基于Multi-Agent的多机器人编队控制
摘要：多移动机器人协调是当前机器人技术的一个重要发展方向。多移动机器人之间的协调与
合作将大大提高机器人行为的智能化程度，完成由单个机器人难以完成的更加复杂的作业。多
移动机器人协调技术的研究对提高机器人的智能化水平及加快机器人的实用化进程具有重要的
理论研究意义和实用价值。本文结合多智能体技术对多机器人编队控制进行了研究，同时根据
具体的多机器人系统，进行了仿真实验。验证了多智能体技术在机器人编队控制系统中的应用，完成了小规模的编队控制。
关键词：多智能体；多机器人；编队控制；协调控制；模糊控制
Multi-robot Formation Control Based on Multi - Agent
Abstract :The problem of multi-robot cooperation and coordination is central to mobile robotics. Cooperation and coordination will improve the intelligent performance of robots and can complete lots of impossible missions for single robot.The research on multi-robot cooperation and coordination is of great academic and applied significance.
The multi-robot formation is developed combined with the multi-agent technology in this dissertation, and the simulation is done with the multi-robot system. The application of multi-agent is verified in the multi-robot formation control through a small system adopt the fomation control.
Key words: Multi-agent ;Multi-robot ;Formation control;Coordination control;Fuzzy control
1. 国内外机器人系统发展现状
自80年代末以来，基于多智能体系统理论研究多机器人协作受到了普遍的关注，从军事领域到工业与民用领域，从星际探险到海底考察，从比赛到教学，都取得了不同程度的进步。近年来，在IEEE R&A,IROS等著名的国际机器人学术会议上，几乎每次会议都有多智能体协作机器人系统的专题。一些机器人学术刊物出版了有关多智能体机器人的研究专辑。一些研究项目，如ACTRESS,CEBOT,GOFER,SWARM等，已进行了多年[1]。
目前，国内关于群体机器人系统的研究刚刚起步，基本上还处于基础技术的研究阶段，这方面的研究成果报道比较少。中科院沈阳自动化所机器人开放研究实验室是国内研究多机器人技术较早也较全面的科研单位。
(1)CEBOT(Cellular Robotic System)
CEBOT是一种自重构机器人系统(Self-Reconfigurable Robotic System)，它的研究是受生物细胞结构的启发，将系统中众多的具有相同和不同功能的机器人视为细胞元，这些细胞元可以移动，寻找和组合。
根据任务或环境的变化，细胞元机器人可以自组织成器官化机器人，多个器官化机器人可以进一步自组织，形成更加复杂的机器人系统。细胞结构机器人系统强调是单元体的组合如何根据任务和环境的要求动态重构。因此，系统具有多变的构型，可以具有学习和适应的系统智能(Group Intelligence)，并具有分布式的体系结构[3]。
(2)ALLANCE/L-ALLANCE系统
ALLIANCE是由美国学者Parker提出的用于研究异质、中小规模、独立性强的、疏松配合关系的机器人协调的一种结构。通过传感器信息和精确的广播(Broadcast式通讯)来感知自身的行动效应和其他机器人的行动。每个机器人是基于行为控制的。L-ALLIANCE是该结构的扩展，通过再励学习来调整行为控制器的参数[4]。
(3)Cooperative Robotics实验系统
美国Oak Ridge国家实验室的Lynne E.Parker博士在多Agent协作、自主Agent体系结构、多Agent通讯等方面做了许多工作[11~17]。例如人机协作，移动机器人协作，多Agent协作，智能Agent体系等。他们研究的协作机器人是集成了感知、推理动作的智能系统，着重研究在环境未知且在任务执行过程中环境动态变化的情况下，机器人如何协作完成任务。
(4)Socially Mobile和The Nerd Herd实验系统
美国USC大学的学者如M.J.Mataric等在基于行为的多机器人协作方面做了许多工作。他们采用自下而上的路线，基于行为的方式研究分析、设计机器人群行为的表现，在多机器人学习、群体行为、协调与协作等方面展开工作[3] 。
(5)中科院沈阳自动化所机器人开放研究实验室
主要面向发展具有感知、思维和动作能力的先进机器人系统，研究机器人学基础理论方法、关键技术、机器人系统集成技术和机器人应用技术。我国机器人学领域著名科学家蒋新松院士曾任实验室主任。实验室现任主任为沈阳自动化研究所所长王越超研究员。
图1.1CEBOT(Cellular Robotic System) 图1.2Cooperative Robotics实验系统的
CESAR Emperor
图1.3沈阳自动化所多机器人系统
2.多智能体系统的分类
Agent作为智能计算实体，能自主完成一定任务。但是，实际中所有的系统都是分布式
的，个体的知识、能力都是有限的，面对一些复杂的问题，如具有分布式数据或知识，或要求分布式控制的系统，不得不采用多个Agent协作系统。通过适当的体系结构将个体组织起来，不仅能够弥补个体的不足，而且能使整个系统的能力超过任何单个个体的能力，这样的系统称为多智能体系统(Multi-Agent System，MAS) [1]。
多智能体系统的体系结构主要研究如何将多个单智能体组织为一个群体并使各个智能体有效地进行协调合作，从而产生总体解决问题的能力。多智能体系统是由大量具有环境观察、任务规划和操作功能的智能体组成。为了把这些智能体组织成一个复杂的系统，来有效的完成某些预定任务，需要一个合适的控制结构。多智能体系统的体系结构可从不同的角度来划分。
2.1 根据系统中智能体之间的相对关系来划分
按照系统中多智能体之间的相对关系，通常多智能体系统可以分为如下几种结构：（1）完全型网络结构
