【文章內(nèi)容簡介】 距離誤差也增大，但在幾米之內(nèi)所測量得到的數(shù)據(jù)誤差還是符合要求，所以此方法可以用在多機器人系統(tǒng)中。 本章小結(jié)本章主要介紹了提取了物表物體后，尋找一個標定點，并計算出物體相對于攝像機的相對坐標。為下一步多機器人的編隊算法做準備。本文所示用的測距方法是：單目視覺測距。該方法來源于針孔模型測距原理，利用攝像機成像平面上的特征點的像平面坐標，測距的目的就是將圖像中目標特征點p的像平面坐標轉(zhuǎn)換為其在機器人坐標系下的坐標，也就是相對于攝像機的坐標。第4章 控制策略PID控制是工業(yè)生產(chǎn)過程中，對于生產(chǎn)裝置的溫度、壓力、流量、液位等工藝變量常常要求維持在一定的數(shù)值上，或按一定的規(guī)律變化，以滿足生產(chǎn)工藝的要求。PID控制器是根據(jù)PID控制原理對整個控制系統(tǒng)進行偏差調(diào)節(jié)，從而使被控變量的實際值與工藝要求的預定值一致。不同的控制規(guī)律適用于不同的生產(chǎn)過程，必須合理選擇相應(yīng)的控制規(guī)律，否則PID控制器將達不到預期的控制效果。 速度控制回路圖41 控制器流程圖 比例積分（PI）控制比例控制規(guī)律是基本控制規(guī)律中最基本的、應(yīng)用最普遍的一種，其最大優(yōu)點就是控制及時、迅速。只要有偏差產(chǎn)生，控制器立即產(chǎn)生控制作用。但是，不能最終消除余差的缺點限制了它的單獨使用。克服余差的辦法是在比例控制的基礎(chǔ)上加上積分控制作用。積分控制器的輸出與輸入偏差對時間的積分成正比。這里的“積分”指的是“積累”的意思。積分控制器的輸出不僅與輸入偏差的大小有關(guān)，而且還與偏差存在的時間有關(guān)。只要偏差存在，輸出就會不斷累積（輸出值越來越大或越來越?。?，一直到偏差為零，累積才會停止。所以，積分控制可以消除余差。積分控制規(guī)律又稱無差控制規(guī)律。積分時間的大小表征了積分控制作用的強弱。積分時間越小，控制作用越強；反之，控制作用越弱。積分控制雖然能消除余差，但它存在著控制不及時的缺點。因為積分輸出的累積是漸進的，其產(chǎn)生的控制作用總是落后于偏差的變化，不能及時有效地克服干擾的影響，難以使控制系統(tǒng)穩(wěn)定下來。所以，實用中一般不單獨使用積分控制，而是和比例控制作用結(jié)合起來，構(gòu)成比例積分控制。這樣取二者之長，互相彌補，既有比例控制作用的迅速及時，又有積分控制作用消除余差的能力。因此，比例積分控制可以實現(xiàn)較為理想的過程控制。比例積分控制器目前應(yīng)用最為廣泛的一種控制器，多用于工業(yè)生產(chǎn)中液位、壓力、流量等控制系統(tǒng)。由于引入積分作用能消除余差，彌補了純比例控制的缺陷，獲得較好的控制質(zhì)量。但是積分作用的引入，會使系統(tǒng)穩(wěn)定性變差。對于有較大慣性滯后的控制系統(tǒng)，要盡量避免使用。 程序設(shè)計思路通過模擬跟隨機器人和領(lǐng)航機器人的線路，來實現(xiàn)對于跟隨策略的設(shè)計。運用Matlab的繪圖命令實現(xiàn)動畫效果，使結(jié)果更加形象。模擬線路部分首先分為（1）直線，（2）圓。對這兩個簡單的線路進行模擬設(shè)計?？偨Y(jié)出適合跟隨機器人的跟隨方法。程序流程圖：圖42 程序流程圖 程序初始化初始化程序大致需要時間、速度和位置信息等。還有就是要清空內(nèi)存。clear。clf。clc。maxT=100。 模擬時間UL=。 領(lǐng)航機器人最大速度Um=。 跟隨機器人最大速度XL=UL.*t。 YL=0.*XL。 初始化領(lǐng)航機器人位置信息YF=0.*t。 