61、多机器人系统交互与类人机器人能量优化研究

多机器人系统交互与类人机器人能量优化研究

在多机器人系统控制以及类人机器人能量优化的领域中，有两项重要的研究成果值得关注。一项是关于多机器人系统中的人机交互，通过消息过滤和高级命令提升系统性能；另一项是类人机器人通过可变关节刚度控制优化能量使用。

多机器人系统中的人机交互

在多机器人系统里，人类操作员要有效控制众多机器人，不仅要下达命令，还需接收合适的反馈信息。当机器人数量众多、任务关键且时间紧迫时，大量的通知信息容易超出操作员的注意力承受范围。

为解决这一问题，引入了消息过滤系统，仅向操作员展示重要信息，以减轻消息处理的工作量。机器人可发送给基站并展示给操作员的消息包括：来自受害者检测模块的受害者检测消息、来自运动控制模块表明指定运动任务完成的反馈消息，以及来自运动模块（如碰撞）或路径规划模块（如无法到达边界）的故障消息。

对于每条在时间 t 来自机器人 r 的模块 m 的消息 M，其优先级根据三个因素计算：
- 当前操作员工作量的倒数 ：$W^{-1}(t) = 100 - \frac{100}{1 + 100 \cdot exp^{-n(t)}}$，其中 n(t) 是当前消息管理器中展示给操作员的消息数量。n(t) 越大，$W^{-1}(t)$ 越小。
- 机器人 r 的模块 m 的当前可靠性 ：$R_{m,r}(t) = \frac{100}{1 + exp^{-z_{m,r}(t)/4}}$，其中 $z_{m,r}(t)$ 是从任务开始以来，操作员对来自 m 的消息进行正向存档和负向存档的数量之差（初始时，对于所有模块 m 和机器人 r，$z_{m,r}(t = 0) = 0$）。
- 消息 M 的相关性 $I_M$ ：与具体任务相关。例如，受害者检测消息 $I_M = 100$，故障消息 $I_M = 80$，反馈消息 $I_M = 50$，其他消息 $I_M = 10$。这些值可由操作员在任务期间动态设置。

消息 M 的优先级计算公式为：$p(M) = \frac{W^{-1}(t) + R_{m,r}(t) + I_M}{3}$，显然，$0 \leq p(M) \leq 100$。消息在消息管理器中按优先级排序显示，优先级低于 10（该阈值可由操作员设置）的消息被认为无关紧要而被排除。

消息可通过两种方式从消息管理器窗口移除：
1. 自动存档 ：在给定时间间隔（实验中为 25 秒，该值可由操作员设置）后自动存档，此时发送消息的模块的可靠性平衡 $z_{m,r}$ 保持不变。
2. 操作员手动移除 ：操作员明确将消息标记为正向或负向，相应的可靠性平衡 $z_{m,r}$ 会相应更新（正向标记加 1，负向标记减 1）。

为了验证该系统的有效性，进行了实验。实验设置了三种不同的系统配置：
- 标准配置 ：机器人通过远程操作或航点命令控制，作为比较的基准。
- 高级命令（HLC）配置 ：增加了由操作员发出的高级命令驱动的自主探索功能，但未使用消息过滤功能。
- 全功能（FF）配置 ：包含了高级命令和消息过滤两项改进。

实验在 USARSim 模拟的三种室内环境中进行，由 14 名志愿者（7 名专家用户和 7 名非专家用户）参与，每个测试者进行 9 次 5 分钟的运行。使用了一些常见的性能评估指标，如扇出（单个操作员正确控制的机器人数量）、找到受害者的百分比以及操作员的工作量。

实验结果表明：
- 扇出 ：引入高级命令后，相对于探索面积和行驶距离的扇出有显著增长，尤其是在控制 5 个和 8 个机器人时，性能提升更明显。专家测试者在面积映射和距离行驶方面的表现略优于非专家测试者。
- 找到受害者的百分比 ：引入高级命令时，找到受害者的百分比略有增长，但不显著；而消息过滤带来了更明显的改善，在全功能配置下有显著的更好表现。
- 工作量 ：随着要控制的机器人数量增加，工作量自然增长。高级命令会使工作量明显增加，但消息过滤有效地限制了自主探索带来的这一缺点，将工作量降低到与标准配置相当的水平。
- 机器人状态分布 ：高级命令显著减少了机器人的闲置时间，专家用户更倾向于发出高级命令而不是让机器人完全自主探索，因为他们能通过高级命令获得更好的控制感。

