李陶勝,王淑芳,金 明

(安慶職業(yè)技術(shù)學(xué)院 機(jī)電工程學(xué)院,安徽 安慶 246003)

隨著全球電動(dòng)汽車(EV)數(shù)量的增加,高效管理電動(dòng)汽車電池(EVB)至關(guān)重要。僅在2017年,全球電動(dòng)汽車銷量就超過了100萬輛[1],這意味著將產(chǎn)生約25萬噸廢棄的鋰離子電池組,將對(duì)人類健康造成很大風(fēng)險(xiǎn)。應(yīng)用機(jī)器人檢測[2-3]或拆卸EVB,可以降低健康風(fēng)險(xiǎn)[4]。然而,為了確保機(jī)器人的高可靠性,必須進(jìn)行深入研究。

回收EVB的過程涉及許多階段,從物流過程到拆卸電池原材料。然而,大部分研究主要集中在回收過程,而忽略了回收過程中的其他階段[5],還應(yīng)該考慮使用智能自動(dòng)化分類EVB[6]。一般來說,工業(yè)回收在很大程度上取決于分類的質(zhì)量。電池組件分類過程的自動(dòng)化可以大大提高工人的安全性,同時(shí)降低勞動(dòng)力成本,使其在經(jīng)濟(jì)上可行。EVB的設(shè)計(jì)配置的可變性很高,因?yàn)樗Q于制造商和汽車模型。因此,必須定制自動(dòng)化流程來拆卸特定的EVB組件。固定機(jī)械臂能夠打開EVB外殼并擰開其組件。然而,由于其工作空間的限制,需要輔助技術(shù)來移動(dòng)和分類,從工作空間拆卸組件。

行為樹(BT)是由充分表達(dá)和獨(dú)立的子行為組成的,這使得BT的設(shè)計(jì)和開發(fā)具有高度的獨(dú)立性和可擴(kuò)展性[7]。BT最近已應(yīng)用于工業(yè)項(xiàng)目,如SCARA[8],旨在開發(fā)一個(gè)編程框架,允許非專業(yè)用戶使用機(jī)器人規(guī)劃復(fù)雜的任務(wù)。還有協(xié)同任務(wù)自動(dòng)化和識(shí)別系統(tǒng)(CoSTAR)[9],它提供了一個(gè)圖形用戶界面(GUI),可訓(xùn)練機(jī)器人執(zhí)行許多涉及人類合作的任務(wù)。此外,BT還被用于自動(dòng)駕駛汽車領(lǐng)域,以及亞馬遜Pick挑戰(zhàn)[7]等國際比賽。盡管上面提到了不同的工業(yè)應(yīng)用,但據(jù)我們所知,還沒有人使用移動(dòng)機(jī)械手和行為樹來處理電動(dòng)汽車電池組件的分類。為了使用移動(dòng)機(jī)器人自動(dòng)分類和拆卸EVB組件,本文提出了遵循行為樹模型的機(jī)器人系統(tǒng)框架[10],并且利用完整移動(dòng)機(jī)械手的功能增加工作空間的靈活性。因此,我們提出的系統(tǒng)框架將實(shí)現(xiàn)將復(fù)雜機(jī)器人技能的開發(fā)從架構(gòu)設(shè)計(jì)中分離出來的可能性,允許非機(jī)器人專家用戶創(chuàng)建新的子行為。

該框架由導(dǎo)航、目標(biāo)位姿跟蹤和抓取三個(gè)主要模塊組成,能夠模塊化地組合和監(jiān)控不同的機(jī)器人功能,從而實(shí)現(xiàn)對(duì)EVB組件分類排序的半自動(dòng)化過程。導(dǎo)航模塊允許機(jī)器人在其工作空間內(nèi)通過生成無碰撞路徑進(jìn)行導(dǎo)航移動(dòng)以及定位。物體姿態(tài)跟蹤器通過使用基于模型的視覺方法和用戶引入的初始化點(diǎn)來查找相對(duì)于末端執(zhí)行器框架的姿態(tài)。抓取模塊接收物體的姿態(tài),并通過使用快速探索隨機(jī)樹(RRT)運(yùn)動(dòng)規(guī)劃器[11]、逆運(yùn)動(dòng)學(xué)求解器和真空抓取器來確保無碰撞抓取。這項(xiàng)工作的主要貢獻(xiàn)是一種新穎的行為樹架構(gòu),管理和監(jiān)控上述模塊及其子模塊,以收集和排序分類EVB組件。所提框架的示意圖,如圖1所示,包括導(dǎo)航、姿態(tài)跟蹤和抓取三個(gè)主要部分,通過行為樹結(jié)構(gòu)將它們聯(lián)系在一起。