XF=0.*tz 初始化跟隨機器人位置信息Rm=。 初始化最大角速度kp=。 初始化各項PI控制參數(shù)ki=。krp=。kri=。 速度和角度控制策略程序中應(yīng)用循環(huán)實現(xiàn)速度距離的偵測和處理。又利用判斷進行各種運動條件的控制和機器人動作的仿真模擬。for n=2:maxTdt(n)=sqrt((XF(n1)XL(n))^2+(YF(n1)YL(n))^2)。 機器人間et(n)=dt(n)dp。 保持距離ect(n)=(et(n)et(n1))。 分離速度U(n)=kp*ect(n)+ki*et(n)。 跟隨機器人輸出速度if (U(n)Um) 紡織機器人過速U(n)=Um。 end。Angletan(n)=atan2((YL(n)YF(n1)),(XL(n)XF(n1)))。 跟隨機器人期望達到的朝向Rotat(n)=Angletan(n)R(n1)。 跟隨機器人當前角度和期望朝向間的夾角if (abs(Rotat(n))pi) 轉(zhuǎn)化為（pi，pi）Rotat(n)=(2*piabs(Rotat(n)))*(abs(Rotat(n))/Rotat(n))。endRotatc(n)=kri*(Rotat(n)Rotat(n1))+krp*Rotat(n1)。 角速度if (abs(Rotatc(n))=Rm) 限制角速度Rotatc(n)=(Rotatc(n)/abs(Rotatc(n)))*Rm。endR(n)=R(n1)+Rotatc(n)。 跟隨機器人朝向XF(n)=XF(n1)+U(n)*cos(R(n1)+Rotatc(n)/2)。 移動YF(n)=YF(n1)+U(n)*sin(R(n1)+Rotatc(n)/2)。end 數(shù)據(jù)圖形和動畫模擬實現(xiàn)運用Matlab軟件中的繪圖命令實現(xiàn)圖形的繪制。在循環(huán)中加入停頓可以實現(xiàn)動畫效果，是實現(xiàn)的模擬更加直觀，便于調(diào)節(jié)和觀察。pause()。shg。 跟隨軌跡繪制subplot(2,2,1),plot(XL(n),YL(n),39。dr39。)。hold on。agtanX(n)=Pl*cos(R(n))+XF(n)。 朝向標記繪制agtanY(n)=Pl*sin(R(n))+YF(n)。subplot(2,2,1),plot(XF(n),YF(n),39。ob39。,39。Markersize39。,12)。axis([10,30,20,20])。hold on。subplot(2,2,1),plot([XF(n),agtanX(n)],[YF(n),agtanY(n)],39。g39。) 程序調(diào)試控制部分是調(diào)試過程中最重要的一環(huán)，很多結(jié)果上存在的誤差和錯誤都是在這里發(fā)生的。因為要總結(jié)出適合各個線路的控制方法，所以模型上不僅需要直線和圓，還需要跟多實際情況中經(jīng)常出現(xiàn)的線路。PI控制器的參數(shù)調(diào)節(jié)也是非常機械的實驗。在多次的實驗和調(diào)整中，控制參數(shù)的選取對于結(jié)果實現(xiàn)起到了相當大的影響。最后得到的參數(shù)結(jié)果主要是通過經(jīng)驗得到。 實驗結(jié)果 直線模擬結(jié)果圖43 直線模擬結(jié)果圖其中：路線圖中藍色表示跟隨機器人的路線，紅色表示領(lǐng)航機器人的路線，綠色線條表示跟隨機器人的朝向。在直線的模擬中，我們看到，當跟隨機器人的輸出速度曲線有剛看時有一個明顯的增長，當達到限制速度時停止。之后下降，并產(chǎn)生波動逐漸達到平穩(wěn)。兩機器人間距的曲線也是如此。最后會達到預期的標準并一直保持下去。而角速度的曲線震蕩比較大。