張國亮，王 鈺，王展妮，林昌龍

(華僑大學(xué) 計算機科學(xué)與技術(shù)學(xué)院，福建 廈門 361021) E-mail：zgl0227@sina.com

1 引 言

近年來，隨著新型智能機器人逐漸民用化，機器人產(chǎn)品迅速市場化的應(yīng)用需求對當前機器人軟件系統(tǒng)的體系結(jié)構(gòu)提出了新的挑戰(zhàn).傳統(tǒng)的機器人軟件系統(tǒng)首先根據(jù)任務(wù)需求設(shè)計機器人本體機構(gòu)，然后再由硬件設(shè)計控制軟件，這種軟件建模方法滿足了一般工業(yè)生產(chǎn)對機器人安全高效的基本要求，但由于軟件和硬件互耦合，導(dǎo)致控制系統(tǒng)各功能部件在軟件上存在緊密耦合的關(guān)系，這種緊耦合性使得軟件系統(tǒng)靈活性很差，軟件系統(tǒng)一旦設(shè)計完成，操作和功能也相應(yīng)的固化，難以對系統(tǒng)進行擴展和重用.因此，研究具有松耦合的機器人軟件仿真運行環(huán)境對于縮短產(chǎn)品的研發(fā)周期，提高設(shè)計的重復(fù)使用性具有重要的意義.基于組件技術(shù)[1]的模塊化、層次化設(shè)計思想為解決這一問題提供了有效的借鑒經(jīng)驗.通過將各部件與其對應(yīng)的功能描述成具有統(tǒng)一硬件和軟件接口的組件，分層屏蔽和隱藏諸如操作系統(tǒng)、開發(fā)語言和協(xié)議等細節(jié)差異，解除了機器人各個部件之間緊密的耦合性.如劉磊等[2]按照分層結(jié)構(gòu)設(shè)計了移動機器人運行仿真系統(tǒng)軟件，朱博[3]等建立了開放式室內(nèi)場所軟件系統(tǒng)，甘亞輝等[4]將Pro/E等3D實體模型導(dǎo)入Matlab機器人工具箱，建立了基于VA1400弧焊機器人的3D仿真研究平臺，楊坤等[5]基于面向?qū)ο蠓庋b思想完成了亞毫米級微型零件自動裝配.但這些研究仍主要針對某一具體應(yīng)用或某一類別機器人，在機器人軟件集成框架方面展開研究的并不多見.

相比于一般的軟件控制系統(tǒng)，機器人往往要面對復(fù)雜環(huán)境下的多任務(wù)操作，傳統(tǒng)的主從系統(tǒng)框架往往不能有效應(yīng)對這類問題.因此，有學(xué)者嘗試將分布式計算機網(wǎng)絡(luò)結(jié)構(gòu)、人工智能等理論引入機器人控制框架，以面對復(fù)雜多變的任務(wù)和環(huán)境.如文獻[6-8]采用操作者-代理-機器人協(xié)作理論建立智能集成框架，文獻[9]將哲學(xué)上的認知與社會概念同計算機網(wǎng)絡(luò)、機器人應(yīng)用結(jié)合，形成機器人與人之間社會認知網(wǎng)絡(luò).文獻[10]采用了MAS(Multi-Agent System)結(jié)構(gòu)，但不足之處是機器人和網(wǎng)絡(luò)組件采用的是查詢等待方式，并沒有實現(xiàn)并發(fā)代理.

與傳統(tǒng)的機器人網(wǎng)絡(luò)操作系統(tǒng)僅將網(wǎng)絡(luò)服務(wù)作為遙操作通訊手段不同，本文將機器人與網(wǎng)絡(luò)服務(wù)統(tǒng)一定義為分布式Web組件服務(wù)，將網(wǎng)絡(luò)作為知識源，而將機器人作為修改此知識源認知行為的手段.同時，將人工智能領(lǐng)域中本體論系統(tǒng)工程描述與分布式多Agent思想融合，用于管理分布式組件，構(gòu)建基于松耦合服務(wù)的機器人集成智能框架.

2 軟件系統(tǒng)集成框架

軟件系統(tǒng)框架采用如圖1所示的四層分層結(jié)構(gòu).最高層是應(yīng)用層，框架對于應(yīng)用沒有特殊限制，但針對不同的應(yīng)用，需要協(xié)調(diào)下層的Agents來實現(xiàn)預(yù)期功能.最底層是物理邏輯層，包含事物邏輯世界和物理世界兩部分，其中，邏輯世界作為Web服務(wù)的語義描述基礎(chǔ)，物理世界是機器人可感知、可到達的實在環(huán)境.