圖1 所提框架的示意圖

1 機(jī)器人系統(tǒng)概述

如圖2所示,所設(shè)計(jì)的機(jī)器人系統(tǒng)執(zhí)行EVB組件分類任務(wù)的流程大致為:機(jī)器人從工作站外的任意位置開始,它將導(dǎo)航到最近的視點(diǎn),以便執(zhí)行第一次檢測。由于EVB組件的布局是已知的,同一類的實(shí)例數(shù)量和它的收集優(yōu)先級(jí)可以設(shè)置。然后,一個(gè)窗口將提示用戶手動(dòng)選擇和初始化物體的姿態(tài),從而初始化跟蹤系統(tǒng)。因此,機(jī)器人會(huì)嘗試接近物體并計(jì)劃抓取。抓住物體后,機(jī)器人將導(dǎo)航到相應(yīng)的盒子,并放置物體。本機(jī)器人系統(tǒng)實(shí)現(xiàn)了目標(biāo)位姿跟蹤功能(如利用基于邊緣的跟蹤器來估計(jì)無紋理物體的姿態(tài))、導(dǎo)航功能(如用于無碰撞全局路徑規(guī)劃的A*和用于2D地圖路徑跟蹤和避免碰撞的Eband規(guī)劃器)和物體抓取與放置功能(如用手臂運(yùn)動(dòng)規(guī)劃器來規(guī)劃和執(zhí)行吸力抓取)。

圖2 架構(gòu)的流程圖

以下將分小節(jié)介紹目標(biāo)位姿跟蹤、導(dǎo)航和物體抓取與放置三個(gè)主要模塊及其控制框架。

1.1 目標(biāo)位姿跟蹤

本文建立了一個(gè)基于模型的視覺跟蹤器[13],它允許用戶初始化跟蹤系統(tǒng),以確保正確處理目標(biāo)物體。根據(jù)文獻(xiàn)[13]中的工作,可以將目標(biāo)的姿態(tài)估計(jì)視為一個(gè)優(yōu)化問題。優(yōu)化問題使用Levenberg Marquard算法來解決,這是一種迭代非線性優(yōu)化技術(shù),該方法中使用的投影方法在文獻(xiàn)[14]中闡述。本研究利用可視化伺服平臺(tái)C++庫(VISP),結(jié)合前面提到的優(yōu)化技術(shù)、基于邊緣的特征提取和投影算法[15],實(shí)現(xiàn)了目標(biāo)物體在圖像上的位姿估計(jì)。EVB四種目標(biāo)組件的CAD模型,如圖3所示。

(a)蓋板A

1.2 導(dǎo)航

為了使機(jī)器人安全移動(dòng),并接近盒子的位置,使用了一種全局和本地規(guī)劃方法。全局規(guī)劃是通過2個(gè)激光掃描傳感器生成的2D網(wǎng)格地圖中表示環(huán)境來實(shí)現(xiàn)的,為了解決路徑規(guī)劃問題,使用A*找到一個(gè)優(yōu)化的無障礙路徑,以達(dá)到目標(biāo)[16]。

應(yīng)用自適應(yīng)蒙特卡洛定位(AMCL)方法進(jìn)行定位,采用魯棒粒子濾波估計(jì)移動(dòng)機(jī)器人的姿態(tài),補(bǔ)償誤差產(chǎn)生的里程計(jì)運(yùn)動(dòng)模型。在給定地圖和傳感器數(shù)據(jù)[17]的情況下,基于后驗(yàn)概率,機(jī)器人位于一個(gè)姿勢q。本地規(guī)劃使用由當(dāng)前激光掃描創(chuàng)建的本地在線2D網(wǎng)格地圖。利用導(dǎo)航來檢測動(dòng)態(tài)障礙物對(duì)象,并在必要時(shí)重新規(guī)劃。為了遵循全局規(guī)劃生成的路徑,采用了彈性帶方法[18],這是一種反應(yīng)性規(guī)劃器,它利用基于傳感器的數(shù)據(jù)對(duì)規(guī)劃器生成的全局路徑進(jìn)行連續(xù)變形。因此,它根據(jù)機(jī)器人周圍的局部變化,創(chuàng)建一個(gè)新的局部無碰撞路徑。由于機(jī)器人需要到達(dá)空間中的特定點(diǎn),我們記錄了移動(dòng)基座的姿態(tài),并進(jìn)行了離線標(biāo)記。通過輸入goal_id來初始化導(dǎo)航動(dòng)作,如算法1所示。

