張國慶+程文彬+彭芳

摘 要：在智能物流需求的背景下，智能機器人在現(xiàn)代物流系統(tǒng)中的應(yīng)用成為機器人應(yīng)用的熱點領(lǐng)域。提升物流系統(tǒng)的智能性，要求系統(tǒng)中的智能機器人具有更強的自主性。從導(dǎo)航、通信、分布式管理三個方面對智能物流機器人的自主性相關(guān)控制技術(shù)進行分析，并結(jié)合物流應(yīng)用探討了其技術(shù)特點，并對其提升我國物流裝備水平的應(yīng)用前景進行了展望。

關(guān)鍵詞：物流系統(tǒng)；移動機器人；自主控制

中圖分類號：F253.9 文獻標識碼：A

Abstract： On the command of intelligent logistics， applying intelligent robots in modern logistics system is a hot spot of robot applications. To improve the logistics intelligence， robots in the system should be more autonomous. From navigation， communication and decentralized control， the relative technologies for autonomous control are analyzed， the features with logistics application are discussed， and the prospect of enhancing domestic logistics equipment with these technologies is proposed.

Key words： logistics system； mobile robot； autonomous control

0 引 言

智能機器人是一種新型的高科技技術(shù)，是涵蓋運用了計算機技術(shù)、信息化技術(shù)、仿生學(xué)特征、傳動感應(yīng)技術(shù)等多領(lǐng)域?qū)W科而形成的新型技術(shù)，是當前科技研究的熱點方向。2015年5月，我國出臺了《中國制造2025》規(guī)劃，規(guī)劃中將智能制造列為我國當前的首要目標發(fā)展戰(zhàn)略，要加快對智能制造的研究進度，使制造過程步入智能化[1]。在這一規(guī)劃中，智能機器人制造是最具有代表性的領(lǐng)域，成為當前最重要的發(fā)展方向。尤其是近些年來我國國民經(jīng)濟發(fā)展迅速，人民需求不斷提升，促進了倉儲物流行業(yè)飛速發(fā)展，智能化設(shè)備在物流運輸過程中的重要性日益突出，而智能機器人的出現(xiàn)，不僅降低了企業(yè)的生產(chǎn)成本[2]，而且大大提高了物流企業(yè)的生產(chǎn)效率。

現(xiàn)有的物流系統(tǒng)機器人大多采用集中式的控制系統(tǒng)，自身的智能性和自主性不足，常用于結(jié)構(gòu)化的相對靜態(tài)的工作環(huán)境中，對于可變環(huán)境的適應(yīng)能力不夠，因此只能完成較為簡單和固定的物流作業(yè)。因此需要將智能化移動機器人與物流系統(tǒng)相結(jié)合[3]，依靠智能移動機器人的自主性控制實現(xiàn)物流系統(tǒng)的智能化作業(yè)。智能化的移動物流機器人能夠通過傳感器感知外界環(huán)境和自身狀態(tài)，實現(xiàn)在有障礙物環(huán)境中面向目標的自主運動，從而完成一定作業(yè)功能。其本身能夠認識工作環(huán)境和工作對象，能夠根據(jù)指令和自身認識來獨立地工作，能夠利用操作機構(gòu)和移動機構(gòu)完成復(fù)雜的任務(wù)[4]。

本文將針對物流系統(tǒng)中智能移動機器人的自主性控制相關(guān)技術(shù)，如導(dǎo)航、定位、通信、分布式控制等方面的研究發(fā)展進行綜述，并分析未來智能物流系統(tǒng)中智能機器人應(yīng)用的關(guān)鍵問題。

1 物流智能機器人自主性導(dǎo)航技術(shù)