框架的核心為基于Web的服務(wù)層和基于Agent的代理協(xié)調(diào)層.服務(wù)層負責(zé)將底層信息封裝，并以分布式組件服務(wù)方式呈現(xiàn)，構(gòu)建的組件不僅可與其他的組件進行互操作，同時解除了上層應(yīng)用與底層硬件的強耦合關(guān)系，從而在應(yīng)用、代理和服務(wù)之間建立無縫的松耦合集成框架.服務(wù)層以物理邏輯層為基礎(chǔ)，包含網(wǎng)絡(luò)服務(wù)WS(Web Service)和機器人服務(wù)RS(Robot Service)兩部分.WS基于事物邏輯，采用語義規(guī)則描述特定服務(wù)，利用軟件程序自動處理信息以及與其他服務(wù)交互，無需人工干預(yù)，體現(xiàn)了信息自主操作機制；RS對傳感器、驅(qū)動等在硬件層面上作了行為抽象，便于上層代理使用及功能擴展.基于Agent的代理協(xié)調(diào)層介于用戶應(yīng)用和服務(wù)層之間，采用多層代理機制MAS (Multi-Agent System)，不同的代理之間的協(xié)商與通信由基于語義描述的本體知識庫實現(xiàn).

圖1 軟件系統(tǒng)集成框架Fig.1 Framework of software system

3 松耦合組件服務(wù)

3.1 多線程同步編程模型CCR

在機器人軟件系統(tǒng)中，經(jīng)常采用多線程技術(shù)來處理機器人應(yīng)用中的多任務(wù)問題，傳統(tǒng)的同步多線程方法雖然實現(xiàn)簡單，但應(yīng)用程序往往邏輯結(jié)構(gòu)復(fù)雜，同時，為保證數(shù)據(jù)的一致性，必須經(jīng)常面對多個線程同時處理同一個變量帶來的死鎖問題.因此，為簡化多線程編程模型，采用MRDS(Microsoft Robotics Development Studio)提供的CCR(Concurrency and Coordination Runtime)處理底層服務(wù)間的消息異步和線程的并發(fā)，通過消息組織機制替代鎖定、信號量等線程操作，通過線程池解決線程的并發(fā)問題.

3.2 松耦合組件服務(wù)框架DSS

3.2.1 DSS服務(wù)模型

DSS(Decentralized Software Service)是微軟提出的一個架構(gòu)，在DSS框架下，任意一個服務(wù)(Service)組件的內(nèi)部模型如圖2所示.“Contract Identifier”是分布式組件服務(wù)的標識符，用于唯一確定該組件在網(wǎng)絡(luò)中的位置，“Main Port”是用于操作的消息隊列，所有的操作將作為消息發(fā)送到隊列中，“Interleave”作為接收器從Main Port中讀取消息并根據(jù)消息類型選擇對應(yīng)的Service Handler執(zhí)行，執(zhí)行過程中會對State進行讀寫操作，Service中的“Notification Port”用于存放其他Service發(fā)送的通知，接收器讀取通知消息并根據(jù)消息類型執(zhí)行對應(yīng)的“Subscription Handler”的代碼段.“Partners”與外部的其他Service通過Main Port進行通信，協(xié)助Service完成任務(wù).這樣，所有與機器人有關(guān)的信息都被抽象成服務(wù)，并按照分布式網(wǎng)絡(luò)模型組織在一起，形成Web Service 組件，Service間的消息流由DSS框架管理.

圖2 服務(wù)內(nèi)部模型Fig. 2 Internal model of service

3.2.2 信息隱藏和可移植實現(xiàn)

從圖2中可以看出，Web Service組件模型利用消息通知實現(xiàn)服務(wù)間的通信，所有的操作均通過唯一的接口Main Port實現(xiàn)，內(nèi)部信息得到有效封裝和隱藏.在移植性方面，基于XML的統(tǒng)一的技術(shù)規(guī)范使得Web Services能與其他兼容的組件實現(xiàn)跨平臺互操作，不同系統(tǒng)間的集成更加容易.同時，組件間松散耦合的體系結(jié)構(gòu)使軟件系統(tǒng)便于管理，當需要更換某一Service時，只要新的Service與之前接口相同，在應(yīng)用程序其他部分不做任何改動的情況下，系統(tǒng)依然可以正常運行，接口的一致性和基于消息傳遞的編程機制確保機器人應(yīng)用程序能夠進行模塊化設(shè)計，軟件的可靠性得到有效的保證.

