基于足球比赛运动的采摘机器人自主避障设计

王方雨

(宜春学院 体育学院，江西 宜春 336000)

0 引言

机器人是集机械、计算机、仿生学等众多学科于一体的产物，在各个领域都有着重要的用途。机器人以应用领域区分为服务机器人和工业机器人：工业机器人操作比较简单，在工业生产中用于一些重复性的工作；服务机器人在有普通服务机器人和特殊服务机器人，普通服务机器人在现今家庭中应用非常多，特殊服务机器人在一些特殊领域中应用，如军事领域、医学领域、农业生产领域等[1]。在人工智能的快速发展中，机器人的控制开始应用智能技术进行设计，为传统的机器人带来转型。智能化的机器人为农业生产带来技术性的改革，为生产企业节约了成本，提高了农户的收益。移动机器人自主设计是指机器人在没有人类干预可自主行进至目的地。为实现自主避障，机器人需要根据工作环境实时地规划路径。为此，本文采用模糊控制法研究了障碍物检测和路径规划方法，障碍物的检测则采用安装在采摘机器人上的传感器来实现[2]。

足球比赛运动中，球员的目的是带球通过对方球员的干扰阻扰踢进球门。在这个过程中，球员需要自主判断对方的运动轨迹，及时规划可行的路径通过对方，在多名对手来拦球时需要控制自己前进的速度避开对方，及时调整路径到达最佳位置进行射门。移动机器人就相当于前进的球员，需要到达的目的地就是对方的球门，球员带球前进的过程就是移动机器人自主避障过程。自主避障设计方法中有格栅法、行为控制法、人工势场法、气泡带方法、模糊算法等[3-4]，本文研究的农用移动机器人自主避障设计采用模糊逻辑控制法[5-16]。避障能力的高低取决于机器人的智能水平，而避障能力则主要表现在环境感应和路径规划两方面。保证机器人在陌生复杂工作环境中的自主避障能力，需要提高采摘机器人的工作环境的快速识别检测和避障算法的鲁棒性。采摘移动机器人在实际工作中经常会出现意外情况，如感应错误、路径规划不及时等，在进行避障设计需要考虑到这些情况的发生，确保机器人在异常情况下还可执行程序。

为此，基于足球比赛运动的移动机器人自主避障设计，以传感器识别工作环境，以模糊逻辑控制算法进行路径规划，以实现移动机器人的自主避障。

1 移动机器人信息采集处理

1.1 信息采集

移动机器人避障过程的前提工作就是采集环境信息，利用传感器进行信息采集，并将采集的信息经过处理算法后输出，根据输出信息制定行进路径，达到自主避障的目的。本文采用的信息采集设备为传感器。最早将传感器应用在机器人的是视觉传感器，到目前研究人员已经研发出了各种类型的传感器，如红外线传感器、激光传感器及超声波传感器等。其中，超声波传感器是通过发射一种振动频率比较高的机械波来检测距离的，工作原理是通过电压激励换能晶片，使晶片振动产生机械波。这种机械波的穿透力很好，遇到障碍物的反射现象也很明显，当检测到的障碍物处于移动状态时，超声波会在移动障碍物上发送多普勒效应。超声波传感器在检测距离较大，而激光传感器的需要具备激光发射器。激光传感器对于检测距离、速度等特性比较有优势，特别是遇到移动状态的障碍物时，可以实时检测。红外传感器以红外线为介质，可调节检测灵敏度，检测盲区小，不易受作业环境的影响。视觉传感器的成本低和易用性被人们广泛应用。本文研究的自主避障设计采用激光传感器、红外传感器与视觉传感器融合技术。

信息采集的过程是将工作环境信息进行数字化，通过激光传感器、红外传感器和视觉传感器采集信息，并将采集的信息进行融合。融合的信息可得到工作环境的两种信息：一种是障碍物的距离信息；另一种是障碍物的分布情况。

