一種仿生機器鼠的跟蹤與避障策略

滿春濤， 曹淼,， 曹永成， 宋永博

(1.哈爾濱理工大學 自動化學院，黑龍江 哈爾濱 150080；2. 中國科學院自動化研究所 復雜系統管理與控制國家重點實驗室，北京 100190；3. 黑龍江東方學院 電氣工程及其自動化教研室，黑龍江 哈爾濱 150086)

一種仿生機器鼠的跟蹤與避障策略

滿春濤1， 曹淼1,2， 曹永成3， 宋永博2

(1.哈爾濱理工大學 自動化學院，黑龍江 哈爾濱 150080；2. 中國科學院自動化研究所 復雜系統管理與控制國家重點實驗室，北京 100190；3. 黑龍江東方學院 電氣工程及其自動化教研室，黑龍江 哈爾濱 150086)

針對一種新型仿生機器鼠平臺的運動規劃問題主要包括跟蹤、避障等問題，依據仿生機器鼠的雙目視覺系統以及多自由度的機械結構，根據驅動電機的特性，建立仿生機器鼠的扭腰、抬身、攀爬等動力學模型，采用“記憶”目標鼠的特征、“學習”最優避障路徑、“推斷”目標鼠的運動方向等方法，實現了仿生機器鼠的跟蹤與避障行為，提出了一種基于仿生學原理的仿生機器鼠的跟蹤與避障策略。在一種新型仿生機器鼠平臺上的實驗結果表明，相比與基于虛擬阻抗模型的控制方法，該跟蹤與避障策略能夠更好地實現仿生機器鼠的跟蹤與避障行為，從而驗證了策略的可行性與有效性。

機器人；仿生機器鼠；仿生學；雙目視覺系統；運動規劃

0 引 言

隨著人們生活壓力的不斷增大，越來越多的人開始出現各種心理疾病，比如焦慮、抑郁等[1,2]。相應地，很多研究人員開始著手心理疾病病因的研究，同時研制新型的治療藥物。然而由于患者的個體差異較大，在臨床試驗中很難直接確定藥效，所以研究人員經常利用模式動物(注：模式動物指的是為了保證實驗動物的研究更具有可重復性和準確性，而建立起的標準化的實驗動物)[3]，尤其是模式鼠，代替人類來驗證藥效。

研究表明，社交互動能力的變化是人類以及模式動物心理疾病的最重要的癥狀[2]。在臨床試驗中，研究人員通常利用模式鼠來驗證藥物對其社交互動行為所產生的影響。然而模式鼠的社交互動行為實驗是不可再現的，所以研究人員很難控制和評估模式鼠的社交互動行為。仿生機器鼠(下文統稱為智能鼠)的出現解決了上述難題，由于其具有可編程、行為可再現等特點，所以其為研究模式鼠的社交互動行為提供了新穎的實驗方法[4]。

在智能鼠的社交互動行為實驗中智能鼠的行為必須是自然、安全、可控的，本文中智能鼠可以自然地模仿生物鼠的行為(比如抬身、扭腰等)，所以如何讓智能鼠的行為更加安全、可控變得十分重要。若要保證智能鼠行為的安全性、可控性，就必須研究智能鼠的運動規劃問題，其中最重要的是智能鼠的跟蹤與避障問題。解決智能鼠的跟蹤與避障問題主要有以下兩個難點：1)如何讓智能鼠具有生物鼠的思考能力，從而可以像生物鼠一樣完成跟蹤與避障任務；2)如何解決跟蹤過程中目標鼠快速、無規則移動的問題。

在之前關于智能鼠運動規劃的研究中，Shi等人提出一種基于虛擬阻抗模型的控制方法[5-6](注：基于虛擬阻抗的控制算法是指通過設置虛擬接觸面，利用任務智能鼠與目標智能鼠或者空間障礙物之間的虛擬阻抗產生可對任務智能鼠實現協調控制的虛擬力)。但是由于沒有視覺反饋，這種基于虛擬阻抗模型的控制方法的準確性和魯棒性遠不能滿足智能鼠運動控制的要求?；谝陨峡紤]，本文提出一種基于雙目視覺的智能鼠的跟蹤與避障策略。

