多采摘机器人分布作业目标跟踪算法研究

王　娜，谢军艳

(1.河南工业职业技术学院 机电自动化学院，河南 南阳　473000；2.济源职业技术学院 机电工程系，河南 济源　459000)

0　引言

随着互联网和物联网的相互结合，无线网络的应用场合越来越多，其已经渗透并慢慢应用到工业生产和日常生活的各方面。近年来，无线通讯技术和机器人技术发展迅速，工业机器人逐渐开始采用无线通信方式，而本身带有通讯功能的无线传感网络也逐渐受到人们的关注。本文引入无线传感技术，提出了一种基于网络节点的分布式目标跟踪算法。该算法将无线传感网络与数据融合技术相结合，应用于采摘机器人编队的目标跟踪。

1　无线传感网络的体系结构及其定位技术

1.1　无线传感网络的体系结构

无线传感网络的体系结构如图1所示。一个典型的无线传感器网络结构主要由传感器、汇聚节点或通信卫星及任务管理节点等部分构成。从内部结构看，传感器节点内部一般集成一个比较小型的嵌入式控制系统，该载体结构单一，处理和存储信息能力有限，常常需要纽扣电池给其供电；但从网络功能而言，单个节点都具有终端和路由器两种用途，不但可以搜集本身监测到的信息，还能接收并存储其他节点信息，也可以同其他节点协作实现指定功能。汇聚节点作为传感器网络与等外部网络的小型信号中转站，其处理、存储信息及通讯能力都较强，具备发布节点任务的功能。

图1　无线传感网络的体系结构

大量线传感器节点分布在监测区域，它们以无线网络为平台，通过自组织形式，顺着其它节点逐级跳动传递和交换信息；传感节点采集到的数据通过传感器网络传递到汇聚节点，通过网络、卫星通讯传递到管理节点，用户中心通过管理节点的数据信息发布监测任务。

1.2　无线传感网络的定位技术

在无线传感器网络中，定位采用依靠已有节点信息，判断未知节点信息，并有序建立传感网络的空间关系，从而达到定位的目的。一般将己知和未知位置节点分别称为参考和未知节点。比较常见的定位方式是测量节点信号强度，并根据电波传播模型对目标节点位置进行计算，这一技术重点是以信号衰减程度为参考值确定未知节点位置信息。

1.2.1RSSI测距法

RSSI测距法是一种根据无线信号强度变化判断已知节点和未知节点距离远近的方法。在预先知道发射信号功率大小的情况下，通过传感节点测量感知到的功率，即可根据信号传播模型判断距离。信号衰减模型表达方程为

(1)

其中，p(d)表示与基站之间相距d时传感节点实际测得的信号强度值；p(d0) 表示与基站之间相距d0的无线信号强度；n为比例因子，依赖于障碍物结构与材料；nW为无线传感节点与基站间障碍物的数量；WAF为信号传播路径损耗附加值。一般无线传感节点与相邻节点之间进行通讯时，射频信号强度能够被信息获得者直接获取，且该步骤无需加强现有无线信号带宽和能量消耗。

1.2.2节点位置计算

在无线网络定位中，未知传感节点可以根据与相邻已知节点的距离远近或相对角度，采用三边、多边或极大似然法计算其位坐标。因三边测量法具有操作简便、速度快等优点，本文采用该算法进行节点位置的计算。

在立体空间中，知道某未知节点与4个以上已知节点的距离信息，就能计算该点准确坐标；而在无线传感网络中，由于是二维空间，因此只需要未知节点与c的距离信息，即可计算该点坐标。三边测量示意如图2所示。

图2　节点位置三边测量示意图

图2中，假设p(x,y)为未知节点坐标，N1(x1,y1)、N2(x2,y2)和N3(x3,y3)为3个已知节点坐标，p(x,y)到3点的距离分别为d1、d2和d3。根据二维坐标计算方法，可以得到

(2)

式(2)化简后得到未知位置节点p(x,y) 的坐标为

(3)

2　构建多采摘机器人协作作业地图

1)环境特征值的集合表达式为

(4)

2)目标观测值的集合表达式为

(5)

其中，d和γ分别为已知信标特征点与采摘机器人的相对距离和相对角度。

3)编队相邻采摘机器人Rj观测值集合可表示为

(6)

4)伪观测值集合表达式为

其中，lRi为采摘机器人Ri获得的伪观测值，该值大于等于0。

图3　环境特征观测示意图

图3中，Rj为编队相邻的采摘机器人；T为追踪目标；lm为环境特征；箭头虚线为Ri的另外3个探测目标。

假设在时间节点k的Ri系统状态变量为

(8)

