远程实验室：多机器人设置与虚拟障碍物的避障实验

第九届国际会计师联合会控制教育进展国际自动控制联合会，俄罗斯下诺夫哥罗德，2012年具有虚拟障碍物的多机器人远程实验室Marco Casini，Andrea Garulli，Antonio Giannitrapani，AntonioVicinoDipartimento di Ingegneria dellVia Roma，56，53100 Siena，Italy电子邮件：{casini，garulli，giannitrapani，vicino}@ing。乌尼西岛It翻译后摘要：远程实验室越来越多地被用作一种有效的工具，让学生练习与真实的实验，有限的努力和成本。一个多机器人设置，基于乐高Mindstorms技术和Matlab环境，让学生通过互联网与真正的机器人进行实验，已经开发出来。在本文中，一个新的特点，这设置已提交。介绍了虚拟障碍物的概念，并报道了一些避障实验，以说明所提出的实验环境的主要特点关键词：远程实验室，移动机器人，多机器人系统，避障1. 介绍互动课堂的潜在好处是，学生在获得技能的同时通过做事情积极参与教学过程，这是广泛认可的（所谓的“边做边学”范式）。实践活动的重要性在工程课程中尤其如此，这些课程以控制系统或机器人技术为特色。目前，许多此类课程都安排了带动手实验的实验课不幸的是，让学生练习真实的物理过程可能是一项非常昂贵的任务，无论是时间还是成本。在大班的情况下，情况会变得更糟当学生人数增加时，实验室的经验，虽然很有教育意义，但很快就变得不可行了。在这些情况下，信息技术的进步和互联网的普及可能会有所帮助。事实上，远程实验室在技术教育中发挥着越来越重要的参见Dormido [2004]对自动控制领域技术增强学习的全面讨论远程实验室拥有真实实验室的所有优势，可为学生提供许多物理过程以进行远程实验。通常情况下，用户运行自己的实验和收集数据，通过简单地连接到实验室通过互联网与一个共同的网络浏览器，从而使广大观众的学习者获得访问各种（可能是昂贵的）教育实验。如今，远程实验室代表了实践经验的需要和可用资源短缺之间的成功权衡在过去的十年中，锡耶纳大学开发了一个专注于机器人和控制系统课程的远程实验室（Casini等人[2004]）。自动控制实验室（ACT）提供了许多不同的教学用户可以使用的经验磁悬浮器或直升机）。最近，ACT增加了一种新的教学体验，允许学生与移动机器人团队合作（Casini等人[2009，2011]）。该系统由四辆车和一个监控系统并管理用户交互的管理员机器人是用乐高头脑风暴技术建造的，该技术广泛用于教学目的（Filippov和Fradkov [2009] ， Valera 等 人 [2011] ） 和 研 究 活 动（Benedettelli等人[2011]）。[2010]），允许以有限的成本快速原型制作小占地网页允许用户与实验室进行交互，图形界面提供所选实验的在线可视化。多机器人团队有几个预定义的活动，但也可以通过上传合适的Matlab函数来运行用户定义的实验，该函数实现了机器人控制律。在本文中，一个新的功能的多机器人系统嵌入在ACT。为了能够进行更复杂的实验，同时保持易用性，引入了虚拟障碍物的概念除了指定机器人控制器，现在学生可以定义多边形区域，模型障碍存在于机器人工作空间。在每个时间步，除了机器人姿势之外，管理器还计算每个机器人到障碍物的距离。利用该信息，用户还可以在他/她的控制器中嵌入避障模块，以防止车辆与虚拟障碍物碰撞或彼此碰撞选择具有虚拟障碍物而不是真实物体提高了系统的多功能性，并降低了危险的物理撞击的风险。进行了一些实验© 2012 IFAC 354 10.3182/20120619-3-RU-2024.000522012年6月19日至21日，俄罗斯下诺夫哥罗德，国际会计师联合会第九届研讨会355为了说明所开发的设置的相关特征，描述了所提出的框架内的内容本文件的结构如下。第2节简要概述了ACT远程实验室内开发的多机器人系统虚拟障碍的概念及其实现在第3节中描述。关于避障算法的可能实验的集合在第4节中给出。第5节概述了一些结论和未来的扩展2. 多机器人远程实验室开发的多机器人远程实验室由四个相同的移动机器人组成，这些机器人采用LEGO Mindstorms技术（见图1）。该车辆具有一个直接耦合到左，右车轮的两个独立的电机的异步驱动保证机器人稳定性的第三支撑件由被动球传送单元提供电机由一个NXT模块控制，该模块运行一个PID控制器，负责跟踪车轮速度的参考第i辆车的运动学可以很好地近似为一辆单轮车的运动学。