接下來，本文將從以下幾個方面展開討論：第一部分主要介紹智能鼠的硬件結構、控制系統以及雙目視覺系統等內容；第二部分將要著重介紹智能鼠的跟蹤與避障策略，分為智能鼠的跟蹤策略、避障策略、綜合運動策略等三方面內容；第三部分將會利用該智能鼠本體驗證智能鼠的跟蹤與避障策略，同時給出相應的實驗結果；最后一部分是關于實驗結論以及未來研究方向的描述。

1 智能鼠本體介紹

本節主要介紹智能鼠本體的結構，包括硬件結構、控制系統、雙目視覺系統等內容。

1.1 智能鼠的硬件結構

該智能鼠的硬件結構如圖1所示，該智能鼠平臺有如下幾個特點：1)該智能鼠的物理尺寸為240 mm×65 mm×95 mm，與成年雌鼠的大小相似；2)該智能鼠有13個自由度，由13個電機驅動；3)由于該智能鼠各個關節的運動特點不同，所以該智能鼠的驅動電機分為3類，其中6個直流電機用于驅動腰部和后輪，3個舵機用于驅動頭部、頸部和尾部，4個直流微電機用于驅動前肢；4)由于該智能鼠具有豐富的自由度而且不同關節由不同的電機驅動，所以在智能鼠的社交互動行為實驗中其可以靈活地模仿生物鼠的抬身、扭腰、攀爬等行為。

圖1 智能鼠硬件結構圖Fig.1 Structure of the intelligent rat

1.2 智能鼠的控制系統

該智能鼠的控制系統板如圖2所示，控制系統框圖如圖3所示，主要包括：ARM控制器、無線傳輸模塊、電機驅動模塊等。其中，ARM控制器使用的是STM32F103RG，無線傳輸模塊使用的是CS8635藍牙模塊，電機驅動模塊用于驅動該智能鼠的所有電機。STM32F103RG作為控制系統的核心，其作用是控制各個電機的運行狀態，同時通過無線傳輸模塊將該智能鼠的狀態信息(比如移動速度、各個關節的關節角等)發送給遠程PC。

圖2 智能鼠的控制系統板Fig.2 Control board of the intelligent rat

圖3 智能鼠的控制系統框圖Fig.3 Control system diagram of the intelligent rat

1.3 雙目視覺系統

該智能鼠采用雙目視覺系統，有以下兩點考慮：1)采用傳感器的方式不符合本文仿生學的研究思路，而雙目視覺系統可以模仿生物鼠的眼睛去感知周圍環境；2)單目視覺系統無法獲取障礙物的深度信息，而雙目視覺系統可以獲取障礙物的深度信息。

在執行跟蹤與避障任務之前，必須對該智能鼠的雙“眼”進行標定，本文采用一種新的相機標定法進行相機標定。首先，采用張正友標定法獲取攝像頭的內參數和外參數[8]；其次，由于移動過程中攝像頭在世界坐標系中的位置是變化的，所以獲取攝像頭的外參數之后需要把世界坐標系轉換到機器人坐標系，方法如下：

將機器人坐標系的原點定在兩個攝像頭的中點，其在世界坐標系中的位置坐標已知，設為 (-t1,-t2,-t3)；假設某個點在世界坐標系中的位置(xw,yw,zw),那么其在機器人坐標系中的位置為(xw+t1,yw+t2,zw+t3)。

圖4 智能鼠雙目視覺系統的測距原理Fig. 4 Binocular vision system of the intelligent rat

2 智能鼠的跟蹤與避障策略

本節提出了一種基于仿生學的跟蹤與避障策略，其意圖是使智能鼠可以像生物鼠一樣具有記憶、學習、推斷能力，從而以生物啟發的方式完成跟蹤與避障任務。下面將著重介紹智能鼠的跟蹤策略、智能鼠的避障策略、智能鼠的綜合運動策略等三方面內容。

