东南大学基于嵌入式技术的多轮式移动机器人编队控制算法研究及在协同搬运中的应用

目前，单个Wheeled Mobile Robot (WMR)在工程运输领域的应用已相当普遍，但多个WMRs的协同运输技术仍处于研究和探索阶段。很多传统的协同控制算法直接基于协同跟踪误差进行设计，基于该思想的设计方法在复杂性和灵活性方面还有改进的空间。

随着嵌入式控制技术的出现，为上述方面的改进提供了可能。东南大学王翔宇教授团队提出一种利用多个WMRs的协同运输编队控制算法，并应用于解决多个WMRs的协同运输问题。目前该论文已在国际控制领域知名期刊《Control Engineering Practice》上发表。

一、研究方案：

研究团队提出了一种基于嵌入式技术的多WMRs协同运输编队控制算法。该算法分为两部分，一部分是分布式信号发生器的设计，用来为所有WMRs生成期望轨迹；另一部分是跟踪控制器的设计，使WMRs能够跟踪它们的期望轨迹。

算法优势：

1、简洁模块化设计。基于嵌入式技术，所提算法将WMRs的动态和通信拓扑“分离”。这使得所提出的算法设计可以模块化为两个相对“解耦”的部分，即分布式信号发生器的设计和跟踪控制器的设计。这种模块化方法有效地降低了所提算法设计的复杂度。

2、强兼容性。该算法可应用于多种类型WMRs的协同运输任务，如非完整WMRs和具有全向能力的WMRs。还克服了WMRs的封装特性，比如无法直接修改WMRs控制器的工况。

3、有限时间快速编队。该算法包括分布式信号发生器和跟踪控制器。分布式信号发生器在有限时间内收敛，并且WMRs在跟踪控制器作用下能在有限时间内跟踪其参考轨迹。因此，所有WMRs能在有限时间内形成预期的队形。

二、实验验证：

实验在3.8米×4.5米的场地内进行，研究团队进行了编队实验和协同运输实验。实验装置由青瞳视觉动作捕捉系统、三个WMRs、一个运输平台组成。每个WMRs由提升装置、STM32 F407、NVIDIA Jetson Xavier NX和多个标记物等组成。WMRs组成边长为0.8米的等边三角形形状，并跟踪领导者。运输平台根据WMRs的期望队形设定，为边长为1米的等边三角形。其中，WMRs形成的等边三角形的中心与运输平台的中心重合，且其边与运输平台的边平行。运输对象期望轨迹的起点与运输开始时WMRs编队质心重合。

基于动捕系统亚毫米级定位及高精度捕捉的优势，实时定位采集WMRs的位置、偏航角、行驶轨迹等运动信息，为算法验证提供精确的数据参考，保障了实验的真实有效性。

2.1编队实验

三个WMRs形成等边三角形。图4表明，WMR的初始位置几乎在一条直线上，并且在5秒内形成了等边三角形形状，该形状从5秒被维持到20秒。WMRs的距离跟踪误差的响应曲线如图5所示。图6展示了控制输入vi和ωi（i=1, 2, 3）的曲线，从中可以看出控制输入vi和ωi都在合理范围内。

2.2协同运输实验 

本实验中的其他设置与编队实验相同。在运输起点，当WMRs形成所需的编队形状时，安装好运输平台并将物体放置在运输平台的中心。随后，WMRs维持期望的编队形状跟踪领导者，将物体运输到目的地。最后，WMRs在目的地以预期的编队形状停止运动。

实验结果如图7-9所示。图7展示了从0到20秒内，WMRs的参考轨迹以及领导者和WMRs的轨迹，WMRs和领导者的位置标记与图4相同。图8和图9分别展示了WMRs的距离跟踪误差的响应曲线和控制输入vi和ωi（i=1, 2, 3）的曲线。

三、实验成果讨论：

两个实验的比较结果如表2所示，协同运输实验中WMRs的距离跟踪误差的边界都小于编队实验中的边界。造成这种差异的主要原因有两个。首先物体和运输平台的重力间接增加了地面与地面之间的摩擦力，从而在转弯过程中提供了更大的向心力。其次，当WMRs过度偏离期望位置时，它会接触到运输平台上的圆环。这个圆环提供了一个接触力，防止这个WMRs进一步偏离期望的位置。尽管WMRs在转弯时需要为运输平台和物体提供向心力，物体和运输平台的重力在更大程度上增强了WMRs与地面之间的摩擦力，这种增强效果超过了向心力的需求。

两个实验的比较表明，WMRs形成的稳定性不受运输平台和运输物体的影响。

结论：

本文研究了基于编队控制的多WMRs协同运输问题。在实验平台采用嵌入式技术的编队控制算法完成了协同运输任务。该算法可以以通用形式开发，允许根据被运输物体的重量和尺寸调整轮式移动机器人的数量和编队配置。该算法具有简洁的模块化设计和较强的兼容性，适用于物流、智能工厂等各行业等场景。

参考文献：

Ahmadabadi, M. N., & Nakano, E. (2001). A constrain and move approach to distributed object manipulation. lEEE Transactions on Robotics and Automation, 17(2), 157-172.

Alonso-Mora, J., Baker, S., & Rus, D. (2017). Multi-robot formation control and object transport in dynamic environments via constrained optimization. International Journal of Robotics Research,36(9),1000-1021.

Chen, Y., Chen, K., & Astolfi, A. (2022). Adaptive formation tracking control for first.order agents with a time-varying flow parameter. IEEE Transactions on Automatic Control, 67(5)，2481-2488.

Desai, J. P., Ostrowski, J. P., & Kumar, V. (2001). Modeling and control of formations of nonholonomic mobile robots. lEEE Transactions on Robotics and Automation, 17(6)905-908.

Ebel, H., Luo, W., Yu, F., Tang, Q., & Eberhard, P. (2021). Design and experimental validation of a distributed cooperative transportation scheme. IEEE Transactions on Automation Science and Engineering, 18(3), 1157-1169.

Koung, D., Kermorgant, O., Fantoni, I., & Belouaer, L. (2021). Cooperative multi-robot object transportation system based on hierarchical quadratic programming. IEEE Robotics and Automation Letters, 6(4), 6466-6472.

Machado, T., Malheiro, T., Monteiro, S., Erlhagen, W., & Bicho, E. (2016). Multi-constrained joint transportation tasks by teams of autonomous mobile robots using a dynamical systems approach. In 2016 IEEE International Conference on Robotics and Automation (pp. 3111-3117). Stockholm, Sweden.

Ren, W., & Atkins, E. (2007). Distributed multi-vehicle coordinated control via local information exchange. International Journal of Robust and Nonlinear Control, 17, 1002-1033.

Wang, X., Wang, G., & Li, S. (2020). Distributed finite-time optimization for integrator chain multiagent systems with disturbances. IEEE Transactions on Automatic Control, 65(12), 5296- 5311.

原文链接:

https://www.sciencedirect.com/science/article/abs/pii/S096706612400162X?via%3Dihub