張國(guó)慶+程文彬+彭芳

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

關(guān)鍵詞：物流系統(tǒng)；移動(dòng)機(jī)器人；自主控制

中圖分類號(hào)：F253.9 文獻(xiàn)標(biāo)識(shí)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(jī)器人是一種新型的高科技技術(shù)，是涵蓋運(yùn)用了計(jì)算機(jī)技術(shù)、信息化技術(shù)、仿生學(xué)特征、傳動(dòng)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(dāng)前科技研究的熱點(diǎn)方向。2015年5月，我國(guó)出臺(tái)了《中國(guó)制造2025》規(guī)劃，規(guī)劃中將智能制造列為我國(guó)當(dāng)前的首要目標(biāo)發(fā)展戰(zhàn)略，要加快對(duì)智能制造的研究進(jìn)度，使制造過(guò)程步入智能化[1]。在這一規(guī)劃中，智能機(jī)器人制造是最具有代表性的領(lǐng)域，成為當(dāng)前最重要的發(fā)展方向。尤其是近些年來(lái)我國(guó)國(guó)民經(jīng)濟(jì)發(fā)展迅速，人民需求不斷提升，促進(jìn)了倉(cāng)儲(chǔ)物流行業(yè)飛速發(fā)展，智能化設(shè)備在物流運(yùn)輸過(guò)程中的重要性日益突出，而智能機(jī)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(jī)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(duì)靜態(tài)的工作環(huán)境中，對(duì)于可變環(huán)境的適應(yīng)能力不夠，因此只能完成較為簡(jiǎn)單和固定的物流作業(yè)。因此需要將智能化移動(dòng)機(jī)器人與物流系統(tǒng)相結(jié)合[3]，依靠智能移動(dòng)機(jī)器人的自主性控制實(shí)現(xiàn)物流系統(tǒng)的智能化作業(yè)。智能化的移動(dòng)物流機(jī)器人能夠通過(guò)傳感器感知外界環(huán)境和自身狀態(tài)，實(shí)現(xiàn)在有障礙物環(huán)境中面向目標(biāo)的自主運(yùn)動(dòng)，從而完成一定作業(yè)功能。其本身能夠認(rèn)識(shí)工作環(huán)境和工作對(duì)象，能夠根據(jù)指令和自身認(rèn)識(shí)來(lái)獨(dú)立地工作，能夠利用操作機(jī)構(gòu)和移動(dòng)機(jī)構(gòu)完成復(fù)雜的任務(wù)[4]。

本文將針對(duì)物流系統(tǒng)中智能移動(dòng)機(jī)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(jìn)行綜述，并分析未來(lái)智能物流系統(tǒng)中智能機(jī)器人應(yīng)用的關(guān)鍵問(wèn)題。

1 物流智能機(jī)器人自主性導(dǎo)航技術(shù)

若要使移動(dòng)物流機(jī)器人具有特定的智能，首先就需具有多種感知功能，進(jìn)而進(jìn)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(dòng)。在這其中，導(dǎo)航和定位技術(shù)是智能移動(dòng)機(jī)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(dòng)機(jī)器人的一項(xiàng)重要功能，也就是通過(guò)這個(gè)最核心功能，機(jī)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(dòng)機(jī)器人的任何自主運(yùn)動(dòng)都是盲目的。因此，物流移動(dòng)機(jī)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(hào)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(biāo)識(shí)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(dòng)機(jī)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(wèn)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(jì)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(duì)環(huán)境的假設(shè)，配以昂貴的高精度傳感器如激光測(cè)距儀來(lái)實(shí)現(xiàn)。Dissanayake等人在2001年提出了解決SLAM問(wèn)題的卡爾曼濾波技術(shù)[5]，之后針對(duì)卡爾曼濾波算法的復(fù)雜性和計(jì)算量問(wèn)題，Thrun、Koller和Walter等人提出了稀疏擴(kuò)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(guò)對(duì)結(jié)果矩陣稀疏特性的研究，可使計(jì)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(bǔ)充方法，可解決模糊、循環(huán)環(huán)境下的機(jī)器人地圖構(gòu)建問(wèn)題。粒子濾波方法是通過(guò)一組根據(jù)機(jī)器人狀態(tài)先驗(yàn)分布得到的采樣數(shù)據(jù)或者粒子，來(lái)表示機(jī)器人的實(shí)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(jìn)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(lì)的地圖構(gòu)建和導(dǎo)航系統(tǒng)，即通過(guò)模擬動(dòng)物腦神經(jīng)活動(dòng)來(lái)解決三維空間導(dǎo)航任務(wù)。這種基于生物神經(jīng)激勵(lì)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(wèn)題，但實(shí)際應(yīng)用性能還不足，但是對(duì)同時(shí)提升智能自主性和降低成本具有積極意義。諾貝爾獎(jiǎng)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(jì)70年代發(fā)現(xiàn)了動(dòng)物大腦內(nèi)與定位系統(tǒng)相關(guān)的細(xì)胞——位置細(xì)胞（place cell）和網(wǎng)格細(xì)胞（grid cell），在此之后更多相關(guān)細(xì)胞被發(fā)現(xiàn)，如速度細(xì)胞、邊界向量細(xì)胞等。這些神經(jīng)細(xì)胞的活動(dòng)特性為機(jī)器人的導(dǎo)航定位控制提供了一個(gè)新的思路。位置細(xì)胞的特性是，當(dāng)動(dòng)物處于環(huán)境中某些特定位置時(shí)，對(duì)應(yīng)細(xì)胞的放電頻率會(huì)顯著增強(qiáng)，而每個(gè)位置細(xì)胞均可表征動(dòng)物所處環(huán)境的某一部分，眾多位置細(xì)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(rèn)知地圖。網(wǎng)格細(xì)胞為大腦提供了一個(gè)度量尺，當(dāng)動(dòng)物從一個(gè)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(biāo)，了解自己在環(huán)境中的位置。Arleo等人在2001年對(duì)動(dòng)物大腦中發(fā)現(xiàn)的與定位和導(dǎo)航相關(guān)的位置細(xì)胞（Place Cells）和頭方向細(xì)胞（Head-Direction Cells）進(jìn)行建模，并將其用于移動(dòng)機(jī)器人的目標(biāo)導(dǎo)航[7]。Michael等人在2005年，基于Arleo的研究，結(jié)合位置細(xì)胞和頭方向細(xì)胞的功能，假想了一種位姿細(xì)胞（Pose Cells）結(jié)構(gòu)，并進(jìn)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(cè)程技術(shù)和模擬嚙齒類動(dòng)物大腦中神經(jīng)細(xì)胞的吸引子神經(jīng)網(wǎng)絡(luò)模型，實(shí)現(xiàn)了機(jī)器人的同步定位和構(gòu)圖。