若要使移動物流機器人具有特定的智能，首先就需具有多種感知功能，進而進行復(fù)雜的邏輯推理、規(guī)劃和決策，并在作業(yè)環(huán)境中自主行動。在這其中，導(dǎo)航和定位技術(shù)是智能移動機器人所要解決的核心技術(shù)。定位和導(dǎo)航功能是自主式移動機器人的一項重要功能，也就是通過這個最核心功能，機器人根據(jù)自身的感知系統(tǒng)確定自身的位置，從而根據(jù)任務(wù)做出正確的行為決策和路徑選擇。沒有這種功能，移動機器人的任何自主運動都是盲目的。因此，物流移動機器人的多種導(dǎo)引方式相繼出現(xiàn)。根據(jù)環(huán)境信息的完整程度、導(dǎo)航指示信號類型、導(dǎo)航地域等因素的不同，主要分為電磁導(dǎo)航、地面標識導(dǎo)航、慣性導(dǎo)航和激光掃描導(dǎo)航、視覺導(dǎo)航等。而這些導(dǎo)航技術(shù)中，移動機器人的同步定位和地圖構(gòu)建（SLAM）方法是該技術(shù)的核心難題。

目前SLAM問題的研究方法主要分為兩類：一類是基于數(shù)學(xué)概率統(tǒng)計方法，如卡爾曼濾波、粒子濾波等，這是目前研究最廣泛的方法，但這類方法大多依賴于對環(huán)境的假設(shè)，配以昂貴的高精度傳感器如激光測距儀來實現(xiàn)。Dissanayake等人在2001年提出了解決SLAM問題的卡爾曼濾波技術(shù)[5]，之后針對卡爾曼濾波算法的復(fù)雜性和計算量問題，Thrun、Koller和Walter等人提出了稀疏擴展信息濾波的方法[6]。這種方法基于卡爾曼濾波更新方程中信息和逆協(xié)方差矩陣的剪裁以及通過對結(jié)果矩陣稀疏特性的研究，可使計算的維數(shù)降低。極大期望算法是卡爾曼濾波算法的一種補充方法，可解決模糊、循環(huán)環(huán)境下的機器人地圖構(gòu)建問題。粒子濾波方法是通過一組根據(jù)機器人狀態(tài)先驗分布得到的采樣數(shù)據(jù)或者粒子，來表示機器人的實際狀態(tài)和置信水平，如Thrun、Fox等人提出的蒙特卡洛定位技術(shù)，以此為基礎(chǔ)，后期很多研究人員提出了相關(guān)改進的SLAM算法，如FastSLAM、基于Rao-Blackwelized濾波的SLAM算法。

另一類是基于生物激勵的地圖構(gòu)建和導(dǎo)航系統(tǒng)，即通過模擬動物腦神經(jīng)活動來解決三維空間導(dǎo)航任務(wù)。這種基于生物神經(jīng)激勵的導(dǎo)航技術(shù)，可以在不采用高精度的傳感器和復(fù)雜的概率算法的條件下解決SLAM問題，但實際應(yīng)用性能還不足，但是對同時提升智能自主性和降低成本具有積極意義。諾貝爾獎獲得者神經(jīng)科學(xué)家奧基夫（John O' Keefe）和挪威神經(jīng)科學(xué)家莫澤（Moser）夫婦在20世紀70年代發(fā)現(xiàn)了動物大腦內(nèi)與定位系統(tǒng)相關(guān)的細胞——位置細胞（place cell）和網(wǎng)格細胞（grid cell），在此之后更多相關(guān)細胞被發(fā)現(xiàn)，如速度細胞、邊界向量細胞等。這些神經(jīng)細胞的活動特性為機器人的導(dǎo)航定位控制提供了一個新的思路。位置細胞的特性是，當動物處于環(huán)境中某些特定位置時，對應(yīng)細胞的放電頻率會顯著增強，而每個位置細胞均可表征動物所處環(huán)境的某一部分，眾多位置細胞的協(xié)同工作，就可在腦內(nèi)形成一張表征周圍空間環(huán)境的大腦內(nèi)部認知地圖。網(wǎng)格細胞為大腦提供了一個度量尺，當動物從一個位置出發(fā)后，可以不斷整合線性距離和空間角度，從而定位自己的坐標，了解自己在環(huán)境中的位置。Arleo等人在2001年對動物大腦中發(fā)現(xiàn)的與定位和導(dǎo)航相關(guān)的位置細胞（Place Cells）和頭方向細胞（Head-Direction Cells）進行建模，并將其用于移動機器人的目標導(dǎo)航[7]。Michael等人在2005年，基于Arleo的研究，結(jié)合位置細胞和頭方向細胞的功能，假想了一種位姿細胞（Pose Cells）結(jié)構(gòu)，并進行建模模擬老鼠的導(dǎo)航，提出了RatSLAM的算法。該算法結(jié)合視覺測程技術(shù)和模擬嚙齒類動物大腦中神經(jīng)細胞的吸引子神經(jīng)網(wǎng)絡(luò)模型，實現(xiàn)了機器人的同步定位和構(gòu)圖。