算法1:NavigateTo

Input:goal_id∈□≥0

1qgoal∈□3←candiatePosesHashTable(goal_id);

2qinit∈□3←AMCL();

3gloabalPath←AStarPlanner(qinit,qgoal);

4 initEbandPlanner(gloabalPath);

5whilegoalIsNotReached() do

6qcurrent←AMCL();

7obstacles←2DCostMap();

8elastic_path←EbandPlanner(obstacles,qcurrent);

9 pathTracker.Track(elastic_path,qcurrent)

10end

11ifisRobotInXYTolerance()then

12returnSUCCESS;

13else

14returnFAILURE;

15end

1.3 物體抓取與放置

采用VG10真空夾持器[12]吸力抓取,增加抓取成功的機(jī)會(huì),將損壞風(fēng)險(xiǎn)降至最低。本研究使用Ros真空夾持插件來模擬抓取的動(dòng)作[19]。

采用快速探索隨機(jī)樹(RRT)方法[11]生成無碰撞運(yùn)動(dòng)來抓取目標(biāo)。抓取后,產(chǎn)生新的運(yùn)動(dòng)計(jì)劃,使手臂從當(dāng)前移動(dòng)到安全姿勢。這樣當(dāng)移動(dòng)機(jī)器人基座移動(dòng)時(shí),它不會(huì)與EVB上的其他物體碰撞。為了消除掉落物體的可能性,對(duì)運(yùn)動(dòng)規(guī)劃器施加了方向約束。描述抓取的算法如算法2所示。

算法2:Grasp

Input:target_pose∈SE(3),safe_pose∈SE(3),preGrasp_offset,postGrasp_offset

1 eeGrasp_pose←trasnformToEE(target_pose)

2 preGrasp_pose←eeGrasp_pose+preGrasp_offset

3 postGrasp_pose←eeGrasp_pose+postGrasp_offset

4 currentEE_pose←Robot.GetCurrentEEPose()

5 RRTPlanner.init()

6 preGrasp_plan←RRTPlanner.Plan(currentEE_pose,preGrasp_pose)

7 approach_plan←RRTPlanner.Plan(currentGrasp_pose,eeGrasp_pose)

8 retreat_plan←RRTPlanner.Plan(eeGrasp_pose,postGrasp_pose)

9 Robot.Execute(preGrasp_plan,approach_plan,retreat_plan)

/* After executing the above plan,EE will be at post-grasp pose,

therefore the same orientation is used as constraint */

10 P←getCurrentEEOrientation()

11 RRTPlanner.SetOrientationConstraint(P)

12 sa f e_plan=RRTPlanner.plan(postGrasp_pose,sa f e_pose)

13ifRobot.Execute(safe_plan)then

14returnSUCCESS

15else

16returnFAILURE

17end

一旦機(jī)器人接近容器,產(chǎn)生一個(gè)新的運(yùn)動(dòng)計(jì)劃來放置物體和撤退末端執(zhí)行器。這些計(jì)劃也考慮了方向約束。為此,使用了文獻(xiàn)[20]的逆運(yùn)動(dòng)學(xué)求解器庫以及Moveit! C++ API用于與基于采樣的運(yùn)動(dòng)規(guī)劃器(RRT)的高級(jí)接口。

