多采摘機器人分布作業目標跟蹤算法研究

王　娜，謝軍艷

(1.河南工業職業技術學院 機電自動化學院，河南 南陽　473000；2.濟源職業技術學院 機電工程系，河南 濟源　459000)

0　引言

隨著互聯網和物聯網的相互結合，無線網絡的應用場合越來越多，其已經滲透并慢慢應用到工業生產和日常生活的各方面。近年來，無線通訊技術和機器人技術發展迅速，工業機器人逐漸開始采用無線通信方式，而本身帶有通訊功能的無線傳感網絡也逐漸受到人們的關注。本文引入無線傳感技術，提出了一種基于網絡節點的分布式目標跟蹤算法。該算法將無線傳感網絡與數據融合技術相結合，應用于采摘機器人編隊的目標跟蹤。

1　無線傳感網絡的體系結構及其定位技術

1.1　無線傳感網絡的體系結構

無線傳感網絡的體系結構如圖1所示。一個典型的無線傳感器網絡結構主要由傳感器、匯聚節點或通信衛星及任務管理節點等部分構成。從內部結構看，傳感器節點內部一般集成一個比較小型的嵌入式控制系統，該載體結構單一，處理和存儲信息能力有限，常常需要紐扣電池給其供電；但從網絡功能而言，單個節點都具有終端和路由器兩種用途，不但可以搜集本身監測到的信息，還能接收并存儲其他節點信息，也可以同其他節點協作實現指定功能。匯聚節點作為傳感器網絡與等外部網絡的小型信號中轉站，其處理、存儲信息及通訊能力都較強，具備發布節點任務的功能。

圖1　無線傳感網絡的體系結構

大量線傳感器節點分布在監測區域，它們以無線網絡為平臺，通過自組織形式，順著其它節點逐級跳動傳遞和交換信息；傳感節點采集到的數據通過傳感器網絡傳遞到匯聚節點，通過網絡、衛星通訊傳遞到管理節點，用戶中心通過管理節點的數據信息發布監測任務。

1.2　無線傳感網絡的定位技術

在無線傳感器網絡中，定位采用依靠已有節點信息，判斷未知節點信息，并有序建立傳感網絡的空間關系，從而達到定位的目的。一般將己知和未知位置節點分別稱為參考和未知節點。比較常見的定位方式是測量節點信號強度，并根據電波傳播模型對目標節點位置進行計算，這一技術重點是以信號衰減程度為參考值確定未知節點位置信息。

1.2.1RSSI測距法

RSSI測距法是一種根據無線信號強度變化判斷已知節點和未知節點距離遠近的方法。在預先知道發射信號功率大小的情況下，通過傳感節點測量感知到的功率，即可根據信號傳播模型判斷距離。信號衰減模型表達方程為

(1)

其中，p(d)表示與基站之間相距d時傳感節點實際測得的信號強度值；p(d0) 表示與基站之間相距d0的無線信號強度；n為比例因子，依賴于障礙物結構與材料；nW為無線傳感節點與基站間障礙物的數量；WAF為信號傳播路徑損耗附加值。一般無線傳感節點與相鄰節點之間進行通訊時，射頻信號強度能夠被信息獲得者直接獲取，且該步驟無需加強現有無線信號帶寬和能量消耗。

1.2.2節點位置計算

在無線網絡定位中，未知傳感節點可以根據與相鄰已知節點的距離遠近或相對角度，采用三邊、多邊或極大似然法計算其位坐標。因三邊測量法具有操作簡便、速度快等優點，本文采用該算法進行節點位置的計算。

在立體空間中，知道某未知節點與4個以上已知節點的距離信息，就能計算該點準確坐標；而在無線傳感網絡中，由于是二維空間，因此只需要未知節點與c的距離信息，即可計算該點坐標。三邊測量示意如圖2所示。

圖2　節點位置三邊測量示意圖

圖2中，假設p(x,y)為未知節點坐標，N1(x1,y1)、N2(x2,y2)和N3(x3,y3)為3個已知節點坐標，p(x,y)到3點的距離分別為d1、d2和d3。根據二維坐標計算方法，可以得到

(2)

式(2)化簡后得到未知位置節點p(x,y) 的坐標為

(3)

2　構建多采摘機器人協作作業地圖

1)環境特征值的集合表達式為

(4)

2)目標觀測值的集合表達式為

(5)

其中，d和γ分別為已知信標特征點與采摘機器人的相對距離和相對角度。

3)編隊相鄰采摘機器人Rj觀測值集合可表示為

(6)

4)偽觀測值集合表達式為

其中，lRi為采摘機器人Ri獲得的偽觀測值，該值大于等于0。

圖3　環境特征觀測示意圖

圖3中，Rj為編隊相鄰的采摘機器人；T為追蹤目標；lm為環境特征；箭頭虛線為Ri的另外3個探測目標。

假設在時間節點k的Ri系統狀態變量為

(8)