2.1 智能鼠的跟蹤策略

智能鼠的跟蹤過程主要有以下兩個難點：1)跟蹤過程中，目標智能鼠可能會發生位姿突變(比如大幅度扭腰)，這會給目標智能鼠的特征點匹配帶來很大的困難；2)在實際跟蹤生物鼠的過程中，目標鼠的位置可能會發生突變，然而本文的實驗過程中不會出現目標鼠位置突變的情況，所以暫不考慮這種情況。

研究表明[9]，生物鼠的記憶時間長達5個月之久?；诖?，本文提出了一種基于“記憶”的跟蹤策略，其原理如下：1)在進行跟蹤任務之前，任務智能鼠的“大腦”(ARM控制器)中“記憶”(存儲)了目標智能鼠的身體特征，比如頭部特征、前肢特征、尾部特征等；2)跟蹤過程中，如果目標智能鼠發生位姿突變(本文以大幅扭腰為例)，任務智能鼠可以通過“大腦”中“記憶”的其他特征進行目標智能鼠的識別，同時計算出目標智能鼠的扭轉角度，從而判斷目標智能鼠的移動方向—如果目標智能鼠繼續前進，任務智能鼠需要作出相同幅度的扭腰動作才能持續跟蹤目標智能鼠，反之，如果目標智能鼠轉身朝向任務智能鼠移動，任務智能鼠可通過面部特征朝向目標智能鼠移動，直至二者足夠接近，任務智能鼠完成跟蹤任務。

智能鼠的跟蹤策略流程圖如圖5所示，具體跟蹤過程如下：1)在首次執行跟蹤任務之前，任務智能鼠需要“記憶”目標智能鼠的所有特征包括頭部、尾部、前肢等身體特征；2)在跟蹤過程中任務智能鼠不斷重復預處理過程(包括：目標檢測、目標智能鼠的特征提取以及特征點匹配)，并且計算其與目標智能鼠的相對距離以及目標智能鼠的移動速度，如果任務智能鼠與目標智能鼠足夠接近且目標智能鼠靜止，則任務智能鼠完成跟蹤任務；3)最后，根據生物鼠的行為特點，跟蹤結束后，任務智能鼠做出抬身、攀爬、扭腰等動作。

圖5 智能鼠的跟蹤策略流程圖Fig.5 Tracking strategy of the intelligent rat

本文提出的智能鼠的跟蹤策略以及綜合運動策略中都涉及到目標智能鼠相對于任務智能鼠的距離以及任務智能鼠和目標智能鼠的移動速度等的計算，這里本文給出的方法如下：1)1.3節中提到，將機器人坐標系的原點定在任務智能鼠兩個攝像頭的中點，此時以目標智能鼠尾部中心點為特征點，通過雙目視覺算法即可計算目標智能鼠相對于任務智能鼠的距離dt；2)任務智能鼠的運動速度由任務智能鼠控制系統控制，為已知量；3)前面得出了目標智能鼠相對于任務智能鼠的距離dt，同時任務智能鼠觀測相對距離的時間間隔是確定的(本文取為1s)，所以目標智能鼠相對于任務智能鼠的速度就可以計算出來，即vt=dt-dt-1。

2.2 智能鼠的避障策略

本文假設智能鼠的避障實驗如圖6所示，智能鼠的避障過程主要有三個問題需要解決：1)路徑規劃問題：要保證智能鼠的避障路徑為最優路徑；2)路徑記憶問題：在獲得最優路徑之后，智能鼠需要“記憶”該避障路徑；3)危險路徑的判斷問題：研究表明[10]，如果遇見危險情況，生物鼠會將其長久記憶下來，所以危險路徑的判斷與記憶也是需要解決的問題。