1.4 控制框架

本文的控制框架由行為樹架構(gòu)組成。根據(jù)文獻(xiàn)[7],BT由內(nèi)部節(jié)點(diǎn)(稱為控制流節(jié)點(diǎn))和葉子節(jié)點(diǎn)(稱為執(zhí)行節(jié)點(diǎn))組成。樹的執(zhí)行從它的根開始,向其子節(jié)點(diǎn)發(fā)送tick。當(dāng)且僅當(dāng)一個(gè)內(nèi)部節(jié)點(diǎn)不斷地從它的父節(jié)點(diǎn)接收到滴答聲時(shí),它才會(huì)運(yùn)行(類似地,這可以看作是CPU在執(zhí)行任務(wù)時(shí)接收到的時(shí)鐘信號(hào))。樹的執(zhí)行順序由其配置定義,因此,它既可以從樹的頂部到底部定義,也可以從樹的左側(cè)到右側(cè)定義。子節(jié)點(diǎn)可以向其父節(jié)點(diǎn)返回RUNNING、SUCCESS或FAILURE。只要它們持續(xù)返回RUNNING,內(nèi)部節(jié)點(diǎn)就會(huì)將傳播給它們的子代。

本文采用了6個(gè)動(dòng)作節(jié)點(diǎn)A={Grasp,Place,NavigateTo,looktable,DetectObject,ComputePose}和一個(gè)條件節(jié)點(diǎn)C={IsObjectReachable}。如圖4所示,描述了本工作中用于收集N個(gè)相同類型目標(biāo)的BT體系結(jié)構(gòu)。執(zhí)行順序是從樹的左邊到右邊定義的。在樹的開始設(shè)置object_id,以表示要收集的目標(biāo)的名稱以及它各自的bin索引號(hào)(bin_id)、嘗試次數(shù)(n_attempts)和工作站中存在的同類目標(biāo)的數(shù)量(n_objects)。這棵樹可以看作是一個(gè)參數(shù)化的子行為樹,為了使機(jī)器人完全編程來收集整個(gè)目標(biāo)集,在子樹的頂部應(yīng)用了一個(gè)順序控制流節(jié)點(diǎn)。因此,可以通過使用順序節(jié)點(diǎn)的執(zhí)行層次結(jié)構(gòu)來設(shè)置收集的優(yōu)先級(jí)。每個(gè)動(dòng)作節(jié)點(diǎn)都在ROS中進(jìn)行了接口,并且該樹是使用BehaviourTree.CPP C++框架構(gòu)建的[21]。下面的小節(jié)將解釋每個(gè)操作節(jié)點(diǎn)的描述。

1.4.1 NavigateTo

由于箱子的位置和機(jī)器人應(yīng)該擁有工作站全景的位置都被預(yù)先記錄下來,這個(gè)動(dòng)作只接收目標(biāo)姿態(tài)的索引。此外,它將機(jī)器人的當(dāng)前姿態(tài)分別考慮到映射框架,并評(píng)估是否已經(jīng)達(dá)到預(yù)期目標(biāo)。

1.4.2 ComputePose

該系統(tǒng)的主要特點(diǎn)之一是在不需要復(fù)雜計(jì)算的情況下充分利用全向移動(dòng)基地。如果機(jī)器人不能到達(dá)一個(gè)物體,系統(tǒng)應(yīng)該找到一個(gè)新的移動(dòng)姿態(tài),使檢測到的物體可到達(dá)。此外,如果需要,該節(jié)點(diǎn)將返回最近的視點(diǎn)。這個(gè)動(dòng)作接收當(dāng)前目標(biāo)的3D姿態(tài)作為輸入,并返回一個(gè)移動(dòng)基座應(yīng)該處于的姿態(tài),以使手臂可以到達(dá)物體。在算法2中,描述了該節(jié)點(diǎn)背后的邏輯。候選姿勢脫機(jī)記錄并存儲(chǔ)在一個(gè)哈希表中。此外,如果需要,該節(jié)點(diǎn)可以返回最近的視點(diǎn)姿態(tài)。

1.4.3 LookAtTable

該節(jié)點(diǎn)創(chuàng)建一個(gè)運(yùn)動(dòng)規(guī)劃請(qǐng)求,以設(shè)置臂的配置,使安裝在末端執(zhí)行器上的攝像頭具有工作站的全景視圖。這一配置是在經(jīng)過艱苦的實(shí)驗(yàn)后確定的,以評(píng)估相機(jī)的視野。然而,由于系統(tǒng)的模塊化,臂的配置可以隨時(shí)更換。

1.4.4 DetectObject

這個(gè)封裝了第1.1節(jié)中描述的內(nèi)容。它接收目標(biāo)的object_id,它將提示一個(gè)窗口,用戶需要引入給定目標(biāo)的初始化點(diǎn)。此外,用戶有這個(gè)選項(xiàng)來可視化結(jié)果姿態(tài),并評(píng)估其可靠性。然后,節(jié)點(diǎn)將目標(biāo)設(shè)置在樹的知識(shí)黑板中,因?yàn)槠渌僮鲗乃抢镒x取。