通信对等和信息的局部化是该类型结构的主要特点。该结构体系要求各智能体均具有通信和控制功能模块，并且要保存系统内所有智能体成员的信息和知识，还要求保持所有智能体之间的通讯链路。对于解决复杂的问题、或结构复杂的系统来说，完全型网络结构体系的效率会大大降低，并呈现出一种无组织的状态[2]。
（2）层次型网络结构
在该类型系统结构中，智能体被分为不同的层次，在同一层上的智能体彼此不能够直接进行通信，而需要经过其上一层智能体来完成。上一层智能体负责其下一层智能体的决策和控制。该结构中智能体不需要保存系统内所有的智能体信息，只需要保存下一层智能体的相关信息和知识，该结构尽管在通信上不如完全网络型简略，但结构层次分明，管理方便[2]。（3）联盟型网络结构
系统内的智能体按照某种方式（通常按照距离远近、智能体功能等）来划分为不同的智能体联盟。在各联盟内部都存在一个协助智能体，它负责不同联盟之间的通信。不同联盟之间处于对等的关系，类似于完全网络型各智能体之间的关系[2]。
图2.1完全型网络结构图2.2 层次型网络结构
图2.3联盟型网络结构
2.2从多智能体协调系统的体系结构来划分
多智能体协调系统的体系结构是整个系统执行协调合作任务的基础，决定了系统的能力和局限性。多智能体协调系统的体系结构分为集中式(Centralized)、分散式(Decentralized)和分布式(Distributed)三种。协调(Coordination)是指智能体对自己的局部行为进行推理，并估计其他智能体的行为，以保证协作行为以连贯的方式进行的一个过程。
(1)集中式(Centralized)控制结构
系统由一个智能体集中控制整个系统，它是一种规划与决策的自上而下Top-Down式的层次控制结构，其层的数量和复杂性决定了系统响应所需的时间和行为决策的质量。系统的协调性较好，但实时性、动态性较差，对环境变化响应能力差，集中式系统由一个核心智能体和多个与之在结构上分散的、独立的协作智能体构成。核心智能体负责任务的动态分配与资源的动态调度，协调各协作智能体间的竞争与合作。该类系统较易实现系统的管理、控制和调度。
(2)分散式(Decentralized)控制结构系统
各智能体具有高度智能自治能力，各智能体自行处理信息、自行规划与决策、自行执行自己的任务，与其它智能体相互通讯来协调各自行为而没有任何集中控制单元.这种结构有较好的容错能力和可扩展性，但对通讯要求较高(多边通信)，且多边协商效率较低（各有各的算法，思路不统一），无法保证全局目标的实现。
(3)分布式(Distributed)控制结构系统
其介于上述两者之间，是一种全局上各智能体等同的智能分布一分层式结构而局部集中的结构方式。这种结构方式是分散式的水平交互与集中式的垂直控制相结合的产物，其由彼此独立、完全平等、无逻辑上的主从关系的、能够自律的一组智能体构成。各智能体按预先规定的协议，根据系统的目标、状态与自身的状态、能力、资源和知识，利用通信网络相互间协商与谈判，确定各自的任务，协调各自的行为活动，实现资源、知识、信息和功能的共享，协作完成共同的任务以达到整体目标。在该类系统中，各智能体在结构和功能上彼此独立，都以同样的方式通过网络通信相互发生关系，具有良好的封装性，因此使系统具有很好的容错性、开放性和扩展性。既提高了协调效率，又不影响系统的实时性、动态性、容错性和扩展性[5]。
图2.4 集中式、分散式、分布式控制系统结构
3.多机器人控制系统模型
系统控制结构明确了系统中具有不同职能的个体相互间的控制关系。与MAS体系结构相同，多移动机器人系统的控制结构也分为集中和分散两种类型，其中分散式又可分为分层式和分布式。为了实现多移动机器人系统动态和灵活的控制，借鉴MAS体系结构的研究，这里设计了一种多移动机器人协调控制系统模型。
图3.1智能控制器结构
该系统控制结构的上层是由中央控制器、避障模块、多移动机器人路径规划、任务规划模块、人机界面和通讯模块组成。它的核心是中央控制器，它负责调用其它的智能体以及对其各个智能体进行协调控制。下层是具有一定智能的各个机器人组成。
中央控制器由四个系统（知识库系统、模型库系统、数据库系统及总控系统）构成。其中总控系统控制着其它三个系统的连接与调用。知识库系统从数据库系统中取得事实进行推理,从而决定从模型库中调用何种模型进行计算并确定模型中的一些参数。选定的模型从数据库中获得初始数据进行运算并将运算结果送回数据库。
4.多机器人系统中的信息交互
在目前的多机器人系统中，由于考虑到现场的复杂性与系统的灵活性，普遍采用无线通信来完成多机器人之间的数据交互。在无线通信领域存在有多种通讯方式，各种通讯方式有各自的特点，根据具体的通讯系统，采用不同的无线通讯手段。在我们试验系统中采用的是无线局域网(WLAN)，无线局域网利用了无线多址信道和宽带调制技术来提供统一的物理层平台，并以此来支持计算机和相关设备之间的数据通信，并为通信的移动化、个性化和多媒体应用提供了可能。因此在多机器人协调控制中，无线局域网完全能满足通讯与可靠性的要求[2]。
4.1无线局域网络
无线局域网的设备通常有以下几种：无线网卡（终端）、无线接入点（Access Point接入端）、无线网桥（点对点传输设备）
图4.1 基于无线网桥的无线局域网设置
该系统是以对Pioneer 3 H8-AT机器人的改造基础上形成的HEBUT2机器人和另一台同结构的机器人为平台进行研究的。本系统中的各机器人之间的通信系统是建立在以WLAN为基础，利用基站和多移动机器人进行一点对多点的通讯。
在我们的多机器人系统中，我们采用了802.11b协议，具体的协议定义与通信帧的结构可以参考802.11b的国际标准。在无线通信的建立上可以借助与多种专用的软件来编程实现，在我们的系统中采用了另外一种方法，即在Visual C++环境下应用WINSOCK控件进行网络编程。WINSOCK控件提供了访问TCP和UDP网络服务的方便途径。采用TCP协议可以提供双向的、可靠的、有序的和无重复投递的数据流。TCP允许创建和维护与远程计算机的连接，连接两台计算机就可彼此进行数据传输。用户数据文报协议（UDP）是一个无连接协议。采用UDP协议，支持双向的数据流，但计算机并不建立连接，不保证有序、可靠或无重复的投递。在使用中，采用TCP协议的编程模型应用最为广泛，因为面向连接协议提供了一系列的数据纠错功能，可以保证在网络上传输的数据及时、无误地到达对方，Internet上的多数服务（、Telnet、SMTP）就是靠此协议运转的。采用UDP协议由于不用建立连接，传输比连接协议快，无数据纠错功能，不保证数据的可靠传递。比较上述的TCP和UCP两种通信协议后，本项目采取了TCP协议进行通信。
4.2 WINSOCK使用的主要函数
Server端使用的主要函数：
Bind()函数指定用于TCP连接的LocalPort和
LocalIP。
Listen()函数设置侦听模式。该方法仅适用于
TCP连接。
Accept()在处理ConnectionRequest事件时用这