1.2 信息处理

采用视觉传感器采集的图像信息会存在一些噪声等，为了精确避障，需要将将图像进行处理，精确确定障碍物的位置。图像信息处理手段有光流法及平滑、分割等算法。光流法计算量比较大，但可以计算物体发送移动导致的在图像上物体的位置与实际物体位置的差别；图像进行平滑主要是消除图像的噪声；图像分割则是在复杂图像中将障碍物的形状提取出来，确保移动机器人可以避开。

2 移动机器人路径规划

2.1 路径规划方法

工作环境未知的情况下，移动机器人路径规划方法根据建模或搜索策略可以分为四大类：基于空间几何结构、前向图搜索法、基于行为的规划法和智能法。在四大类的规划方法中，还可分出许多不同的路径规划方法。

1)基于空间几何结构的路径规划方法是通过建筑图形来描述检测环境空间，并在图上找到最佳路径，在这种方法中图形的建筑比较重要。

可视图法是通过将移动机器人的起点、终点和障碍物顶点用直线段连接建立可视图(见图1)，保证直线不会与障碍物接触。可视图中不是所有的直线对最优路径的规划都有帮助，应将可视图进行简化，清除掉无用的直线，保留对最优路径规划有帮助的直线。简化的可视图终点(见图2)可以缩短路径规划使用的时间，提高自主避障的实时性。

Voronoi图法是根据已检测到的障碍物图形建立障碍物的分布图，将移动机器人的起点与终点连接于障碍物分布图中，通过算法在图中找到机器人移动最短路径，实时性比较好，但不能确保是最优路径。

栅格分解法是目前应用最多的方法之一，它是将移动机器人作业环境采集图像分割多个格栅，在单个格栅中找到无碰撞路径连接，用图像中的栅格编号来组成。栅格分解法又可分为两种：一种是确切栅格分解法，分解的栅格与原空间大小是一样的，在障碍物顶点开始画平行线，碰到其他边或线就停止，形成一系列的梯形，并将梯形依次编号；另一种是不确切栅格分解法，将控制分解为预定的性状，每个图形都是相连的，将分解过的图形再进行分解，重复分解后达到解的界限。

基于几何构造的规划方法不能很好地满足设定的约束条件，但比较完备。

图1 可视图

图2 简化可视图

2)前向图搜索算法在环境结构图建筑出来后，趋向目标搜索路径。比较多使用的有广度优化算法、深度优化算法及人工势场法等。

(1)广度优化算法是指广度优先搜索路径，横向搜索出最优路径，可以保证优先搜索到路径是最优路径。

(2)深度优化算法可以快速的搜索到一条路径，但快速搜索到的路径都是比较长的路径，故在应用时会把深度优化算法和广度优化算法结合使用。

(3)人工势场法是通过引入势场函数来描述移动机器人的运行空间，再搜索势场的下降规则来进行路径规划。势场又分为吸引势和排斥势，吸引势是针对目的地的，排斥势是针对障碍物的。将两种势场叠加，就可规划出最优路径，该方法适用于局部路径规划。

3)基于行为的规划方法的重点工作是建模，设计一系列行为，且每种行为可以达到不同的作用。趋向行为是达到目的地，避障行为则是避开障碍物，行为融合则是将不同的行为融合同时作用，即在趋向目标的同时避开障碍物。该方法的研究重点是信息采集、机器人行为及行为控制结构等。

4)智能化规划法有遗传算法、模糊控制算法及神经网络法等，结合多种算法进行路径规划，易于实现路径自主规划。

(1)遗传算法是通过初始化群体进行选择、交叉、变异等操作，并将群体遗传进化出最优个体，该最优个体就是最优路径个体。

(2)模糊控制算法适用于机器人作业环境未知的情况，路径规划时间快，而且对于移动机器人行走的方向和速度可以很好地推理决策，输入障碍物信息，输出路径、转向、速度等信息，消除数据处理时的不确定性。

