多機器人協(xié)作中角色動態(tài)分配機制的設(shè)計與實現(xiàn)

陳鵬慧 蔡 瓊

（湖南信息職業(yè)技術(shù)學(xué)院，湖南 長沙 410200）

習(xí)近平主席在中國科學(xué)院第十七次院士大會上講到，“機器人革命”有望成為“第三次工業(yè)革命”、“我們不僅要把我國機器人水平提高上去，而且要盡可能多地占領(lǐng)市場”，由此可以看出，機器人技術(shù)是各國研究的一個重要領(lǐng)域。機器人在完成復(fù)雜的任務(wù)時，單個機器人不能很好地完成，多機器人協(xié)作則可以解決這類問題。多機器人協(xié)作完成目標(biāo)任務(wù)時，各個機器人在完成任務(wù)時角色的分配顯得尤為重要［1］。該文分析了多機器人協(xié)作中常見的幾種角色分配機制的優(yōu)缺點，并提出了一種基于多影響因素的角色動態(tài)分配機制。

1 常用角色分配機制分析

多機器人協(xié)作完成某項任務(wù)時，單個機器人完成哪個子任務(wù)，決定了該機器人在此次任務(wù)中的角色。角色分配是給機器人分配各自的角色，角色分配的是否合理決定了任務(wù)完成的好壞。常見的角色分配機制有兩大類：角色靜態(tài)分配機制與角色動態(tài)分配機制。

1.1 靜態(tài)角色分配機制

該分配機制是指整個任務(wù)完成過程中，單個機器人的任務(wù)是固定的，即角色是靜態(tài)的。其缺點是，當(dāng)某個機器人在執(zhí)行所屬角色的子任務(wù)過程中，該機器人自身及周圍環(huán)境信息都發(fā)生了變化，已經(jīng)不適合去執(zhí)行這個任務(wù)，但還必須執(zhí)行，而其他更適合這個子任務(wù)的機器人也只能執(zhí)行自己角色的任務(wù)，該機制適應(yīng)性不強，執(zhí)行效率較低［2］。但該機制也有優(yōu)點，靜態(tài)分配下各機器人的子任務(wù)確定，最終能將子任務(wù)完成，不會出現(xiàn)機器人執(zhí)行混亂的狀態(tài)。

1.2 一般角色動態(tài)分配機制

一般動態(tài)分配機制在執(zhí)行任務(wù)的過程中，各個機器人根據(jù)自身的信息、環(huán)境信息、其他機器人的信息來相互轉(zhuǎn)換角色，最終協(xié)作完成任務(wù)。該機制的優(yōu)點是，可以根據(jù)各種信息的變化選擇最為合適的機器人去執(zhí)行對應(yīng)的子任務(wù)，達到有效完成任務(wù)的目的。

常見角色動態(tài)分配機制中，多以環(huán)境信息中跟子任務(wù)有關(guān)的坐標(biāo)點信息與機器人中心坐標(biāo)點之間的距離作為動態(tài)分配依據(jù)，離某一子任務(wù)坐標(biāo)點最近的機器人去執(zhí)行這個子任務(wù)，但該機器人自身的角度或其他狀態(tài)不一定適合執(zhí)行該子任務(wù)［3］。且很多時候環(huán)境中的其他信息也很重要。該類機制的缺點則是在各種信息改變較快的情況下，機器人的角色轉(zhuǎn)換太快，導(dǎo)致不能穩(wěn)定地去執(zhí)行子任務(wù)，在角色之間徘徊，結(jié)果出現(xiàn)執(zhí)行不穩(wěn)定狀態(tài)［4］，難以獲得全局最優(yōu)解。

2 基于多影響因素的角色動態(tài)分配機制

從對常見角色動態(tài)分配機制可以看出，多機器人協(xié)作完成任務(wù)時，多個環(huán)境信息的考慮是很有必要的，并且角色動態(tài)分配要考慮全局最優(yōu)，即要得到所有機器人分配角色的一個最優(yōu)情況。因此，本文提出了一種基于多個影響因素的角色動態(tài)分配機制。

該機制的基本思路是：n個機器人，m個子任務(wù)，每個機器人對應(yīng)執(zhí)行一個子任務(wù)，子任務(wù)可以多個機器人共同執(zhí)行。每個機器人執(zhí)行任意一個子任務(wù)的情況都全面地考慮到，并按影響因素來進行計算，計算得出一組數(shù)據(jù)值，再進行篩選，根據(jù)需要選出所需要的情況：最優(yōu)解，次優(yōu)解，再次優(yōu)等。

設(shè)定m個子任務(wù)目標(biāo)點存放在數(shù)組t_Ptms中；n個機器人目標(biāo)點信息存放在r_Ptms中，機器人身體朝向信息存放在r_dirs中。變量num記錄n與m中較小的值。計算n個機器人取num個元素的排列有r_PermuCount種，具體的排列存 放 在 鏈 表 r_Permut中； r_Permut［i］［0］...r_Permut［i］［num］表示表示排列的第i種情況，存放在鏈表r_Permut［i］中。計算m個子任務(wù)目標(biāo)點取num個元素的排列t_PermuCount種，具體的排列存放在鏈表t_Permut［j］中。