个方法接受新连接。
SendData()用于数据的发送。
Close()关闭与对方的连接。
Client端使用的主要函数：
Connect()要求连接到远程计算机。
GetData()得到远程计算机上的数据。
图4.2 WINSOCK 通信流程
4.3无线网络应用层协议
多移动机器人系统利用WLAN建立的通信是建立在TCP/IP协议栈上的应用层的协议，协议中的主要是利用底层的TCP/IP协议规定特定格式的字符串，这些字符中包含着：各机器人的当前的状态信息；主控端对各机器人的遥操作信息；各机器人上的传感器信息。包括了两组共6个颜色传感器的开关量信息，以及车体上的两组共6个超声传感器返回的测距信息。还包括了GPS接收机接收到的位置信息，以及条码传感器采集回来的位置信息等内容。
4.4在通信系统中的应用
多移动机器人的通信系统中分为了移动机器人端和控制台端两部分。但在网络结构上，移动机器人端为服务器端（server），而控制台端为客户端（client），这中分配方式的原因有以下几点。
⑴移动机器人端的PC一旦启动后就没有办法在对其进行操作了。由于移动机器人的移动端PC并没有安装显示器，以及键盘鼠标等输入设备，所以一旦开启PC后，移动机器人
自动进入WINME操作系统，然后自动启动编写好的程序，等待终控端的连接，所以要将移动端作为server端。
⑵移动机器人通信系统的可扩展性。移动机器人的通信系统中可涉及的通信对象并不只有一个移动机器人，所以控制端的连接要有选择性，通信也要有选择性。终控端可以同时连接多个移动机器人，并进行多机的同时控制。
5.多机器人系统编队避障控制
所谓队形控制就是指多个移动机器人在前进的过程中,保持某种队形,同时又要适应环境(例如障碍物)约束的控制技术。队形保持控制一般分为两步:首先根据当前环境确定各机器人的目标位置；然后根据一定的控制策略生成控制命令，驱动机器人以一定队形驶向目标位置。
路径规划主要涉及的问题包括：利用获得的移动机器人环境信息建立较为合理的模型,再用某种算法寻找一条从起始状态到目标状态的最优或近似最优的无碰撞路径；能够处理环境模型中的不确定因素和路径跟踪中出现的误差,使外界物体对机器人的影响降到最小；如何利用已知的所有信息来引导机器人的动作,从而得到相对更优的行为决策[4]。
5.1几种常见的编队控制策略[2]
多移动机器人的路径规划问题不单纯是单个移动机器人的路径规划问题的延伸,还要考虑多移动机器人之间的协调、编队避障(机器人可能成为其他机器人的障碍)等,因而使问题更加复杂。
1.跟随领航者法
跟随领航者法的基本思想是：在多移动机器人组成的群体中，某个机器人被指定为领航者，其余作为它的跟随者，跟随者以一定的距离跟踪领航机器人的位置和方向。对该方法进行拓展，可以指定一个领航者，也可以指定多个领航者，但群体队形的领航者只有一个，这与一个步兵班在进攻中可以划分为若干战斗小组是类似的。根据领航者与跟随机器人之间的相对位置关系，就可以形成不同的网络拓扑结构，即形成不同的队形。该方法中，协作是通过共享领航机器人的状态等信息实现的。
跟随领航者法的优点是，仅仅给定领航者的行为或轨迹就可以控制整个机器人群体的行为。该方法的主要缺点是系统中没有明确的队形反馈，例如，如果领航机器人前进得太快，那么跟随机器人就有可能不能及时跟踪。另一个缺点是如果领航机器人失效，那么整个队形就会无法保持。
2.基于行为法
基于行为法的基本思想是：首先为机器人规定一些期望的基本行为，一般情况下，机器人的行为包括避碰、避障、驶向目标和保持队形等。当机器人的传感器受到外界环境刺激时，机器人根据传感器的测得的信息作出反应，改变自身的运动方向和速度。行为选择模块通过一定的机制来综合各行为的输出，并将综合结果作为机器人当前的行为输出。该方法中，协作是通过共享机器人之间的相对位置、状态等信息实现的。对该方法的拓展和改进主要体现在对各行为输出的处理上，即行为选择机制上。
3.虚拟结构法
假想将刚体上的某些点用机器人代替，并以刚体上的坐标系统作为参考坐标系，那么刚体运动时，机器人在参考坐标系下的坐标不变，机器人之间的相对位置也保持不变，即机器人之间可以保持一定的几何形状，它们之间形成了一个刚性结构，这样的结构称为虚拟结构。虽然每个机器人相对于参考系统位置不变，但它仍可以一定的自由度来改变自己的方向。多移动机器人以刚体上的不同点作为各自的跟踪目标就可以形成一定的队形[2]。
5.2多机器人编队策略
本文选用的是美国ActivMedia公司生产的Pioneer 3 H8-AT机器人，它有四个橡胶轮胎，
同侧轮是由一个伺服电机驱动，类似与履带式驱动结构。因此可以将其简化成两轮移动载体模型，且两轮同轴而且位于车体的中心位置[4]。
Pioneer 3移动机器人上装有颜色传感
器、条码传感器、路径跟踪CCD、监视CCD，
它们负责环境感知信号的采集；视频传输模块
将CCD的A/V信号传输到监视器上，可以远
程监视；无线网卡负责移动机器人和外界的数
据通信。Pioneer 3 H8-AT移动机器人的下位机
MCU承担了底盘驱动和传感信号采集的工
作，并将各种信息传输给上位机，待上位机处
理以后，再将输出的信息通过串口通信送往底
层控制，以实现移动机器人的两轮驱动。
控制策略：本文是以Pioneer 3移动机器
人改造后的HEBUT2机器人作为领航机器人，
它要一直沿着一根宽度为5～6cm的红色的轨
迹运动到一个目标位置，另一机器人一定的距
离跟踪领航机器人的位置和方向。图5.1 经改装后的Pioneer 3移动机器人领航机器人用于路径跟踪的传感器有两种方案：一种方案是路径跟踪CCD，另一种方案是颜色传感器和条码传感器组合。
当使用路径跟踪CCD时，运用
图像处理的方法从CCD采集的图像
信息中提取出路径，经过CCD坐标
和车体坐标的换算得出移动机械手
相对与车体的偏航角，进而由程序处
理发出纠偏指令，移动载体进行纠
偏。再通过路径上所贴的不同颜色的
路标进行定位。其优点是纠偏量合
理，路径跟踪轨迹圆滑，但精度较差，
且易受光线影响。
图5.2 颜色传感器与条形码传感器颜色和条码传感器组合的方案中，颜色传感器使用的是KEYENCE公司的CZ-V1,CZ-10，它对颜色的辨识准确、误报率低、运行可靠。选用两组对路径进行辨识，当机器人偏差较大时，颜色变化引起传感器I/O输出量变化，主机PC检测到后程序纠偏，完成巡迹。条形码传感器主要是起定位的作用，当机器人运动到条形码的上方时，条码扫描器扫中条码同时将条码的内容通过串口发给主机，主机解析条码的内容来做出相应的动作。其优点是跟踪准确，不易受干扰，但跟踪轨迹成“之”字形比较严重。在实际使用中，采取两种方式结合使用，取其优势，视现场情况而定。
多移动机器人队形控制中应该做到：①队列向目标区域运动时尽量保持队形（除非队列中有机器人遇到障碍物）；②机器人在遇到障碍物后，先进行避障，然后恢复队形并要求时间尽可能的短，恢复队形后再向目标位置运动。