隨著生物神經(jīng)機理的研究更加深入，將生物的大腦功能進行建模，再結(jié)合神經(jīng)網(wǎng)絡(luò)的算法，使得機器人具有自我學(xué)習的能力。這將使物流機器人在定位和導(dǎo)航方面，具有更好的環(huán)境適應(yīng)性和靈活性。

2 物流智能機器人自主網(wǎng)絡(luò)通信技術(shù)

隨著日益多變的生產(chǎn)格局和產(chǎn)品需求以及日益提高的人力成本，促使企業(yè)現(xiàn)有生產(chǎn)模式向高度自動化和高度柔性生產(chǎn)模式方向轉(zhuǎn)化。如果沒有一個靈活多變的物流自動化系統(tǒng)，即使獨立生產(chǎn)單元的自動化程度再高，也不可能實現(xiàn)柔性生產(chǎn)系統(tǒng)。要實現(xiàn)物流系統(tǒng)的靈活性，除了提高物流系統(tǒng)中個體物流機器人的智能自主性以外，還需要讓它們能夠與周圍的環(huán)境及其他機器人能相互感知和協(xié)作。2003年10月波蘭舉行的GeoSensor Network Workshop研討會上，有關(guān)專家指出移動機器人和傳感器網(wǎng)絡(luò)結(jié)合，會獲得價格低廉但性能卓越的混合系統(tǒng)，該系統(tǒng)會在網(wǎng)絡(luò)維護、環(huán)境檢測、救援與反恐等領(lǐng)域獲得廣泛應(yīng)用。

將物流系統(tǒng)中的每輛輸送車輛配置成一個無線傳感網(wǎng)絡(luò)的通信節(jié)點，使其成為一個車聯(lián)無線通信網(wǎng)絡(luò)中的獨立節(jié)點[8]。這樣輸送車輛不僅可以利用無線傳感器網(wǎng)絡(luò)信息感知的功能及時進行運行狀態(tài)信息的感知，而且可以通過獲取鄰近車輛的狀態(tài)信息并將自身的狀態(tài)信息告知鄰近車輛，實現(xiàn)這種分布式系統(tǒng)的通信，如圖1所示。

無線傳感器網(wǎng)絡(luò)（WSN）可以延伸物流系統(tǒng)覆蓋范圍內(nèi)的智能移動機器人的感知空間，為其提供更大范圍的傳感信息，智能移動機器人作為具有高度智能和執(zhí)行能力的單元可以為與其相鄰的WSN節(jié)點提供智能和執(zhí)行能力的輔助服務(wù)[9]。移動機器人與WSN結(jié)合，兩者經(jīng)過相互協(xié)作和支持，使得形成的混合的物流系統(tǒng)具備了新的功能和價值。

無線傳感器網(wǎng)絡(luò)在物流系統(tǒng)中的應(yīng)用，本質(zhì)上就是將無線傳感器網(wǎng)絡(luò)通信技術(shù)與移動機器人相結(jié)合的問題。這種結(jié)合方式是將無線傳感器網(wǎng)絡(luò)節(jié)點配置在移動的物流設(shè)備上，無線傳感器網(wǎng)絡(luò)節(jié)點就像移動機器人一樣具有移動性，且可自組網(wǎng)絡(luò)，另外除了組網(wǎng)功能外，還具有采集周圍信息的功能。系統(tǒng)與靜態(tài)網(wǎng)絡(luò)節(jié)點相比，工作具有更高的主動性。支持移動性是無線傳感網(wǎng)絡(luò)的一個主要優(yōu)點，在無線傳感網(wǎng)絡(luò)中主要存在節(jié)點移動和事件移動。前者是指搭載無線通信功能的節(jié)點在網(wǎng)絡(luò)中的自由移動，形成網(wǎng)絡(luò)不斷頻繁自主的情況，后者是指在事件檢測或在特殊的跟蹤應(yīng)用中，事件的誘發(fā)源或跟蹤目標可能是移動的。這些應(yīng)用的關(guān)鍵在于要有足夠數(shù)量的傳感器，能夠完全覆蓋觀測目標。工作時，目標周圍的傳感器被激活進入高度活躍狀態(tài)，對目標進行觀測，工作結(jié)束后傳感器恢復(fù)休眠狀態(tài)。