xsteci（t）=vi（t）cos（θi（t））ysteci （ t ） =vi （ t ） sin （ θi （ t ） ）（1）θsteci（t）=ωi（t）其中[xi（t）yi（t）]T是机器人位置，θi（t）是其方向，Vi（t）和ωi（t）表示车辆的线速度和角速度。Fig. 1. LEGO NXT移动机器人两个广角网络摄像头，放置在实验室天花板上，指向下方，覆盖整个实验区域（约4。5× 3米）。其目的是通过从采集的图像中提取放置在每个机器人顶部的圆形标记来检测每个机器人的位置和方向（见图1）。每个NXT微控制器-troller通过蓝牙链路与管理整个多机器人系统的中央监控系统（CSS）进行除其他任务外，CSS还负责图像处理、生成发送给每个机器人的速度参考信号以及管理用户交互。愿意运行多机器人实验的用户可以通过专用的Web服务器连接到系统。从起始页，可以选择是否运行预定义的实验或继续进行用户定义的实验。在后一种情况下，用户上载实现期望的控制律的Matlab函数这样的函数，这将被调用的CSS在实验期间在每个采样时间，必须返回线和角速度参考信号发送到机器人。一个图形用户界面，实现为Java小程序，允许用户通过一个图形面板在线显示机器人的位置和可能的虚拟障碍物放置在工作空间（见图2），以监控实验。另外一个反馈是通过实验室中移动的实际机器人的实时流提供的（图2中右下角的图片）。年底图二.图形用户界面。用户可以下载所有数据进行离线分析（每个采样时间的机器人姿势和控制输入）。为了从下载的数据中再现真实实验的图形动画，还提供了Matlab脚本（实验播放器）。类似地，为了在上传控制器进行实际实验之前对其进行测试，可以使用多机器人团队的Matlab模拟器（实验模拟器）。为了使实验室24小时可用，开发了自动充电系统当机器人的电池电压低于警报阈值时，CSS会控制车辆并将其驱动到充电站。对多机器人实验装置的实现的技术细节感兴趣的读者参考Casini等人。[2009年]。自动控制Telelab可通过htt p：//act免费访问。d二. 乌尼西岛IT。3. 虚拟障碍在本节中，将介绍用户如何定义虚拟障碍物以及CSS返回哪些对设计控制器有用的信息。如第2节所述，用户必须上传Matlab函数才能执行个性化实验。此函数的语法为function[U，N_robot，Pose_init，Obstacle]=user_function（Time，Pose，Ts，Map）具体来说，Ti m e d e tetepte medeteteete t 关于输出变量，在每个时间t，U包含每个车辆的前进和角速度参考。VariableNrobot、Poseit和Obstat2012年6月19日至21日，俄罗斯下诺夫哥罗德，国际会计师联合会第九届研讨会356实验中使用的机器人数量（最多四个），它们的初始姿势，以及环境中虚拟障碍物的定义;这些变量在实验过程中不会改变，但对实验初始化很有用为了定义虚拟障碍，必须创建一个结构关于以下问题的评论：Obstacle（i）. vertex=V其中i表示每个障碍物的累进数，V是一个矩阵v×2，其行包含多边形v个顶点的x-y坐标没有限制障碍物的数量以及每个障碍物的顶点数量。由于每个顶点都连接到相邻的顶点，因此生成的多边形可以是双顶点和非双顶点。如果未在用户定义函数内设置可访问的操作系统，则环境假设没有障碍，除非25002000150010001D1p1D2p222600 2800 3000 3200 3400 3600 3800 4000 4200x（mm）实验网页中的用户（例如，通过选择预定义的或随机的环境）。在实验过程中，在每个时间步，记录的信息记录在数据库Map中。这种结构包含以下字段：• OBSTACLE 。 它 是 一 种 基 于 预 先 定 义 的homemandroid结构的操作，在环境不是在用户函数内部定义的（即，用于随机和预定义的环境）。• ObstacleGrid. 它是一个300×450的矩阵，用于将环境的占用网格与分辨率为1cm。每个条目的值表示相应的位置是空闲的还是被障碍物占用。因此，这种矩阵中包含的信息可以很容易地在用户定义的算法中使用。• OBSTACLEDISTANCE. 它是一个矩阵，其中，两行和两列分别表示机器人身份和障碍物身份。每个条目都是一个结构其包含所选择的障碍物与障碍物之间的最小距离（fieldmin），并且具有最小d的障碍物的对应点是tance（f ieldpmin）。对于这一点，MAP。ObstacleDistance（2，3）. Min表示Robot#2与障碍#3，MAP。