5.3 多机器人编队控制算法
本课题采用了闭环l-ψ编队控制算法。l为两机器人之间的相对距离，ψ为两机器人间的相对角度。算法的中心思想是将机器人间的l和ψ保持在一个固定的值[1]。
ROBOT1是leader,ROBOT2是follower。那么，ROBOT2跟随ROBOT1运动。每台机器人
的位姿为(xi,yi,θi)，它们就是机器人的参考原点的坐标，已在全局坐标系中表示出来。O是全局坐标系原点。机器人的转动中心点位于中心轴上两驱动轮的中心位置。ROBOT1和ROBOT2的两参考原点间的直线距离就是两机器人间的距离l，d表示参考点和转动中心点间在中心轴线上的直线距离。线速度的正方向为机器人前行的方向，角速度的正方向为逆时针方向。
图5.3 两个机器人的数学模型
对于第i号机器人来说，它本地的状态变量(xi,yi,vi,ωi)是从定位线程得到的，而它所得到的其他机器人的信息（xj,yj,θj,vj,ωj)(j≠i)是通过无限网卡传输过来的。跟随机器人将自己与领航机器人间的相对参数(l,ψ)以及系统所期望的理想之(l d,ψd)之差反馈于机器人自身，再通过比例控制器将这一反馈信息作用于自身的速度(v)和角速度(ω)，从而完成跟随控制。5.4恢复队形阶段的路径规划
当队形被严重打乱时，队列的首要任务是快速恢复队形。保持队形的控制方法虽然可以保证队形收敛到目标队形，但所需的恢复时间较长，因此需要寻找更有效的控制方法以保证队形快速恢复。显然，队列恢复队形所需的时间就是队列中最后到达局部目标位姿的机器人所花费的时间。因此本论文将快速恢复队形问题转化为寻找各机器人局部目标位姿问题，使得各机器人从当前位姿运动到对应局部目标位姿的最长时间最短[5]。
记R(i=1,2,…,n)当前位姿为Q i，局部目标位姿G i q,最终位姿Q i*。显然，当队列恢复队形时，各机器人的局部目标位姿受到l-ψ编队参数的约束，故只要确定队列中一个机器人的局部目标位姿，即可得到其他机器人的局部目标位姿。本文直接规划R1的局部目标位姿Q1g，其他机器人的局部目标位姿Q i g可根据Q1g计算得到。
5.5 多机器人编队中避障控制
本论文使用了一种基于模糊逻辑的移动机器人“感知—动作”行为控制的新方法利用模糊逻辑来融合多个“感知—动作”行为，来改善系统的实时性和可靠性。
模糊控制的核心部分为模糊控制器。模糊控制器的控制规则由计算机的程序实现，微机通过采样获取被控制量的精确值，然后将此量与给定值比较得到误差信号E(在此取误差反馈)。一般误差信号E作为模糊控制器的输入量。把误差信号E的精确量进行模糊化变成模糊量，误差E的模糊量可用响应的模糊语言表示。至此，得到了误差E的模糊语言集合的一个子集e(e实际上是一个模糊向量)。再由e和模糊控制规则R(模糊关系)根据推理合成规则进行决策，得到模糊控制量u.
以下给出了移动机器人的模糊逻辑控制方案，即所选取的模糊控制器的输入输出变量，该机器人是通过安装在机器人前端的多超声传感器阵列来获取环境信息，得到移动机器人左侧、右侧的障碍物距离信息。输出变量是机器人在前进方向上的旋转角度。
图5.4模糊逻辑模型与控制方案
5.5.1输入量模糊化
(1)设距离信号的模糊语言变量值的集合为：{近，中，远}，简化表示为：{ND，MD，LD}
(2)根据超声传感器的实测距离，输入距离信号的实际论域为x* [500，1500] 毫米；采用线性变换：x=1/100x*-10取计算论域为x [-5，5]。
(3)左、右两侧输入距离的模糊语言隶属度函数如图5.5所示：
图5.5输入距离的隶属度函数
-5 -4 -3 -2 -1 0 1 2 3 4 5
隶属
规则
ND 1 0.8 0.6 0.4 0.2 0 0 0 0 0 0
MD 0 0.2 0.4 0.6 0.8 1 0.8 0.6 0.4 0.2 0
LD 0 0 0 0 0 0 0.2 0.4 0.6 0.8 1
表1.输入距离量隶属度规则
5.5.2输出量模糊化
设输出的模糊语言集合如下：{右转，稍微右转，前进，稍微左转，左转}简化表示为：{TR，TRL，GA，TLL，TL}移动机器人的输出变量即旋转角度的实际论域为[-30，30]，单位是度，且向左转为正方向；采用线性变换，y=2/15y*取计算论域为[-4，4]。
角度输出的模糊语言隶属度函数如图4.11所示：
图5.6 输出变量隶属度函数
规则-4 -3 -2 -1 0 1 2 3 4
TR 1 0.5 0 0 0 0 0 0 0
TRL 0 0.5 1 0.5 0 0 0 0 0
GA 0 0 0 0.5 1 0.5 0 0 0
TLL 0 0 0 0 0 0.5 1 0.5 0
TL 0 0 0 0 0 0 0 0.5 1
表2.输出角度隶属规则表
5.5.3最终的模糊控制规则
用R D表示机器人右侧与障碍物的距离；
L D表示机器人左侧与障碍物的距离；
U表示输出。
4所示：
DR\U\DL ND MD LD
ND TRL TLL TL
MD TRL GA TLL
LD TR TRL GA
表3.避障模糊控制规则
-5 -4 -3 -2 -1 0 1 2 3 4 5
-5 -1 1 2 2 2 3 3 3 4 4 4
-4 -1 -1 1 2 2 2 3 3 3 4 4
-3 -1 -1 0 1 2 2 2 3 3 3 4
-2 -2 -1 -1 0 1 2 2 2 3 3 3
-1 -2 -2 -1 -1 0 1 1 2 2 3 3
0 -3 -2 -2 -1 -1 0 1 1 2 2 3
1 -3 -3 -
2 -2 -1 -1 0 1 1 2 2
2 -
3 -3 -3 -2 -2 -2 -1 0 1 1 2
3 -
4 -3 -3 -3 -2 -2 -2 -1 0 1 1
4 -4 -4 -3 -3 -3 -2 -2 -2 -1 0 0
5 -4 -4 -4 -3 -3 -3 -2 -2 -2 -1 0
表4.输入输出模糊控制规则
5.6去模糊化
去模糊化的方法很多，常用的有最大隶属度法、加权平均法、取中位数法等，本文采用了加权平均法。
例如：
L D输入为1000（mm）,R D输入为900（mm），根据x=1/100x*-10转换到计算论域中为，X左=0，X右=-1。则查表4可以得到输出角度的模糊变量为1，输出向量为[0，0，0.5，0.5，0]，{TR，TRL，GA，TLL，TL} 对应角度为[-30°，-15°，0°，15°，30°]。
应用加权平均法，
可得：y*= [-30°，-15°，0°，15°，30°] * [0，0，0.5，0.5，0]T
y*=7.5°，表示机器人向左转7.5°。
6.仿真结果与试运行状态
