基于云平臺的多機器人遠程實時控制系統設計

姜媛媛, 魏衡華

(中國科學技術大學 自動化系，安徽 合肥 230027)

0 引言

近年來由于技術發展和任務需要，仿人機器人的應用越來越廣泛[1-2]。隨著無線技術的快速發展，無線網絡傳輸數據的速度和穩定性越來越高，使機器人的遠程控制成為可能。國內外學者對仿人機器人做了大量研究。參考文獻[3]詳細介紹了國內外仿人機器人的研究及理論現狀，提出了發展趨勢；參考文獻[4]實現了基于網絡的機器人遠程控制系統，操作者通過網絡傳輸的現場實時畫面實現對遠程機器人的控制；參考文獻[5]以環境感知為前提，提出了多機器人系統的合作即時定位與地圖創建的方法；參考文獻[6]介紹了多機器人在多個研究領域的進展；參考文獻[7]以實時性和可靠性為前提，設計了一套遠程控制系統和開發庫；參考文獻[8]提出了一種基于Linux的新的遠程機器人控制系統的軟件體系結構并對遠程機器人的原理以及狀態監控技術進行了詳細闡述。

當機器人遇到復雜情況時，由于機載設備容量和處理能力有限而顯得能力不足。將機器人感知的當前環境實時傳輸給遠程服務器，通過遠程服務器對信息實時處理并做出響應是克服該困難的有效方法。當多個機器人同時完成任務時，簡單的后臺處理器無法滿足計算需求，云計算為解決該問題提供了可能。

云計算[9-10]是指通過互聯網技術、虛擬化技術將大量異構的軟硬件資源結合起來，以服務的形式提供給用戶使用。

本文采用的設備是Darwin-op高級版—達爾文機器人，該機器人是一款高智能仿人機器人，自帶Ubuntu9.10操作系統，包含高清攝像頭、陀螺儀、麥克風等專業傳感器，能夠穩步行走和保持自身的平衡性，可以通過無線網訪問系統的資源，具有很好的視覺跟蹤和人機交互能力。

本文擬通過機載攝像頭將監控信息實時傳輸給搭建在云計算平臺上的后臺集群，后臺集群通過對畫面的探測，搜索出目標信息，進而搜索數據庫中保存的指令序列傳給機器人，機器人做出相應的動作。

1 系統整體設計

1.1 系統組成

本系統有以下5部分組成，系統框架結構如圖1所示。

（1） 機載攝像頭，每隔一定時間間隔采集一次當前所處的環境畫面并傳遞給預處理模塊。

（2） 預處理模塊，為減小傳輸帶寬，對畫面進行一定比例的壓縮。

（3） 通信模塊，負責機器人與后臺之間的交互，包括信息上傳和指令接收。

（4） 控制模塊，根據后臺發出的指令做出相應動作。

（5） 后臺數據處理集群，負責圖像的解析，并根據解析結果查詢數據庫，調取相應的指令信息反饋給機器人。

圖1 多機器人遠程實時控制系統框架

1.2 后臺數據處理集群

為了方便各個節點之間的協調工作，后臺處理集群采用master-worker架構。master節點主要負責：計算節點的管理和任務的接收與分配。

在計算節點管理方面，master節點維持一個計算節點列表，列表中的節點采用“心跳機制”，每隔一段時間向master節點報告其存活狀況，只有處于存活狀態的計算節點才參與任務的執行。為增強適應性，后臺集群不僅要滿足當前所需，還要滿足將來不斷增加的負載需求，另外，本設計希望集群能夠在不停機的條件下擴展計算資源。為此，將計算節點設計為注冊機制，當新計算節點加入時首先向master節點申請加入，master節點接受后將該計算節點的信息（名稱、IP等）添加到計算節點列表中并反饋確認信息。

算法1 （master節點運行算法）：

在任務接收與分配方面，master通過TCP/IP協議與機器人進行通信。當master節點收到某個機器人上傳的信息時，master節點根據各個計算節點的負載情況將信息分配給負載最小的計算節點處理以達到負載均衡的目的，如算法1所示。各個節點的負載用CPU和內存的利用率評定：