ObstacleDistance（2，3）. pmin包含障碍物到机器人的最近点图3，给出了计算这种距离的一个实例• RobotGrid. 这是一个 简单的机器人系统，但涉及其他机器人而不是障碍物。由于矩阵尺寸仍然是300×450，因此可以获得障碍物和机器人通过把信息组合成矩阵ObstacleGridandRobotGrid.• 这是一个很好的例子。LikeObstacleDistancebut-referred to robots.虽然存储在操作系统中的信息（和存储在机器人系统中的信息）并不代表开发路径规划算法的基本知识，但是，网格对于基于环境的离散表示的算法的实现是有用的（参见，例如Barraquand和Latombe [1991]）。是值得的图三.距离计算对于每个机器人，从每个障碍物（di，i =1，2）和最小距离点（pi，i = 1，2）的最小欧几里德距离被输入并存储到Mapstrucre中。注意，所有的距离和占用网格信息可以在用户定义的函数内基于实际的机器人姿态和障碍物定义来计算不过，原则上，这类计算可能相当复杂，未必适合作教育用途。4. 实验测试在本节中，将介绍一些使用真实机器人进行的实验，以说明迄今为止在远程实验室中可以获得的一些可能的教学经验。虚拟障碍物的可用性自然会导致考虑运动规划和碰撞避免算法。避障问题是自主导航中需要解决的最基本问题之一。在非空环境中移动的机器人成功操作的一个基本条件是安全要求，即避免可能对物体或人造成损害的碰撞的能力。事实上，长期以来，针对不同类型的机器人和环境，已经研究了几种碰撞避免算法（参见Latombe [1991]一书，对机器人运动规划技术进行了全面的处理）。第一个和最直观的避障算法之一是基于人工势场的概念，最初在Khatib[1986]中提出在这个框架中，机器人被同化为一个浸入势场中的粒子，因此，它根据势函数的负梯度的力移动。通过适当地成形人工势，可以朝向目标驱动机器人，同时避免与障碍物碰撞在与重力场的类比中，机器人就像一个球，可以在不平坦的地形中自由移动，地形中有山脉（障碍物）和山谷，山谷的最低点是目标。就像球穿过山谷，由于重力而被山脉排斥一样，同样地，机器人被驱动到目标并被推离障碍物。y（mm）2012年6月19日至21日，俄罗斯下诺夫哥罗德，国际会计师联合会第九届研讨会357设q∈R2表示环境中的一点，pt∈R2表示目标位置.则在q上的人工势函数U（·）是一个吸引项Ua（q）和一个排斥项Ur（q）之和，即U （ q ） =Ua （ q ） +Ur （ q ） ，（2）其中，反过来，总的排斥势可以作为点Uri（q）的求和来计算，机器人成功地到达期望的目标，同时避开虚拟障碍物。算法的离散时间实现的效果（由视觉系统规定的采样时间Ts= 1s），以及车辆的非完整运动学，在机器人路径的后半部分清晰可见最后两个障碍物之间的不自然振荡是由于机器人不可能准确地遵循方向障碍Ur（q）=阿努岛i=1Uri（q），（3）的最快下降的潜在功能，因为运动学约束和离散时间的速度更新。机器人的最终位置（用一个小光点其中N0是障碍物的总数。根据Ua（q）和Ur（q）的形状，获得不同的机器人运动。吸引项最常见的选择是在目标处具有最小值的抛物阱图4中的黑色圆圈内）与因为当机器人足够接近目标时（在该实验中，阈值被设置为1 cm），任务被认为的情节12机器人坐标对时间的报告在图。五、U a（q）= 2k a||q− p t||、（四）其中kA是正比例因子。排斥项的设计必须考虑到几个目标。当机器人接近障碍物时，排斥力必须越来越强，而远处的障碍物应该几乎没有影响。满足这种要求的可能函数是300025002000t= 90。0（s）- 是 的Σ21 1 11500Uri（q）=2kri−ρi（q）ρ0若ρi（q）≤ρ0， （5）0，如果ρi（q）> ρ0其中kri是正的缩放因子。函数ρ i（q）表示从q到第i个障碍物的距离，而正的常数ρ0决定了障碍物的影响范围。Noticethaturi（q）tendstoinfiny是指距离障碍物越近，当机器人距离障碍物越远时，noticethaturi（q）tendsto i nf in s越近，则noticethaturi（q）tend s to i nf100050000500 1000 1500 2000 2500 3000 3500 4000 4500x（mm）比障碍物的ρ0大考虑到人工潜力通过（2）-（5）定义的场U（q），在位置q处的相应的虚拟力可以计算为F （ q ） =−<$U （ q ） 。（六）在每个时间步长t，基于人工势场方法的避障算法计算放置在位置p（t）的机器人的期望速度矢量pstec（t），其与（6）中的合力F（p（t））成比例，即pstec（t）=kF（p（t））。