4 基于本體知識庫的多代理機系統(tǒng)MASO

代理機Agent指的是具有連續(xù)操作、自主決策等屬性，無需人工干預(yù)的功能部件.從定義考慮，任意一個Agent可單獨執(zhí)行某一目標任務(wù)，但目前對于復(fù)雜任務(wù)的智能代理尚不成熟，因此實際應(yīng)用中多采用將任務(wù)功能分解，分別由多個代理實現(xiàn)的MAS系統(tǒng).針對機器人應(yīng)用，本文將AI領(lǐng)域中多Agent結(jié)構(gòu)與本體論系統(tǒng)描述結(jié)合，形成具有MASO(Multi Agent Systems based Ontology)結(jié)構(gòu)的多代理協(xié)調(diào)層.

如節(jié)1所述，MASO處于集成框架的中間位置，因此，按照功能的不同，將代理劃分為面向應(yīng)用的代理、面向服務(wù)的代理和本層管理代理三類代理機，從系統(tǒng)的角度來看，分別對應(yīng)著這一層的輸入、輸出和層間通信三個部分，其組織結(jié)構(gòu)如圖3所示.

面向服務(wù)的代理作為服務(wù)的擁有者，能夠獲得服務(wù)并保證服務(wù)實現(xiàn)的外部要求，包含RA(Robot Agent)和SA(Service Agent)兩個代理.RA負責(zé)與實際的機器人通訊、傳遞消息，并將任務(wù)翻譯為機器人可識別的命令，SA負責(zé)按照語義規(guī)則描述地圖，實現(xiàn)預(yù)期的算法.應(yīng)用代理作為服務(wù)的輸出者，負責(zé)接收和呈現(xiàn)執(zhí)行結(jié)果，包含CA(Customer Agent)和DA(Discovery Agent)兩個代理.CA用于將用戶的指令翻譯成程序指令.DA負責(zé)尋找指定的服務(wù)完成目標，如果當前目標無法立即完成，需要將其進一步分解為更細小的子目標.管理代理包括FA (Framework Agent)和BA (Broker Agent).FA負責(zé)監(jiān)測系統(tǒng)活動，如果發(fā)現(xiàn)系統(tǒng)阻塞，由其負責(zé)重新初始化進程以解鎖系統(tǒng).當任何代理收到一個無法解釋的消息，問題消息會傳遞給BA，該代理采用系統(tǒng)本體知識庫中的映射規(guī)則將消息翻譯成可以理解的內(nèi)容.

圖3 代理協(xié)調(diào)層框架Fig.3 Framework of agent coordination

表1 本體知識庫功能描述Table1 Discription of ontology knowledge function

針對以上6類不同類別的代理，引入本體論系統(tǒng)工程描述方法，在本體知識庫內(nèi)采用5種本體對相應(yīng)的知識進行分類描述.由圖3所示，在MASO框架下，每一個Agent能夠自主執(zhí)行有限的功能，當需要在多個Agent之間進行協(xié)商和通訊時，依照表1定義的語義規(guī)則進行協(xié)商和通訊.

5 框架原型試驗驗證

不失一般性，框架原型試驗選擇機器人領(lǐng)域中常見的的移動機器人路徑規(guī)劃，規(guī)劃算法為人工勢場(APF，Artifitial Potential Field)[11].針對規(guī)劃應(yīng)用，將代理簡化為四個，分別客戶代理CA(Custumer Agent) 、路徑規(guī)劃代理PPA(Path Planning Agent)、機器人代理RA (Robot Agent) 和管理協(xié)調(diào)代理MCA(Manage and Coordinate Agent).仿真平臺選用高性能和高可靠性的先鋒系列機器人Pioneer P3DX和LRF(SICK Laser Rangefinder)激光傳感器，真實機器人及仿真機器人如圖4所示.

