人工智能大数据下粒子化移动机器人组及其控制方法.docx

人工智能大数据下粒子化移动机器人组及其控制方法

摘 要：机器人技术的研究不断取得新的成果，机器人的应用日益深入社会各个领域。在智能机器人控制过程中，机器人导航是移动机器人领域的优先研究方向之一，其中路径规划是机器人控制能力的重要体现，特别是机器人移动机器人群和基于大颗粒人工智能的控制方法。其以分数阶移动机器人控制策略展开研究，实现移动机器人控制系统的设计和稳定性分析，同时在控制律的基础上，对控制律中的参数进行优化，省去人工选取参数的问题。从而简化移动机器人组控制的难度，实现移动机器人的稳定控制。
关键词：人工智能；大数据下粒子化；组成；控制方法

机动机器人赛道规划的主要目的是使机器人在从起点到终点的运动中避免碰撞，因此，有必要找到机器人在无碰撞移动过程中的最佳路径。许多科学家将这些启发式路由规划算法引入机器人实现局部规划；但是，这些算法中的大多数都有局部最优问题，因此，为了解决这个问题，需要不断地将新算法引入最优路径规划，同时提高其复杂性，粒子群优化具有计算简单、全局优势、采集速度快等优点，这在解决多维连续空间的各种优化问题上取得了非常好的效果。

一. 人工智能大数据下粒子化移动机器人组成分析
人工智能大数据下粒子化移动机器人组，若干移动机器人均由车体、供电装置、行走机构、图像采集系统以及移动机器人控制系统组成；车体，所述车体包括承载车架，所述承载车架的四周具有外壳板；用于驱动所述车体前进或者后退的行走机构，所述行走机构设于所述车体下方；图像采集系统包括前置摄像头、前置距离检测器、后置摄像头、后置距离检测器、高度传感器，所述前置摄像头以及前置距离检测器设于所述车体的前侧，所述后置摄像头以及后置距离检测器设于所述车体的后侧；所述移动机器人控制系统设于所述承载车架上，且与所述行走机构、图像采集系统连接；为移动机器人供电的供电装置，所述供电装置固定于所述承载车架上。
二.移动机器人采用如下方法控制：
2.1移动机器人的图像采集系统采集图像，对采集的图像进行去噪处理后通过路径边
缘点做最优路径规划：
其特征在于：所述步骤2.1包括如下步骤：
2.1.1图像采集去噪：
移动机器人通过图像采集系统对路径所处环境进行三维图像采集，对采集的图像进行
高斯滤波处理；
2.1.2对图像中道路进行边缘检测：
对图像中每个像素点周围的邻点灰度值进行Sobel算子计算，通过采集图像所取的亮
度选择阈值τ，当

fx＝(f(a-1 ,b-1)+2f(a-1 ,b)+f(a-1 ,b+1))-(f(a+1 ,b+1)+2f(a-1 ,b)+f(a+1 ,b+1))，
fy＝(f(a-1 ,b-1)+2f(a ,b-1)+f(a+1 ,b-1))-(f(a-1 ,b-1)+2f(a ,b-1)+f(a+1 ,b-1))，
当So(a ,b)＞τ时，图像中点(a ,b)为边缘点，a、b为边缘点坐标，f为灰度值；
2.1.3依据边缘点的路径规划：
移动机器人的云控制系统采集边缘点信息，通过边缘点构建出路径通道，设移动机器
人的图像采集系统与图像采集系统的距离检测器的与水平方向上的夹角为θa，距离检测器
返回的数据为la，移动机器人的高度传感器的测量值为z′，水平方向参考系下的坐标为Dn0＝(xa ,yb ,z′)＝(la×cosθa ,la×sinθa ,z′)；
根据路径通道中节点的迭代评价值确定规划的路径，两个相邻节点的距离为ln0，ln0＝
Dn0-Dn0-1，n0为当前节点的标号，起始点I0到当前节点In0的代价函数为：