其中：k=0，1，2，…，num。

夾角影響因子ka；距離影響因子kd。

atemp［k］= 由 r_Ptms［r_Permut［i］［k］］，t_Ptms［t_Permut［i］［k］］兩點形成的向量，與r_dirs［r_Permut［i］［k］］之間的夾角。

dtemp=r_Ptms［r_Permut［i］［k］］，t_Ptms［t_Permut［i］［k］］兩點之間的距離。

影響因素暫時考慮機器人中心坐標(biāo)點與子任務(wù)目標(biāo)點的距離、機器人中心坐標(biāo)點與子目標(biāo)點形成的向量與機器人方向之間的夾角。根據(jù)公式（1）進行計算。計算出來的Funs［i，j］就是機器人為第i種排列、子任務(wù)目標(biāo)點為第j種排列的權(quán)值，將這樣的值進行遍歷，首先找出最小值，記錄下其i，j，根據(jù)i，j值找到對應(yīng)的排列，即找到了最優(yōu)解，最后將這個Funs［i，j］重新用一個不會出現(xiàn)的很大的值進行賦值，接著重新遍歷Funs數(shù)組，找出次優(yōu)解，依次類推，需要多少組解，就遍歷多少次。

3 實驗效果

筆者將多影響因素的角色動態(tài)分配機制應(yīng)用到中國水中機器人2D仿真水中搬運項目［5］。水中搬運項目在水池仿真環(huán)境中實現(xiàn)，是一個機器人協(xié)作項目（圖1），機器人的任務(wù)是共同將6個彩色球搬運到指定標(biāo)號的位置，比賽時間為10min，完成任務(wù)所需時間越少者獲勝。

圖1 水中搬運項目開始界面

根據(jù)基于多影響因素的角色動態(tài)分配機制公式，設(shè)置合理的影響因子。當(dāng)球與目標(biāo)點位置如圖2所示時，機器人的頂球在I、II區(qū)域是最優(yōu)區(qū)域，III、IV區(qū)域次優(yōu)，最不合適的就是V、VI，給出不同的值，最優(yōu)區(qū)域的值最小，次優(yōu)稍大，不合適的最大。距離的遠近也分成多個檔位，距離越遠，檔位值越大，反之值越小。每種機制在同樣的條件下，進行20組測試，記錄了20次完成任務(wù)的平均時間、完成任務(wù)耗時最長和最短的時間，未完成任務(wù)的那幾次不參與到平均時間的計算中。計算得到如下表1中的數(shù)據(jù)。

表1 實驗數(shù)據(jù)表

影響任務(wù)的完成時間與機器人頂球的基本動作也有關(guān)，因此實驗中三種分配方式均采用的是同一個頂球函數(shù)。靜態(tài)角色分配中，出現(xiàn)不能完成任務(wù)主要是因為有些時候球的位置很不適合頂，機器人也會去頂，導(dǎo)致時間不夠沒有完成任務(wù)；而一般距離的角色動態(tài)分配中會出現(xiàn)兩個機器人離某個球的距離值大小搖擺不定，導(dǎo)致角色分配不穩(wěn)定，不能正常去頂球完成任務(wù)。從表格中可以看出，基于多影響因素的角色動態(tài)分配，更有效地利用了場上的環(huán)境，和目標(biāo)任務(wù)之間的關(guān)系，沒出現(xiàn)不能完成任務(wù)的情況，而且任務(wù)完成的時間比較短。

4 結(jié)論

從實驗效果可以看出基于多影響因子的動態(tài)角色分配在多機器人協(xié)作完成任務(wù)的效果比較好，在2015年中國水中機器人2D仿真水中搬運項目中獲得了較好的成績。筆者在試驗中主要考慮的是距離與角度等影響因子，機器人相關(guān)的其他因素線速度、角速度、加速度等也是今后研究動態(tài)角色分配的一些方面。同時考慮到該算法主要考慮的是已知環(huán)境的問題，也要將環(huán)境未知的情況考慮進來，這就需要應(yīng)用人工智能中的一些算法：如強化學(xué)習(xí)算法等［6］，當(dāng)然實際應(yīng)用中運算速度的問題也是需要考慮的。

［1］吳麗娟，翟玉人，徐心和.足球機器人系統(tǒng)中角色分配策略的設(shè)計［J］.基礎(chǔ)自動化，2000，7（1）：4-6.

［2］Healey A.J，Kim J.Control and random searching with multiple robots［C］.The 39th IEEE Conference on Decision and Control.Sydney Australia.2002，9：340-345.

［3］程立英，趙姝穎，潘峰，等.足球機器人動態(tài)角色分配策略仿真研究［J］.計算機仿真，2013，30（5）：383-386.

［4］NunoLau.Multi-RobotTeam Coordinationthrough Roles，Positionings and Coordinated Procedure［C］.IEEE/RSJ International Conference on Intelligent Robots and Systems，2009.

［5］肖權(quán).機器魚位姿控制與協(xié)作頂球研究［M］.柳州：廣西工學(xué)院，2012.

［6］陳澤平.基于MSRS 5vs5仿真足球機器人決策系統(tǒng)的研究［D］.長沙：長沙理工大學(xué)，2010.