现代物流系统中智能移动机器人的自主性控制技术分析

张国庆+程文彬+彭芳

摘 要：在智能物流需求的背景下，智能机器人在现代物流系统中的应用成为机器人应用的热点领域。提升物流系统的智能性，要求系统中的智能机器人具有更强的自主性。从导航、通信、分布式管理三个方面对智能物流机器人的自主性相关控制技术进行分析，并结合物流应用探讨了其技术特点，并对其提升我国物流装备水平的应用前景进行了展望。

关键词：物流系统；移动机器人；自主控制

中图分类号：F253.9 文献标识码：A

Abstract： On the command of intelligent logistics， applying intelligent robots in modern logistics system is a hot spot of robot applications. To improve the logistics intelligence， robots in the system should be more autonomous. From navigation， communication and decentralized control， the relative technologies for autonomous control are analyzed， the features with logistics application are discussed， and the prospect of enhancing domestic logistics equipment with these technologies is proposed.

Key words： logistics system； mobile robot； autonomous control

0 引 言

智能機器人是一种新型的高科技技术，是涵盖运用了计算机技术、信息化技术、仿生学特征、传动感应技术等多领域学科而形成的新型技术，是当前科技研究的热点方向。2015年5月，我国出台了《中国制造2025》规划，规划中将智能制造列为我国当前的首要目标发展战略，要加快对智能制造的研究进度，使制造过程步入智能化[1]。在这一规划中，智能机器人制造是最具有代表性的领域，成为当前最重要的发展方向。尤其是近些年来我国国民经济发展迅速，人民需求不断提升，促进了仓储物流行业飞速发展，智能化设备在物流运输过程中的重要性日益突出，而智能机器人的出现，不仅降低了企业的生产成本[2]，而且大大提高了物流企业的生产效率。

现有的物流系统机器人大多采用集中式的控制系统，自身的智能性和自主性不足，常用于结构化的相对静态的工作环境中，对于可变环境的适应能力不够，因此只能完成较为简单和固定的物流作业。因此需要将智能化移动机器人与物流系统相结合[3]，依靠智能移动机器人的自主性控制实现物流系统的智能化作业。智能化的移动物流机器人能够通过传感器感知外界环境和自身状态，实现在有障碍物环境中面向目标的自主运动，从而完成一定作业功能。其本身能够认识工作环境和工作对象，能够根据指令和自身认识来独立地工作，能够利用操作机构和移动机构完成复杂的任务[4]。

本文将针对物流系统中智能移动机器人的自主性控制相关技术，如导航、定位、通信、分布式控制等方面的研究发展进行综述，并分析未来智能物流系统中智能机器人应用的关键问题。

1 物流智能机器人自主性导航技术

若要使移动物流机器人具有特定的智能，首先就需具有多种感知功能，进而进行复杂的逻辑推理、规划和决策，并在作业环境中自主行动。在这其中，导航和定位技术是智能移动机器人所要解决的核心技术。定位和导航功能是自主式移动机器人的一项重要功能，也就是通过这个最核心功能，机器人根据自身的感知系统确定自身的位置，从而根据任务做出正确的行为决策和路径选择。没有这种功能，移动机器人的任何自主运动都是盲目的。因此，物流移动机器人的多种导引方式相继出现。根据环境信息的完整程度、导航指示信号类型、导航地域等因素的不同，主要分为电磁导航、地面标识导航、惯性导航和激光扫描导航、视觉导航等。而这些导航技术中，移动机器人的同步定位和地图构建（SLAM）方法是该技术的核心难题。

目前SLAM问题的研究方法主要分为两类：一类是基于数学概率统计方法，如卡尔曼滤波、粒子滤波等，这是目前研究最广泛的方法，但这类方法大多依赖于对环境的假设，配以昂贵的高精度传感器如激光测距仪来实现。Dissanayake等人在2001年提出了解决SLAM问题的卡尔曼滤波技术[5]，之后针对卡尔曼滤波算法的复杂性和计算量问题，Thrun、Koller和Walter等人提出了稀疏扩展信息滤波的方法[6]。这种方法基于卡尔曼滤波更新方程中信息和逆协方差矩阵的剪裁以及通过对结果矩阵稀疏特性的研究，可使计算的维数降低。极大期望算法是卡尔曼滤波算法的一种补充方法，可解决模糊、循环环境下的机器人地图构建问题。粒子滤波方法是通过一组根据机器人状态先验分布得到的采样数据或者粒子，来表示机器人的实际状态和置信水平，如Thrun、Fox等人提出的蒙特卡洛定位技术，以此为基础，后期很多研究人员提出了相关改进的SLAM算法，如FastSLAM、基于Rao-Blackwelized滤波的SLAM算法。

