关键词:
模块化机器人
构型-运动-环境协同优化
图神经网络
进化计算
地形引导模块
摘要:
近年来,机器人与人工智能技术飞速发展,并在多种任务场景中广泛应用,业界对智能机器人需求与日俱增。与过去相比,机器人的应用范畴已逐步由结构化环境延伸至非结构化环境。举例而言,业界期望机器人与人工智能的融合能够应用于军事行动、灾区救援以及复杂环境探索等一系列对于人类来说危险性高且可替代性强的重复性劳动工作任务场景。在这些任务场景里,地形环境繁杂多样,任务要求千差万别。故而,机器人需要拥有更为强大的功能、更高的环境与任务自适应能力,能够依据任务场景和环境地形的改变来调适自身,进而顺利完成复杂非结构化地形上的各类任务。然而,传统机器人因其固定的形态架构、有限的功能以及单一的运动模式,难以契合野外等非结构化环境以及多样化任务的需求。针对传统机器人在非结构化环境中的局限性,模块化机器人正成为一种具有研究和应用潜力的替代方案。
模块化机器人能够凭借对其结构部件及尺寸的重新排列,以适应复杂多变的任务场景与环境。由于模块化机器人的形态与行为与所处地形高度交织,因此在非实验室环境中,尤其是在非结构化的野外地形中,它们的多功能潜力尚未被充分发掘。因此实现模块化机器人的构型与运动策略的协同优化设计,对于维持重构方案的最优性有着重大意义,这是因为唯有同时兼顾这两个方面,才能够确保解空间的完备性。然而,鉴于联合候选空间颇为庞大,这一过程也面临着严峻的挑战。现有的基于进化算法、机器学习或者混合方法的研究存在着一系列的局限性,如目标导向性偏低以及特征利用不充分等。基于此,本文在本研究中把地形引导模块和时空图卷积网络(Spatial Temporal Graph Convolutional Networks,STGCN)架构融入到协同优化框架之中,旨在利用空间和时间维度上的智能体特征来引导优化过程,进一步加快搜索进程并增强模块化机器人的适应能力。本文通过Webots平台开展了模拟实验,以对所提出的方法进行验证。结果表明,本文的框架所生成的重构方案针对多种地形呈现出了高效且适宜的形态与行为适应特性。
综上所述,本文着眼于使模块化机器人能够在非结构化地形上完成各类任务这一需求,从理论方法研究和仿真实验两方面进行探讨。本文的主要工作和贡献如下:
(1)针对现有的模块化机器人的协同优化方法无法实现导向性的搜索的问题,本文提出了一种基于STGCN-GA的模块化机器人协同优化方法。该方法实现了面向目标的搜索,并且结合了STGCN预测的时空特征,同时优化机器人的配置和运动控制器,以加速模块化机器人在广阔的联合设计空间中的搜索速度和收敛速度。
(2)为了充分挖掘模块化机器人在非结构化地形上的多功能潜力,本文提出了一个集成到STGCN-GA框架中的地形引导模块。该模块作为STGCN-GA协同优化方法的预训练阶段,把非结构化的地形信息当作先验知识融入到模块化机器人的基因中,进而生成经过优化的初始种群机器人库供STGCN-GA方法使用,以此增强模块化机器人在各种任务和野外地貌中的适应性。
(3)完善了WeVolve重构仿真实验平台。WeVolve仿真平台基于Webots开发,但它缺少协同优化求解方法,且复杂环境和任务的多样性不足。为此,本文完善了该平台中的构型-运动协同优化框架,并在原有基础上增加了多种模块化机器人的重构仿真地形和任务。