在本论文中，实际使用了Pioneer 3 H8-AT型智能移动机器人前方的六个超声传感器，把它们分成了左组和右组，选取每组中的最小的一个数值作为输入。因此，在仿真实验中机器人按照实际的移动机器人的设置，分别在机器人的左前和右前位置上布置了相同的超声传感器，这样就可以探测到机器人前方的比较完全的信息。由于实际的机器人有盲区问题，而在仿真中的超声波传感器的测距范围是[0,+∞]，所以在仿真中传感器的检测范围按照实际值设置为[0.5，1.5]（单位：米）。在多移动机器人以一定的队形移动的控制中，主要是利用闭环l-ψ控制算法来实现的。其中机器人的避障行为，是通过建立模糊规则设计了模糊控制器来实现的。
（1）单个机器人避障行为的仿真，如图6.1所示。
（2）在无障碍物的环境下，两机器人以l=1m，ψ=30度的队形移动的仿真结果，如图6.2所示。
图6.1 单机器人避障行为仿真
图6.2多机器人避障行为仿真
本实验实现了移动机器人的路径跟踪、避障行为（图6.3所示）以及解死锁等行为，并能够实现良好的人机交互，完成复杂的任务。
图6.3 实验机器人在障碍环境中
7.总结体会
多移动机器人技术的研究是机器人技术发展的一种大的趋势，它将对机器人技术的发展带来很大的变革，多移动机器人系统在工业、农业、服务业、国防等领域具有广阔的应用背景，目前多移动机器人技术的研究己经成为国际学术前沿的研究热点。作为当前人工智能领域中研究热点的MAS理论，以Agent为其核心概念，研究MAS如何通过Agent间的协调与协作完成复杂任务，特别是分布式任务[4]。
本论文的研究工作主要从多移动机器人系统的高层组织与规划着手，以全局观念研究多移动机器人系统协调协作机制以及其它问题，解决了多移动机器人系统研究中的一些问题。同时，也看到了当前在多移动机器人系统研究中对多移动机器人系统的研究主要围绕具体任务或具体实验系统展开，而且各机器人都是同构的，使得系统的应用范围和扩充性有限，研究成果往往难以推广。鉴于多移动机器人系统智能化、自治化和网络化发展的趋势，总结本文工作，并结合已有研究的不足，还需要在以下几方面进行改进和完善：1．多智能体的理论与应用研究刚刚起步，把多智能体技术应用到多移动机器人协调控制系统中，是一种较新的方法，我们只做了比较初步的工作，在理论和实际应用上还存在一些差距，需进一步完善。
2．在多移动机器人系统中，还需要进一步提高单个机器人智能体的智能化程度，使机器人能够更有效的理解人类的意图。
参考文献：
[1] D.Srinivasan and M.C.Choy. Cooperative multi-agent system for coordinated traffic signal control . IEE Proceedings. Vol. 153, No. 1, March 2006
[2]Brett J Young，Randal W Beard，Jed M Kelsey.A Control Scheme for Improving Multi-Vehicle Formation Maneuvers.American Control Conference，Arlington，VA，June 25–27,2001,704-709
[3]郭胜辉，张明路.基于多智能体的多移动机器人协调控制技术【D】河北工业大学.2006.10
[4] 王俊松等. 基于Multi-Agent的多机器人控制技术. 天津职业技术师范学院学报【J】.第14卷,第2期,2004年6月.3-7
[5] 苏治宝,陆际联.多移动机器人队形控制的研究方法.机器人【J】第25卷，第1期，2003年1月.88-91
基于Multi-Agent的多机器人编队控制 摘要：多移动机器人协调是当前机器人技术的一个重要发展方向。多移动机器人之间的协调与 合作将大大提高机器人行为的智能化程度，完成由单个机器人难以完成的更加复杂的作业。多 移动机器人协调技术的研究对提高机器人的智能化水平及加快机器人的实用化进程具有重要的 理论研究意义和实用价值。本文结合多智能体技术对多机器人编队控制进行了研究，同时根据 具体的多机器人系统，进行了仿真实验。验证了多智能体技术在机器人编队控制系统中的应用，完成了小规模的编队控制。 关键词：多智能体；多机器人；编队控制；协调控制；模糊控制 Multi-robot Formation Control Based on Multi - Agent Abstract :The problem of multi-robot cooperation and coordination is central to mobile robotics. Cooperation and coordination will improve the intelligent performance of robots and can complete lots of impossible missions for single robot.The research on multi-robot cooperation and coordination is of great academic and applied significance. The multi-robot formation is developed combined with the multi-agent technology in this dissertation, and the simulation is done with the multi-robot system. The application of multi-agent is verified in the multi-robot formation control through a small system adopt the fomation control. Key words: Multi-agent ;Multi-robot ;Formation control;Coordination control;Fuzzy control 1. 国内外机器人系统发展现状 自80年代末以来，基于多智能体系统理论研究多机器人协作受到了普遍的关注，从军事领域到工业与民用领域，从星际探险到海底考察，从比赛到教学，都取得了不同程度的进步。近年来，在IEEE R&A,IROS等著名的国际机器人学术会议上，几乎每次会议都有多智能体协作机器人系统的专题。一些机器人学术刊物出版了有关多智能体机器人的研究专辑。一些研究项目，如ACTRESS,CEBOT,GOFER,SWARM等，已进行了多年[1]。 目前，国内关于群体机器人系统的研究刚刚起步，基本上还处于基础技术的研究阶段，这方面的研究成果报道比较少。中科院沈阳自动化所机器人开放研究实验室是国内研究多机器人技术较早也较全面的科研单位。 (1)CEBOT(Cellular Robotic System) CEBOT是一种自重构机器人系统(Self-Reconfigurable Robotic System)，它的研究是受生物细胞结构的启发，将系统中众多的具有相同和不同功能的机器人视为细胞元，这些细胞元可以移动，寻找和组合。 根据任务或环境的变化，细胞元机器人可以自组织成器官化机器人，多个器官化机器人可以进一步自组织，形成更加复杂的机器人系统。细胞结构机器人系统强调是单元体的组合如何根据任务和环境的要求动态重构。因此，系统具有多变的构型，可以具有学习和适应的系统智能(Group Intelligence)，并具有分布式的体系结构[3]。 (2)ALLANCE/L-ALLANCE系统