2 實(shí)驗(yàn)設(shè)置

使用KUKA KMR iiwa機(jī)器人進(jìn)行測試和實(shí)驗(yàn),這是一種移動(dòng)機(jī)械手,4輪全向底座,7自由度LBR臂安裝在底座頂部。從EVB中抓取4種組件,并將其對(duì)應(yīng)放入工作站周圍的4個(gè)盒子中。機(jī)器人有兩個(gè)激光掃描儀,在二維地圖上探測靜態(tài)和動(dòng)態(tài)障礙物。對(duì)于物體檢測,RGB-D攝像頭用來增加檢測角度的靈活性。

我們使用了兩個(gè)不同的工作場景(a和b)來測試所提的框架。在場景a中,如圖5(a)所示,這樣機(jī)器人操作時(shí)這個(gè)工作臺(tái)不會(huì)移動(dòng)。此外,場景內(nèi)部只考慮靜態(tài)碰撞障礙物對(duì)象。如圖5(b)所示,在場景b中添加并放置了動(dòng)態(tài)障礙物對(duì)象,會(huì)干擾機(jī)器人的規(guī)劃路徑。這樣做是為了模擬機(jī)器人在執(zhí)行任務(wù)時(shí)可能遇到的任何障礙。兩個(gè)場景都使用Gazebo 9.0設(shè)計(jì)和模擬,帶有2.4Ghz 4核處理器和GeForce GT 750 M顯卡。

(a)場景a實(shí)驗(yàn)工作站

給定一個(gè)特定的EVB組件的布局可以離線知道。收集或優(yōu)先級(jí)的順序可以通過交換不同子行為樹的順序來建立,對(duì)應(yīng)于順序控制流節(jié)點(diǎn)內(nèi)對(duì)同一目標(biāo)類的所有實(shí)例排序的抓取和放置程序。在兩個(gè)場景中,四種組件的分類收集任務(wù)的順序設(shè)置為:蓋板A、蓋板B、電池模塊和L型支架,每個(gè)種類的數(shù)量分別為5、3、7和8。

3 實(shí)驗(yàn)結(jié)果

首先,通過多次運(yùn)行機(jī)器人系統(tǒng),獲得了最佳性能的參數(shù):最大線速度vmax為9.0m/s,最大絕對(duì)角速度θmax為0.4rad/s,最大平動(dòng)加速度amax和旋轉(zhuǎn)加速度αmax分別為2.0m/s2和1.5rad/s2。然后,考慮了兩種工況(靜態(tài)和動(dòng)態(tài)障礙物),根據(jù)成功率和執(zhí)行時(shí)間對(duì)所提出的框架進(jìn)行了評(píng)估。

3.1 案例a——靜態(tài)障礙物

案例a的實(shí)驗(yàn)只考慮靜態(tài)障礙物。如表1所示,總結(jié)了運(yùn)行三次后的結(jié)果,總體上來說,完成4個(gè)目標(biāo)任務(wù)的平均時(shí)間為51.63min,平均成功率達(dá)到95.6%。電池模塊和蓋板A、B的成功率達(dá)到100%。對(duì)于L型支架,由于仿真引擎的限制,機(jī)器人在實(shí)驗(yàn)過程中出現(xiàn)一次無法成功抓取物體的情況,無法成功模擬對(duì)小物體的吸力抓取。評(píng)估是基于模擬的,我們把它記錄為一次失敗的。需要說明的是,完成任務(wù)的時(shí)間也將取決于用戶的專業(yè)知識(shí),以給定相機(jī)當(dāng)前視圖初始化目標(biāo)的姿態(tài),如第1.1節(jié)所述。

