基于多机器人协作的关键问题：有限带宽和地图拼接

协作探索是指由多个机器人共同探索未知环境，机器人通过信息交换彼此共享对方 的环境信息，并通过任务分配机制协调不同机器人之间的行为，从而提高探索任务完成的 效率。多机器人协作探索的目的取决于其实际的应用，在大部分情况下地图创建和信息 融合只是协作探索的中间环节，通过多任务分配机制提高探索的效率才是其Z终目的。 原因非常简单，如果探索的目的只是创建准确的环境地图而忽略了地图创建的效率，由单 个机器人完成地图创建功能比由多个机器人协作地图创建要简单得多。

利用多个移动机器人协作探索未知环境与单机器人探索相比具有明显的优势。多机 器人系统需要更短的时间去完成同样的任务。多机器人间的信息冗余有助于克服传感器 信息的不确定性，实现机器人更加准确的定位和创建更加准确的地图。多机器人系统的 容错性使单个机器人的功能丧失不会影响整个任务的完成。

国内外学者重点从两个方面对多机器人协作探索进行了研究，即目标点发现和多任 务分配。目标点的选取与地图的表示形式息息相关，本章从地图的角度出发，研究地图对 协作探索效率的影响。多任务分配即如何选择合适的探索策略，是协作探索的核心所 在。

张飞等人针对提高机器人对未知环境的探索效率需要通过协商来解决多个机器 人之间的任务分配问题，提出了改进市场法。该方法利用机器人提交的标的信息，采用数 据融合方法更新其他机器人的本地地图，在连通条件下计算原先无法计算的花费，而且未 增加额外的通信量。另外，还提出用目标点切换率这一新指标来衡量机器人之间的协作 程度。仿真实验结果验证了改进算法的有效性。

在多机器人协作探索中，有限带宽和地图拼接是亟待解决的两个关键问题。

1.有限带宽

有限带宽限制了机器人之间的信息交互，当传递的信息量较大时容易引起网络堵塞， 降低通信的效率。当机器人之间利用点对点方式通信时，单个机器人只能与有效工作半 径内的机器人取得联系。有限带宽问题与多机器人系统结构密切相关。从控制的角度来 看，多机器人系统可分为集中式(Centralized) 、 分 散 式(Decentralized) 和 分 布 式 (Distributed) 三种。集中式控制结构[162通常由一台主控机器人掌握全部环境信息及各 受控机器人的信息，它是一种自上而下的层次控制结构。集中式控制结构的优点在于系 统的协调性较好，实现起来较为直观，但实时性、灵活性、容错性、适应性等方面较差。另 外，主控机器人和其他机器人之间还存在通信瓶颈问题，由于主控机器人承担着主要的通 信任务，通信堵塞和通信延迟在很大程度上影响机器人协作探索的实际效果。并且主控 机器人失效将会导致整个机器人系统的崩溃。在分散式控制结构[163][164]中，机器人具有 高度自治能力，自行处理信息、规划与决策、执行自己的任务，与其他机器人相互通信以协 调各自行为而没有任何集中控制单元。这种结构具有较好的容错能力和可扩展性，但对 通信要求较高，且多边协商效率较低，无法保证全局目标的实现。分布式控制方式165][166介于上述两者之间，是一种全局上各机器人等同的自主分布式分层结构而局部 集中的结构方式。这种结构方式是分散式的水平交互和集中式的垂直控制相结合的产 物，既提高了协调效率，又不影响系统的实时性、动态性、容错性和可扩展性。

通信是机器人之间进行交互和组织的基础。通过通信，多机器人系统中各机器人了 解其他机器人的意图、动机、目标、动作、策略以及当前环境状态等信息，进而进行有效地 协商、协作以完成任务。机器人之间通信大致可以分成隐式通信和显式通信两种。使用 隐式通信的多机器人系统通过外界环境和自身传感器来获取所需的信息并实现相互之间 的协作，机器人之间没有通过某种共有的规则和方式进行数据和信息交换来实现特定含 义的信息传递[167][1683。隐式通信的优点在于不存在通信瓶颈问题，但由于各机器人相互 之间没有数据、信息的显式交换，因此难以实现一些高J的协作策略。基于显式通信的群 机器人系统利用特定的通信媒介，通过共有的规则和方式实现特定信息的传递，因此可以 快速、有效地完成数据、信息的转移和交换，实现许多在隐式通信下无法完成的高J协作 策略[1⁶9。多机器人系统的显式通信虽然可以强化机器人之间的协作关系，但也存在问 题：机器人的通信过程延长了系统对外界环境变化的反应时间；通信带宽的限制使机器人 之间信息传递和交换出现瓶颈；随着系统中机器人数量的增加，通信所需时间大量增加， 信息传递的瓶颈问题将会更加严重。

2.地图拼接

多机器人协作探索中的地图拼接问题是单机器人地图创建中数据关联的扩展。对于 单机器人而言，大部分文献假定机器人的初始位姿已知，换句话说，在未知环境中可以把 机器人的初始位姿作为世界坐标系的原点。机器人重新回到地图中的某一地点，综合考 虑机器人的当前坐标以及当前检测到的环境特征，可以实现传感器数据与相应地图数据 的关联。

在多机器人系统中地图拼接却异常困难，原因在于：不同机器人之间的地图融合需要 知道其中一个机器人在另外一个机器人局部地图中的相对位姿。Howard和Colleagues 利 用机器人间的相互检测实现相互定位[170]。这种方法的优点是有益于系统的扩展，缺点 是地图拼接后的精度在很大程度上取决于相对定位的精度，并且在大规模环境下，有可能 机器人之间经历了很长的探索过程也无法相遇，这就很难保证某一机器人当前所在的区 域是否已经被其他机器人访问过了。如果机器人无法检测其他机器人的相对位姿，那么 在多机器人探索未知环境时需要从同一地点出发以获得统一的世界坐标系。

Fox 和 Ko等人也使用相对位姿检测的方法融合共享地图，机器人可以从任意地点出 发，各自创建自己的局部地图[171]。当检测到其他机器人的信息时，相互交互传感器数据 以获得较好的假设，然后采用集结点方法验证这一假设。当假设成立时，机器人可以拼接 它们的地图并由此产生协作策略。该方法的优点是不要求机器人从同一地点出发，改善 了协作探索的效率；缺点是需要匹配机器人传感器数据与其他机器人的局部地图数据，当 环境规模很大时，数据关联的效率在很大程度上取决于地图的表示形式。对于多机器人 而言，一种好的地图表示方法不仅要易于创建和维护，而且要方便多个机器人共同完成。 度量地图虽然能够提供环境准确的表示，但创建大规模地图需要处理大量的数据，难以保 证实时性。尽管近几年关于度量地图的研究进展使大规模环境的简约表示成为可能，但拓扑地图在大规模地图创建中无疑具有d到的优势。很多学者因此采用混合地图的方式 实现不同地图的优势互补。混合地图的生成一般有两种方式，一种方式是用度量信息注 释拓扑地图，另一种方式是从度量地图中提取拓扑地图。前者拓扑地图的节点包含了节 点插入区域的度量信息，该地图的缺点是计算量较大，通常以离线的方式使用。后者一般 采用分割的方法把度量地图分为不同的区域，并且使用的地图通常为栅格地图。