其中，ψ1和ψ2為權重，滿足ψ1+ψ2=1。

在集群master和計算節點之間通過φMQ通信中間件進行通信[11]，該中間件具有較高的通信速度和良好的穩定性。為保證每個計算任務都能得到處理，采用REQREP通信模式。整個后臺處理集群的結構如圖2所示。

圖2 后臺集群架構

1.3 系統實現方法

信息流進入集群后以有向無環圖的形式在各個計算節點之間流動，每個計算節點視為一個處理單元。為了適應大負載及快速響應的需求，將整個系統設計為可橫向并行和縱向并行的形式。在橫向方面，將負責某個任務的處理單元設置為多份。當信息接收模塊接收到機器人的監控圖像時，系統根據各個處理單元的負載情況將計算任務分配到負載較輕的處理單元。在縱向并行方面，采用分而治之的思想，每個計算任務分為多個階段處理。本文將處理過程設計為兩部分：一級處理單元和二級處理單元。如圖3所示。

圖3 信息流流向圖

將一級處理單元設置為檢測圖片中是否有人，二級處理單元設置為檢測圖片中是否有汽車。并且預設機器人執行指令情況如下：⑴圖片中既無人又無汽車，機器人不動作；⑵圖片中僅有人，機器人打招呼；⑶圖中有汽車，機器人向一側移動；⑷圖中既有人又有汽車，機器人先打招呼再向一側移動。例如，當機器人將實時圖片上傳到后臺時，后臺系統根據各個處理單元的負載情況，將其分配到2號處理單元，2號處理單元調用人物探測功能，探測到有人存在，然后將結果和圖片傳遞到下游的二級處理單元中的6號，探測到沒有汽車存在，最后將兩個結果匯總提交給指令發送模塊，指令發送模塊查詢數據庫，向機器人發出打招呼指令。

此外，為了保證各個計算節點之間的負載均衡，一、二級處理單元之間為多對多的關系，如圖3所示。 在對機器人傳遞的圖片進行處理時，挖掘出其中比較重要的元素（人、汽車），并根據圖像中是否存在目標做出判斷。

圖像處理選用opencv作為工具箱。opnecv中圖像識別主要包括兩部分：訓練分類器和根據分類器對輸入的圖像進行檢測。以人臉識別為例，目前分類器大多基于Haar特征訓練得來（算法2）。具體操作如下：

（1）根據Haar特征使用大量樣本進行訓練（所有參與訓練的樣本必須歸一化為同樣大小的圖片），得到一個分類器。樣本分為正樣本和反樣本，正樣本為含有待檢測目標的樣本，反樣本為含有其他圖像的樣本。

（2）訓練完成后根據訓練產生的特征文件對感興趣的區域進行檢測。在人臉識別中當檢測區域有人臉時結果輸出1，表示含有目標圖像；否則輸出0，表示不含有目標圖像。

算法2（Haar訓練分類器算法）：

在算法2中首先創建一個Haar特征，然后重復輸入正反樣本，訓練產生一個新的強分類器，此過程一直重復直到虛警率或產生分類器的數量達到規定的閾值為止。

系統后臺服務程序要對大量的物體進行檢測，每個物體對應一個訓練的分類器XML文件。前面提到為了增強縱向并行性將整個檢測過程采用分而治之的思想。將后臺程序設置為一級和二級處理單元，一級處理單元負責掃描前[N/2]數量的物體，二級處理單元負責掃描后[N/2]數量的物體。為了增強動態性，對處理的物體也采用動態注冊的方式，當有新的物體需要識別時，需要在物體列表中注冊，同時將XML文件放到指定的位置，將針對該物體的指令保存到數據庫中，如圖4所示。

圖4 待識別物體注冊流程圖

機器人每隔一段時間通過機載攝像頭掃描當前環境，將采集當前環境的一幅圖片tar壓縮，然后通過TCP/IP協議傳輸到后臺處理，等待該圖片對應的指令。具體流程如圖5所示。

另外，在機器人中預先設定各種動作的代號及相關的動作代碼，當一個指令序列到來時，機器人根據序列內容解析出動作代號，并根據代號執行相應的動作。當需要改變面對某種情況所執行的動作時，只要修改后臺數據庫中代號序列就可以重新編排動作，增強了靈活性。