圖6 智能鼠的避障實驗環境Fig.6 Obstacle environment of the intelligent rat

為了解決上述問題，本文提出了一種基于強化學習的避障策略[11]。該強化學習算法的規則如下：

上式中：1)Q矩陣可以視為智能鼠的“大腦”，其存儲著智能鼠通過“學習”獲得的知識，初始化Q為0；2)R矩陣為環境獎勵矩陣，其中，R(狀態，行為)為介于0至100的數值；3)γ(注：參數γ的設置是為了保證Q收斂。如果γ更接近0，智能鼠趨向于只考慮瞬時獎勵值，反之如果更接近1，則智能鼠更側重于延遲獎勵)的取值范圍是0～1，本文取γ為0.6。

本文提出的避障策略的流程圖如圖7所示，具體過程如下：1)避障過程中，任務智能鼠重復障礙物的檢測過程，判斷前方是否存在障礙物，如果存在障礙物則抬身觀察障礙物大小、相對距離以及熟悉程度(是否為危險障礙物等)；2)經過多次避障過程，任務智能鼠可以“學習”到一條最優避障路徑；3)到達終點之后，任務智能鼠抬身、扭腰，至此，任務智能鼠完成避障任務。

圖7 智能鼠的避障策略流程圖Fig.7 Obstacle avoidance strategy of the intelligent rat

2.3 智能鼠的綜合運動策略

智能鼠的綜合運動策略需要解決智能鼠的動態路徑規劃問題，本文分兩種情況討論：1)在任務智能鼠綜合運動的起點，如果其與目標智能鼠之間無障礙物遮擋，那么任務智能鼠只需保持與目標智能鼠移動相同的軌跡即可完成綜合運動任務；2)在任務智能鼠綜合運動的起點，如果其與目標智能鼠之間有障礙物遮擋，那么任務智能鼠需要定時地抬身觀察目標智能鼠的位置，以相對最優的運動路徑繞過障礙物即可完成綜合運動任務。

該策略的流程圖如圖8所示，具體綜合運動過程如下：1)在綜合運動過程中，任務智能鼠不斷重復預處理過程(包括：目標智能鼠與障礙物的檢測、目標智能鼠的特征提取以及特征點匹配)，并且計算其與目標智能鼠的相對距離以及目標智能鼠的移動速度，如果任務智能鼠與目標智能鼠足夠接近且目標智能鼠靜止，此時，任務智能鼠完成綜合運動任務；2)在綜合運動過程中，如果任務智能鼠與目標智能鼠之間有障礙物遮擋，則需要根據目標智能鼠的移動速度調整任務智能鼠抬身的頻率(目標智能鼠移動速度越快，任務智能鼠抬身的頻率越高)，并以相對最優的運動路徑繞過障礙物；3)到達終點之后，任務智能鼠做出抬身、攀爬、扭腰等動作，至此綜合運動任務完成。

圖8 智能鼠的綜合運動策略流程圖Fig.8 General movement strategy of the intelligent rat

上述綜合運動策略中，選擇相對最優的運動路徑有兩個可以選擇的原則：a)以最優路徑避開障礙物，而后跟蹤目標智能鼠，b)保持跟蹤目標智能鼠，同時避過障礙物。但是，考慮到目標智能鼠的移動是變化的，此時任務智能鼠如果選擇原則a)，在以最優路徑避開障礙物之后，可能無法保持跟蹤到目標智能鼠，因此，需要重新跟蹤目標智能鼠，這就降低了綜合運動算法的效率；同樣，此時任務智能鼠如果選擇原則b)，雖然可以完成綜合運動任務，但是避障路徑卻不是相對最優的路徑。于是，基于仿生學的原理，本文綜合以上兩個原則的優點，提出一種相對最優的綜合運動：綜合判斷目標智能鼠的運動方向以及目標智能鼠可選擇的避障路徑。為了更好地模仿生物鼠的思考方式，在進行綜合判斷時，本文賦予目標智能鼠的運動方向占比重為65%，避障路徑占比重為35%。從圖14中可以看出，該算法具體的實現過程如下：當任務智能鼠處于位置2時，任務智能鼠判斷出目標智能鼠朝右下方移動，同時任務智能鼠距離障礙物下方更近，所以此時任務智能鼠選擇從障礙物2的下方跟蹤目標智能鼠；反之，若此時任務智能鼠判斷出目標智能鼠朝右上方移動，此時，雖然任務智能鼠距離障礙物下方更近，但是由于目標智能鼠的運動方向在判斷中所占比重更大，所以此時任務智能鼠選擇從障礙物2的上方跟蹤目標智能鼠。

