多移动机械臂系统的链式任务通过基于时变循环神经网络的领导者-跟随编队运动规划方案得以解决

《Neurocomputing》：Chained task of multi-mobile manipulator system solved by leader-following formation motion planning scheme based on time-varying recurrent neural network

多移动机械臂系统提出链式任务解决方案，结合领导者-跟随者 formations 动态规划与二次规划优化，通过时间变 recurrent 神经网络实现约束条件下的最优路径规划，实验验证了方案有效性。

　　

张志军|高西同|张明阳

中国广东省广州市华南理工大学

摘要

为了使多移动机械手能够完成链式任务，本文提出并分析了一种领导者-跟随者编队运动规划（LFFMP）方案。链式任务由多个连续的子任务组成，在实际应用中非常普遍。在本文中，链式任务是指多移动机械手系统首先完成编队任务，然后再完成机械手的末端执行器任务。为此，首先设计了多移动机械手系统的模型和刚性无向通信拓扑结构。其次，制定了编队控制方案。然后，对领导者和跟随者的运动学进行了建模，并建立了系统的领导者-跟随者约束、通信约束和物理约束。第三，提出了运动规划方案，并将其表述为标准的二次规划问题。第四，设计了一个时变循环神经网络来求解该二次规划问题。最后，通过实验结果验证了LFFMP方案的有效性和必要性。

引言

近几十年来，由于劳动力成本节省和效率提高[1]、[2]、[3]，越来越多的机器人被应用于各个领域。然而，单个机器人的能力有限，使用多个机器人来完成复杂任务更为高效。因此，研究人员致力于开发更实用的多机械手系统，这些系统在装配[4]、焊接[5]、运输[6]等相关领域具有潜在应用。

目前，大多数研究集中在多固定机械手系统上。然而，多固定机械手的作业范围有限[7]。为了扩展多机械手的工作范围，人们扩展了轮式平台，构成了多移动机械手系统。为了确保多移动机械手系统能够成功完成协作任务，需要考虑每个移动机械手的相对位置和速度的一致性。否则，任务失败的风险将显著增加。显然，多移动机械手系统不仅仅是多个独立移动机械手的简单组合，其区别不仅在于适用性和任务完成效率，还在于整体水平和个体水平的考虑。

在以往的研究中，移动机械手通常被分配单一任务。随着智能技术的发展，完成单一任务变得相对容易[8]。在实际情况中，任务通常是连续的而不是单一的，这类任务可以称为链式任务。以多机械手系统对大型载体进行除锈为例，首先，多移动机械手需要自主组成编队包围大型载体，然后通过规划机械手的末端动作来执行除锈工作，如图1所示。因此，实现多移动机械手的链式任务是一个具有挑战性和趣味性的课题。

迄今为止，关于编队的研究主要集中在多智能体领域。张等人研究了输入饱和的多智能体系统的时变编队问题[9]。马等人提出了一种基于神经网络观察器的多智能体系统的有限时间预设编队策略[10]。在相互连接的拓扑结构中，刘等人提出了一种可以为多智能体系统提供瞬态性能的编队控制方法[11]。虚拟结构方法是编队研究中常用的方法之一。虚拟结构方法的核心思想是多个智能体在指定方向上保持严格的几何关系运动，但确定智能体之间的位置关系是一个具有挑战性的问题[12]。比尔德等人设计了一种适用于集中式和分布式控制的虚拟结构方法，并通过明确定义的反馈信息成功解决了太空中的航天器编队问题[13]。奥格伦等人利用李雅普诺夫函数定义了编队误差，并通过参数化轨迹将编队信息发送回虚拟领导者[14]。杨等人设计了一种虚拟结构方法，以实现多智能体系统的期望编队获取、编队稳定性维护和编队反馈，有效提高了系统编队的稳定性[15]。

多移动机械手之间的通信关系是重要的约束条件之一。在实际应用中，由于通信带宽和通信范围的限制，主要关注的是设计只需要交换局部邻居信息的通信约束。金等人提出了一种分布式方案，用于在通信条件有限的情况下实现多个冗余机械臂的全局协作，并基于指定的优化指标实现最优性[16]。吴等人提出了一种新的方法，通过约束优化来解决冗余移动机械臂的分布式协作问题[17]。刘等人通过有向拓扑结构研究了多个机器人的分布式协作运动[18]。

