智能机器人协作系统及其关键技术

　　在机器人向智能化的发展中，多机器人协作系统是一类具有覆盖性的技术集成平台。如果说单个机器人的智能化还只是使个体的人变得更聪明，那么多机器人协作系统则不但要有一批聪明的人，还要求他们能有效地合作。所以它不仅反映了个体智能，而且反映了集体智能，是对人类社会生产活动的想象和创新探索。

　　多机器人协作系统有着广泛的应用背景，它与自动化向非制造领域的扩展有着密切的联系，由于应用环境转向非结构化，多移动机器人系统应能适应任务的变化以及环境的不确定性，必须具有高度的决策智能，因而，对多移动机器人协作的研究已不单纯是控制的协调，而是整个系统的协调与合作。在这里，多机器人系统的组织与控制方式在很大程度上决定了系统的有效性。

　　多机器人协作系统还是实现分布式人工智能的典范。分布式人工智能的核心是把整个系统分成若干智能、自治的子系统，它们在物理和地理上分散，可独立地执行任务，同时又可通过通信交换信息，相互协调，从而同完成整体任务，这无疑对完成大规模和复的任务是富有吸引力的，因而很快在军事、信及其他应用领域得到了广泛重视。多机器协作系统正是这种理念的具体实现，其中每机器人都可看作是自主的智能体，这种多智体机器人系统MARS（MulTI—AgentRoboTIcSystems）现已成为机器人学中一个新的研究热点。

　　多移动机器人系统由于具有移动功能，能在非结构环境下完成复杂任务，是多机器人协作系统中最具典型意义和应用前景、也是得到最广泛研究的一类系统。以下就以多移动机器人系统为代表，介绍智能机器人协作系统的主要关键技术：

　　1．体系结构

　　体系结构是系统中机器人之间逻辑上和物理上的信息关系和控制关系，以及问题解能力的分布模式，它是多移动机器人协作行为的基础。一般地，多移动机器人协作系统的体系结构分为集中式（Centralized）和分式（Distributed）两种。集中式体系结构可用一个单一的主控机器人（Leader）来规划，该机器人具有关于系统活动的所有信息。而分布式体系结构则没有这样一个机器人，其中所有机器人相对于控制是平等的。尽管集中式体系结构可实现全局最优求解，但因考虑到不确定性影响，实际上人们更偏好分布式结构。近年采，在分布式体系结构中，为了克服机器人在实际环境中对环境建模的困难，，提高多移动机器人协作系统的鲁棒性和作业能力，一些学者采用了基于行为的反应式控制体力，一些学者采用了基于行为的反应式控制体系结构，将合作行为建立在一种反应模式上，加快了移动机器人对外界的响应，避免了复杂的推理，从而提高了系统的实时性。

　　2．感知

　　感知是智能机器人行动的基础，包括"感觉"（传感）和"知道与理解"信息融合与利用）。在移动机器人中最主要的感知问题是定位和环境建模问题［7］o虽然已有里程计推算、基于视觉的路标识别、基于地图匹配的全局定位、陀螺导航、GPS等多种定位方法，但在未知非结构环境中，目前有GPS才能实现可实用的全局定位。但GPS同时受到精度、安全等因素的限制。如何借助机器人之间的配合提高定位和环境建模能力，是研究多移动机器人系统智能的重要内容。近年来，提出了多种环境地图建立与定位的同步处理方法［8］，其中环境建模与定位过程是相互伴随的，两者在彼此迭代的过程中逐步清晰化，但往往要求苛刻的环境条件。此外，在不少协作任务中只需要合作者间的相对位置信息，如编队及局部避碰等，因此基于传感器的局部定位也受到关注，机器人之间通过超声、红外、激光或视觉等传感器相互探测，然后通过统计、滤波等算法进行信息融合，由此得到系统中各机器人的相对位置。

　　3．规划

　　规划问题主要包括任务规划和路径规划，一直是人工智能及机器人学研究的主要问题，对其进行了大量和长期的研究，成果已应用在多机器人协作系统的规划问题研究中E引，与体系结构相对应，多移动机器人系统的规划通常包括集中式规划（Centra）—ized1anning）牙口分布式规戈 U（DistribUted"nning）两种方式。集中式规划一般能获得效率高、全局最优的规划结果，但它主要适用于静态环境，难以应付环境的变化。分布式规划中，每个机器人根据自身拥有的环境信息规划自己的行动，其优点是能适应环境的变化，缺点是不能获得全局最优解和可能出现死锁现象。

　　4．学习与演化

学习和演化是系统具有适应性、灵活性等特性的体现。目前，在协作机器人学中主要采用增强型学习（ReinforcementLearning）方法和遗传规划（GeoeTIcPrgramming），并且在多机