3 實驗結果

本節在智能鼠平臺上進行跟蹤、避障等實驗來驗證本文提出的跟蹤與避障策略的有效性與合理性，并且將本文提出的跟蹤與避障算法同基于虛擬阻抗模型的控制方法進行比較，其中，3.1～3.3節為跟蹤、避障等實驗的結果曲線，3.4節為智能鼠綜合運動實驗的實物圖(注：本節算法一指的是本文提出的跟蹤與避障算法，算法二指的是基于虛擬阻抗模型的控制方法)。

3.1 智能鼠的跟蹤實驗

該智能鼠的跟蹤實驗結果如圖9和圖10所示，關于該實驗結果有以下幾點說明：1)初始狀態下，任務智能鼠在坐標位置(0,0)(注：本文中坐標位置的單位均為cm)處，目標智能鼠在坐標位置(10,20)處；2)開始跟蹤時由于任務智能鼠與目標智能鼠距離較遠，所以任務智能鼠會以較快的速度，朝向目標智能鼠移動；3)采用算法一時，當目標智能鼠通過扭腰來改變移動方向或者目標智能鼠發生位姿突變時(圖9中的1,2,3處)，任務智能鼠需要計算目標智能鼠的扭轉角度，所以此時跟蹤誤差會大一些，待任務智能鼠調整完成之后，跟蹤誤差會逐漸減??；4)圖9和圖10中，比較算法一和算法二的實驗結果可以看出，由于沒有視覺反饋，算法二的跟蹤誤差波動(變化)要比算法一大。

3.2 智能鼠的避障實驗

該智能鼠的避障實驗結果如圖11所示。關于該實驗結果有以下幾點說明：1)避障實驗起點設在坐標位置(10,30)處，終點設在坐標位置(60,50)處；2)采用算法一時，該智能鼠在避障的“學習”過程中共走過5條軌跡，通過計算Q的值得出最優避障路徑為避障路徑2；3)采用算法一時，在確定了最優避障路徑之后，智能鼠“記憶”該路徑，從而該智能鼠可以以最優路徑完成避障任務；4)比較算法一和算法二的實驗結果可以看出，盡管智能鼠采用算法二時可以完成避障任務，但是由于沒有引入“學習”機制，智能鼠無法獲得最優避障路徑。

圖9 智能鼠的跟蹤實驗結果(算法一)Fig.9 Tracking result of the intelligent rat(algorithm 1)

圖10 智能鼠的跟蹤實驗結果(算法二)Fig.10 Tracking result of the intelligent rat (algorithm 2)

圖11 智能鼠的避障實驗結果Fig.11 Obstacle avoidance result of the intelligent rat

3.3 智能鼠的綜合運動實驗

根據初始狀態下兩個智能鼠之間有無障礙物的遮擋，該智能鼠的綜合運動實驗分為兩種情況(有障礙物遮擋、無障礙物遮擋)，實驗結果分別如圖12～圖15所示。

圖12 智能鼠的綜合運動實驗結果(情形一，算法一)Fig.12 General movement result of the intelligent rat (situation 1, algorithm 1)

圖13 智能鼠的綜合運動實驗結果(情形一，算法二)Fig.13 General movement result of the intelligent rat (situation 1, algorithm 2)

圖14 智能鼠的綜合運動實驗結果(情形二，算法一)Fig.14 General movement result of the intelligent rat (situation 2, algorithm 1)