圖4 仿真機器人及傳感器Fig.4 Simulated robot and sensor

5.1 地圖環(huán)境仿真

利用傳感器對仿真環(huán)境信息探測，并繪制地圖是機器人路徑規(guī)劃的前提.LRF作為高精度的激光測距傳感器，能夠掃描前方0°～180°的范圍，即可計算從左邊水平線到右邊水平線內(nèi)的所有的距離，模擬系統(tǒng)中所用的LRF的解析度為0.5°，因此共有360個距離數(shù)值，數(shù)值范圍是0 ～ 8000，單位是毫米(mm)，LRF掃描時的情形如圖5所示.

圖5 LRF掃描示意圖Fig.5 Diagram of LRF scanner

按照節(jié)2中的方法對仿真地圖封裝，程序中以元素類型為byte的二維數(shù)組的形式表示地圖，分別用“0”、“128”、“255”表示機器人不可通過位置、情況未知和機器人可通過位置.初始化時，二維數(shù)組的元素值均為“128”.當移動機器人運動時，激光測距傳感器感知的數(shù)據(jù)變化會使二維數(shù)組中元素值隨時改變，雖然傳感器探測得到的只是局部信息，但隨著小車的不斷移動，地圖信息會逐步完善，激光測距繪制地圖原理如圖6所示.

圖6 利用激光測距繪制地圖Fig.6 Drawing map with laser sensor

圖中(X1，Y1)點是機器人的當前位置，(X2，Y2)點是障礙物邊緣的位置，激光在某一角度β射出，若前方有障礙物，則測得當前點與障礙物的距離為Length，由公式(1)、公式(2)，可得(X2，Y2)，

X2=X1+Length*cosβ

(1)

Y2=Y1+Length*sinβ

(2)

將從(X1，Y1)點沿著β方向到(X2，Y2)點這條線段上的所有點標記為“255”，而(X2，Y2)點標記為“0”，則β方向上處理完畢，由LRF激光測距的特性可知，它發(fā)射的激光覆蓋前方180°范圍，每一角度的處理方法類同，模擬地圖繪制結(jié)果如圖7所示.

圖7 模擬地圖Fig.7 Simulated map

5.2 機器人運行服務(wù)

如節(jié)2所述，RS負責(zé)機器人驅(qū)動及環(huán)境感知，包括差分驅(qū)動服務(wù)、激光測距服務(wù)和機器人底層核心服務(wù)三部分，如圖8所示.其中，差分驅(qū)動服務(wù)完成機器人的移動、旋轉(zhuǎn)等動作，激光測距服務(wù)負責(zé)探測前方180度范圍內(nèi)的環(huán)境信息，機器人底層核心服務(wù)是機器人的核心組件，負責(zé)直接與機器人通信.如前所述，這三個服務(wù)按照DSS模型組織，分別對應(yīng)著機器人的驅(qū)動、傳感和底層API，這些組件可根據(jù)選擇的驅(qū)動方式、傳感器及底層運動參數(shù)的不同進行替換.

圖8 Robot Service組件Fig.8 Robot Service component

在操作端口方面，除DSS默認消息外，針對當前驅(qū)動和傳感方式，分別自定義6種消息及對應(yīng)的消息處理(ServiceHandler)：UpdateDrive(小車的行駛狀態(tài)已更新)；UpdateLRF(LRF數(shù)據(jù)已更新)；Command(命令機器人小車掃描前方障礙物信息或進行轉(zhuǎn)向)；UpdateDriveRotate(小車已經(jīng)完成轉(zhuǎn)向操作)；CalculateNext(計算小車下一步動作)；Run(命令小車向前移動一段距離).

通知端口(NotificationPort)共有2個，分別是：_laserNotify(用于接收LRF傳感器服務(wù)發(fā)送的更新通知)，_driveNotify(接收差分驅(qū)動器服務(wù)發(fā)送的行駛狀態(tài)更新通知和轉(zhuǎn)向更新通知).Partners包括LRF傳感器服務(wù)和差分驅(qū)動器服務(wù)，協(xié)助核心服務(wù)完成任務(wù).

5.3 MAS消息通訊

圖9是MAS消息通訊流程.四個代理中，CA用于將用戶的任務(wù)指令翻譯成MCA可識別的程序指令.運動信息翻譯和收發(fā)由RA完成，PPA實現(xiàn)路徑規(guī)劃算法，MCA負責(zé)協(xié)調(diào)PPA和RA，自主接收、處理信息，并根據(jù)路徑信息進行決策.

