摘要：在面向目標搜索、采用群體智能方法進行的群機器人協調控制過程中，機器人的搜索行為受自身對環境的認知和群體內分享的經驗共同引導，且群體經驗發揮了較大作用。由于群體經驗從本質上看屬于某個個體的認知，為提高目標搜索速度，在絕對定位機制下引入群機器人關于目標的位置估計這一群體決策。首先，采用擴展的微粒群算法建模法對群機器人系統建模。然后，基于群體經驗對搜索行為引導作用的本質，以及采用RSSI法對目標位置進行估計的實質，將本質上屬于單個機器人的經驗與集體決策結合起來用于目標搜索控制。當滿足目標位置估計條件時，將目標位置估計值引入擴展的微粒群算法模型；不滿足位置估計條件時則保留原模型。仿真實驗的結果表明，與單純采用群體經驗的模型法相比，無論在目標搜索成功率、搜索效率和能耗方面，本文算法均優于前者。
關鍵詞：群機器人；微粒群算法；目標搜索；位置估計
1 引言
群機器人是特殊的多自主機器人系統[1]，由若干相對簡單的機器人組成，個體僅具有有限的環境感知能力，其結構和功能角色均是同構的。群機器人系統具有以下特征[2]：魯棒性；柔性；系統規模的可伸縮性。群機器人研究分為若干基準問題[3]，如搬運、編隊、搜索、圍捕等。其中的搜索任務包含若干本質科學問題[4]，如定位、通信、避碰、路徑規劃等，而定位是機器人識別自身在環境中所處位置，與其他機器人協同工作的基礎。群機器人定位[5]，是指自主移動機器人在運動過程中實時采集里程計和傳感器的測量數據，對自身位姿和其時變特征群內機器人位姿進行推測的過程，在此基礎上，還可以進行運行速度的推測和目標位姿的估計。群機器人定位主要分兩種[6]：絕對定位和相對定位。群機器人的絕對定位[7]，是在工作環境中或環境外設置一個參考點作為所有機器人的參照基準，然后每個機器人通過自身所攜傳感器對位姿進行推算，然后通過參考點對推算位置進行修正以消除積累誤差。群機器人的相對定位機制[8]，是每個單體機器人均以自身所在位置作為參考點，以自身的頭部朝向作為坐標系正方向來構建自身的局部坐標系，以自身對其他機器人的相對位置檢測量作為其他機器人的位姿。絕對定位方法主要有導航信標定位、主動或被動標識定位、圖形匹配定位、GPS定位、概率定位等；相對定位則主要有慣性導航、測程法等[9]。本文研究絕對定位機制下的群機器人目標搜索問題。已有的群機器人目標搜索研究，采用了擴展的微粒群算法模型進行系統建模和控制。擴展微粒群模型是靠自身經驗和群體經驗進行迭代期望位置和速度的。自身經驗是引入短期記憶機制，從目前位置和上一步位置的目標信號強度決定，群體經驗是機器人和其時變特征群內機器人監測到的目標信號強度值來判斷自身的群體經驗。可見，群體經驗是基于時變特征群內所有機器人的認知“選舉”得出的。無論是機器人的個體感知還是群體經驗，從本質上說，引導機器人搜索行為的均屬于單個機器人的認知。無線傳感網絡由分散的節點組成，每個節點具有傳感、計算和通信的能力，其功能上與群機器人有相似之處。無線傳感器網絡中節點定位技術主要有無需測距和需測距兩種，需測距定位法中的RSSI算法是比較成熟的方法。而群機器人的本質是無線傳感器網絡，個體機器人是具有運動屬性的傳感器網絡的節點。基于無線傳感器網絡的目標定位的本質是群體決策的結果。考慮到搜索效率問題，本文將目標位置估計與群機器人搜索結合起來。在滿足RSSI法目標位置估計條件時，通過機器人傳感器的對目標信號的檢測，對目標位置進行估計，并用目標位置估計值對模型進行修正，進而輔助群機器人進行目標搜索。
本文安排如下：第2節描述采用擴展的微粒群算法進行系統建模和協調控制進行群機器人目標搜索的方法，并對基于該法引導個體機器人搜索行為的本質進行分析；第3節介紹RSSI方法，結合自主運動機器人分析其定位的本質；第4節闡述目標位置估計的群機器人搜索方法，并給出其算法；第5節進行仿真實驗，并對結果進行討論。為了對比，同時進行了不考慮目標位置估計值的擴展微粒群算法模型法的目標搜索實驗。第6節得出有關結論，并以未來的研究展望作結。
2 面向目標搜索的群機器人建模和協調控制
群機器人目標搜索任務在群機器人應用中占據特殊重要位置，相對于其他任務，目標搜索是基礎。群機器人目標搜索任務在協調控制中采用擴展微粒群模型為其控制工具。擴展微粒群模型[10]為
機器人在搜索目標任務之初被隨機放置在一個半徑小于R的圓內，圓心距目標位置較遠，這樣是為了提高搜索難度。機器人初始速度與位置均為隨機值，初始速度為最大速度
為[0,1]之間隨機值。機器人第一次監測目標信號，目標信號強度值[11]由