隨著生物神經(jīng)機(jī)理的研究更加深入，將生物的大腦功能進(jìn)行建模，再結(jié)合神經(jīng)網(wǎng)絡(luò)的算法，使得機(jī)器人具有自我學(xué)習(xí)的能力。這將使物流機(jī)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(jī)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(dòng)化和高度柔性生產(chǎn)模式方向轉(zhuǎn)化。如果沒有一個(gè)靈活多變的物流自動(dòng)化系統(tǒng)，即使獨(dú)立生產(chǎn)單元的自動(dòng)化程度再高，也不可能實(shí)現(xiàn)柔性生產(chǎn)系統(tǒng)。要實(shí)現(xiàn)物流系統(tǒng)的靈活性，除了提高物流系統(tǒng)中個(gè)體物流機(jī)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(jī)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(huì)上，有關(guān)專家指出移動(dòng)機(jī)器人和傳感器網(wǎng)絡(luò)結(jié)合，會(huì)獲得價(jià)格低廉但性能卓越的混合系統(tǒng)，該系統(tǒng)會(huì)在網(wǎng)絡(luò)維護(hù)、環(huán)境檢測(cè)、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(gè)無(wú)線傳感網(wǎng)絡(luò)的通信節(jié)點(diǎn)，使其成為一個(gè)車聯(lián)無(wú)線通信網(wǎng)絡(luò)中的獨(dú)立節(jié)點(diǎn)[8]。這樣輸送車輛不僅可以利用無(wú)線傳感器網(wǎng)絡(luò)信息感知的功能及時(shí)進(jìn)行運(yùn)行狀態(tài)信息的感知，而且可以通過(guò)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(shí)現(xiàn)這種分布式系統(tǒng)的通信，如圖1所示。

無(wú)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(dòng)機(jī)器人的感知空間，為其提供更大范圍的傳感信息，智能移動(dòng)機(jī)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(diǎn)提供智能和執(zhí)行能力的輔助服務(wù)[9]。移動(dòng)機(jī)器人與WSN結(jié)合，兩者經(jīng)過(guò)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(jià)值。

無(wú)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(wú)線傳感器網(wǎng)絡(luò)通信技術(shù)與移動(dòng)機(jī)器人相結(jié)合的問(wèn)題。這種結(jié)合方式是將無(wú)線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)配置在移動(dòng)的物流設(shè)備上，無(wú)線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)就像移動(dòng)機(jī)器人一樣具有移動(dòng)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(diǎn)相比，工作具有更高的主動(dòng)性。支持移動(dòng)性是無(wú)線傳感網(wǎng)絡(luò)的一個(gè)主要優(yōu)點(diǎn)，在無(wú)線傳感網(wǎng)絡(luò)中主要存在節(jié)點(diǎn)移動(dòng)和事件移動(dòng)。前者是指搭載無(wú)線通信功能的節(jié)點(diǎn)在網(wǎng)絡(luò)中的自由移動(dòng)，形成網(wǎng)絡(luò)不斷頻繁自主的情況，后者是指在事件檢測(cè)或在特殊的跟蹤應(yīng)用中，事件的誘發(fā)源或跟蹤目標(biāo)可能是移動(dòng)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(cè)目標(biāo)。工作時(shí)，目標(biāo)周圍的傳感器被激活進(jìn)入高度活躍狀態(tài)，對(duì)目標(biāo)進(jìn)行觀測(cè)，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(jī)器人可以靈活地加入或退出當(dāng)前的物流作業(yè)系統(tǒng)，且不會(huì)對(duì)整個(gè)物流作業(yè)產(chǎn)生影響，這有利于物流系統(tǒng)根據(jù)實(shí)際作業(yè)吞吐量需求，進(jìn)行相應(yīng)規(guī)模的擴(kuò)展和縮減。