该算法已实现为Matlab函数，并在开发的远程实验室中进行了测试。由于实际机器人具有如（1）中所述的单轮运动学，由于非完整约束，它们的速度矢量不能任意设置。因此，下一步是见图4。实验A.单个机器人和四个障碍物（阴影区域）：初始机器人姿势（空心圆），最终机器人姿势（实心圆），机器人路径（实线）。400030002000100000 10 20 30 40 50 60 70 80 903000200010000在给定由规划算法提供的标称速度pstec（t为此目的，比例控制器被实现如下v（t） =kv||pstec（t ）||、（7）3002001000 10 20 30 40 50 60 70 80 90ω （ t ） =kω （ θr （ t ） −θ （ t ） ） ，（8）其中，θr（t）=atan2（pstecy（t），pstecx（t））表示由避障模块计算出的运动的非最小方向，并且kv和kω是正增益。图4示出了涉及一个机器人和四个虚拟多边形障碍物y（mm）y（mm）x（mm）θ（度）2012年6月19日至21日，俄罗斯下诺夫哥罗德，国际会计师联合会第九届研讨会358的实验的路径（实验A）。机器人从位置p i= [4]开始。282. 39] T（团队的第一个机器人的默认初始位置），并且必须到达放置在p t= [0. 45 0. 45]T（所有坐标均以米表示）。可以看出，在90年代，00 10 20 30 40 50 60 70 80 90时间（秒）图五.实验A.机器人坐标的时间图。虽然人工势场法因其简单和高效而非常吸引人，但它有一个主要缺点。类似于为数值优化开发的梯度方法，根据势函数引起的力移动的机器人可能会陷入局部最小值。无论在哪里，2012年6月19日至21日，俄罗斯下诺夫哥罗德，国际会计师联合会第九届研讨会359力平衡排斥力，势函数U（q）呈现局部最小值，其中车辆可以被困。这尤其发生在非凸障碍物或复杂环境的存在下，从而产生对称的吸引力和排斥力。注意，吸引势取决于目标位置。因此，在给定的工作空间中移动的机器人可能最终处于局部最小值或不取决于目标位置。在图6中观察到这种现象的一个示例，其示出了在与实验A相同的虚拟环境中使用一个机器人进行的第二实验（实验B）的结果。机器人初始位置与之前相同，但这次将目标放置在pt= [3。0 0。8]T.在这种情况下，局部最小值出现在捕获车辆的两个最右边的障碍物之间的某处，从而阻碍到达目标。同样，由于控制器的离散化和车辆的运动学，而不是停止在局部最小值，机器人保持围绕它移动。值得注意的是，自从开创性的论文Khatib [1986]以来，已经提出了对这种方法的几种改进（参见，例如，Khatib和Chatila[1995]），主要旨在通过选择合适的人工势函数来缓解局部极小值问题感兴趣的读者可以参考Latombe [1991]，第7章，以及其中的参考文献以获得进一步的信息。t= 200。0（s）3000移 动障 碍 物的 作 用 回想 一 下， 在 传递 给 用户 定 义 的Matlab函数的因此，到目前为止所描述的势场方法只需要进行微小的修改，以防止机器人相互碰撞。事实上，在排斥势（3）中增加一个新的项（5）就足够了，以说明由另一车辆代表的移动障碍物。通过这种改进的运动规划算法，两个机器人都安全地到达了期望的目标而没有碰撞。请注意，大约27秒后，机器人面对面几乎碰撞。当它们靠得太近时，排斥力占上风，车辆转向，从而避免碰撞。其他几个试验已经运行，不同数量的机器人和虚拟障碍。对本节所述技术的修改版本也进行了测试，结果各不相同，从安全但缓慢的路径到最终导致碰撞的更具攻击性的轨迹。从教育的角度来看，这是拟议设置的一个关键特征。因为它发生在vi rtualrobotsi mul ators（e。例如，在一个实施例中， 我知道你不喜欢我。[2008]），安全地使用所研究的算法的参数而不冒危险和昂贵的崩溃风险的可能性，极大地提高了对每个参数的作用的理解。5. 结论250020001500100050000500 1000 1500 2000 2500 3000 3500 40004500x（mm）本文提出了一种包含虚拟障碍物的多机器人机构。开发的架构，嵌入在ACT远程实验室，允许学生测试运动规划算法的单或多机器人系统，在静态和/或动态障碍物的环境中移动目前正在研究的另一个特征是虚拟传感器的开发，这将完成构建增强现实多机器人设置的过程，其中配备有虚拟传感器的真实机器人在充满虚拟障碍物的真实环境中移动。