采用此類自主網(wǎng)絡(luò)的物流系統(tǒng)，物流智能機器人可以靈活地加入或退出當前的物流作業(yè)系統(tǒng)，且不會對整個物流作業(yè)產(chǎn)生影響，這有利于物流系統(tǒng)根據(jù)實際作業(yè)吞吐量需求，進行相應(yīng)規(guī)模的擴展和縮減。

3 物流智能機器人分布式控制技術(shù)

物流系統(tǒng)中的每一個物流機器人隨著傳感與網(wǎng)絡(luò)技術(shù)的發(fā)展，智能化程度得到提高，可視為一個智能化的個體。而整個物流系統(tǒng)則可視為多智能體的協(xié)作系統(tǒng)，即整個物流系統(tǒng)按照每臺機器人分解成若干個智能體，各個智能體之間相互通訊、彼此協(xié)調(diào)共同完成大的復(fù)雜系統(tǒng)的控制作業(yè)任務(wù)[10]，而不需要有明確的主控中心進行支配。此類多智能體系統(tǒng)不僅具備一般分布式系統(tǒng)所具有的資源共享、易于擴張、實時性好的特點，而且可以克服隨著數(shù)目增加，對調(diào)度控制中心造成的管理和計算壓力，使系統(tǒng)具有很強的魯棒性穩(wěn)定性和自組織能力。

針對上述多智能物流機器人系統(tǒng)的特點，必須設(shè)計一個良好的集群控制結(jié)構(gòu)。在這個結(jié)構(gòu)基礎(chǔ)上，才能完成知識和感知信息的共享，獲得協(xié)調(diào)一致的控制，進而發(fā)揮多移動機器人的優(yōu)勢，提高系統(tǒng)的工作效率[11-12]。該集群控制結(jié)構(gòu)采用分布式結(jié)構(gòu)，它不存在中心處理單元，物流機器人之間不存在主控與被控以及層次關(guān)系，每個物流機器人均能夠通過通信等手段與其他物流機器人進行信息交流與磋商。分布式問題的求解是指在一些不同的處理節(jié)點中，通過知識庫的分散和松散耦合的集合進行問題的協(xié)作解決方案。協(xié)作主要有四個重要部分：（1）是一個本地化的處理過程，不涉及集中控制；（2）是一種雙向的信息交換；（3）每一個協(xié)商群體從自己的角度出發(fā)評估信息；（4）通過相互選擇達成最終的協(xié)議。

例如采用集群控制方式來協(xié)調(diào)大量的物流機器人車輛的工作，需要解決的問題主要有：（1）任務(wù)分配：將物料搬運任務(wù)分配給適合的車輛；（2）任務(wù)規(guī)劃：管理各個物料配送站和卸載點的工作車輛，使其處于平衡狀態(tài)，避免出現(xiàn)過度飽和或工作量不足的情況。

假設(shè)一個場內(nèi)物流的存取貨區(qū)的集合為D=d ，d ，…，d ，其中d =x ，y ，θ ，而物料卸載點的集合為S =s ，s ，…，s ，s