3 物流智能機(jī)器人分布式控制技術(shù)

物流系統(tǒng)中的每一個(gè)物流機(jī)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(gè)智能化的個(gè)體。而整個(gè)物流系統(tǒng)則可視為多智能體的協(xié)作系統(tǒng)，即整個(gè)物流系統(tǒng)按照每臺(tái)機(jī)器人分解成若干個(gè)智能體，各個(gè)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(jìn)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(kuò)張、實(shí)時(shí)性好的特點(diǎn)，而且可以克服隨著數(shù)目增加，對(duì)調(diào)度控制中心造成的管理和計(jì)算壓力，使系統(tǒng)具有很強(qiáng)的魯棒性穩(wěn)定性和自組織能力。

針對(duì)上述多智能物流機(jī)器人系統(tǒng)的特點(diǎn)，必須設(shè)計(jì)一個(gè)良好的集群控制結(jié)構(gòu)。在這個(gè)結(jié)構(gòu)基礎(chǔ)上，才能完成知識(shí)和感知信息的共享，獲得協(xié)調(diào)一致的控制，進(jìn)而發(fā)揮多移動(dòng)機(jī)器人的優(yōu)勢(shì)，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(jī)器人之間不存在主控與被控以及層次關(guān)系，每個(gè)物流機(jī)器人均能夠通過(guò)通信等手段與其他物流機(jī)器人進(jìn)行信息交流與磋商。分布式問(wèn)題的求解是指在一些不同的處理節(jié)點(diǎn)中，通過(guò)知識(shí)庫(kù)的分散和松散耦合的集合進(jìn)行問(wèn)題的協(xié)作解決方案。協(xié)作主要有四個(gè)重要部分：（1）是一個(gè)本地化的處理過(guò)程，不涉及集中控制；（2）是一種雙向的信息交換；（3）每一個(gè)協(xié)商群體從自己的角度出發(fā)評(píng)估信息；（4）通過(guò)相互選擇達(dá)成最終的協(xié)議。

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

假設(shè)一個(gè)場(chǎng)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(diǎn)的集合為S =s ，s ，…，s ，s

=x ，y ，…，θ ，同時(shí)場(chǎng)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(biāo)。物料搬運(yùn)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(jī)器人距離貨源和卸載點(diǎn)距離的影響，以及物料搬運(yùn)狀態(tài)的平衡如排隊(duì)等。這個(gè)問(wèn)題的解決方式可以從自然界種群活動(dòng)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(xì)菌覓食算法、粒子群算法等[13]。將物流系統(tǒng)中的智能搬運(yùn)機(jī)器人的運(yùn)作與這些生物群體活動(dòng)相結(jié)合，采用相應(yīng)的改進(jìn)算法，可以使得物流系統(tǒng)實(shí)現(xiàn)分布式的控制，減少整體控制的負(fù)荷，增強(qiáng)系統(tǒng)的靈活性。

4 小 結(jié)

現(xiàn)代物流系統(tǒng)未來(lái)的發(fā)展趨勢(shì)是實(shí)現(xiàn)物流系統(tǒng)的分布式控制，強(qiáng)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(jī)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(shì)所趨。德國(guó)的國(guó)際管理咨詢公司羅蘭貝格在其發(fā)布的報(bào)告《物流業(yè)中的機(jī)器人與人》中分析了物流業(yè)大量引入機(jī)器人所帶來(lái)的影響，并指未來(lái)智能機(jī)器人在物流業(yè)中的應(yīng)用將有飛躍式的發(fā)展，預(yù)計(jì)會(huì)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(jī)器人應(yīng)用技術(shù)，將會(huì)顯著提升物流系統(tǒng)研發(fā)的水平和物流設(shè)備的國(guó)際競(jìng)爭(zhēng)力。

參考文獻(xiàn)：

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

[2] 林兆花，徐天亮. 機(jī)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(jī)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(jī)科技有限公司. 大族電機(jī)AGV機(jī)器人在倉(cāng)儲(chǔ)物流中的應(yīng)用[J]. 智能機(jī)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(wú)線傳感器網(wǎng)絡(luò)的嵌入式遠(yuǎn)程監(jiān)測(cè)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(wú)線傳感器網(wǎng)絡(luò)研究現(xiàn)狀與應(yīng)用[J]. 機(jī)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(jì)與實(shí)現(xiàn)[J]. 工業(yè)控制計(jì)算機(jī)，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(jì)與實(shí)現(xiàn)[J]. 工業(yè)控制計(jì)算機(jī)，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.