關于該實驗結果有以下幾點說明：1)圖12和圖13中，任務智能鼠只需要保持跟蹤目標智能鼠即可完成綜合運動任務；2)圖14中，當任務智能鼠處于位置1時，雖然任務智能鼠從障礙物1下方跟蹤目標智能鼠的路徑最優，但是此時任務智能鼠判斷出目標智能鼠朝y軸正方向移動，所以根據局部最優策略，任務智能鼠將從障礙物1的上方跟蹤目標智能鼠；3)圖14中，當任務智能鼠處于位置2時，任務智能鼠判斷出目標智能鼠朝右下方移動，同時任務智能鼠從障礙物2的下方避障路徑最優，所以此時任務智能鼠將從障礙物2的下方跟蹤目標智能鼠；4)圖12和圖13中，比較算法一和算法二的實驗結果可以看出，盡管采用算法二時智能鼠可以完成綜合運動任務，但是由于沒有引入視覺反饋以及生物鼠大腦的判斷機制，算法二的跟蹤誤差波動(變化)要比算法一大；5)圖14和圖15中，比較算法一和算法二的實驗結果可以看出，盡管采用算法二時智能鼠可以完成綜合運動任務，但是由于沒有引入生物鼠大腦的判斷機制，任務智能鼠無法通過判斷目標智能鼠的移動方向來調整自身的運動姿態。

圖15 智能鼠的綜合運動實驗結果(情形二，算法二)Fig.15 General movement result of the intelligent rat (situation 2, algorithm 2)

3.4 智能鼠綜合運動實驗的實物圖

本小節給出智能鼠采用算法一時，在實際實驗環境中綜合運動的實驗結果，如下圖16～圖21所示(注：圖17～圖21中用箭頭表示智能鼠大致的運動方向)，說明如下：圖16為智能鼠綜合運動的實驗環境，包括智能鼠、障礙物等；圖17～圖21為智能鼠綜合運動過程的各個階段。另外需要說明的是在智能鼠綜合運動的起點、終點以及運動過程中任務智能鼠會定時地抬身觀察目標智能鼠的位置。

圖16 綜合運動實驗環境Fig.16 Experimental environment of the general movement

圖17 綜合運動開始Fig.17 Starting point of the general movement

圖18 綜合運動階段1Fig.18 Phase 1 of the general movement

圖19 綜合運動階段2Fig.19 Phase 2 of the general movement

圖20 綜合運動階段3Fig.20 Phase 3 of the general movement

圖21 綜合運動結束Fig.21 Ending point of the general movement

4 結 論

本文提出一種基于仿生學的智能鼠的跟蹤與避障策略：采用雙目視覺系統模仿生物鼠的眼睛，同時引入生物鼠的“學習”、“記憶”與“判斷”等機制。通過實驗結果曲線可以看出，相比與基于虛擬阻抗模型的控制方法，本文提出的跟蹤與避障算法的跟蹤、避障以及綜合運動的性能更好。

關于智能鼠硬件及其運動策略的研究，在后續的研究中可以考慮如下幾個方面：1)為了使得智能鼠在外表上更加接近生物鼠，需要給智能機器鼠加上一層皮膚(可以是人造皮膚或者是經過處理的生物鼠皮膚)；2)由于生物鼠對于周圍環境的感知很多都是通過其胡須以及嗅覺完成的，所以可以給智能鼠加入胡須和嗅覺傳感器來模仿生物鼠的環境感知能力[12]；3)研究多智能鼠的協同與控制[13]同樣具有重要的意義。

[1] JACKSON H F, BROADHURST P L. The effects of para chlorophenylalanine and stimulus intensity on open-field test measures in rats [J]. Neuropharmacology,1982, 21(12):1279-1282.

[2] FILE S E, SETH P. A review of 25 years of the social interaction test [J]. European Journal of Pharmacology, 2003, 463(1-3):35-53.

[3] BRANCHI I, BICHLER Z, BERGER SWEENEY J, et al. Animal models of mental retardation: from gene to cognitive function [J]. Neuroscience & Biobehavioral Reviews, 2003, 27(1-2):141-153.

[4] WEBB B. Bio-robotics: Methods and Applications [J].Industrial Robot, 2002, 29(3).

