林宏偉　陳澤興　陳俞秀　陳琪媚　趙其湛　洪遠泉

摘 要：文中提出一種基于云控制的業(yè)務(wù)引導機器人系統(tǒng)的設(shè)計方案。系統(tǒng)的硬件部分由攝像頭和光電傳感器等模塊組成。在機器人系統(tǒng)中采用深度強化學習，實現(xiàn)了對未知環(huán)境的預(yù)測，提高機器人對環(huán)境的適應(yīng)能力。仿真結(jié)果表明：機器人可實現(xiàn)路線識別和自動導航的功能，能較好適應(yīng)未知環(huán)境、及時完成業(yè)務(wù)的引導工作;該系統(tǒng)設(shè)計合理，操作簡單，具有一定的市場價值。

關(guān)鍵詞：深度強化學習;自動導航;云控制;路線識別;機器人;未知環(huán)境

中圖分類號：TP242.6文獻標識碼：A文章編號：2095-1302（2020）03-00-03

0 引 言

隨著人工智能的發(fā)展，機器人技術(shù)已成時下研究的熱點之一。機器人也逐漸滲透到人們的生活中，同時也在慢慢改變著人們的生活方式。因此，研究和開發(fā)機器人有著一定的社會意義和經(jīng)濟價值。近年來，服務(wù)型機器人成為了人們關(guān)注和研究的熱點，例如智能家居服務(wù)機器人、兒童看護機器人和老人陪護機器人等。其中，業(yè)務(wù)服務(wù)型機器人在辦理業(yè)務(wù)方面有著很大的發(fā)展空間。為了解決人力成本高，效率低的問題，很多業(yè)務(wù)廳都使用服務(wù)機器人替代人力的新型高效服務(wù)方案。雖然現(xiàn)在已出現(xiàn)了前臺服務(wù)機器人和設(shè)備，但是智能化普遍不高，而且服務(wù)效率很低，無法滿足人們的需求，而且本地資源的有限性限制了機器人的開發(fā)。

隨著云技術(shù)的不斷發(fā)展，云控制技術(shù)給機器人的開發(fā)及研究提供新的方向。云計算資源規(guī)模龐大，服務(wù)器數(shù)量眾多并且分布廣。云計算系統(tǒng)的平臺管理技術(shù)能夠高效調(diào)配大量服務(wù)器資源，使其更好協(xié)同工作能力，其能方便地部署和開通新業(yè)務(wù)，快速發(fā)現(xiàn)且恢復(fù)系統(tǒng)故障。因此，通過云控制技術(shù)實現(xiàn)資源分配和調(diào)度[1]，利用線上控制多組機器人，提高機器人的工作效率，結(jié)合云平臺實現(xiàn)多組數(shù)據(jù)的收集和分析，增強機器人的可控制性。通過云端搭建神經(jīng)網(wǎng)絡(luò)和ROS操作系統(tǒng)，實現(xiàn)了多機控制協(xié)作。由此可見，結(jié)合云端對機器人進行開發(fā)在一定程度上可以提高機器人智能性。

1 系統(tǒng)總體架構(gòu)

業(yè)務(wù)服務(wù)機器人系統(tǒng)的架構(gòu)有三層：海端機器人組、云服務(wù)端和遠程控制端。如圖1所示，系統(tǒng)架構(gòu)采用分層設(shè)計，使得具有一定的靈活性，便于移植和控制。

海端機器人[2]組由多組智能機器人組成，主要負責引導用戶，并提供服務(wù)，其工作流程如下：首先，機器人獲取到用戶需要辦理的業(yè)務(wù)指令后，上傳攝像頭對周圍環(huán)境感知的數(shù)據(jù)到云端;接著，結(jié)合線上云服務(wù)端算法，驅(qū)動電機工作，實現(xiàn)自動導航;最后，完成引導用戶的任務(wù)。

云服務(wù)端為上層用戶端，主要用于搭建數(shù)據(jù)庫服務(wù)端、TensorFlow 學習框架和ROS系統(tǒng)?；贚inux操作環(huán)境開發(fā)，便于開發(fā)和移植。云端通過網(wǎng)絡(luò)接收機器人的請求服務(wù)和機器人感知的數(shù)據(jù)，結(jié)合TensorFlow學習框架，通過發(fā)布ROS節(jié)點消息[3]實現(xiàn)對機器人控制;通過云服務(wù)端，遠程控制端可以間接訪問機器人組。

遠程控制端，即可以提供遠程服務(wù)。遠程服務(wù)端可以細分為兩部分：管理員控制端和用戶服務(wù)端。工作人員可以通過此系統(tǒng)的上位機登錄管理員控制終端，實現(xiàn)對系統(tǒng)的監(jiān)控和控制;用戶通過Web端可以實現(xiàn)對系統(tǒng)發(fā)送請求服務(wù)和查看相關(guān)業(yè)務(wù)的辦理進程。