當接收到任務(wù)命令后，MCA根據(jù)知識庫中的語義規(guī)則對任務(wù)進行評價，然后向PPA發(fā)送路徑規(guī)劃消息，PPA則根據(jù)MCA指令，根據(jù)環(huán)境狀態(tài)及路徑規(guī)劃算法，制定從當前工作點到目標點的最短路徑.當收到PPA發(fā)送的路徑制定完成消息后，MCA將其轉(zhuǎn)化為一組命令，發(fā)送給RA.RA自主將PPA計算得到的路徑消息翻譯為機器人可以理解的運動命令，轉(zhuǎn)發(fā)給實時環(huán)境中的機器人，建立通訊后，按照路徑規(guī)劃中的指令控制機器人運動，在機器人運動過程中，如遇到障礙或者任務(wù)完成，向MCA發(fā)送結(jié)束消息，MCA則需要對當前狀態(tài)進行評價，如果任務(wù)完成，等待另一次外部任務(wù)指令； 如果任務(wù)失敗，向PPA發(fā)送新的需求消息，該消息包含當前所在點、目標點和環(huán)境(障礙)信息，這些信息會被PPA重新利用建立地圖.從圖9可以看出，框架內(nèi)的所有功能都是基于消息響應(yīng)的方式實現(xiàn).

圖9 MAS消息通訊Fig.9 Message transmattion

5.4 局部極小問題仿真

APF是一種常見的機器人路徑規(guī)劃算法，通常情況下，目標點被設(shè)計為合勢場的全局最小點，機器人會從高勢場位置向低勢場位置移動并最終止步于目標點，但在實際運行過程中，除目標位置以外的其他區(qū)域也可能存在極小值點.因此，克服局部極小問題成為提高算法環(huán)境適應(yīng)性的關(guān)鍵環(huán)節(jié)，然而，傳統(tǒng)的所受合力為零的極小點判斷條件并不能有效處理特殊障礙物形狀情況.為此，本文提出變換行走策略的改進APF算法，將其融入文中所提的框架內(nèi)，進行仿真實驗.

5.4.1 局部極小問題產(chǎn)生條件

在復(fù)雜環(huán)境下，機器人陷入局部極小點的情形可分為3類，分別為狹長通道，凹型障礙物，凸型障礙物，如圖10所示.

圖10 機器人陷入局部極小點的情形Fig.10 Robot in local minimal position

由圖10所示，機器人受到目標點的引力和兩側(cè)障礙物的斥力，在某個位置引力和斥力相互抵消，合力為零，此時會陷入局部極小點.因此，僅僅以機器人所受合力為零這一條件來判斷是否陷入局部極小點是無法面對這些特殊情況的，在實際運行過程中，由于機器人在每一個控制周期內(nèi)會前進一段指定距離，因此機器人并不一定恰好停留在局部極小點，常常會在局部極小點周圍往復(fù)運動.

5.4.2 變換行走策略

在人工勢場法的基礎(chǔ)上，加入向目標前進和沿墻行走這兩種行走策略，使機器人根據(jù)當前條件不斷變換行走策略，逃離局部極小點并最終到達目標位置.算法流程如圖11，當機器人未陷入局部極小點時，采用人工勢場法躲避障礙物，一旦滿足陷入局部極小點的前提條件時，變換當前行走策略為向目標位置前進，若前方存在障礙物，則采用沿墻行走策略，直到機器人繞過障礙物才將策略變?yōu)閯輬龇ū苷?

圖11 變換行走策略Fig.11 Walking tragety

5.5 仿真實驗結(jié)果及其分析

5.5.1 仿真設(shè)置

仿真任務(wù)包括兩個，一是在一般障礙環(huán)境下，傳統(tǒng)人工勢場法與文中所提方法分析比較，用于觀察路徑規(guī)劃效果.其二是在特殊障礙環(huán)境下，兩種方法的局部極小問題逃離的分析比較試驗.

圖12-圖15為兩項仿真實驗結(jié)果，圖中的S和T分別代表起始點和目標點.地圖是機器人在向目標移動過程中逐步繪制的.因此，圖中的A區(qū)域呈現(xiàn)灰色是因為機器人尚未進行探測，這些區(qū)域是否有障礙物在繪制地圖當前時刻仍是未知的，圖中某些區(qū)域有小黑點是解析度不夠小導(dǎo)致.

