НАВИГАЦИОННАЯ СИСТЕМА МОБИЛЬНОГО РОБОТА НА ОСНОВЕ ДВУМЕРНОГО КОДА

​MOBILE ROBOT NAVIGATION SYSTEM BASED ON TWO-DIMENSIONAL CODE

Wang Yuwei

Student, Department of Robotic Systems and Mechatronics, Bauman Moscow State Technical University,

Russia, Moscow

Solntsev Vitaly Igorevich

Scientific supervisor, candidate of Technical Sciences, associate professor, Bauman Moscow State Technical University,

Russia, Moscow

АННОТАЦИЯ

Рассматриваются и анализируются навигационные технологии, технологии позиционирования и технологии планирования маршрута мобильных роботов. И изложина технология, связаннуя с двумерным кодом. Завершена схема системы навигации мобильного робота на основе двухмерных кодовых ориентиров. Традиционный алгоритм муравьиной колонии оптимизирован, а надежность улучшенного алгоритма проверена с помощью экспериментов по моделированию.

ABSTRACT

Navigation technologies, positioning technologies and route planning technologies of mobile robots are considered and analyzed. And the technology associated with the two-dimensional code is outlined. A diagram of a mobile robot navigation system based on two-dimensional code landmarks has been completed. The traditional ant colony algorithm is optimized and the reliability of the improved algorithm is verified through simulation experiments.

Ключевые слова: система навигации, планирование пути, ориентир по QR-коду, алгоритм муравьиной колонии, мобильный робот.

Keywords: navigation system; path planning; QR-code landmark; ant colony algorithm; mobile robot.

В данном исследовании для определения местоположения и навигации мобильного роботизированного комплекса используется подход на основе двухмерного кода. 2D-код может направлять мобильного робота через прямолинейные движения вперед или назад, вращение на месте и т.д. Маршрут можно выбирать, а позиционирование является точным, что идеально подходит для использования в закрытых помещениях в операционной.

Считыватель 2D-кодов устанавливается на роботе перпендикулярно земле и регулируется по высоте, что обеспечивает идеальное поле зрения и высокую точность распознавания.

Для считывания кода используется разработанный компанией P+F считыватель PGV150I-F200, как показано на рисунке 1, который может считывать информацию Data Matrix в режиме реального времени и получать номер метки Data Matrix, а также расстояние и угловое отклонение считывателя кода относительно центральной точки Data Matrix с погрешностью положения 0,2 мм и угловой погрешностью ±0,1°. Он имеет собственный вспомогательный источник света и может использоваться в темных условиях. Считыватель использует протокол связи RS485.

Рисунок 1. Считыватель QR-кодов

Основная структура матрицы данных показана на рисунке 2. Правила кодирования матрицы данных используют двоичное кодирование, где черный цвет обозначает 1, а белый - 0. Комбинация 1 и 0 образует матрицу [1, с. 20], передающую содержание сообщения, которое может быть распознано читателем.

Рисунок 2. Двумерный код Data Matrix

Преимущество Data Matrix заключается в его надежности: считывающее устройство может прочитать 20% кода и получить его полное содержание, даже если код поврежден до 60% от первоначального размера. Это делает его подходящим для часто очищаемой среды в медицинских операционных. Большой объем данных, который может быть сохранен в коде Data Matrix, не связан с размером самого кода и может быть изменен по желанию [2, с. 18].

Внешний край кода Data Matrix представляет собой непрерывный круг из "1" и двух чередующихся краев из "1 и 0", которые образуют область позиционирования, где код Data Matrix считывается считывающим устройством. Остальная часть кода, это область данных, которая содержит информацию этого двумерного кода.

Выше перечислен принцип использования одного 2D кода для достижения позиционирования. Из-за ошибок в навигации и управлении движением самого мобильного робота, также возможно объединить несколько 2D кодов в виде матрицы в набор комбинированных меток 2D кода, чтобы гарантировать, что считыватель кода сможет прочитать 2D код в рисунке 3.

Рисунок 3. Комбинация 2D-кода

Алгоритм муравьиной колонии, это алгоритм группового интеллекта, предложенный итальянским ученым Дориго [3, с. 60], вдохновленный механизмом биологической эволюции, который был расширен от первоначальных теоретических исследований до других конкретных областей применения [4, с. 32]. Согласно многолетним исследованиям биономов, муравьи обладают способностью находить кратчайший путь от колонии к источнику пищи без каких-либо видимых подсказок, а также искать новые пути и генерировать новые варианты при изменении окружающей среды. Передача информации между особями в колонии, а также между особями и окружающей средой во многом зависит от феромонов - химических веществ, вырабатываемых муравьями. Муравьи оставляют феромоны на дорожках, по которым они проходят, и способны чувствовать концентрацию феромонов, уже присутствующих на дорожке [5, с. 153]. Со временем феромон испаряется, что увеличивает пространство поиска для муравьиной колонии и может предотвратить преждевременное схождение алгоритма к локальному оптимуму.

Чем короче путь, тем больше муравьев проходит по нему одновременно, и чем выше концентрация феромона на пути, тем больше вероятность, что в следующий раз он будет выбран другими муравьями, что увеличивает концентрацию феромона на пути, тем самым демонстрируя явление положительной информационной обратной связи коллективным поведением колонии. Именно через этот механизм непрямой коммуникации отдельные муравьи ищут кратчайший путь от муравейника к источнику пищи. Во время поиска оптимального пути колония демонстрирует три типа разумного поведения: муравьи обладают функцией памяти, муравьи общаются друг с другом посредством феромонов, а процесс поиска является коллективным поведением колонии муравьев.