是成正態分布的高斯白噪聲。機器人將測得的信號強度值，和自身位置坐標廣播出去，同時監聽其時變特征群內機器人發送過來的信號。機器人將初始位置作為自身最優位置，機器人和群內鄰居機器人的目標信號強度值做比較，將最大值機器人的位置作為自身的群最優位置。根據監聽到的信號，如果群內沒有任何機器人檢測到目標信號則進行螺旋發散式漫游狀態，其迭代公式為
如果群內有至少一個機器人檢測到目標強度信號，則進行智能搜索狀態，其迭代公式為式1，機器人根據初始位置，自身最優位置和群最優位置計算出自己的期望位置和速度。至此，機器人移動一步。機器人再監測目標信號一次，根據式2計算出目標信號強度值。機器人將測得的信號強度值和更新位置坐標廣播出去，同時監聽其時變特征群內機器人發送過來的信號。機器人通過[12]
計算出自身最優位置，再將自身目標信號強度值和群內鄰居機器人做比較，將最大值的機器人位置作為自身的群最優位置，根據監聽到的信號，如果群內沒有任何機器人監測到目標信號則進行螺旋發散式漫游狀態，其迭代公式為式3。如果群內有至少一個機器人監測到目標強度信號，則進行智能搜索狀態，其迭代公式為式1，機器人根據現位置，自身最優位置和群最優位置計算出自己的期望位置和速度。至此，機器人又移動一步。如此反復直至群內至少有一個機器人距離目標小于一個設定值，或者超過最大迭代步數。
自身經驗是引入短期記憶機制，從目前位置和上一步位置的目標信號強度決定，群體經驗是機器人和其時變特征群內機器人監測到的目標信號強度值來判斷自身的群體經驗。可見，群體經驗是由時變特征群內所有機器人的認知中的某一個擔當。無論是機器人的個體感知還是群體經驗，從本質上說，引導機器人搜索行為的均屬于單個機器人的認知，并未進行集體決策。而目標位置估計相當于集體決策，因為該法用到了參與估計的至少三個機器人的經驗。
3 引入目標位置估計的目標搜索
無線傳感網絡由分散的節點組成，每個節點具有傳感、計算和通信的能力，其功能上與群機器人有相似之處。無線傳感器網絡中節點定位技術主要有無需測距和需測距兩種，需測距定位法中的RSSI算法是比較成熟的方法。根據無線傳感網絡節點定位技術和群機器人絕對定位技術的相似性，將RSSI算法引入其中。機器人在進行搜索目標任務時，當群內包括自己至少有三個機器人檢測到的目標信號強度不為0，且這三個機器人不在同一條直線上，則滿足RSSI估計目標位置條件。
4 算法描述
引入目標位置估計的新模型仿真算法過程如下：
5 仿真結果
對于擴展模型和本文模型，分別用3至10個機器人進行五十次仿真，總共是8000次，對仿真得出的數據進行分析比較。擴展微粒群模型和本文模型性能評價指標主要為，本文模型機器人數量從3至10搜索目標成功率比較；本文模型機器人數量從3至10搜索目標步數期望比較；本文模型和擴展微粒群模型機器人數量從3至10搜索目標成功率比較；本文模型和擴展微粒群模型機器人數量從3至10搜索目標步數期望比較；本文模型和擴展微粒群模型機器人數量從3至10搜索目標步長期望比較；本文模型在滿足RSSI法進行目標位置估計時，個體機器人對目標位置的估計值和其群最優位置距目標距離的期望比較。
5.2仿真數據
為了本文模型和擴展微粒群模型比較方便，在數據圖和數據表格中樣式規整，以下將本文模型簡稱方法1，擴展微粒群模型簡稱方法2。
從表和圖中可以看出方法1隨著機器人的數量增加成功率也在增加，說明群體搜索效率隨著系統的規模擴大而提高。模型在相同機器人數量時，方法1總體上也比方法2提高，說明方法1同情形下搜索效率比方法2高。
從表和圖中可以看出方法1隨著機器人數量增加搜索步數在逐漸減少，說明群體搜索所需要消耗的步數在減少，其搜索效率在增加。模型在機器人數量相同時，方法1所消耗步數略優于方法2，但是在標準差上明顯優于方法2，說明方法1搜索步數比方法2穩定性高。
從表和圖中可以看出，模型在機器人數量相同時方法1比方法2所消耗的步長少，說明其消耗的能量少，在節能方面證明其優勢所在。
群機器人在方法1搜索目標時，當滿足RSSI法時對目標位置進行估計，由此來更新期望位置與速度，如若不滿足RSSI法時用方法2中的迭代公式。可以在滿足RSSI條件時用目標估計位置與群最優位置的距目標位置距離期望值來判斷方法1中新的迭代公式引導群機器人搜索目標的能力。從表和圖中數據可以看出，方法1在機器人數量相同時，滿足RSSI法估計目標位置條件時，對目標位置的估計值距目標的距離比其同時群最優位置距目標位置小，說明其引導機器人搜索目標能力強。
6 結束語
通過仿真實驗驗證了本文模型的可行性，其定位效率，步數和能耗方面均優于擴展微粒群模型。但是這僅是在絕對定位機制下的目標搜索任務定位效率的研究，還有相對定位機制下引入目標位置估計定位效率正待研究。