[5] SHI Q, ISHII H, SUGAHARA Y, et al. Design and control of a biomimetic robotic rat for interaction with laboratory rats[J]. IEEE/ASME Transactions on Mechatronics, 2014:1832-1842.

[6] 羅翔, 顏景平. 冗余度機器人的非接觸阻抗控制[J]. 制造業自動化, 2003,25(9):19-22. LUO Xiang, YAN Jingping. Noncontact impedance control of redundant robots[J].Manufacturing Automation,2003, 25(9):19-22.

[7] 胡天翔,鄭加強,周宏平等.基于雙目視覺的樹木圖像測距方法[J].農業機械學報, 2010, 41(11):158-162. HU Tianxiang, ZHENG Jiaqiang, ZHOU Hongping. Measurement method of depth information of tree images based on binocular vision[J]. Transactions of the Chinese Society for Agr-icultural Machinery,2010, 41(11):158-162.

[8] ZHANG Z. Flexible camera calibration by viewing A plane from unknown orientations [C]//The Proceedings of the Seventh IEEE International Conference on Computer Vision. IEEE, 1999:666.

[9] BOREL B. Spicy rat breath reveals memory secrets [J]. Discover, 2011.

[10] SCHWARTZ S. Body & brain:Boosting estrogen, only in the brain: Selective hormone treatment might minimize adverse effects [J]. Science News, 2015, 188(4):8.

[11] WATKINS C J C H, DAYAN P. Technical note: Q-learning[J]. Machine Learning, 1992, 8(3-4):279-292.

[12] WU C, CHEN P, YU H, et al. A novel bio-mimetic olfactory-based biosensor for single olfactory sensory neuron monitoring [J]. Biosensors & Bioelectronics, 2009, 24(5):1498.

[13] 張芳, 林良明. 多移動機器人協調系統體系結構與相關問題[J]. 機器人, 2001, 23(6):554-558. ZHANG Fang, LIN Liangming. Architecture and related problens concerning cooperative mobile robot system[J]. Robot, 2001,23(6):554-558.

(編輯：賈志超)

Tracking and obstacle avoidance strategy for a bionic robot-rat

MAN Chun-tao1， CAO Miao1，2， CAO Yong-cheng3， SONG Yong-bo2

(1. School of Electric and Engineering, Harbin University of Science and Technology, Harbin 150080, China; 2.Key Laboratory of Complex System and Intelligence Science, Institute of Automation, China Academy of Sciences,Beijing 100190, China; 3.Computer & Electrical Engineering Department, Heilongjiang East College, Harbin 150086, China)

This strategy mainly focuses on the motion planning problems such as tracking and obstacle avoidance method for bionic intelligent rat platform. According to the binocular vision system and multiple degrees of freedom of the mechanical structure, the dynamic model of the bionic intelligent rat (twisting waist, rising body, and climbing etc.)was based on the characteristics of driving motors. By using the method of remembering the feature of the target intelligent rat, learning the optimal obstacle avoidance path, inferring the movement direction of the target rat, the bionic intelligent rat can track the target rat and avoid the obstacle. Accordingly, this strategy proposed a tracking and obstacle avoidance method that is based on the principle of bionics. A new kind of bionic intelligent rat is used for the motion experiments. The results demonstrate that compared with the virtual impedance model, the proposed motion algorithms can realize tracking and obstacle avoidance of the intelligent rat, and thus show the feasibility and validity of the proposed algorithms.

robotics; bionic intelligent rat; bionics; binocular vision system; motion planning

2016-05-23

黑龍江省教育廳科學技術學研究項目(12521092)

滿春濤(1965—)，男，博士，教授，研究方向為工業過程穩態優化控制； 曹 淼(1992—)，男，碩士研究生，研究方向為機器人控制； 曹永成(1972—)，男，博士，講師，研究方向為人工智能與優化控制； 宋永博(1989—)，男，碩士，助理工程師，研究方向為機器人控制。

宋永博

10.15938/j.emc.2017.06.014

TP 13

A

1007-449X(2017)06-0104-09