另一类是基于生物激励的地图构建和导航系统，即通过模拟动物脑神经活动来解决三维空间导航任务。这种基于生物神经激励的导航技术，可以在不采用高精度的传感器和复杂的概率算法的条件下解决SLAM问题，但实际应用性能还不足，但是对同时提升智能自主性和降低成本具有积极意义。诺贝尔奖获得者神经科学家奥基夫（John O' Keefe）和挪威神经科学家莫泽（Moser）夫妇在20世纪70年代发现了动物大脑内与定位系统相关的细胞——位置细胞（place cell）和网格细胞（grid cell），在此之后更多相关细胞被发现，如速度细胞、边界向量细胞等。这些神经细胞的活动特性为机器人的导航定位控制提供了一个新的思路。位置细胞的特性是，当动物处于环境中某些特定位置时，对应细胞的放电频率会显著增强，而每个位置细胞均可表征动物所处环境的某一部分，众多位置细胞的协同工作，就可在脑内形成一张表征周围空间环境的大脑内部认知地图。网格细胞为大脑提供了一个度量尺，当动物从一个位置出发后，可以不断整合线性距离和空间角度，从而定位自己的坐标，了解自己在环境中的位置。Arleo等人在2001年对动物大脑中发现的与定位和导航相关的位置细胞（Place Cells）和头方向细胞（Head-Direction Cells）进行建模，并将其用于移动机器人的目标导航[7]。Michael等人在2005年，基于Arleo的研究，结合位置细胞和头方向细胞的功能，假想了一种位姿细胞（Pose Cells）结构，并进行建模模拟老鼠的导航，提出了RatSLAM的算法。该算法结合视觉测程技术和模拟啮齿类动物大脑中神经细胞的吸引子神经网络模型，实现了机器人的同步定位和构图。

随着生物神经机理的研究更加深入，将生物的大脑功能进行建模，再结合神经网络的算法，使得机器人具有自我学习的能力。这将使物流机器人在定位和导航方面，具有更好的环境适应性和灵活性。

2 物流智能机器人自主网络通信技术

随着日益多变的生产格局和产品需求以及日益提高的人力成本，促使企业现有生产模式向高度自动化和高度柔性生产模式方向转化。如果没有一个灵活多变的物流自动化系统，即使独立生产单元的自动化程度再高，也不可能实现柔性生产系统。要实现物流系统的灵活性，除了提高物流系统中个体物流机器人的智能自主性以外，还需要让它们能够与周围的环境及其他机器人能相互感知和协作。2003年10月波兰举行的GeoSensor Network Workshop研讨会上，有关专家指出移动机器人和传感器网络结合，会获得价格低廉但性能卓越的混合系统，该系统会在网络维护、环境检测、救援与反恐等领域获得广泛应用。

将物流系统中的每辆输送车辆配置成一个无线传感网络的通信节点，使其成为一个车联无线通信网络中的独立节点[8]。这样输送车辆不仅可以利用无线传感器网络信息感知的功能及时进行运行状态信息的感知，而且可以通过获取邻近车辆的状态信息并将自身的状态信息告知邻近车辆，实现这种分布式系统的通信，如图1所示。

无线传感器网络（WSN）可以延伸物流系统覆盖范围内的智能移动机器人的感知空间，为其提供更大范围的传感信息，智能移动机器人作为具有高度智能和执行能力的单元可以为与其相邻的WSN节点提供智能和执行能力的辅助服务[9]。移动机器人与WSN结合，两者经过相互协作和支持，使得形成的混合的物流系统具备了新的功能和价值。

无线传感器网络在物流系统中的应用，本质上就是将无线传感器网络通信技术与移动机器人相结合的问题。这种结合方式是将无线传感器网络节点配置在移动的物流设备上，无线传感器网络节点就像移动机器人一样具有移动性，且可自组网络，另外除了组网功能外，还具有采集周围信息的功能。系统与静态网络节点相比，工作具有更高的主动性。支持移动性是无线传感网络的一个主要优点，在无线传感网络中主要存在节点移动和事件移动。前者是指搭载无线通信功能的节点在网络中的自由移动，形成网络不断频繁自主的情况，后者是指在事件检测或在特殊的跟踪应用中，事件的诱发源或跟踪目标可能是移动的。这些应用的关键在于要有足够数量的传感器，能够完全覆盖观测目标。工作时，目标周围的传感器被激活进入高度活跃状态，对目标进行观测，工作结束后传感器恢复休眠状态。

采用此类自主网络的物流系统，物流智能机器人可以灵活地加入或退出当前的物流作业系统，且不会对整个物流作业产生影响，这有利于物流系统根据实际作业吞吐量需求，进行相应规模的扩展和缩减。

3 物流智能机器人分布式控制技术

物流系统中的每一个物流机器人随着传感与网络技术的发展，智能化程度得到提高，可视为一个智能化的个体。而整个物流系统则可视为多智能體的协作系统，即整个物流系统按照每台机器人分解成若干个智能体，各个智能体之间相互通讯、彼此协调共同完成大的复杂系统的控制作业任务[10]，而不需要有明确的主控中心进行支配。此类多智能体系统不仅具备一般分布式系统所具有的资源共享、易于扩张、实时性好的特点，而且可以克服随着数目增加，对调度控制中心造成的管理和计算压力，使系统具有很强的鲁棒性稳定性和自组织能力。