全向移动机器人的运动控制 作者：Xiang Li, Andreas Zell 关键词：移动机器人和自主系统，系统辨识，执行器饱和，路径跟踪控制。 摘要：本文主要关注全向移动机器人的运动控制问题。一种基于逆运动学的新的控制方法提出了输入输出线性化模型。对执行器饱和及驱动器动力学在机器人性能体现方面有重要影响，该控制法考虑到了以上两个方面并保证闭环控制系统的稳定性。这种控制算法常用于真实世界的中型组足球机器人全方位的性能体现。
1.介绍 最近，全方位轮式机器人已在移动机器人应用方面受到关注，因为全方位机器人“有一个满流动的平面，这意味着他们在每一个瞬间都可以移动，并且在任何方向都没有任何调整”。不同于非完整的机器人，例如轮式机器人，在执行之前具有旋转任何所需的翻译速度，全方位机器人具有较高的机动性并被广泛应用在动态环境下的应用，例如在中型的一年一度的足球比赛。 大多数移动机器人的运动控制方法是基于机器人的动态模型或机器人的运动学模型。动态模型直接描述力量施加于车轮和机器人运动之间的关系，以外加电压的每个轮作为输入、以机器人运动的线速度和角加速度作为输出。但动态变化所造成的变化的机器人惯性矩和机械组件的扰动使控制器设计变得较为复杂。假设没有打滑车轮发生时，传感器高精度和地面足够平坦，由于结构的简单，因而运动模型将被广泛应用于机器人的设计行为中。作为输入运动学模型是机器人车轮速度，输出机器人的线速度和角速度，机器人的执行器的动力都快足以忽略，这意味着所需的轮速度可以立即达到。然而，该驱动器的动态极限，甚至降低了机器人在真实的情况中的表现。 另一个重要方面是机器人控制的实践：执行器饱和。因机器人轮子的指挥电机速度是有饱和的界限的，执行器饱和能影响到机器人的性能，甚至使机器人运动变得不稳定。 本文提出了一个全方位的机器人的一种运动控制方法，这种控制方法是基于逆输入输出的线性的运动学模型。它需要不仅考虑到驱动器动力学的识别，但也需要考虑到执行器饱和控制器的设计，并保证闭环控制系统系统稳定性。 本文其余的部分：在2节介绍了运动学模型的一个全方位的中型足球机器人；在3节介绍了路径跟踪与定位跟踪问题基于逆运动学模型的输入输出线性化的解决方法，其中包括执行器饱和分析；4部分介绍了动态识别器及其在控制性能方面的影响；最后的实验结果和结论讨论部分分别在5和6。
移动机器人控制系统的发展方向 摘要随着计算机技术、传感器技术的不断发展，对于机器人领域的发展具有一定的促进作用。而由于移动机器人具有能够自治与移动的特征，在机器人领域处于核心地位。在复杂、危险的环境中，移动机器人所发挥的作用是有目共睹的。对此，对当前国内外较为常见的移动机器人控制系统进行剖析，并在此基础上论述了该领域的未来发展方向。 【关键词】移动机器人控制系统发展方向 移动机器人属于能够自动执行工作任务的机器，不但能够按照事先编译的程序运行，同时人类还可对其指挥。当前主要被运用在生产业、建筑业以及航空航天领域，而该领域的发展情况直接关系到国家综合实力的提升速度，对此加强对移动机器人控制系统的发展情况，以及未来发展方向的研究势在必行。 1 国内外常见的移动机器人控制系统 相对于国内在移动机器人的研究状况，能够看出国外在该领域的研究是较早的，其中具有代表性的有Saphira、TeamBots以及ISR。而在国内方面，代表性的有OSMOR、ZJMR以及Agent。下面，便对较为常用的控制系统进行介绍：
1.1.1 Saphira控制系统 Saphira控制系统是移动机器人领域中最早的系统，是有SRI国际人工智能中心在1990年所研发的，此系统是基于本地感知空间的共享内存与黑板，来实现协调与通信进程。由于Saphira是采用C语言来进行开发的，同时支持Windows 与Unix系统，因此具有文档资料相对完整、系统资源占用少等特征。但是需注意的是，由于Saphira系统在定位方面无法达到当前的实际需求，因此运用是相对较少的。 1.1.2 TeamBots控制系统 本系统是基于Java包与Java应用程序而构建的，经过20余年的发展后，此系统截止到目前已经被运用到多种类型的机器人平台当中。除此之外，在适用的操作系统方面，其中具有代表性的有Windows、MacOS以及Linux等，因此其运用的范围是更加广泛的。 1.1.3 ISR控制系统 ISR是基于行为的控制模式，其中是有任务执行层、反映层以及推理层所构成的，是有CAS研究中心所研发的。其中，任务执行层的作用是执行推理层所传输的指令；反映层其中包含资源、控制器以及行为；推理层的功能是根据用户的指令来对决策进行制定。此外，ISR控制系统仅能够在Linux中进行操作，并且没有公开化使用。
复杂环境下多移动机器人协同路径规划 多移动机器人协同路径规划是机器人导航研究领域中极具挑战性的问题。复杂环境下多移动机器人协同路径规划,需要为各机器人寻求一条从起始点到目标点的最优路径,同时保证机器人间以及机器人与动、静态障碍物之间无碰撞。因此,如何实现机器人间的避碰和机器人与动态障碍物的避障是该问题的研究难点。当前大部分研究仍聚集于静态环境下单机器人路径规划,复杂环境下多移动机器人协同路径规划问题仍是亟待解决的难题。本文主要工作如下:1)针对单机器人全局路径规划问题,采用约束满足法构建优化数学模型,并结合问题属性提出一种改进蚁群算法。利用当前节点的局部路径方向与起始点至终点的欧式路径方向夹角设计新启发式函数,引导机器人沿最短路径行走;根据可选节点数量设计避障规则,提高避障能力;依据路径长度对信息素进行比较更新,提高算法收敛速度。实验表明,改进算法性能优于原始蚁群算法。2)针对静态环境下多移动机器人协同路径问题,构建以路径长度短和暂停时间少为目标的多目标数学模型。考虑到机器人之间存在碰撞冲突,研究启发式规则对冲突进行消除。以单机器人全局路径规划为基础,研制出一种基于全局路径规划和融入启发式规则的局部路径调整的两阶段规划算法求解该问题,仿真实验表明了该算法的有效性。3)针对动态环境下多移动机器人协同路径规划问题,基于静态环境下多移动机器人路径规划的研究成果,根据动态障碍物的运动性质研究避障方法,消除机器人与动态障碍物的碰撞冲突。设计了相应的仿真实验,结果表明了该方法的有效性。4)考虑
到企业的实际需要,设计了多移动机器人协同路径规划系统。该系统具有较好的集成性和开放性,提供了用户登录、用户管理、单机器人调度方案和多机器人调度方案等交互界面,满足用户在不同运行环境下的需要。