表1 案例a的結(jié)果

3.2 案例b——?jiǎng)討B(tài)障礙物

在案例b的實(shí)驗(yàn)中,執(zhí)行同樣的任務(wù)。不同于案例a,每當(dāng)機(jī)器人需要導(dǎo)航到盒子時(shí),就會(huì)在機(jī)器人面前實(shí)例化不同形狀的動(dòng)態(tài)障礙物。表2總結(jié)了運(yùn)行三次后得到的結(jié)果。總體上,完成4個(gè)目標(biāo)任務(wù)的平均時(shí)間為83.09min,比案例a增加了約60%,而為了對(duì)所有目標(biāo)進(jìn)行排序,成功率下降到82.6%。正如預(yù)期的那樣,由于機(jī)器人需要在工作站的兩側(cè)之間進(jìn)行更多的導(dǎo)航,它需要更多的時(shí)間來分類。此外,當(dāng)動(dòng)態(tài)障礙物出現(xiàn)在其面前時(shí),需要重新規(guī)劃和生成新的路徑來避開它。本工作中所使用導(dǎo)航方法的反應(yīng)性能受CPU資源很大影響,因此,完成任務(wù)的平均時(shí)間也受到CPU資源的影響。

表2 案例b的結(jié)果

在表1和表2中,標(biāo)準(zhǔn)值(Std)都相對(duì)較小,表明在所有試驗(yàn)中對(duì)特定目標(biāo)進(jìn)行排序所需的時(shí)間幾乎相同。然而,這個(gè)值可以通過使用更高級(jí)的基于學(xué)習(xí)的跟蹤器來替代自初始化跟蹤器而顯著降低。

在某些情況,執(zhí)行器會(huì)產(chǎn)生不良軌跡,例如,末端執(zhí)行器的姿態(tài)發(fā)生了劇烈的翻轉(zhuǎn),導(dǎo)致物體從末端執(zhí)行器上掉落。因此,保持一個(gè)安全的姿態(tài),我們提出以一定的公差約束臂上的關(guān)節(jié),這反過來又減少了運(yùn)動(dòng)規(guī)劃器所考慮的違反方向約束的軌跡量,如1.3節(jié)所述。為了驗(yàn)證提出方法的優(yōu)勢,接下來分析研究了末端執(zhí)行器的最優(yōu)抓取軌跡。其中一個(gè)例子如圖6所示,可以觀察到末端執(zhí)行器成功地保持其方向,同時(shí)移動(dòng)到安全姿態(tài),這表明所提方法獲得了最優(yōu)抓取軌跡。

圖6 末端執(zhí)行器的三維空間軌跡

4 結(jié)論

本文首次提出了一個(gè)通用/模塊化框架,使用行為樹架構(gòu)在非結(jié)構(gòu)化環(huán)境中自動(dòng)排序EVB組件。該策略使用戶能夠執(zhí)行和監(jiān)視從EVB包中提取和排序組件的過程。所提的框架模擬在兩個(gè)不同的環(huán)境中進(jìn)行了測試:第一個(gè)環(huán)境中,針對(duì)靜態(tài)障礙物的移動(dòng)機(jī)器人在51分鐘完成任務(wù)的成功率為95.6%;而在第二個(gè)環(huán)境,增加了動(dòng)態(tài)障礙物,機(jī)器人在83分鐘能夠成功完成任務(wù)的成功率為82%。所提的框架受益于其部署的行為樹,該行為樹具有推廣各種EVB包的適當(dāng)行動(dòng)的潛力。

基于學(xué)習(xí)的方法實(shí)現(xiàn)自主檢測目標(biāo)并對(duì)其分類,同時(shí)使用點(diǎn)云數(shù)據(jù)進(jìn)行姿態(tài)估計(jì),可以為當(dāng)前的工作提供幫助。此外,機(jī)械臂與移動(dòng)基座之間的充分協(xié)調(diào)以創(chuàng)建更精確的運(yùn)動(dòng)計(jì)劃,并對(duì)三維自由空間進(jìn)行采樣,將增加系統(tǒng)接近和抓取目標(biāo)的魯棒性。這反過來可以增加任務(wù)的成功程度。

從任務(wù)控制體系結(jié)構(gòu)的角度來說,將這個(gè)機(jī)器人系統(tǒng)應(yīng)用到真實(shí)場景中應(yīng)該不困難。但是,可能需要更多的操作或條件節(jié)點(diǎn)來處理將發(fā)生的問題。例如,當(dāng)無法抓取物體,通過添加力-力矩傳感器進(jìn)行正確處理。此外,行為樹提供了一個(gè)很棒的模塊化架構(gòu),可以添加更多的子行為或新的機(jī)器人功能可以有效地處理真實(shí)場景中的問題。