此 外 ， 鉴 于 过 去 取 得 的 令 人 鼓 舞 的 结 果 （ Casini etal.[2005]），这样的实验装置将见图6。实验B单个机器人和四个障碍物（阴影区域）：初始机器人姿势（空心圆），最终机器人姿势（实心圆），机器人路径（实线），期望目标（黑色十字）。势场法的一个很好的特点是可以预先计算环境中每个点的排斥势，从而在处理复杂环境时加快规划速度。此外，这种防撞技术可以自然地解决移动障碍物的情况，只要机器人配备有测量与障碍物的距离及其方向的传感器开发的远程实验室的多功能性图7（a）-7（c）示出了在包含一个虚拟矩形障碍物的环境中用两个机器人进行的实验（实验C）期间拍摄的三个快照在这种情况下，每个智能体必须到达目标位置，同时避开静态障碍物和另一个机器人，组织学生竞赛，多机器人问题引用J. Barraquand和J.C.拉托姆机器人运动规划：一种分布式表示方法.国际机器人研究杂志，10（6）：628D. Benedettelli，N. Ceccarelli，A. Garulli，和A.吉安-尼特拉帕尼。非完整多飞行器系统集体圆周运动的实验验证。Robotics and Autonomous Systems，58（8）：1028M. Casini，D. Prattichizzo和A.维奇诺自动控制实验室：一种基于网络的远程学习技术。 IEEE控制系统杂志，24（3）：36-44，2004年。M. Casini，D. Prattichizzo和A.维奇诺学生通过远程机器人实验室控制比赛。IEEE控制系统杂志，25（1）：56y（mm）2012年6月19日至21日，俄罗斯下诺夫哥罗德，国际会计师联合会第九届研讨会36030002500200015001000500t= 27。0（s）M. Casini，A. Garulli，A. Giannitrapani和A.维奇诺基于Matlab的多机器人远程实验室。在proc 2009年10月在日本熊本举行的国际会计师联合会第八届控制教育进展专题讨论会上发表的演讲。M. Casini，A. Garulli，A. Giannitrapani和A.维奇诺一个乐高Mindstorms多机器人设置在自动控制Telelab。第18届国际会计师联合会世界大会论文集，第9812-9817页，意大利米兰，2011年8月S. Dormido。控制学习：现在和未来。Annual Reviewsin Control，28：115S.A. Filippov和A. L. Fradkov。基于LEGO MindstormsNXT的网络物理实验室-第一步。在Proc. of the IEEEControl Applications Intelligent Control ， 第 1236-1241页中。IEEE，2009年。00 500 1000 1500 2000 2500 3000 3500 40004500x（mm）（一）t = 38。0（s）30002500200015001000500J.L.Guzm'an，M.在此之前，F.Rodr'abigguez，andS. Dormido。移动机器人运动规划的交互式工具。Robotics and Autonomous Systems，56（5）：396 -409，2008.M. Khatib和R.夏蒂拉移动机器人基于传感器运动的扩展势场方法。1995年国际智能自治系统会议论文O.哈提卜机械手和移动机器人的实时避障。国际机器人研究杂志，5（1）：90，1986。J.C. 拉 托 姆 机 器 人 运 动 规 划 Kluwer AcademicPublishers，1991.A. Valera，M.瓦勒斯湖Mar 'ın，A. Soriano，A. Cervera和A.吉雷Lego NXT工具在移动机器人控制中的应用与评估。 在proc 国际会计师联合会2011年世界大会，第9805-9811页，意大利米兰，2011年8月。00 500 1000 1500 2000 2500 3000 3500 4000 4500x（mm）（b）第（2）款3000t= 65。0（s）250020001500100050000 500 1000 1500 2000 2500 3000 3500 4000 4500x（mm）（c）第（1）款见图7。实验C.具有一个障碍物的多机器人实验的三个快照（阴影区域）：初始机器人姿态（空心圆），最终y（mm）y（mm）y（mm）2012年6月19日至21日，俄罗斯下诺夫哥罗德，国际会计师联合会第九届研讨会361机器人姿态（实心圆），机器人路径（实线），期望目标（十字）。