移动机器人控制软件的设计和实现
作者：李晓明 文章来源：https://www.doczj.com/doc/5c17515940.html, 更新时间：2006-8-9 17:25:55 点击数： 2742
简介：现在做一个移动机器人是很容易的一件事，车体自己可以加工，或买现成的；避障可以用超声阵列；
导航可以用激光测距 LMS；定位可以用电子地图加 LMS 加陀螺仪；然而控制软件却只能自己编写。本文 或许可以给你一些启示。
相关链接 基于 VIA 平台的移动机器人
移动机器人的使用现在非常多，做一个移动机器人似乎也很容易，车体自己可以加工，也可以去 买现成的；避障可以用超声阵列；导航可以用激光测距 LMS；定位可以用电子地图加 LMS 加陀 螺仪；驱动可以用各种电机及配套驱动器或者自己做；通讯可以去买现成的无线通讯模块，可以 是数字的，也有模拟的；大范围定位可以用 GPS 模块，也是现成的；至于什么红外，蓝牙，甚 至计算机视觉都可以去市场上买，但是（然而）为什么做一个移动机器人还是这么难呢？尤其是 对一个新手而言。一个老外说过，硬件是现成的，软件算法杂志里有的是，很多可以在网上当， 但即使是一个博士生也要花费很长的时间完成一个实际可用的移动机器人。为什么？因为机器人 使用的困难在使用软件的设计上。前面那个老外也说过，现在什么都可以在网上当，唯独使用程 序不能。有过自己写移动机器人程序的人可能会理解这段话，当然也仅仅是可能，因为不排除有 很多机器人大拿一上来就可以写出很棒的移动机器人软件。
移动机器人的控制软件开发是和硬件紧密相关的，甚至和机器人的体系结构也密切相关，同样是 移动机器人，有的是用 PC 控制的，有的是用多个嵌入式系统实现的，有的则是多机器人协同工 作的，操作系统有人会用 DOS，有人会用 Windows，有人会用 Linux，有人会用 Embeded Operation System。硬件平台有的用 x86，有的用 ARM 芯片，有的会用 DSP，通讯里面会 有串口，TCP/IP 网络，无线以太网，红外，蓝牙等，甚至驱动机构也不一样，有的是用腿，有
? 197 ? ELECTRONICS WORLD?技术交流 移动机器人控制系统设计 广东工业大学 侯晓磊 随着移动机器人在人们社会生活中的地位不断提高，设计一种 可靠、稳定的机器人控制系统越发的变得重要起来，以NI公司的MyRIO控制器以其安全可靠、编程开发简单而脱颖而出。本文基于上述控制器、L298N电机驱动芯片Labview设计一种移动机器人控制软硬件系统系统，经验证，该系统运行稳定、可靠、高效。 1.前言 新一轮科技革命引发新一轮产业革命。“互联网+制造”构建工业4.0，智能制造成为我国由制造大国向制造强国转变的关键一步，移动机器人作为智能制造中的一个组成部分，作用越发的变得举足轻重。本文给出一种以MyRIO+L298N+Labivew的移动机器人控制系统。 2.IN MyRIO控制器 NI myRIO是NI最新设计的嵌入式系统设计平台。NI myRIO中内含双核ARM Cortex-A9，实时性高，并且还可以便捷定制FPGA I/ O，给开发设计人员提供更好的设计复杂系统的平台。 NI myRIO作为可重配置控制器具有以下重要特点： 易于上手使用：引导性安装和启动界面可使开发人员更快地熟悉操作，协助开发人员快速了解工程概念，完成设计任务。编程设计简单，利用实时应用、内置WiFi等功能，开发人员可以实现远程部署应用，“无线”操控。 板载资源众多：有丰富的数字I/O接口，提供SPI串行外设接口、PWM脉宽调制输出端口、正交编码器输入端口、UART异步收发器端口和I2C总线接口、多个单端模拟输入、差分模拟输入和带参考的模拟输入等可供选择的资源。 另外，NI MyRIO还提供可靠性能较好的控制器保护电路，防止由于意外操作造成控制器不可恢复性损坏，总之，NI MyRIO为开发人员提供了一个编程简易，设计电路方便，不用刻意担心意外操作而影响控制器使用的平台。 3.L298N电机控制芯片 L298N是一种用来驱动电机的集成电路，可以较稳定的输出平稳电流和较强的功率。工作均电流为2A，最高可达4A，最高输出电压为50V，能够带动带有感性元件的负载。控制器可以直接通过输入输出口与电机驱动芯片联接，从而方便控制驱动芯片的输出。如将芯片驱动直流电机时，可以直接与步进电机相联接，通过调节控制器输出实现步进电机的的正反转功能当控制直流电机时，可以通过调节控制芯片的电压信号的极性，PWM波的占空比，从而实现直流电机转速和转向的调节。4.系统硬件部分设计 系统采用MyRIO整体框架，外围增设电机驱动电路、避障驱动电路、里程计电路、液晶显示电路、陀螺仪电路。通过MyRIO主控制发送控制信号驱动移动机器人运动，实时通过外围传感器获取位置信息反馈给主控制 器，然后控制器通过闭环系统调节当前位置以保证对目标位置的追踪。 图1 5.系统软件部分设计 系统软件部分采用经典控制理论的闭环控制系统，将电机、主控制器和外设传感器构成闭环系统，通过调节闭环统的参数，来使 移动机器人以较小偏差追踪按照预定轨迹。 图2 6.结束语 本文介绍了基于NI MyRIO控制器设计移动机器人控制系统，通过仿真和实物测试，能较好的完成对任务的追踪踪。 参考：From Student to Engineer:Preparing Future Innova-tors With the NI LabVIEW RIO Architecture https://www.doczj.com/doc/5c17515940.html,.2014-04-01；王曙光,袁立行,赵勇.机器人原理与设计.人民邮电出版社,2013 。
多机器人编队控制技术综述 摘要：机器人作为人类20世纪最伟大的发明之一，在短短的40年内发生了日新月异的变化。而随着人类生产规模的不断扩大，人类活动范围的不断扩大，仅仅靠人力进行生产活动已经不能满足先进生产力的要求。因此，代替人类进行生产、探索活动的多机器人系统应运而生。当今，多机器人系统的应用范围大致有如下几项：远地作业、协助军事行动、震后搜索与营救、自动仓库管理、自动化工厂、农业机器人等。本文通过对多机器人编队控制技术的综述，来展现多机器人系统的发展现状以及广阔的应用空间。 关键字：多机器人系统、编队控制、算法、仿真技术 1.绪论 1.1问题的提出与研究的意义 由生物体进行，外部可以觉察到并且有适应意义的活动，称之为生物的行为。 通过模仿生物行为来发展的技术学科我们称之为仿生学[1]。所谓群体机器人技术，就是利用仿生学原理，模仿群体活动的动物或昆虫运动的特点，来制造可以运用于工程、医学以及军事领域的机器人[2]。随着生物学研究的不断深入，研究人员发现它们能够通过简单的局部交互产生复杂的群体智能行为。。研究人员意识到理解这些社会性昆虫系统级特征一一个体失效的鲁棒性、环境变化的适应性、群体规模的可扩充性，将为多机器人系统实现类似期望能力提供思路。生物学