其中，L為探測到的環境狀態分量。另外，Ri對Ri的狀態估計為

(9)

其中，(X(Ri,Rjxy)T為R和Ri兩者的相對位置狀態；(X(Ri,Rjθ)T為R和Ri兩者的相對位置狀態。

在復雜的作業環境中，采摘機器人編隊分布式作業目標跟蹤過程可以描述為：①采摘機器人Ri在作業中進行定位、構建作業地圖及目標跟蹤等一系列活動；②Ri與編隊中另一采摘機器人Rj建立通訊并得到對Rj的觀測值，然后計算出對Rj姿態信息估計值，并傳輸給Rj；③Rj接收姿態信息估計值后，采用數據融合技術更新其信息。

3　目標跟蹤算法設計

3.1　目標跟蹤算法節點通信開銷

高斯混合模型表明：每一個概率分布都能通過有限個高斯函數組合實現。由n個傳感網絡節點組建的WMSN對目標實行跟蹤，需要通過具體的監測值得到目標狀態信息，然后根據后驗概率分布組成高斯混合模型，即

(10)

其中，θ={αj,uj,∑j}；j=1,…,q；i=1,…,n；αj為混合比例系數；uj為均值；Σj為高斯混合項的協方差；zi的似然函數為αjujΣj，則

(11)

最大化算法(EM)是專門用于概率參數模型的迭代算法，是一種通過擬合觀測信息對模型計算的方法，主要包含期望和最大值化兩步驟。式(10)中高斯混合模型采用該算法可看作為

1)計算期望。

(12)

2)計算最大值化。高斯混合模型αj、uj和Σj的迭代算法為

(13)

(14)

(15)

給式(13)、式(14)和式(15)定義參數，則

(16)

(17)

(18)

則高斯混合模型可用本地參數表示為

(19)

(20)

(21)

從式(19)、式(20)和式(21)3個式子可以看出：采用本地參數置換后，高斯混合模型進行無線傳感節點間的數據交換的通信開銷大大降低。

3.2　分布式數據融合技術

分布式數據融合技術一般采用平均一致性濾波器將單個節點得到的環境特征進行計算，然后將其送融合中心用權值協方差，最后計算其全局狀態評估。分布式數據融合結構如圖4所示。

圖4　分布式數據融合結構

圖4中，分布式數據融合體系中傳感節點均具有相同等級的地位，位于待追蹤目標周邊節點均能對跟蹤目標采樣并采用平均一致性濾波器計算其姿勢狀態信息，然后通過附近傳感節點間進行通信及開展數據融合，求出跟蹤目標的全局狀態評估。

根據分布式數據融合原理可以求出本地輸入ui的平均值，即

(22)

因此，式(19)～式(21)的全局表達式為

(23)

(24)

(25)

目標跟蹤算法模型中全局參數θ表達式可改寫為

(26)

(27)

(28)

其中，式(27)和(28)分別為高斯混合模型對跟蹤目標姿態信息求解的全局評估均值和協方差。

4　實驗結果與分析

為了驗證基于無線傳感網絡的目標跟蹤算法在采摘機器人分布式作業的可行性和有效性，本文通過仿真實驗對其進行了驗證。實驗在MatLab7.0平臺下進行。機器人編隊包括兩臺蘋果采摘機器人，仿真區域為5 000m×5 000m，環境中隨機分布著500個節點。仿真參數設置如表1所示，結果如圖5所示。

由圖5可以看出：實線為待跟蹤目標機器人，虛線為跟蹤作業機器人。該算法在初始位置估計與跟蹤目標相差600m時，沒有出現發散現象，而是根據節點探測目標距離和角度直接跟蹤目標，經過一段時間后跟蹤效果明顯提升。試驗結果表明：該無線傳感網絡目標跟蹤算法在采摘機器人分布式作業中，在滿足目標跟蹤精度狀態下，大幅度減少了數據融合的通信開銷，能夠準確完成對目標跟蹤的要求，應用前景廣闊。

表1　仿真參數設置

圖5　仿真結果圖

5　結論

本文首先分析了無線傳感網絡的結構及其定位技術特點；然后構建了多采摘機器人協作作業地圖，根據實際需求設計研究了一種與數據融合技術相結合的分布式目標跟蹤算法，應用于采摘機器人編隊的目標跟蹤；最后，利用MatLab7.0平臺對目標跟蹤算法進行了仿真。試驗結果表明：該算法在采摘機器人分布式作業中，在滿足目標跟蹤精度狀態下，大幅度降低了數據融合的通信開銷，能夠準確完成對目標跟蹤的要求。