基于英语文本遥控的采摘集群机器人系统设计

赵 宏

(吉林师范大学，吉林 四平 136000)

0 引言

云计算是一种新的商业计算模型和服务模式，是分布式计算、并行计算、效用计算、网络存储、虚拟化及负载均衡等传统计算机和网络技术发展融合的产物。并行计算是指同时使用多种计算资源解决计算问题的过程，是提高计算机系统计算速度和处理能力的一种有效手段。随着云计算和并行计算技术的发展，机器人的集群控制成为可能，如果将机器人集群控制引入到采摘机器人的控制系统中，通过批量采摘机器人的作业控制，并采用基于英语文本遥控的编程技术，将大大提高采摘机器人的作业效率，提高作业质量。

1 英语文本程序遥控和采摘机器人集群系统

英语文本程序是机器人遥控程序中最常用的编程符号，特别是一些英文缩写，如RF表示射频，RLC表示在无线遥控系统链路中链路层的协议，RS一般表示遥感。英语文本在很多控制场合可以作为程序开发语言，特别是英语简写，占用内存小，容易实现，如一组PLC程序如下：

LPP

TON T37, 30

LDN Q0.4

TON T60, 30

LD I0.0

利用英语文本程序可以直接对程序中对应的名称进行定义，然后通过编程对各个功能部位进行控制，以黄瓜采摘机器人为例，图1为中国农业大学研制的一款黄瓜采摘机器人。

图1 黄瓜采摘机器人Fig.1 The cucumber picking robot

利用编程技术可以实现黄瓜采摘机器人远程和自动化控制，而程序采用英文文本编写，可以占用更少的内存，提高采摘机器人的控制效率，其控制过程如图2所示。英语文本程序包括英语缩写和功能代码，可以实现采摘机器人采摘作业的控制。在采摘机器人实际作业时，如果采用采摘机器人集群的方式，可以大大提高采摘机器人的作业效率。本研究将采用蚁群算法和英语文本编程的方式，测试该设计方案的可行性。

图2 基于英语文本的采摘机器人控制流程Fig.2 The control flow of picking robot based on English text

2 基于蚁群算法优化的采摘机器人集群系统

蚁群算法利用自适应反馈调节可以找到搜索目标的最佳路径；此外，蚁群算法还有另外的一些功能，如避开障碍物的能力和对环境的适应能力，即当蚂蚁的巢穴和食物之间存在障碍物时，蚂蚁群体可以顺利地避开障碍物，找到距离食物的最佳距离。在搜索过程中需要借助于多目标优化策略，从而实现群体的最优行为，其行为示意图如图3所示。

蚂蚁算法原理较为简单，主要是根据大量蚂蚁留下的信息素，选择避开障碍物又到实物最近的距离，其过程如图4所示。

图3 蚂蚁群体避障行为Fig.3 The avoiding obstacle behavior of ant colony

图4 蚁群算法基本流程图Fig.4 The basic flow chart of ant colony algorithm

该算法是基于自然中蚁群的觅食过程，路径选择具有随机性，每个蚂蚁在算法中独立存在，在进行算法优化时具有并行行为，因此在一定程度上要优于其他一些算法。

在蚂蚁寻找食物的过程中，距离食物最近的蚂蚁的信息元素多，评价算法效果的好坏可以用适应度函数来表示，如违背函数和资源利用函数。SLA违背函数为

(1)

其中，uCPU表示物理结点的CPU利用率，可以通过改变该值的门限值90%，降低违背率。当超过门限值时，fSLA会迅速地下降，该值越低，CPU的利用率越低，越不利于蚁群算法的实现。另外一个函数是资源利用函数，即

fresource(uCPU,umem,ubw)=uCPU·umem·ubw

(2)

其中，uCPU、umem、ubw表示物理结点上CPU、内存和网络带宽的利用率。资源利用函数反映了蚁群算法实现过程中各种资源的利用率，该值越大，说明越有利于蚁群算法的实现。蚁群算法在实现时，每只蚂蚁在完成一次循环后会形成信息素轨迹，信息素的浓度会影响蚂蚁的搜索路径。在搜索初期，信息素的浓度是相同的，在每次循环以后，在最优搜索路径上对信息素进行更新和加强，其更新的规则为

(3)

(4)

其中，allowedk=(1,2，…,n)-tabuk表示蚂蚁k下一次允许选择的虚拟机；α是信息启发式因子；β是能见度启发式因子；γiu是虚拟机i上的信息素强度；ηiu为能见度因数，其表达式为

(5)

其中，rCPU、rmem、rbw分别为虚拟机i请求的CPU、内存和网络带宽占主机结点u上相应资源的比例；ηiu为蚂蚁搜索虚拟机i的启发程度。为了提高计算资源的利用，提高采摘机器人群的控制效率，可以采用并行控制策略，发挥蚁群算法的集群控制效果。蚁群算法是典型的并行控制策略，在下节中，将采用英文文本编程的方法实现该算法，并对其控制效果进行测试。

3 基于英语文本程序控制的采摘机器人集群控制测试

为了验证蚁群算法在采摘机器人集群控制中的作用，本次采用文本编程的方法，将蚁群算法嵌入到采摘机器人集群控制系统中。为了简化实验，将采摘机器人以载体部分代替，对采摘机器人的群体避障行为进行实验，如图5所示。

图5 采摘机器人集群控制实验Fig.5 The cluster control experiment of picking robot

在实验室人为设置了一些障碍物，对采摘机器人群体的避障行为进行了测试，通过测试得到了如图6所示的测试结果。

图6 采摘机器人群避碍物测试Fig.6 The crowd obstacle avoidance test of picking machine

由测试结果可以看出：采用蚁群算法可以成功地实现采摘机器人群体的避障行为，且可以搜索得到最佳路径。表1表示对不同数目的采摘机器人进行测试得到的测试结果。

由测试结果可以看出：随着采摘机器人数目的增多，其集群的避障效果和最优路径的搜索准确率也保持较高的水平，从而验证了算法的可靠性。

表2为对采摘机器人集群的计算时间和计算效率进行了测试的结果。测试结果表明：蚁群算法并行计算时间比串行计算时间效率更高，更节省时间，蚁群算法是一种有效和可靠的采摘机器人集群控制算法。

表1 采摘机器人群避障行为测试Table 1 The obstacle avoidance behavior test of picking machines

表2 采摘机器人群计算机时间和效率测试Table 2 The computer time and efficiency tests of crowds picking machines

4 结论

基于英语文本编程和蚁群算法，设计了一种适用于多采摘机器人控制的群体控制算法，并利用多目标优化算法对采摘机器人的路径搜索算法进行了设计。为了验证方案的可行性，以多采摘机器人控制系统为测试对象，对多采摘机器人的避障行为和算法效率进行了测试。测试结果表明：随着采摘机器人数目的增多，其集群的避障效果和最优路径的搜索准确率也能保持较高的水平。蚁群算法并行计算时间比串行计算时间效率更高，更节省时间，从而验证了算法的可行性和可靠性，为采摘机器人集群控制系统的研究提供了较有价值的参考。