种过度和短期的负载。

6.结论

实验中的性能图显示了不同机器人的放电行为。每个机器人的独特配置，加上所提出的技术，可以获得低消耗率和整体成本效益的系统。实验结果表明，采用功率优化模块后，电池寿命可延长40%以上。该模块中集成的启发式函数，在团队进行审议时，根据评估参数的顺序，有选择地选择机器人。机器人团队由5个机器人组成，可以扩展到任何规模的团队。当电源优化模块发生时，团队的行为和信息交换过程被分析和改进。为了推广所提出的方法，在分布式的群体机器人上进行了实验。收集到的结果显示，总体消费量有了显著改善。这项工作也解决了一个全面的电源管理模块，主要在硬件和软件层面的机器人群。该方法可作为未来自主移动机器人系统设计的参考。 Nevertheless, one interesting idea would be taking advantage of the concept of game theory where robots would compete to take over a given task. Strategic scenarios would take place instead of having stochastic decisions and selections.

数据可用性

用于支持该研究结果的数据包括在项目之内。

的利益冲突

我们，作者宣称没有利益冲突。我们没有申报个人情况或利益可能被视为不适当地影响所报告的研究成果表示或解释。

参考文献

1. “移动机器人的燃料电池混合动力管理策略之比较”，中华电力科学研究院汽车动力与推进会议(VPPC)IEEE 2015。视图:谷歌学术搜索
2. F. Arvin, J. Murray, C. Zhang, S. Yue，“Colias:用于蜂群机器人应用的自主微型机器人，”国际期刊先进的机器人系统卷。11，没有。7，P。113 2014。视图:出版商的网站|谷歌学术搜索
3. E. Bonabeau, D. Marco, T. Guy，“从昆虫社会行为中获得优化的灵感，”自然，第406卷，第2号6791，第39 - 42,2000页。视图:出版商的网站|谷歌学术搜索
4. F. Mondada, M. Bonani, X. Raemy等人，“e-puck，设计用于工程教育的机器人”第九届自主机器人系统和比赛会议，米兰理工学院，2009年。视图:谷歌学术搜索
5. C. Churavy, M. Baker, S. Mehta等人，“机器人映射群的有效实现，”IEEE潜力第27卷第2期4, 2008年28-33页。视图:出版商的网站|谷歌学术搜索
6. M.帕蒂尔，T. Abukhalil，S.帕特尔，和T. Sobh，“UB群：硬件实现异质群机器人的具有故障检测和电源管理，”国际计算机杂志，第15卷，第162-176页，2016年。视图:谷歌学术搜索
7. M. Partovibakhsh和G. Liu，“用于自主移动机器人模型参数和锂离子电池充电状态在线估计的自适应无信号卡尔曼滤波方法，”IEEE交易控制系统技术卷。23，没有。1，第357-363，2015。视图:出版商的网站|谷歌学术搜索
8. F.阿文，K.三苏丁，和A. R.拉马，“群体机器人长期使用自治移动充电器，”在国际会议未来计算机与通信，2009年ICFCC上， IEEE，吉隆坡，马来西亚，2009年。视图:谷歌学术搜索
9. F. Mondada，A. Guignard，M. Bonani，D栏和M.劳里亚，“Swarmbot：从概念到实施，”在2003 IEEE/RSJ智能机器人与系统国际会议(IROS 2003)IEEE 2003。视图:谷歌学术搜索
10. “Libot:户外蜂群机器人的低成本移动机器人设计”，台北2012年IEEE自动化、控制和智能系统网络技术国际会议IEEE 2012。视图:谷歌学术搜索
11. E. Ferrante, a . E. Turgut, C. Huepe, a . Stranieri, C. Pinciroli, M. Dorigo，《移动机器人群的自组织群体:一种新的运动控制方法》，适应性行为卷。20，没有。6，第460-477，2012。视图:出版商的网站|谷歌学术搜索
12. J. Y.金，设计与人机交互群的有效Millirobot的群体行为研究，多伦多大学图书馆，加拿大多伦多，2017年。
13. D. Grzelczyk, B. Stanczyk，和J. Awrejcewicz，“六足机器人三脚架步态行走时的运动学、动力学和功率消耗分析”，国际期刊结构稳定性和动力学，第17卷，第1740010页，2017。视图:谷歌学术搜索
14. “机器人温度对其能耗影响的建模与实验验证”，《能源与环境》，北京。IEEE工业技术国际会议， 2018年，第239-243页。视图:谷歌学术搜索
15. F. Mondada，L.M。Gambardella，D. Floreano，S. Nolfi，J. L. Deneuborg，和M.里戈，“群 - 机器人的合作：在集体机器人的物理相互作用，”IEEE机器人和自动化杂志第12卷，no。2, 2005年第21-28页。视图:出版商的网站|谷歌学术搜索
16. Y. Kantaros, M. Thanou，和a . Tzes，“基于可见感知约束的异构机器人群对凹区域的分布式覆盖控制”，。自动化《中国日报》，第53卷，第195-207页，2015年。视图:出版商的网站|谷歌学术搜索
17. 李泽华，“机器人分布式控制中的动态网络交互”，国立台湾师范大学学报(硕士学位论文)。混沌:非线性科学的跨学科杂志卷。16页。015116，2006年。视图:出版商的网站|谷歌学术搜索
18. P. Arena, S. Fazzino, L. Fortuna，和P. Maniscalco，“博弈论和非线性动力学:帕隆多悖论案例研究”，混沌、孤子和分形第17卷，no。2-3，第545-555页，2003。视图:出版商的网站|谷歌学术搜索
19. M.里戈，D. Floreano，L.M。Gambardella等人，“Swarmanoid：异构机器人群的研究一个新的概念，”。IEEE机器人和自动化杂志卷。20，没有。4，第60-71，2013。视图:出版商的网站|谷歌学术搜索
20. y梅,中州。李志强，“移动机器人的能源消耗与节能技术的案例研究”，国立中山大学能源与环境研究所硕士论文ICAR 05。第12届国际先进机器人会议论文集，2005，IEEE，西雅图，华盛顿，美国，2005年。视图:谷歌学术搜索
21. B. Scrosati，F.十字，和S. Panero“在锂聚合物电池R＆d进展，”电源技术，第100卷，第93-100页，2001年。视图:谷歌学术搜索
22. M. Patil和J. Toporovsky，“视觉系统、智能机器人驱动器、HMI和PLC的集成设计通用质量检测或控制机器”，我经理的日记机械工程卷。2，没有。3，第5-14，2012。视图:出版商的网站|谷歌学术搜索
23. “UB机器人群的设计、实现和电源管理”，台北第12届IEEE国际会议控制与自动化（ICCA）IEEE，加德满都，2016年。视图:谷歌学术搜索
24. M. Patil, T. Abukhalil, T. Sobh，“群机器人系统的硬件架构评论:自可重构、自重组和自复制”，ISRN机器人，第13卷，文章编号849606,11页，2013年。视图:出版商的网站|谷歌学术搜索

版权

版权所有©2020驯Abukhalil等。这是下发布的开放式访问文章知识共享署名许可，允许在任何媒体中不受限制地使用、发布和复制原创作品，只要原稿被正确引用。