5.5.2 無特殊障礙物的一般情況

如圖12所示，兩種方法在一般障礙物的情形下均可以到達目標點，但在傳統(tǒng)勢場法的規(guī)劃中，由于目標點離障礙物較近，當機器人靠近目標點時，同時也靠近障礙物，根據(jù)引力函數(shù)和斥力函數(shù)的定義可知，此時引力會小于斥力，導(dǎo)致機器人遠離目標，隨著與目標點距離的增大，引力又會大于斥力，因此機器人會多次出現(xiàn)往復(fù)運動.與之相比，改進的勢場法一旦出現(xiàn)往復(fù)運動或受到合力較小的情形(接近局部極小位置)，時，會命令機器人朝著目標方向移動，迅速脫離振蕩區(qū)域.通過比較圖12(a)、圖12(b)兩圖的圓形區(qū)域，可以明顯的看出，圖12(b)中的運行軌跡比圖12(a)平順.

圖12 無特殊障礙物的一般情況Fig.12 Common condition without special obstacle

5.5.3 特殊障礙物情況

A)凸型障礙物

如圖13所示，當?shù)貓D中存在凸型障礙物時，兩種方法的運行軌跡差別明顯.

圖13 凸型障礙物Fig.13 Convex obstacle

圖13(a)表明機器人前方存在凸型障礙物時，傳統(tǒng)勢場法由于引力函數(shù)和斥力函數(shù)存在缺陷，會使機器人長時間徘徊在障礙物之間，很難使機器人移動到障礙物后面的位置.如圖13(b)所示，由于機器人采取沿墻壁行走的策略改進了傳統(tǒng)的勢場法，使機器人快速繞過了凸型障礙物，較好解決了凸型障礙物引起的局部極小問題.機器人一直沿墻運動到B點，此時機器人左側(cè)沿墻且目標點在右前方，滿足沿墻運動的結(jié)束條件，機器人改用勢場法避障，并在引力的作用下朝目標移動.

B)凹型障礙物

當機器人前方存在凹型障礙物時，傳統(tǒng)人工勢場法與改進勢場法的仿真結(jié)果如圖14所示.

圖14 凹型障礙物Fig.14 Concave obstacle

如圖14(a)，當機器人前方存在凹形障礙物時，它會陷入局部極小點，表現(xiàn)為在障礙物內(nèi)部上下左右移動，但不能離開，此時傳統(tǒng)勢場法失效.從圖14(b) 可以看出，改進的勢場法通過沿墻壁移動策略有效地避開了凹形障礙物并到達目標位置.

C)狹長通道

圖15 狹長通道Fig.15 Corridor obstacle

如圖15(a)，當機器人面對一條狹長通道時，由于左右兩側(cè)障礙物產(chǎn)生的斥力和目標產(chǎn)生的引力，使機器人左右徘徊，上下往復(fù)移動，而圖15(b)表明，采用向目標移動的策略使機器人忽略障礙物的斥力影響，機器人的移動方向僅由目標點產(chǎn)生的引力方向決定，因此與傳統(tǒng)勢場法相比，有效地解決了由狹長通道引起的局部極小問題.

表2 傳統(tǒng)勢場法和改進勢場法的時間對比Table 2 Time of passing trough obstacle between traditional APF and extended APF

對比圖12-圖15的仿真實驗可看出，文中所述的改進的勢場策略在普通運行環(huán)境和特殊障礙環(huán)境都能不僅在普通障礙情況下能獲得較為平順的軌跡，而且在特殊障礙情況下，能有效避免傳統(tǒng)勢場法陷入局部極小的問題.表2列出了機器人分別采用兩種方法在不同類別障礙物的環(huán)境下，從同一S點移動到同一T點耗費的時間.從表中實驗結(jié)果可以看出，改進勢場法在時間性能上優(yōu)于傳統(tǒng)勢場法，在三種可達情況下，傳統(tǒng)規(guī)劃方法平均用時89s，改進方法用時52s，平均規(guī)劃時間節(jié)省約42%.同時，在存在凹型障礙物時，改進的勢場法可繞過障礙物到達目標，比傳統(tǒng)勢場法更能適應(yīng)環(huán)境的變化.