不過由于有限制作用，所以不會超出范圍給機器人帶來危害。在模擬中產(chǎn)生的震蕩可以由調(diào)節(jié)PI控制器參數(shù)來適當減小。最終達到合適的平穩(wěn)的效果。圖44 直線模擬結(jié)果圖經(jīng)過試驗調(diào)節(jié)，機器人運動曲線得到改善，速度曲線更加平穩(wěn)。由試驗得知當PI控制器的參數(shù)Kp、。圖45 直線模擬結(jié)果圖此為Kp=。Ki=1。Krp=。Kri=1時的模擬結(jié)果，可以看出I調(diào)節(jié)對于震蕩的環(huán)節(jié)的調(diào)節(jié)效果。當跟隨機器人的起始朝向不同也會有不同的結(jié)果。+90176。的初始朝向。176。圖46 直線模擬結(jié)果圖圖47 直線模擬結(jié)果圖上圖是朝向為180176。的模擬結(jié)果。可以看出當兩機器人向反方向運動會給機器人的跟蹤帶來的影響?？梢詫Ρ认聢D為0176。的結(jié)果。圖48 直線模擬結(jié)果圖 圓型模擬結(jié)果圖49 圓形路線模擬結(jié)果圖在圓形軌跡的模擬中我們看到的加速度最終不是趨于0，而是趨于一個穩(wěn)定的數(shù)值，這相對于圓形跟蹤路徑是符合要求的。兩機器人間的距離最后也會趨于設(shè)定的保持距離。圖410 圓形路線模擬結(jié)果圖圖410 圓形路線模擬結(jié)果圖所以對于參數(shù)的選擇十分關(guān)鍵。最后確定的參數(shù)為Kp=。Ki=。Krp=。Kri=。此時的運動軌跡最為平穩(wěn)。圖410 圓形路線模擬結(jié)果圖 程序改進經(jīng)過多次的實驗和調(diào)試，程序的完整性和正確性都得到了提升。尤其是在控制過程中有了較大幅度的改進。最終實現(xiàn)了對于多條線路的跟蹤策略的統(tǒng)一。就是現(xiàn)在的控制過程。由于有圖形和動畫，為了提高人機互動的程度，使用戶可以更加方便得運用程序調(diào)節(jié)出適合的跟隨策略，應(yīng)該將程序模塊化，這樣便于更改和轉(zhuǎn)移，并設(shè)計出交互界面方便使用。第5章 結(jié)論多機器人的發(fā)展越來越被人們所重視，要解決多機器人問題，最基本的工作就是要識別其他機器人（如在機器人隊列問題中，分為：領(lǐng)導機器人和跟隨機器人），所以最基本的就是做圖像處理，本文用的主要是基于色彩空間的目標物提取。RGB雖然是人類最常用的顏色空間，但是受光照影響太大，無法準確提取目標機器人。本文所選的顏色空間是基于HSV的顏色空間，這種顏色空間更適合人類的視覺，而且可以有效地去除光照影響，達到預期的要求。HSV空間選取閾值后，存在一定的噪音，還需要進行下一步處理。通過比較發(fā)現(xiàn)，噪音多出現(xiàn)在黑色的背景中，由于RGB中的B分量對黑色比較敏感，所以在閾值篩選中加入藍色分量，所得到的結(jié)果比較理想。雖然得到的圖像還有一定的誤差，但是經(jīng)過一系列的去噪處理后，就可以有效地識別目標機器人。繼續(xù)設(shè)定其他顏色機器人的空間閾值，就能達到識別多種顏色機器人的效果。獲取了目標機器人圖像后，需要對目標機器人進行坐標測定，即獲取目標機器人和攝像機的相對位置，為下一步多個機器人形成隊列或完成復雜任務(wù)做準備。本文所用的方法是單目視覺測距：利用攝像機成像平面上的特征點的像平面坐標，測距的目的就是將圖像中目標特征點p的像平面坐標轉(zhuǎn)換為其在機器人坐標系下的坐標，也就是相對于攝像機的坐標。2．介紹了國內(nèi)外多機器人發(fā)展的現(xiàn)狀，并對未來多機器人的發(fā)展做出了展望。3．闡述了機器人相互識別的重點內(nèi)容：基于顏色識別的機器視覺。分析了目前常用的兩種顏色空間：RGB、HSV顏色空間。4．