针对上述多智能物流机器人系统的特点，必须设计一个良好的集群控制结构。在这个结构基础上，才能完成知识和感知信息的共享，获得协调一致的控制，进而发挥多移动机器人的优势，提高系统的工作效率[11-12]。该集群控制结构采用分布式结构，它不存在中心处理单元，物流机器人之间不存在主控与被控以及层次关系，每个物流机器人均能够通过通信等手段与其他物流机器人进行信息交流与磋商。分布式问题的求解是指在一些不同的处理节点中，通过知识库的分散和松散耦合的集合进行问题的协作解决方案。协作主要有四个重要部分：（1）是一个本地化的处理过程，不涉及集中控制；（2）是一种双向的信息交换；（3）每一个协商群体从自己的角度出发评估信息；（4）通过相互选择达成最终的协议。

例如采用集群控制方式来协调大量的物流机器人车辆的工作，需要解决的问题主要有：（1）任务分配：将物料搬运任务分配给适合的车辆；（2）任务规划：管理各个物料配送站和卸载点的工作车辆，使其处于平衡状态，避免出现过度饱和或工作量不足的情况。

假设一个场内物流的存取货区的集合为D=d ，d ，…，d ，其中d =x ，y ，θ ，而物料卸载点的集合为S =s ，s ，…，s ，s

=x ，y ，…，θ ，同时场内的AGV车辆集合为V=v ，v ，…，v ，v =v ，v ，…，v 。其中x，y，θ分别代表其位置坐标。物料搬运的任务为T =v ，d ，s ，及v ，d 和s 组合的建立，这其中要考虑物流机器人距离货源和卸载点距离的影响，以及物料搬运状态的平衡如排队等。这个问题的解决方式可以从自然界种群活动特征获得启发，即将群智能与物流系统控制应用结合。目前群智能的算法主要有蚁群算法、蜂群算法、细菌觅食算法、粒子群算法等[13]。将物流系统中的智能搬运机器人的运作与这些生物群体活动相结合，采用相应的改进算法，可以使得物流系统实现分布式的控制，减少整体控制的负荷，增强系统的灵活性。

4 小 结

现代物流系统未来的发展趋势是实现物流系统的分布式控制，强调系统中各作业设备的自主与协作，因此将智能机器人的自主性控制技术与物流系统应用相结合，是大势所趋。德国的国际管理咨询公司罗兰贝格在其发布的报告《物流业中的机器人与人》中分析了物流业大量引入机器人所带来的影响，并指未来智能机器人在物流业中的应用将有飞跃式的发展，预计会取代很多现有的工作岗位，因此发展物流系统智能机器人应用技术，将会显著提升物流系统研发的水平和物流设备的国际竞争力。

参考文献：

[1] 李健. 发展智能机器人产业，提升港口物流行业整体水平[J]. 经营管理者，2015（12）：233.

[2] 林兆花，徐天亮. 机器人技术在物流业中的应用[J]. 物流技术，2012（13）：42-45.

[3] 刘贵生. 基于“互联网+”的机器人在物流作业各环节应用分析[J]. 物流科技，2016（9）：45-46，50.

[4] 深圳大族电机科技有限公司. 大族电机AGV机器人在仓储物流中的应用[J]. 智能机器人，2016（8）：25-27.

[5] G. Dissanayake， et al. A computationally efficient solution to the simultaneous localisation and map building （SLAM） problem[C] // IEEE Intemational Conference on Robotics & Autom， 2000.

[6] M. Dissanayake， P. Newmann， S. Clark， et al. A Solution to the Simultaneous Localisation and Map Building Problem[J]. IEEE Trans. Robot. Autom.， 2001，17（3）：229-257.

[7] A. Arleo， F. Smeraldi， S. Hug， et al. Place Cells and Spatial Navigation based on 2D Feature Extraction， Path Integration， and Reinforcement Learning[J]. Adv. Neural Inf. Process. Syst.， 2001，13（11）：89-95.

[8] 周宇，景博，张劼，等. 基于ZigBee无线传感器网络的嵌入式远程监测系统[J]. 仪表技术与传感器，2008（2）：47-49，55.

[9] 司海飞，杨忠，王珺. 無线传感器网络研究现状与应用[J]. 机电工程，2011（1）：16-20，37.

[10] 经建峰，楼佩煌. 基于智能体的分布式多AGV控制系统设计与实现[J]. 工业控制计算机，2013（9）：37-38，40.

[11] 王辉，楼佩煌. 基于Multi-Agent的多AGV自主控制系统设计与实现[J]. 工业控制计算机，2011（10）：29-31.

[12] Li W， Shen W. Swarm behavior control of mobile multi-robots with wireless sensor networks[J]. Journal of Network and Computer Applications， 2011，34（4）：1398-1407.

[13] Chu S-C， Huang H-C， Roddick J F， et al. Overview of Algorithms for Swarm Intelligence[C] // ICCCI， 2011：28-41.