扫描每个节点附近G(n0)最大的两个邻居节点进行连接，形成规划的路径通道。
2.2对移动机器人组进行行程控制，使移动机器人在规划的路径通道内行进；
根据权利要求1所述的人工智能大数据下粒子化移动机器人组，其特征在于：
所述步骤2.2包括：
2.2.1初始化数量大小为N的移动机器人组，包括移动机器人行进区域随机速度和移动
机器人行进区域位置，确定每个移动机器人的姿态矩阵、姿态矩阵角速率以及姿态角；
2.2.2评估每组中移动机器人的适应值；
2.2.3评估每组中移动机器人当前搜索空间中最佳位置；
2.2.4更新移动机器人的惯性权重，更新每个移动机器人的速度和位置；
2.2.5在移动机器人组工作状态下重新执行步骤2.2.2，在移动机器人组工作结束时结
束本方法。
根据权利要求2所述的人工智能大数据下粒子化移动机器人组，其特征在于：
所述的移动机器人的姿态矩阵的确定步骤包括：
2.2.5.1设地球坐标系为earth系，地理坐标系为geo系，载体坐标系为carrier系，导航
坐标系为pilot系，各坐标系的轴依次分别为Xg、Yg、Zg；Xc、Yc、Zc；Xp、Yp、Zp；
2.2.5.2计算移动机器人的地理坐标系的方向余弦矩阵；

其中移动机器人所在经度为αe和纬度为δe；αe的取值范围为(-180°，180°)；δe的取值范
围为(-90°，90°)；
2.2.5.3计算移动机器人的载体坐标系的方向余弦矩阵；

其中γc为载体坐标系相对于地理坐标系的横滚角，即Xc相对于Xg的夹角；
其中θc为载体坐标系相对于地理坐标系的俯仰角，即Yc相对于Yg的夹角；
其中 为载体坐标系相对于地理坐标系的航向角，即Zc相对于Zg的夹角；
2.2.5.4计算移动机器人的导航坐标系的姿态矩阵；

2.2.5.5计算移动机器人的导航坐标系的姿态矩阵角速率；

ωe为地球角速率在导航坐标系下的投影，ωa为移动机器人陀螺仪测量值；
移动机器人姿态角的实时值为：

为移动机器人导航坐标系的横滚角； 为移动机器人导航坐标系的航向角； 为移动机器人导航坐标系的俯仰角。
2.2.5.6根据权利要求3所述的人工智能大数据下粒子化移动机器人组，其特征在于：所述的
评估每组中移动机器人的适应值为：
fj(x)表示移动机器人的目标路径上的第j个支路上的分支函数；αj表示第j个支路对应
的权值，m为目标路径的支路总数，x表示被评估的移动机器人标号；
fj(x)＝ ；
βj为执行目标路径经过第j个支路的移动机器人集合；γj为输入被测程序执行后所经
过第j个支路的移动机器人集合。
2.2.5.7根据权利要求4所述的人工智能大数据下粒子化移动机器人组，其特征在于：所述的
评估每组中移动机器人当前搜索空间中最佳位置包括；
（1）将每个移动机器人的适应值与评估的移动机器人当前局部最佳已知位置pbesti ,n进行比较，如果移动机器人的适应值小，则将该移动机器人的适应值替换为当前局部最佳已知位置pbesti ,n；
（2）将每个移动机器人的当前局部最佳已知位置pbest与移动机器人当前搜索空
间中最佳位置gbest进行比较，如果移动机器人的当前局部最佳已知位置pbest小，则将该移动机器人的当前局部最佳已知位置pbest替换为当前搜索空间中最佳位置gbest。
2.2.5..8根据权利要求5所述的人工智能大数据下粒子化移动机器人组，其特征在于：所述评估的移动机器人当前局部最佳已知位置pbesti ,n，包括：
N个移动机器人，每个移动机器人处于S维的搜索空间中，S≤3，本方法第n次迭代过程
中第i个移动机器人的位置为： ，
该移动机器人对应的速度为 ： ，
；
所述的更新每个移动机器人的速度和位置包括；
（1）更新Gn为惯性权重：
；
Gnmax为移动机器人的惯性权重的最大值，Gnmin为惯性权重的最小值，
Nmax为迭代次数的最大值；
（2）更新移动机器人的速度：
vi ,n＝ps[vi ,n-1+Gn·(pbest-xi ,n-1)+Gn·(gbest-xi ,n-1)]；
Ps为收缩因子，
；
k为网络搜索上限速度；
（3）更新移动机器人的位置；
xi ,n＝xi ,n-1+vi ,n。
所述的αj表示第j个支路对应的权值，
；