家、计算机学家及机器人专家共同合作，希望能够利用社会性昆虫的群体行为理论设计和控制多个机器人。于是产生了基于多学科交叉的新研究领域一一群体机器人[3]。随着社会生产技术的飞速发展，机器人的应用领域不断扩展。从自动化生产线到海洋资源的探索，乃至太空作业等领域，机器人可谓是无处不在。然而就目前的机器人技术水平而言，单机器人在信息的获取、处理及控制能力等方面都是有限的，对于复杂的工作任务及多变的工作环境，单机器人的能力更显不足。于是人们考虑由多个机器人组成的群体系统通过协调、协作来完成单机器人无法或难以完成的工作，通常称之为群体机器人。群体机器人系统比单机器人系统具有更强的优越性。主要表现在以下几个方面： (1)相互协调的n个机器人系统的能力可以远大于一个单机器人系统的n 倍，群体机器人系统还可以实现单机器人系统无法实现的复杂任务。 (2)设计和制造多个简单机器人比单个复杂机器人更容易、成本更低。 (3)使用群体机器人系统可以大大节约时间，提高效率。 (4)群体机器人系统的平行性和冗余性可以提高系统的柔性和鲁棒性[4]。 2.多机器人系统编队控制 2.1多机器人系统的分析 对于多机器人系统，编队控制是必须解决的难题，它直接影响着
第28卷第11期V ol.28No.11 控制与决策 Control and Decision 2013年11月 Nov.2013一类非完整移动机器人编队控制方法 文章编号:1001-0920(2013)11-1751-05 张瑞雷,李胜,陈庆伟 (南京理工大学自动化学院，南京210094) 摘要:针对大部分两轮非完整移动机器人轮轴中心与几何中心不重合的特点,提出一种多机器人协调编队控制算法.构造队形参数矩阵确定编队形状,根据领航机器人和相关队形参数生成虚拟机器人,把编队控制分解为跟随机器人对虚拟机器人的轨迹跟踪.建立虚拟机器人与跟随机器人之间误差系统模型,利用Lyapunov理论设计相应控制器,从而实现队形保持和变换.应用microsoft robotics developer studio4(MRDS4)搭建3D仿真平台,设计3组实验,结果进一步验证了所提出方法的有效性. 关键词:非完整移动机器人；轨迹跟踪；编队控制；队形变换 中图分类号:TP273文献标志码:A Formation control for a kind of nonholonomic mobile robots ZHANG Rui-lei,LI Sheng,CHEN Qing-wei (School of Automation，Nanjing University of Science and Technology，Nanjing210094，China．Correspondent: ZHANG Rui-lei，E-mail：zhangrelay@https://www.doczj.com/doc/5c17515940.html,) Abstract:For the problem that the wheel-axle center and the geometric center of the most nonholonmic mobile robot are noncoincidence,the formation coordination control algorithm is proposed in this paper.The shape of formation is determined by the parameter matrix and the virtual robot is generated according to the lead robot and related formation parameters, translating the formation control problem into the trajectory tracking problem between the follow robot and virtual robot. The error system model between two robots is built,and the control algorithm is designed by using the Lyapunov theory for the formation keeping and transforming.Three groups of experiment are designed by the microsoft robotics developer studio 4,and the simulation results show the effectiveness of the presented method. Key words:nonholonomic mobile robot；trajectory tracking；formation control；formation transform 0引言 近年来,机器人的协调控制成为多机器人系统研究的热点.多机器人通过协调能完成某些单个机器人不能完成的任务,通常有更高的效率.编队控制是一个典型的多机器人协调问题,在地理勘测、侦查、救援、扫雷和运输等领域具有广阔的应用前景.目前,多机器人的编队控制算法主要包括基于行为的方法[1-2]、虚拟结构法[3-4]和领航-跟随法[9-12]. 文献[2]研究了一组仅有局部感知和少量通讯的分布式机器人,通过全局行为的队形控制方法,实现了多机器人编队的建立和保持.文献[3]针对通信范围和带宽限制,基于虚拟结构法,提出了一种统一的分布式编队控制结构,结合一致性理论和轨迹跟踪,实现了多机器人编队拓扑的切换和控制.文献[4]提出了一种基于模型预测控制方法的编队控制器,并将其用于跟踪虚拟领航机器人.文献[5]将领航-跟随方法应用于潜水器领域.文献[6-8]研究了一类控制输入受约束非完整移动机器人的编队控制问题.文献[9]将编队控制问题分解为轨迹跟踪、机器人控制和队形控制3个子问题,通过l-?和l-l控制,采用输入输出反馈线性化方法实现了多机器人的编队控制.文献[10]通过在跟随机器人上安装观测器来估计领航机器人速度,仅依靠通信位置信息实现编队控制,但编队精度较差,领航机器人做复杂运动时,编队保持不理想. 非完整约束机器人在纯滚动、无滑动的情况下,使用反馈线性化的队形控制方法需要选定离轴点,该点位于机器人的前进方向,与质心有一定的偏移量, 收稿日期:2012-09-17；修回日期:2012-12-25. 基金项目:国家自然科学基金项目(60975075,61074023). 作者简介:张瑞雷(1985?),男,博士生,从事机器人智能控制、多机器人协调控制的研究；陈庆伟(1963?),男,教授,博士生导师,从事智能控制与智能系统等研究.