圖5 機器人端流程圖

2 實驗

在本實驗中測試整個系統的性能。首先測試利用opencv的圖像識別技術；然后通過模擬負載，測試后臺的處理性能；最后在真實環境中測試可行性。

實驗中使用Darwin-op機器人，后臺建立在由中國科學技術大學中科大-聯想云計算實驗室開發的瀚海星云云計算服務平臺上。該平臺目前提供IaaS層的服務，可以提供多種配置的Linux虛擬機。

2.1 Opencv圖像識別測試

在圖像識別測試中，以人臉識別和車輛識別為例進行測試。

在人臉識別中，使用opencv[12]示例中自帶的haarcascade_frontalface_alt.xml人臉識別分類器進行測試。如圖6所示，分別在無背景、單人真實環境以及多人真實環境下進行測試。通過對不同場景的測試，識別系統均可較好地識別出圖像中出現的人臉。

在對車輛進行識別時，建立了一個規模較小、包含2 000個樣本的數據集來訓練產生分類器，能識別圖片中出現的車輛（車輛識別中使用的訓練集僅限于小汽車）。如圖7所示。

圖6 Opencv人臉識別

2.2 后臺負載測試

在該部分中，通過模擬負載，不停地向后臺系統批量傳送大量監控圖像來模擬多機器人遠程實時控制。在該實驗中，使用4臺單核處理器作為后臺服務集群，其中2臺負責人臉識別，2臺負責車輛識別。

圖7 Opencv車輛識別

如圖8所示，由于后臺系統在分配任務時總是將其分配到負載較輕的計算節點上，因此在整個運行過程中各個節點的負載保持在相對均衡的狀態。同時，由于使用多計算節點模式，從而能夠滿足同時控制多機器人的需求。

圖8 各個計算節點負載趨勢圖

2.3 系統測試

在該部分根據預設指令測試整個系統的可行性。

在實驗過程中，使機器人1處于有人環境中，機器人2處于有汽車的環境中，這里用一個玩具車來代替。機器人1在遇到人時會做出打招呼的動作，機器人2在遇到車時會做出避讓動作。實驗表明兩個機器人都能夠完成預設的指令，整個過程檢驗了一個系統同時控制多個處于不同環境中的機器人的可行性。

3 結論

本文將機器人與云計算結合起來，把機器人作為信息的獲取媒介和任務的最終執行者，將后臺處理系統架設在云平臺上，利用云平臺的海量處理能力來解決多機器人的控制問題，實驗表明本設計取得了良好的效果。但是，由于實驗條件所限，機器人采集的只有圖像信息，在未來的工作中會將其他傳感器獲得的信息加入到其中，使機器人能夠更加全面地感知周圍環境，并根據這些信息做出更加準確的決定。

[1] 徐莉，劉振方，王建丞，等．仿生機器人綜述[J]．黑龍江科學，2013,4(7)：57-61．

[2] 王田苗，陶永，陳陽．服務機器人技術研究現狀與發展趨勢[J].中國科學，2012,42(9):1049-1066．

[3] 陳兵，駱敏舟，馮寶林，等．類人機器人的研究現狀及展望[J].機器人技術與應用，2013（4）:25-30．

[4] 張曉暉，劉丁，李攀．基于網絡的機器人遠程控制系統的實現與研究[J].機械科學與技術，2007,26(6):808-811．

[5] Cheng Liying, Xue Dingyu, Cong Yang, et al. The research of environment perception based on the cooperration of muti-robot[C]. Chinese Control and Decision Conference,2012:1914-1919．

[6] ARAI T, PAGLLO E, PARKER L E. Advances in multi-robot systems [J]. IEEE Transctions on Robotics and Automation,2002,18(5):655-661．

[7] 陳洋，陸宇平．機器人實時遠程控制系統及其開發庫的設計與實現[J]. 電子技術應用，2006，32（2）:7-10．

[8] 薛廣濤，陳一民，張濤．基于Linux的遠程機器人控制系統研究[J]. 機器人，2001, 23( 3):261-265．

[9] 王波.虛擬化與云計算[M]．北京：電子工業出版社,2009．

[10]陳全，鄧倩妮．云計算及其關鍵技術[J]．計算機應用，2009,29(9):2562-2566.

[11] HINTHENS P. ZeroMQ [M]. O’REILLY, 2013.

[12] BRADSKI G. Learning OpenCV [M]. O’REILLY, 2008.