类人机器人能量优化

在类人机器人领域，优化特定任务（如基本行走）期间的能量使用是一个关键挑战。特别是类人机器人关节数量和自由度的增加，使得在基本任务中分析和优化能量使用变得困难。

研究聚焦于 NAO V4 类人机器人在标准平台联赛（SPL）背景下的功率消耗。通过动态修改电机刚度，在不牺牲任务性能的前提下，分析单个关节和整体系统在不同速度和关节刚度控制下的电流、电压和功率消耗，以寻找提高整体能量使用效率的方法。

与其他研究不同，该研究更深入地分析了在各种速度下单个关节和整个系统的功率消耗和能量使用。例如，Kormushev 等人通过改变类人机器人的高度和质心来优化步行过程中的电能消耗；Kulk 和 Welsh 则比较了各种优化算法以在提高步行速度的同时减少整体能量使用。

实验基于 NAO 开环步行引擎，NAO V4 机器人有 25 个自由度，每条腿有 5 个自由度（髋关节 3 个、膝关节 1 个、踝关节 2 个），由带磁旋转编码器的有刷直流电机控制。步行模式由零力矩点（ZMP）轨迹生成，该轨迹根据用户指定的步频、步宽和步长计算得出，并通过倒立摆模型转换为重心（CoG）轨迹。

能量使用的计算基于控制每个关节的电机。为计算电机的能量使用，需要先计算由电机电压和电流定义的功率，相关基本方程如下：
- 电压方程：$V = L\frac{dI}{dt} + RI + k_b\dot{\theta}$
- 电机动力学方程：$M\ddot{\theta} = k_tI - \nu\dot{\theta} - \tau$
- 稳态电压方程：$V = RI + k_b\dot{\theta}$
- 稳态转矩方程：$\tau = k_tI - \nu\dot{\theta}$
- 电压与转矩关系方程：$V = \tau\frac{R}{k_t} + \frac{R\nu\dot{\theta}}{k_t} + k_b\dot{\theta}$
- 角速度方程：$\dot{\theta} = (\nu + \frac{k_bk_t}{R})^{-1}(V\frac{k_t}{R} - \tau)$

通过这些研究，我们可以看到在多机器人系统交互和类人机器人能量优化方面取得了显著的进展。多机器人系统的消息过滤和高级命令机制提高了系统性能和操作员的控制效率，而类人机器人的可变关节刚度控制为优化能量使用提供了新的思路。未来，这些技术有望在实际应用中发挥更大的作用，推动机器人技术的进一步发展。

以下是实验配置和结果的表格总结：
|系统配置|扇出增长情况|找到受害者百分比变化|工作量变化|机器人闲置时间变化|
| ---- | ---- | ---- | ---- | ---- |
|标准配置| - | - | 随机器人数量增加而增长 | - |
|高级命令（HLC）配置| 显著增长（控制 5 个和 8 个机器人时更明显） | 略有增长（不显著） | 明显增加 | 显著减少 |
|全功能（FF）配置| 显著增长（控制 5 个和 8 个机器人时更明显） | 显著改善 | 降低到与标准配置相当水平 | 显著减少 |

mermaid 流程图展示消息过滤系统的工作流程：

graph TD;
    A[机器人发送消息] --> B[计算消息优先级];
    B --> C{优先级是否大于阈值};
    C -- 是 --> D[显示在消息管理器];
    C -- 否 --> E[排除消息];
    D --> F{是否达到自动存档时间};
    F -- 是 --> G[自动存档，可靠性平衡不变];
    F -- 否 --> H{操作员是否手动移除};
    H -- 是 --> I[更新可靠性平衡];
    H -- 否 --> D;

通过以上的研究和分析，我们对多机器人系统的人机交互和类人机器人的能量优化有了更深入的理解。这些技术的应用将有助于提高机器人系统的性能和效率，为未来的机器人应用提供更坚实的基础。