2 機器人硬件設(shè)計

該機器人硬件設(shè)計總體框圖如圖2所示，機器人硬件設(shè)計遵循簡易化模塊搭建原則，即去除多余的傳感器和驅(qū)動設(shè)備，以最簡的硬件搭建最完成的硬件系統(tǒng)。該機器人的核心板選用Jetson Nano板;攝像頭選用的是網(wǎng)絡(luò)USB攝像頭;HDMI顯示器選用分辨率為1 024×600，尺寸為7寸的電容屏;電機驅(qū)動模塊選用TB6612雙路PWM驅(qū)動模塊;光電傳感器模塊選用E18-D80NK光電傳感器。

2.1 核心控制板

核心控制板選用的是Jetson Nano人工智能GPU開發(fā)板。Jetson Nano有很高的計算性能，提供了470多個GFLOP，可用于快速運行AI算法，并行運行多個神經(jīng)網(wǎng)絡(luò)，同時處理多個高分辨率顯示器。Jetson Nano的功耗低，它的功耗僅為5～10 W;提供豐富的接口，搭配4個USB 3.0接口、40PIN GPIO擴展口、多個HDMI接口、MIPI CSI攝像頭接口和千兆以太端口等。同時，此核心板搭配有功能擴展板，功能擴展板實現(xiàn)了對核心板功能的擴展，擴展板擴展了多個SPI接口，I2C接口和PWM接口等外部接口。

2.2 電機驅(qū)動模塊

電機驅(qū)動模塊選用L298N，其通過控制高低電平進而控制電機的轉(zhuǎn)動，高速時可輸出相對較高的力矩。L298N的定位精度較高，可以讓電機達到精確的控制。通過控制PWM信號調(diào)整電機的運動速度變化，且此模塊具有驅(qū)動能力強發(fā)熱低，抗干擾能力強的特點。

2.3 光電傳感器模塊

光電傳感器模塊選用E18-D80NK傳感器模塊，該傳感器具有成本低和性能穩(wěn)定的特點。該模塊由發(fā)射器和接收器組成，發(fā)射器對檢測的物體不間斷地發(fā)射紅外光束，接收器把檢測反射回來的光束轉(zhuǎn)換為電流后傳輸給主控驅(qū)動電路。發(fā)射器和接收器的檢測距離具有可調(diào)節(jié)性，調(diào)節(jié)范圍為50～2 000 cm，探測的距離遠且不易被外界干擾。

3 機器人結(jié)構(gòu)設(shè)計

服務(wù)機器人結(jié)構(gòu)設(shè)計如圖3所示，從下到上為移動層、升降層和交互層。移動層的底盤采用三個全向輪以中心對稱結(jié)構(gòu)的分布，邊側(cè)的三個高清攝像頭和底側(cè)的多個紅外傳感器相結(jié)合檢測收集周邊的路況和障礙;升降層通過步進電機轉(zhuǎn)動絲桿，從而上下移動圓盤來控制機器人的整體高度，以適應(yīng)不同高度的使用者;交互層由顯示器構(gòu)成，頂部的顯示屏可以與用戶進行交互，顯示屏顯示需辦理業(yè)務(wù)的排隊人數(shù)和目的最優(yōu)路線圖。

4 系統(tǒng)軟件設(shè)計

4.1 云服務(wù)端架構(gòu)設(shè)計

云服務(wù)端架構(gòu)包括ROS操作系統(tǒng)、TensorFlow和MySQL數(shù)據(jù)庫三部分，如圖4所示。云服務(wù)端主要用于機器人路線規(guī)劃算法的計算任務(wù)和數(shù)據(jù)分析存儲，云服務(wù)端提供了API接口供管理員和用戶通過Web端訪問，利用搭建的通信協(xié)議層與海端的機器人進行通信。

4.1.1 ROS系統(tǒng)

ROS（Robot Operating System）[4]是由Willow Garage公司在2010年發(fā)布一個開源的機器人操作系統(tǒng)，旨在提高機器人開發(fā)過程中的軟件利用率。ROS是一種分布式處理框架，主要特點包括：具有點對點的設(shè)計特點，支持多機協(xié)作;支持語言混合開發(fā)，支持Python、C++等編程語言;架構(gòu)精簡，集成度高，每一個的功能節(jié)點可以單獨編譯，接口統(tǒng)一，提高了軟件復(fù)用率。云服務(wù)端上裝載有ROS_bridge[5]，ROS_bridg是ROS開源環(huán)境下的一個擴展模塊，由Christopher Crick，Graylin Jay，Sarah Osentosiki，Benjamin Pitzer和Odest Chadwicke Jenkins 提出ROS_bridg是一種中間插件，通過ROS_bridg可以使得云端ROS系統(tǒng)和海端的機器人群進行交互控制，使得機器人控制更加高效性。

4.1.2 TensorFlow學習框架

TensorFlow是谷歌研發(fā)的第二代人工智能學習系統(tǒng)，完全開源。在云服務(wù)端搭建TensorFlow學習框架，通過將訓練完成的coco訓練集部署在云服務(wù)端可以實現(xiàn)機器人群對周圍環(huán)境物體的識別;通過部署深度Qt可以實現(xiàn)機器人群自動規(guī)劃路線以及導航的工作。在云端搭建TensorFlow學習框架結(jié)合通信層協(xié)議，可以實現(xiàn)在多機協(xié)作工作，在云端服務(wù)器完成強化學習后，機器人只需要通過請求服務(wù)即可獲取云端訓練好的數(shù)據(jù)集。這樣大大提高了工作效率，不需要單獨對每個機器人強化學習訓練。