除了考虑编队方案和通信之外，多移动机械手系统的运动规划方案也很重要。这是因为每个机械手都有其机械结构，其末端执行器需要完成设定的任务，而这在传统的多智能体系统中并未考虑[19]。移动机械手的运动规划方案通常被表述为统一的二次规划（QP）问题，然后通过神经网络进行最优求解。张等人提出了一种变参数循环神经网络来求解单个机械手的QP问题[20]。单个机械手与多移动机械手系统的区别在于QP问题的处理方式。多移动机械手系统需要将每个单独机械手的约束进一步耦合到一个矩阵中，然后表示为QP问题。金等人使用神经网络算法实现了多个机械手的分布式任务分配。然而，该方案仅将机械手视为没有运动行为的粒子[21]。杨等人设计了一种投影神经网络来解决双机械手的QP问题。但是，两个机械手之间的运动依赖于各自控制系统的指令，两者之间没有协作行为[22]。李等人通过分布式神经网络解决了多机械手的协作运动规划问题[23]。然而，该系统更侧重于完成单一任务。目前，关于冗余机械手的基于神经网络的运动规划方法的研究大多集中在单个机械手或单一任务上。

与现有研究不同，在本文中，每个机器人不再被视为编队设计中没有任何内部结构的移动点，而是被视为具有几何尺寸配置的移动机械手。此外，在传统的编队中，任务被认为在智能体形成特定编队时完成。实际上，除了形成特定编队外，机器人还需要执行后续任务。本文考虑了任务的连续性，将编队和运动规划设计为链式任务。所设计的LFFMP方案的结构流程如图2所示。本文的主要贡献如下：

•

提出了一种新的LFFMP方案，不仅可以实现机械手系统的编队，还可以规划末端运动。所提出的LFFMP方案包括多种约束，如领导者-跟随者约束、通信约束和多移动机械手的物理约束。此外，该方案适用于任何拓扑结构的多移动机械手系统。

•

据作者所知，这是首次同时考虑智能体的结构特性和任务的连续性，并设计了多机械手系统的编队和运动规划以解决链式任务。

•

基于系统运动模型设计了一种分布式编队算法，最初作为多移动机械手系统的控制器提出。

本文的其余部分分为五个部分。第2节描述了图论和多移动机械手系统的模型。第3节设计了多移动机械手系统的编队方案和运动规划方案，并将运动规划方案表述为QP问题。第4节利用分布式循环神经网络求解QP问题。第5节通过实验验证了LFFMP方案的有效性。第6节总结了整篇文章。

部分摘录

多移动机械手系统描述

在本节中，首先将多移动机械手系统的通信拓扑图描述为刚性无向图，并介绍了图论的相关知识。然后描述了系统的内部结构。

多移动机械手系统的LFFMP方案

在本节中，首先设计了多移动机械手系统的编队方案，并建立了系统的运动学模型。然后，制定了系统的通信约束和关节物理极限约束。最后，将这些约束整合到一个约束优化的运动规划方案中，再将其表述为QP问题。值得注意的是，所提出的LFFMP方案包括编队方案以及

神经网络设计

在本节中，设计并提出了一种时变循环神经网络，用于解决多移动机械手系统的运动规划问题（40）。

计算机实验验证

在本节中，通过实验验证了LFFMP方案实现链式任务的可行性。多移动机械手系统的模型和刚性无向拓扑图如图4所示。实验的相关参数如下：任务1的每个关节物理极限设置为$$，任务2的每个关节物理极限设置为$$。任务2的总执行时间为$$。每个机械手的初始航向角为$$。两个驱动轮的初始速度为$$。

结论

本文提出并分析了一种领导者-跟随者编队运动规划（LFFMP）方案。与传统方案不同，LFFMP方案同时考虑了每个移动机械手的结构和任务的连续性。也就是说，LFFMP方案不是考虑完成单一的映射任务，而是将编队映射问题视为连续的链式任务来解决问题。LFFMP方案包括编队方案和运动规划方案。每个智能体都是

CRediT作者贡献声明

张志军：资源提供。高西同：写作——审阅与编辑、撰写——初稿、可视化、验证、软件开发、方法论、形式分析、概念化。张明阳：调研。

利益冲突声明

作者声明他们没有已知的可能会影响本文工作的财务利益或个人关系。

张志军于2012年在中国广州的中山大学获得通信与信息系统博士学位。2013年至2015年，他在新加坡南洋理工大学的媒体创新研究所担任博士后研究员。目前，他是广州华南理工大学自动化科学与工程学院的教授。他的当前研究兴趣包括机器人技术、神经网络和人机交互。