(3)神经网络法是将传感器采集的障碍物信息作为输入层信息，经控制器分析处理后，输出决策信息(如移动机器人的转向与速度等)，从而保证机器人避开障碍物并达到终点。该方法路径规划效率高，但需要建立规则库。

(4)智能化规划方法利于实现移动机器人的自主避障设计，更大程度地提高路径规划效率。

2.2 基于模糊逻辑控制的动态行为路径规划

基于模糊逻辑控制的动态行为路径规划可归于智能化规划法中，控制中心是模糊逻辑控制器。模糊控制器包括以下4部分：

1)模糊化。选定输入量，将输入量进行处理为模糊控制可用的输入量或语言值，同时确定其取值与合适的隶属度函数。

3)知识库。由数据库与规则库组成，由专家或根据自己的经验来建立，包含了隶属度函数的定义、规则论域的离散化和量子化等。

3)推理。模糊控制核心，根据输入量和规则推理出模糊关系方程，求解出模糊输出量，其基础是模糊概念。

4)去模糊化。模糊化的逆运算，变换输出量。在模糊控制法的实际应用中，需要有确定值才能输入控制执行机构。常用去糊化方法有最大隶属度法、重心法及系数加权平均法等。

模糊逻辑控制算法实现过程如图3所示。

模糊逻辑控制器的使用改善了过度依赖系统参数来设计避障结构的方式，其建立的知识库可在无法建模时直接从规则库中提取模型使用；知识库中的规则是由人们的经验汇集而成，不需要太多的计算，不同领域的规则库可由领域内的专家输入，适用性强。

基于模糊逻辑控制的动态行为采摘机器人路径规划的核心是控制逻辑与推理，针对农用机器人在复杂作业环境中的控制问题，以自适应的控制理念来实现。该理念原理如下：

1)以反射式理论在控制结构中将行为分解为两个层次，即避障层次和趋向目标层次。

2)借鉴生物群落遗传自自适应性，实现避障行为与趋向目标行为的融合。

在模糊控制体系结构中(见图4)，感应层负责采集外界信息，控制层则控制行为。模糊控制器通过将传感器采集的信息作为输入，并输出采摘机器人期望的转向与速度，实现信息输入与输出的映射。这种方法对于环境复杂且未知的作业环境，可以快速地规划出局部最优路径。

图4 模糊控制体系结构

3 避障策略

3.1 多传感器融合结构

多传感器融合结构根据信息处理方式可分为集中型、分散型、反馈型和混合型。

1)集中型是指由信息融合中心直接接受传感器采集的信息，这时使用的传感器只是信息采集没有后期进行处理，适用于规模小的融合结构。

2)分散型的信息融合系统是先将采集的信息进行处理后再输送至融合中心，融合中心再进行组合推理得出结果，容量要求低，计算负荷小，但在传感器分散处理信息时易造成信息丢失。

3)反馈型的融合结构信息融合速度快，更利于实现避障系统的实时性。

4)混合型是结合集中型和分散型的优点，适用于数量多且规模大的传感器系统。

3.2 避障行为设计

移动机器任务是到达目的地，在达到目的地的过程中会存在许多未知状况，因此需要采取不同的措施。机器人的行为基本可分为避障行为及趋向行为等。在避障设计时，可根据需要设定优先级，当行为发生碰撞时，可根据优先级的高低执行。

3.2.1 趋向行为

趋向行为是移动机器人执行任务的基本条件。在机器人检测到前面路面没有障碍物时，机器人会直线进行到达目的地；在有障碍物时，移动机器人的行进方向及机器人与目的地之间夹角决定了机器人的行进方向，如图5所示。

图5 趋向行为的坐标示意图

设c(x1,y1)为机器人位置，b(x2,y2)表示目的地，ca为机器人移动方向，θ1表示行进方向与坐标轴的夹角，θ为前进方向与距离目的地方向的夹角，则

tanθ1=y1/x1

tanθ=y2/x2

θ=arctan((y2-y1)/(x2-x1)- θ1

当θ<0时，机器人右转；当θ>0时，机器人左转。

3.2.2 避障行为

在机器人检测到障碍物时，根据传感器采集的作业环境中障碍物信息，决定采取何种避障措施。避障行为会影响机器人的行走速度，也决定趋向行为的压制时机，以模糊控制算法控制。在避障过程中，无论哪个方向有障碍物，当传感器检测到障碍物的距离时，将检测数据作为模糊控制器的输入量，触发相应的行为，实现自主避障。