γn表示迭代过程中路径连续匹配数大于1的值；
对移动机器人的速度进行优化，具体步骤包括：
A.输入移动机器人速度函数vi ,n、概率效用函数 、均值函
数 、步长函数 、测试时长；
B.初始化方向性统计模型；
；
为移动机器人搜索方向， 为归一化系数；

为n阶修改正的贝塞尔函数； ；
C.计算当前步长函数值 ；
；
D.通过概率效用函数评估移动机器人效用值；

Z为中间变量， ；φ1(Z)、φ2(Z)是标准正态分布函数和概率密度函数；
E.如果移动机器人效用值在阈值P一下，选择该移动机器人，记录该移动机器
人的速度值；
F.计算矫正的效用量；
；
作为移动机器人全局搜索的效用计量函数，衡量的是某一个移动机器人在全局搜索策略下可能带来的期望效用量，
G.更新(2 .4 .2 .5)中移动机器人的速度为
H.重新执行步骤(2 .4 .2 .1)，直到所有移动机器人效用值维持在阈值P以上。
2.3对行程中的移动机器人组进行姿态监控；
根据权利要求6所述的人工智能大数据下粒子化移动机器人组，其特征在于：
所述的步骤2.3包括如下步骤：
2.3.1通过图像采集系统提取前一个时间点上移动机器人轮廓的点云数据MW，在点云数
据MW中取点的集合mi∈MW；同时提取mi对应的真实集合
2.3.2通过图像采集系统提取前当前时间点上移动机器人轮廓的点云数据QW，在点云数
据QW中取点的集合qi∈QW，使|qi-mi|取得最小值；
2.3.3计算摄像系统中旋转矩阵RW和平移矩阵TW；
2.3.4通过旋转矩阵RW和平移矩阵TW得到的真实集合 变换位姿后的集合m′i；

2.3.5计算m′i与qi的平均距离

2.3.6如果平均距离 小于等于位姿预警阈值 则目标位姿正常，否则通信目标进行调
整。
2.3.7根据权利要求7所述的人工智能大数据下粒子化移动机器人组，其特征在于：所述的
计算摄像系统中旋转矩阵RW和平移矩阵TW包括：
(1)计算两个集合的质心：

为集合mi的点个数， 为集合qi的点个数；
(2)计算两个集合点的协方差矩阵；
；
T为转置符号；
(3)计算反对称矩阵；
；
(4)构建4×4的矩阵
；
I3×3是3×3的单位矩阵， 为矩阵的迹， 是反对称矩阵的分量组成的列向量， 的最大特征值对应的特征向量r＝[r0 ,r1 ,r2 ,r3]；
(5)旋转矩阵RW为：

(6)平移矩阵TW为：

2.4重复步骤2.2-2.3直到移动机器人组停止工作为止；
三.补充说明
根据权利要求8所述的人工智能大数据下粒子化移动机器人组，其特征在于：
所述的移动机器人为物流机器人、扫地机器人、巡逻机器人、平台机器人中的一种或几种。人工智能大数据下粒子化移动机器人组控制方法，其特征在于，采用如权利要求1-9中任意一项所述的人工智能大数据下粒子化移动机器人组中所述的方法。
四.结束语
随着移动机器人技术的发展，越来越多的研究致力于机器人的运动规划.移动机器人的赛道规划意味着机器人在特定条件下使用特定算法确定位置、最短或最小距离或平滑路径的最佳路径，提供安全性，即移动机器人跟踪程序不仅需要设计合理的算法，而且需要让移动机器人拥有一定的智能，能够避开障碍物并根据当地环境信息进行局部动态路径规划。
参考文献：
[1]范家琪. 基于机器人群体避障学习的群智能算法的研究[D]. 东华大学.
[2]陈白帆, 蔡自兴, 袁成. 基于粒子群优化的移动机器人SLAM方法[J]. 机器人, 2009(06):513-517.
[3]马家辰, 张琦, 谢玮,等. 基于粒子群优化的移动机器人SLAM方法[J]. 北京理工大学学报, 2013, 33(11):1151-1154.

-全文完-