Для решения проблем стагнации и медленной сходимости алгоритма муравьиной колонии, применяемого для планирования пути двумерного мобильного робота в рабочей среде со структурированной сеткой, в данном исследовании предлагается метод планирования пути двумерного мобильного робота, основанный на усовершенствованном алгоритме муравьиной колонии. Во-первых, ограничивая направление поиска муравьев, т.е. помещая робота в рабочую среду со структурированным растром, расстояние, пройденное роботом в этой среде, является расстоянием Манхэттена от текущей точки до следующей точки, и он может двигаться только в горизонтальном и вертикальном направлениях, что повышает эффективность поиска алгоритма. Затем путем введения адаптивных функций ожидания и эвристических факторов вероятность перехода состояния динамически регулируется, чтобы избежать попадания алгоритма в застойное состояние и улучшить скорость сходимости алгоритма. Во-вторых, для решения проблемы, связанной с тем, что роботу требуется больше времени в процессе поворота, робот проходит большее расстояние и работает неэффективно, увеличивается длина пути путем введения коэффициента влияния поворота, а затем выбирается оптимальный путь в соответствии с увеличенной длиной пути. Наконец, с помощью симуляций в MATLAB было проверено, что метод в данной работе может быстро спланировать оптимальный путь от начальной точки до целевой точки для двумерного мобильного робота в структурированной растровой рабочей среде.

Рисунок 4. Растровая модель среды

Алгоритм муравьиной колонии является интеллектуальным эвристическим алгоритмом, и эвристический фактор оказывает большое влияние на производительность алгоритма. Эвристическим фактором традиционного ACO является обратное евклидово расстояние от точки до точки, что имеет определенные недостатки в структурированной сетчатой среде двумерного мобильного робота. Для двумерного мобильного робота, расположенного в позиции на рисунке 4, единственными направлениями, которые робот может выбрать дальше, являются 1, 3, 5 и 7. Для того чтобы робот быстрее всего достиг целевой точки, робот должен выбрать позиции 5 и 7 как можно ближе к конечной точке T. Введение адаптивной функции ожидания по-разному оценивает соседние узлы, увеличивая разрыв в вероятностном выборе между соседними узлами и улучшая результаты поиска.

Сочетая преимущества детерминированной и случайной стратегий выбора, введение эвристического фактора может динамически регулировать вероятность передачи состояния, чтобы избежать застоя алгоритма, а также сделать выбор муравья лучше.

Как показано на рисунке 5, робот находится на позиции номер 1 и проходит через номер 2, чтобы достичь позиции номер 3. Для того чтобы повернуть, роботу необходим процесс ускорения и замедления на позиции номер 2. Для целей расчета временная диаграмма скорости робота может быть представлена на рисунке 18, где от 0 до t3 - движение робота от номера 1 к номеру 2, а от t3 до t5 - движение робота от номера 2 к номеру 3.

Рисунок 5. базовый блок

Роботу необходимо совершить поворот под номером 2, слишком большое количество поворотов серьезно влияет на эффективность работы робота, поэтому кратчайший путь не обязательно является оптимальным для реальной работы робота, также следует учитывать гладкость пути. Сокращение количества поворотов двухмерного мобильного робота повысит эффективность его работы.

Моделирование планирования пути алгоритма муравьиной колонии реализовано в MATLAB. Эксперименты по моделированию были проверены в растровой среде 15*15, 30*30 и 50*50. После нескольких сравнений и анализов параметры в имитационных экспериментах были заданы следующие: ρ=0.2, α=2, β=8, Q=1, количество муравьев M=50, количество итераций K=200 и λ=0.5.

Результаты экспериментального сравнения в растровой среде показаны ниже. Имитационные эксперименты проводились для различной сложности модели среды, а препятствия генерировались случайным образом в заданном размере растровой карты, и все данные экспериментальных результатов приведены в рис. 6 - 11, таблице 1.

Таблица 1.

Экспериментальные данные для моделирования планирования пути

Заключение. Эксперименты рис. 6 - рис. 11 проводятся в растровой среде (длины на рисунке и в таблице - единицы длины) с заданными препятствиями, начальными и целевыми точками. Сравнивая графики планирования пути и графики сходимости алгоритмов традиционного алгоритма и двух улучшенных алгоритмов, можно увидеть, что улучшенный алгоритм в данной работе значительно превосходит традиционный алгоритм муравьиной колонии и алгоритм из сравнительной литературы в структурированной растровой рабочей среде. Данные моделирования в таблице 1, это средние данные, полученные в результате 20 итераций эксперимента. Из экспериментальных данных видно, что улучшенный алгоритм муравьиной колонии в данном исследовании имеет меньшее количество итераций, более короткое время пути и движения, и что улучшенный алгоритм в данном исследовании сходится быстрее.

Список литературы:

1. Лу Чанъинь. Разработка и внедрение платформы управления информацией об отслеживаемости удобрений на основе технологии распознавания двумерного кода [D] Университет Китайской академии наук (Школа инженерного менеджмента и информационных технологий), 2016 г.
2. Ван Чжаоран. Исследования по извлечению признаков, расположению и исправлению штрих-кода промышленной матрицы данных [D] Тяньцзиньский университет, 2014 г.
3. NINGZhi-min, NINGZhi-min. обзор развития технологии AGV [J]. Навигация и управление, 2014(05): 58-63.
4. Чжан Сяоли, Ян Ясинь, Се Юнчэн Применение усовершенствованного алгоритма муравьиной колонии в планировании маршрута робота [J] Компьютерная инженерия и приложения, 2020, 56(02): 29-34.
5. Нин Цзясю, Чжан Цинь, Чжан Чаншэн и др. Алгоритм оптимизации муравьиной колонии с оптимальным обновлением информации[J], Информационные науки, 2018, 433-434:142-162.