3.2.3 沿墙壁走行为

在移动机器人前进时，当传感器感应到机器人两侧存在墙壁、趋向行为或避障行为不能避开障碍物且前方行走的宽度小于机器人本身宽度时，采取沿墙壁走行为；在工作环境障碍物比较多且大时，易出现前面所说的这种情况，采取沿墙壁走行为可以避免机器人碰撞到障碍物。

在传感器检测到两侧有障碍物时，根据传感器检测到机器人与障碍物的距离，控制器决定机器人的转向角度和速度，对其他行为则采取压制；当障碍物避开时，则根据传感器检测的情况决定采取何种行为。

3.2.4 紧急避障行为

当传感器检测到机器人前进方向有移动障碍物且障碍物距离机器人的距离非常近时，控制器采取紧急避障行为，即停止前进等障碍物离开再行进。紧急避障行为使得移动机器人在工作环境中遇到动态障碍物时可以安全避开。本文基于足球比赛运动的移动机器人自主避障设计中，足球比赛运动中遇到的对方球员是不停移动的，故紧急避障行为设计是必不可少的。

3.2.5 行为融合

当趋向行为和避障行为同时激活时，需要对两种行为进行融合，将路径进行二次规划。趋向行为与避障行为决定机器人的转向和行走速度，当两种行为同时激活时，将两者进行融合输出一个指令。当接近障碍物时，机器人应进行避障，则执行避障行为；但趋向行为也在执行，不过作用力度小于避障行为，在绕过障碍物后且前面没有障碍物时，机器人执行趋向行为。

4 仿真试验

仿真试验采用移动机器人为实验对象，机器人的每个轮子可驱动也可转向。车体安装红外传感器、视觉摄像头、激光传感器及无线网卡天线等，操作系统采用WindowsXP。机器人后面有紧急停止按钮和控制面板，机器人内部则由电源驱动模块、运动控制器、上位机、图像采集卡和传感器分析模块组成。红外传感器安装8个 ，机器人两侧各安装1个，后方安装2个，另外4个安装在机器人前面。试验在有无障碍物的情况下进行，试验场所为一个10m×6m平面空间。

在没有障碍物的情况下，机器人直接采取趋向目标行为，如图6所示。在存在障碍物的情况下(见图7)，一是移动机器人的自主避障行为；二是紧急避障行为，即遇到动态障碍物且距离很近时停止前进，等障碍物离开再行进；三是沿墙壁走行为，这时遇到的障碍物比较大，行走路径比较小。

图6 机器人趋向目标行为

图7 机器人自主避障仿真试验

在有障碍物和无障碍物的情况下，各进行30次试验，检测机器人是否行走了最优路径。

试验结果如表1所示。

表1 机器人自主避障试验结果

实验结果表明：本文设计的移动机器人自主避障系统可以完全避开障碍物，在路径规划中机器人规划出的行走最优路径次数达28次，表明该机器人的自主避障系统有效，验证了该自主避障设计的实时性和有效性。

5 结论

基于足球比赛运动的自主避障原理，参考球员带球避开对方球员的阻拦和抢夺到达对方球门进行射门及球员根据现场实际情况进行自主避开并趋向目标的方式，设计了采摘机器人自主避障系统。自主避障系统根据传感器采集的作业环境的信息，将信息处理后输入控制器，得到环境中障碍物分布信息，根据障碍物的分布情况采取相应行为，实现避障并趋向目标的要求。具有自主避障能力的移动机器人可以适应农业生产中的复杂作业环境，实时有效地避开障碍物，完成作业任务。