對比了各個顏色空間的特點，選取了本文所使用的方法。并進行了一系列的處理。5．分析了對目標機器人進行圖像拾取后，進行準確定位的方法，并可以利用算法去除掉一些小的相似顏色物體的影響。6．闡述了對機器人進行相對坐標計算的方法，重點研究了單目視覺測距的方法。并進行誤差計算和分析。 進一步工作建議本文需要進一步研究的工作：1．對不同顏色機器人進行識別時，需要篩選各種顏色空間和閾值，RGB容易受光照影響，對不同顏色進行篩選后效果不好，改用HSV顏色空間進行識別，可以有效地減少光照對目標識別造成的影響，本文是在室內(nèi)的條件下進行的實驗，所以在進行閾值選取時比較容易實現(xiàn)，但是在室外時，受到陽光直射時，閾值就不夠準確，會出現(xiàn)誤差，不能有效地檢測出目標機器人。2．本文在進行黑色機器人的識別實驗時，實驗室的黑色背景比較多，容易受到這些因素的影響，無法進行準確識別。3．在進行但目視測距時，要求機器人的攝像頭角度有一定的傾角，并要求測出攝像頭所能拍到的最遠和最近距離。而且測量距離越遠，誤差越大。參考文獻[1]:機械工業(yè)出版社,2007.[2]張志涌，::北京航空航天大學出版社,2010.[3]:高等教育出版社,2002[4]:科技出版社,2001[5],2008,8(108):7374[6]黃友銳，:科技出版社,2010[7]劉豹，:機械工業(yè)出版社,2006[8]楊麗、,201011(36)[9]虞旦，,201033(31)[10]:(學士學位論文).天津:中國民航大學[11]Mottaghi R, Vaughan R. An integrated particle filter and potential field method for cooperative robot target tracking. In:Proceedings of IEEE International Conference on Robotics and Automation. Florida, USA: IEEE, [12]Derenick J C, Sletzer J R, Hsieh M A. A graph theoretic approach to optimal target tracking for mobile robot teams. In: Proceedings of IEEE/RSJ International Conference on Intelligent Robot[13]Das A K, Fierro R, Kumar V, Ostrowski J P, Spletzer J, Taylor C J. A visionbased formation control framework. IEEE Transactons on Robotics and Automation, 2002, 18(5):813815[14]Fredslund J, Mataric M J. A general algorithm for robot formations using local sensing and minimal munication. IEEE Transactions on Robotics and Automation, 2002, 18(5):837846附錄A：程序清單clear。clf。clc。maxT=100。 %模擬時間t=0:maxT。 %虛擬時間 單位：秒UL=。 %領(lǐng)航機器人速度 單位：m/sUm=。 %跟隨機器人 最大輸出速度 單位：m/sXL=UL.*t。 %初始化 xl YL=0.*XL。 %初始化 ylYF=0.*t。 XF=0.*t。 %初始化 xf and yfXF(1)=4。 YF(1)=2。 %設(shè)定 xf and yf Xo (x,y)dp=。 %設(shè)定