=x ，y ，…，θ ，同時場內(nèi)的AGV車輛集合為V=v ，v ，…，v ，v =v ，v ，…，v 。其中x，y，θ分別代表其位置坐標。物料搬運的任務(wù)為T =v ，d ，s ，及v ，d 和s 組合的建立，這其中要考慮物流機器人距離貨源和卸載點距離的影響，以及物料搬運狀態(tài)的平衡如排隊等。這個問題的解決方式可以從自然界種群活動特征獲得啟發(fā)，即將群智能與物流系統(tǒng)控制應(yīng)用結(jié)合。目前群智能的算法主要有蟻群算法、蜂群算法、細菌覓食算法、粒子群算法等[13]。將物流系統(tǒng)中的智能搬運機器人的運作與這些生物群體活動相結(jié)合，采用相應(yīng)的改進算法，可以使得物流系統(tǒng)實現(xiàn)分布式的控制，減少整體控制的負荷，增強系統(tǒng)的靈活性。

4 小 結(jié)

現(xiàn)代物流系統(tǒng)未來的發(fā)展趨勢是實現(xiàn)物流系統(tǒng)的分布式控制，強調(diào)系統(tǒng)中各作業(yè)設(shè)備的自主與協(xié)作，因此將智能機器人的自主性控制技術(shù)與物流系統(tǒng)應(yīng)用相結(jié)合，是大勢所趨。德國的國際管理咨詢公司羅蘭貝格在其發(fā)布的報告《物流業(yè)中的機器人與人》中分析了物流業(yè)大量引入機器人所帶來的影響，并指未來智能機器人在物流業(yè)中的應(yīng)用將有飛躍式的發(fā)展，預(yù)計會取代很多現(xiàn)有的工作崗位，因此發(fā)展物流系統(tǒng)智能機器人應(yīng)用技術(shù)，將會顯著提升物流系統(tǒng)研發(fā)的水平和物流設(shè)備的國際競爭力。

參考文獻：

[1] 李健. 發(fā)展智能機器人產(chǎn)業(yè)，提升港口物流行業(yè)整體水平[J]. 經(jīng)營管理者，2015（12）：233.

[2] 林兆花，徐天亮. 機器人技術(shù)在物流業(yè)中的應(yīng)用[J]. 物流技術(shù)，2012（13）：42-45.

[3] 劉貴生. 基于“互聯(lián)網(wǎng)+”的機器人在物流作業(yè)各環(huán)節(jié)應(yīng)用分析[J]. 物流科技，2016（9）：45-46，50.

[4] 深圳大族電機科技有限公司. 大族電機AGV機器人在倉儲物流中的應(yīng)用[J]. 智能機器人，2016（8）：25-27.

[5] G. Dissanayake， et al. A computationally efficient solution to the simultaneous localisation and map building （SLAM） problem[C] // IEEE Intemational Conference on Robotics & Autom， 2000.

[6] M. Dissanayake， P. Newmann， S. Clark， et al. A Solution to the Simultaneous Localisation and Map Building Problem[J]. IEEE Trans. Robot. Autom.， 2001，17（3）：229-257.

[7] A. Arleo， F. Smeraldi， S. Hug， et al. Place Cells and Spatial Navigation based on 2D Feature Extraction， Path Integration， and Reinforcement Learning[J]. Adv. Neural Inf. Process. Syst.， 2001，13（11）：89-95.

[8] 周宇，景博，張劼，等. 基于ZigBee無線傳感器網(wǎng)絡(luò)的嵌入式遠程監(jiān)測系統(tǒng)[J]. 儀表技術(shù)與傳感器，2008（2）：47-49，55.

[9] 司海飛，楊忠，王珺. 無線傳感器網(wǎng)絡(luò)研究現(xiàn)狀與應(yīng)用[J]. 機電工程，2011（1）：16-20，37.

[10] 經(jīng)建峰，樓佩煌. 基于智能體的分布式多AGV控制系統(tǒng)設(shè)計與實現(xiàn)[J]. 工業(yè)控制計算機，2013（9）：37-38，40.

[11] 王輝，樓佩煌. 基于Multi-Agent的多AGV自主控制系統(tǒng)設(shè)計與實現(xiàn)[J]. 工業(yè)控制計算機，2011（10）：29-31.

[12] Li W， Shen W. Swarm behavior control of mobile multi-robots with wireless sensor networks[J]. Journal of Network and Computer Applications， 2011，34（4）：1398-1407.

[13] Chu S-C， Huang H-C， Roddick J F， et al. Overview of Algorithms for Swarm Intelligence[C] // ICCCI， 2011：28-41.