其中，L为探测到的环境状态分量。另外，Ri对Ri的状态估计为

(9)

其中，(X(Ri,Rjxy)T为R和Ri两者的相对位置状态；(X(Ri,Rjθ)T为R和Ri两者的相对位置状态。

在复杂的作业环境中，采摘机器人编队分布式作业目标跟踪过程可以描述为：①采摘机器人Ri在作业中进行定位、构建作业地图及目标跟踪等一系列活动；②Ri与编队中另一采摘机器人Rj建立通讯并得到对Rj的观测值，然后计算出对Rj姿态信息估计值，并传输给Rj；③Rj接收姿态信息估计值后，采用数据融合技术更新其信息。

3　目标跟踪算法设计

3.1　目标跟踪算法节点通信开销

高斯混合模型表明：每一个概率分布都能通过有限个高斯函数组合实现。由n个传感网络节点组建的WMSN对目标实行跟踪，需要通过具体的监测值得到目标状态信息，然后根据后验概率分布组成高斯混合模型，即

(10)

其中，θ={αj,uj,∑j}；j=1,…,q；i=1,…,n；αj为混合比例系数；uj为均值；Σj为高斯混合项的协方差；zi的似然函数为αjujΣj，则

(11)

最大化算法(EM)是专门用于概率参数模型的迭代算法，是一种通过拟合观测信息对模型计算的方法，主要包含期望和最大值化两步骤。式(10)中高斯混合模型采用该算法可看作为

1)计算期望。

(12)

2)计算最大值化。高斯混合模型αj、uj和Σj的迭代算法为

(13)

(14)

(15)

给式(13)、式(14)和式(15)定义参数，则

(16)

(17)

(18)

则高斯混合模型可用本地参数表示为

(19)

(20)

(21)

从式(19)、式(20)和式(21)3个式子可以看出：采用本地参数置换后，高斯混合模型进行无线传感节点间的数据交换的通信开销大大降低。

3.2　分布式数据融合技术

分布式数据融合技术一般采用平均一致性滤波器将单个节点得到的环境特征进行计算，然后将其送融合中心用权值协方差，最后计算其全局状态评估。分布式数据融合结构如图4所示。

图4　分布式数据融合结构

图4中，分布式数据融合体系中传感节点均具有相同等级的地位，位于待追踪目标周边节点均能对跟踪目标采样并采用平均一致性滤波器计算其姿势状态信息，然后通过附近传感节点间进行通信及开展数据融合，求出跟踪目标的全局状态评估。

根据分布式数据融合原理可以求出本地输入ui的平均值，即

(22)

因此，式(19)～式(21)的全局表达式为

(23)

(24)

(25)

目标跟踪算法模型中全局参数θ表达式可改写为

(26)

(27)

(28)

其中，式(27)和(28)分别为高斯混合模型对跟踪目标姿态信息求解的全局评估均值和协方差。

4　实验结果与分析

为了验证基于无线传感网络的目标跟踪算法在采摘机器人分布式作业的可行性和有效性，本文通过仿真实验对其进行了验证。实验在MatLab7.0平台下进行。机器人编队包括两台苹果采摘机器人，仿真区域为5 000m×5 000m，环境中随机分布着500个节点。仿真参数设置如表1所示，结果如图5所示。

由图5可以看出：实线为待跟踪目标机器人，虚线为跟踪作业机器人。该算法在初始位置估计与跟踪目标相差600m时，没有出现发散现象，而是根据节点探测目标距离和角度直接跟踪目标，经过一段时间后跟踪效果明显提升。试验结果表明：该无线传感网络目标跟踪算法在采摘机器人分布式作业中，在满足目标跟踪精度状态下，大幅度减少了数据融合的通信开销，能够准确完成对目标跟踪的要求，应用前景广阔。

表1　仿真参数设置

图5　仿真结果图

5　结论

本文首先分析了无线传感网络的结构及其定位技术特点；然后构建了多采摘机器人协作作业地图，根据实际需求设计研究了一种与数据融合技术相结合的分布式目标跟踪算法，应用于采摘机器人编队的目标跟踪；最后，利用MatLab7.0平台对目标跟踪算法进行了仿真。试验结果表明：该算法在采摘机器人分布式作业中，在满足目标跟踪精度状态下，大幅度降低了数据融合的通信开销，能够准确完成对目标跟踪的要求。