4.2 控制端操作界面設(shè)計

針對本系統(tǒng)設(shè)計了一套基于Qt的系統(tǒng)操作界面，如圖5

所示。Qt[6]是一個跨平臺基于C++的的圖形界面設(shè)計的開發(fā)框架。圖形用戶界面（Graphical User Interface，GUI），又稱為圖形用戶接口，是采用圖形方式顯示的計算機操作用戶界面[7]。此界面主要由業(yè)務(wù)信息、人流情況、業(yè)務(wù)路線、導航地點輸入以及地圖這5個主要選項組成。業(yè)務(wù)信息功能是提供當前業(yè)務(wù)的具體信息，點擊進去即可獲取詳細的信息，例如辦理業(yè)務(wù)的具體步驟和需要辦理的子業(yè)務(wù)等等;人流情況功能是提供客戶當前該業(yè)務(wù)的人流量的信息，方便用戶根據(jù)人流量計劃辦理的業(yè)務(wù)的時間;通過業(yè)務(wù)路線功能，用戶可以在顯示屏上查看辦理的路線以及導航路線圖;界面提供了業(yè)務(wù)的擁擠度功能，用戶可以直觀看到辦理業(yè)務(wù)的人流擁擠程度。

5 系統(tǒng)試驗與分析

為了測試系統(tǒng)的性能，在物理仿真環(huán)境Gazebo下進行了流程測試和路徑規(guī)劃。如圖6所示，地圖設(shè)置入口和出口，測試機器人從入口運動到出口的情況。首先在云端運行ROS系統(tǒng)后，發(fā)布已經(jīng)訓練打包好的路線規(guī)劃算法的消息，仿真機器人通過通信接口訂閱云端發(fā)布的消息后，執(zhí)行路線規(guī)劃算法，仿真效果如圖6所示，仿真機器人有效地避過障礙物，順利到達出口。

路線規(guī)劃算法是基于Q-Learing算法，Q即是Q（s，a），就是某一時刻state狀態(tài)下，采取動作ation后收獲到的效益期望reward。Q學習算法是一種基于數(shù)值迭代的動作規(guī)劃方法[8]，通過評估仿真機器人某一狀態(tài)下運動好壞，自動規(guī)劃最優(yōu)運動的動作。利用Q-Learing算法可以使機器人具備自學習能力[9]，機器人可以通過與環(huán)境交互，在錯誤中進行學習，自主學習最優(yōu)路線的走法。

6 結(jié) 語

本文將云計算與ROS系統(tǒng)結(jié)合，設(shè)計基于云控制的業(yè)務(wù)機器人系統(tǒng)。通過深度強化學習，機器人組能夠在未知的的環(huán)境中自動導航，完成終端分配的任務(wù)，并通過構(gòu)建云平臺，實現(xiàn)機器人資源的調(diào)度和分配。仿真結(jié)果表明，所設(shè)計的機器人系統(tǒng)對未知環(huán)境較好地適應(yīng)能力，可控制性高，可移植性強。

參 考 文 獻

[1]李波，薛端，黃鑫.云機器人系統(tǒng)研究綜述[J].計算機工程與應(yīng)用，2017，53（17）：26-40.

[2]陳賢，武延軍.基于的云機器人服務(wù)框架[J].計算機系統(tǒng)應(yīng)用，2016，25（10）：73-80.

[3]熊安，卞春江，周海，等.基于的機器人定位與導航系統(tǒng)的仿真設(shè)計[J].電子設(shè)計工程，2018，26（24）：188-193.

[4]安峰.基于開源操作系統(tǒng)的機器人軟件開發(fā)[J].單片機與嵌入式系統(tǒng)應(yīng)用，2017，17（5）：27-29.

[5] JEONG S K DONG U Y HONG S P. A robot software bridge for interconnecting OPRoS with ROS [C]// 2012 9th International Conference on Ubiquitous Robots and Ambient Intelligence（URAI），2012：615-712.

[6]鄭松濤.基于Qt的助教辦公自動化系統(tǒng)客戶端的分析與設(shè)計[D].北京：北京郵電大學，2019.

[7]喻曉，夏澎.基于的便攜式心電監(jiān)護儀應(yīng)用軟件設(shè)計[J].計算機系統(tǒng)應(yīng)用，2017，26（5）：221-226.

[8]方敏，李浩.基于狀態(tài)回溯代價分析的啟發(fā)式學習[J].模式識別與人工智能，2013，26（9）：838-844.

[9]江其洲，曾碧.基于深度強化學習的移動機器人導航策略研究[J].計算機測量與控制，2019，27（8）：217-221.

[10]王博瑋，陸中成.基于云的餐廳服務(wù)機器人系統(tǒng)設(shè)計[J].自動化表，2019，40（8）：65-69.