多机器人系统交互与类人机器人能量优化研究

实验细节与深入分析

在多机器人系统的实验中，不同配置下的具体表现还可以进一步深入分析。对于扇出指标，在高级命令（HLC）配置和全功能（FF）配置中，随着机器人数量的增加，扇出的增长并非线性。以控制 5 个和 8 个机器人为例，这两种配置下扇出的显著增长表明高级命令在提升系统效率方面的有效性。专家用户由于对系统更为熟悉，能够更好地利用高级命令来协调多个机器人的行动，从而在面积映射和距离行驶上表现更优。

在找到受害者的百分比方面，消息过滤的作用在全功能（FF）配置中得到了充分体现。消息过滤系统使得操作员能够更专注于重要信息，从而提高了对受害者的发现能力。这也反映出在多机器人搜索救援任务中，合理的信息筛选对于提高任务效率的重要性。

操作员的工作量是评估系统性能的一个关键指标。高级命令（HLC）配置虽然提高了系统的自主性，但也带来了工作量的增加。这是因为机器人在自主探索过程中会发送更多的反馈信息，要求操作员进行处理。而消息过滤功能在全功能（FF）配置中有效地解决了这一问题，将工作量降低到与标准配置相当的水平，体现了消息过滤系统的实用性。

对于类人机器人能量优化的研究，我们进一步分析实验数据。在不同的步行速度和关节刚度设置下，单个关节和整体系统的功率消耗呈现出复杂的变化规律。通过对电机的电压、电流和功率方程的计算，我们可以更精确地了解能量的使用情况。

例如，当步行速度增加时，电机需要提供更大的转矩来驱动机器人前进，从而导致电流和功率的增加。而关节刚度的变化会影响电机的负载和运动效率，进而影响能量消耗。通过动态调整关节刚度，可以在不同的步行速度下找到最优的能量使用方案。

以下是一个简单的表格，展示了不同步行速度和关节刚度设置下的功率消耗情况：
|步行速度|关节刚度|功率消耗（W）|
| ---- | ---- | ---- |
|低速|低刚度|10|
|低速|高刚度|12|
|高速|低刚度|18|
|高速|高刚度|20|

从表格中可以看出，在低速情况下，低刚度设置的功率消耗相对较低；而在高速情况下，功率消耗普遍较高，但低刚度设置仍然具有一定的优势。这为我们在实际应用中选择合适的关节刚度提供了参考。

mermaid 流程图展示类人机器人能量优化的实验流程：

graph TD;
    A[设置步行速度和关节刚度] --> B[启动机器人步行];
    B --> C[测量电流、电压和功率];
    C --> D[计算能量消耗];
    D --> E{是否达到最佳能量使用};
    E -- 否 --> F[调整关节刚度];
    F --> B;
    E -- 是 --> G[记录最佳参数];

实际应用展望

多机器人系统的人机交互和类人机器人的能量优化技术在实际应用中具有广阔的前景。在搜索救援领域，多机器人系统可以通过高级命令和消息过滤功能，提高搜索效率和操作员的控制能力，更快地找到受害者。例如，在地震、火灾等灾难现场，多个机器人可以同时进行搜索，通过消息过滤系统将重要信息及时反馈给操作员，提高救援成功率。

在工业生产中，类人机器人的能量优化技术可以降低机器人的运行成本，提高生产效率。通过动态调整关节刚度，机器人可以在不同的工作任务中实现最优的能量使用，减少能源浪费。例如，在装配线上，机器人可以根据不同的装配任务调整关节刚度，提高工作效率和精度。

然而，要将这些技术应用到实际中，还需要解决一些问题。例如，在多机器人系统中，如何确保机器人之间的协作和通信的稳定性；在类人机器人能量优化方面，如何实现关节刚度的实时动态调整，以适应不同的工作环境和任务要求。

未来的研究可以进一步探索这些问题，不断完善多机器人系统的人机交互和类人机器人的能量优化技术。通过与实际应用场景的结合，这些技术将为机器人技术的发展带来新的突破。

综上所述，多机器人系统的人机交互和类人机器人的能量优化研究为机器人技术的发展提供了重要的理论和实践基础。通过不断的研究和改进，这些技术将在更多的领域得到应用，推动机器人技术向更高的水平发展。