6 結(jié) 論

隨著機器人產(chǎn)品多元化、功能多樣化的快速發(fā)展，面向工業(yè)機器人應(yīng)用的緊耦合軟件設(shè)計模式已不能適應(yīng)機器人行業(yè)迅速發(fā)展的需要，開放化、模塊化的設(shè)計思想成為機器人技術(shù)發(fā)展的趨勢.本文借鑒了分布式人工智能和多智能體控制技術(shù)思想，將分布式組件網(wǎng)絡(luò)和多代理協(xié)調(diào)等理論引入傳統(tǒng)的機器人軟件控制系統(tǒng)，基于層次化設(shè)計思想構(gòu)建了基于松耦合服務(wù)的機器人集成智能框架.該框架使機器人研究人員可以忽略編程語言、底層硬件和通訊協(xié)議等軟件系統(tǒng)細節(jié)問題，將研究重點集中于機器人規(guī)劃及控制算法，為加快機器人功能研究提供理論和實踐方面的參考.

[1] Cao Li-juan，Yang Li-fen，Zhang Yu-qiang.Study and realization of GIS data conversion based on com technology[J].Computer Technology and Development，2011，21(9)：141-144.

[2] Liu Lei，Xu Xiao-ming.The design of simulation software for autonomous navigation and obstacle avoidance mobile robot[J].Journal of Huazhong University of Sci.& Tec.，2011，39(Sup.2)：196-200.

[3] Zhu Bo,Dai Xian-zhong,Li Xin-de.Open interior-places perception algorithm of robot based on prototype[J].Pattern Recognition and Artificial Intelligence,2012,25(1):2-10.

[4] Gan Ya-hui，Dai Xian-zhong.An efficient method of constructing open 3D simulation environment for articulated robot[J].Robot，2012，34(5)：628-633.

[5] Yang Kun，Huang Xin-han，Mao Shang-qin.Design of control software with four-layer architecture for microassembly robot[J].Journal of Huazhong University of Sci.& Tec.，2013，41(Sup.1)：55-62.

[6] Amy W R，Eric M T.A robust human-robot communication system using natural language for HARMS[C].29th European Conference on Solid-State Transducers，Publisher：Elsevier B.V.Freiburg； Germany，2015，56(1)：119-126.

[7] Michael G A，Mark C，Bonnie B，et al.Incorporating a robot into an autism therapy team[C].IEEE Intelligent Systems，2012，27(2)：52-59.

[8] Mattew J，Jeffrey M B，Paul F，et al.Autonomy and interdependence in human-agent-robot teams[C].IEEE Intelligent Systems，2012，27(2)：43-51.

[9] Ryutov T.A socio-cognitive approach to modeling policies in open environments[C].Proceedings of the 8th IEEE International Workshop on Policies for Distributed Systems and Networks，Bologna，Italy，2007：29-38.

[10] Renato Vidoni，F(xiàn)rancisco García-Sánchez，Alessandro Gasparetto，et al.An intelligent framework to manage robotic autonomous agents[J].Expert Systems with Applications，2011，38(74)30-39.

[11] Zhu Yi，Zhang Tao，Song Jing-yan.Study on the local minima problem of path planning using potential field method in unknown environments[J].Acta Automatica Sinica，2010，36(8)：1122-1130.

附中文參考文獻：

[1] 曹麗娟，楊麗芬，張玉強.基于組件技術(shù)的GIS數(shù)據(jù)格式轉(zhuǎn)換研究與實現(xiàn)[J].計算機技術(shù)與發(fā)展，2011，21(9)：141-144.

[2] 劉 磊，許曉鳴.自主導(dǎo)航避障移動機器人仿真軟件設(shè)計[J].華中科技大學(xué)學(xué)報，2011，39(Sup.2)：196-200.

[3] 朱 博，戴先中，李新德，等.基于“原型”的機器人開放式室內(nèi)場所感知實驗研究[J].模式識別與人工智能，2012，25(1)：2-10.

[4] 甘亞輝，戴先中.一種高效的開放式關(guān)節(jié)型機器人3D仿真環(huán)境構(gòu)建方法[J].機器人，2012，34(5)：628-633.

[5] 楊 坤，黃心漢，毛尚勤.基于四層架構(gòu)的微裝配機器人控制軟件設(shè)計[J].華中科技大學(xué)學(xué)報，2013，41(Sup.1)：55-62.

[11] 朱 毅，張 濤，宋靖雁.未知環(huán)境下勢場法路徑規(guī)劃的局部極小問題研究[J].自動化學(xué)報，2010，36(8)：1122-1130.