EEPW论坛

这篇文章描述了如何利用Zigbee无线节点来同时实现机器人定位与控制，试验使用了WowWee公司的Robosapien（史宾机器人）类人机器人。Zigbee节点输出机器人的控制控制信号。同时，作者开发了一个简单的GUI（图形用户界面）来控制Robosapien机器人。

通过Zigbee实现机器人定位与控制

这篇文章描述了如何利用Zigbee无线节点来同时实现机器人定位与控制，试验使用了WowWee公司的Robosapien（史宾机器人）类人机器人。Zigbee节点输出机器人的控制控制信号。同时，作者开发了一个简单的GUI（图形用户界面）来控制Robosapien机器人。

作者：Ethan Leland, Kipp Bradford, Odest Chadwicke Jenkins

故事的开始：

想象一下这种情况：你在超市中对比不同牌子的果酱的成份时，当你在阅读其中一瓶的说明时，瓶子从你的手中滑落到地上，在你眼前的是满地玻璃碎片和果酱。正在你思考该通知谁的时候，一个小型的轮式机器人进入了你的视野。

机器人停在你附近，对现场进行评估。随后，另外两个机器人到达，其中一个高效地铲除玻璃碎片和果酱，另一个在清洗地板。第一个到达的机器人则在监视。几分钟之后，清扫完毕。同时，超市管理者已经得知了这起"意外"。

这个机器人团队是自主机器人（autonomous robot）团队研发领域的结果。这个有趣的领域包括了如何组合多种不同的机器人，并让他们合作来完成各种不同的任务。例如在上面说描述的情形中，第一个到达的机器人首先应该确定需要做什么工作，并在调查之后通知其他两个机器人。而在这个机器人团队了，不但有某种可以清扫地板的机器人，还有可以完成搬货、引导等机器人。

开发这些机器人团队并不是一个简单的任务，无数问题困扰着科研人员，其中一个就是机器人定位，这也是移动机器人（mobile robotic）研究中关键的问题之一。在本文中，我们将讲述如何实现一个基于ZigBee的机器人定位与控制方案。

系统概括：

短程无限通信网络802.15.4/ZigBee是实现定位的一个好选择。除了低价格、低耗损之外，ZigBee还能为其他任务，例如机器人控制，机器人相互通信，提供足够的带宽。我们在实验中使用了Freescale公司的ZigBee评估板MC13192以及WowWee公司的类人机器人Robosapien 1.0。实验中，我们利用了评估板的3各节点发送机器人控制命令的同时，通过信号强度来为机器人提供定位信息。

除了ZigBee评估板之外，我们还使用了3个加速器传感器（同样来自Freescale，MMA6261Q 用于X, Y轴，MMA126OD用于Z轴），系统安装图如图1。这个系统还包括了MC13192 SARD板，让PC可以通过RS-232与另一个MC13192评估板的通信。

图1―ZigBee评估板安装在Robosapien的背面（点击放大）

图2展示了系统中的三个ZigBee节点。我们使用的通信模式为广播模式（broadcast model），在这种模式中，发送者和接收者都没有分配特殊的地址，在每个发送的信息包的前面添加描述这个信息包的附加信息。

图2―系统中的三个ZigBee节点（标示为R[Robosapien], T[Third],和C[Computer]），箭头表示发送信息的方向

定位原理：

定位处理相当直观：Robosapien节点(R)不断发送包含加速度传感器的信息，计算机节点(C)和第三个节点 (T) 接收信息。（在这次实验中，并没有使用加速度信息 ，不过在文章的后面，我们将描述如何利用这些信息提高这个系统。）

当信息包成功被接收，信号强度将可以通过PLME_link_quality方法来读取，这个方法可以从Freescale提供的代码中找到。当第三节点（T）完成了强度的读取，它将生成一个包含信号强度（我们表示为强度RT）的信息包，并发送给计算机节点。在计算机节点（C），可以通过PLME_link_quality方法获取信息强度RC，这两个强度信息将通过串行口发送给计算机。

当计算接收到这两个强度信息后，由于噪声及信号强度的非线性，无法通过几何方法直接计算机器人位置，所以计算机首先将估计机器人在某一个位置。

噪声是相当大的，在机器人保持不动的情况下，如果仅仅简单计算距离，每次的结果可能相差数米。为了克服这个问题，我们使用了蒙特卡罗定位技术（Monte Carlo localization technique）来计算机器人为止，下面，我们将介绍如何利用“粒子”滤波器（particle filter）来降低机器人位置的不确定性。

软件编写：

我们通过Java来在PC上实现串口数据接收，接收回来的数据将自动倒入到我们已有的定位模型。这个定位模型建立在“粒子”滤波器（particle filter）之上，详细请阅读Sebastian Thrun等人著写的Probabilistic Robotics 。“粒子”滤波器的原理是：首先在观察的范围内撒播随机的样本（成为粒子），每一个粒子表征机器人位置在某一个位置的可能性（概率）。

在每一个时间步，每一个粒子将被重新评估，新的概率将由ZigBee信号强度来决定。低概率的粒子将重新分布在高概率粒子附近。这是通过建一个关于每个粒子的概率（这里使用的是归一化概率，normalized probabilities）的累加图来实现的，请看图3。这个累加图随后将被随机采样，从而建立一个可以预示粒子在下一个时间步里分布的直方图（histogram）。粒子集中的位置就是机器人最有可能在的位置。

图3―左图表示机器人位置（X轴，从1到10） vs. 归一化概率（Y轴）。通过随机在累加图中采样（图中间部分），我们根据最近一次的信号强度可以计算粒子的分布。从直方图中可以看到，粒子重新分布在5和9位置的概率是最大的。粒子最终将集中在机器人最有可能在的地方。

当粒子重新分布在新的位置上，我们将在每一个粒子的位置上加入少量的随机噪声，这样它们就不会集中在某一个上，而是集中在某一个小区域中。 这将有助于在我们的模型中保留一点自由度，从而更接近于现实世界。

在我们的项目中，定位软件在每次收到信号强度后重新评估每一个粒子的位置和概率。首先进行一个简单的几何运算：根据机器人的大概位置，将信号强度转化为坐标值（xDATA, yDATA），由于我们只有三个ZigBee节点，我们不能进行真正的三角测量（这种测量需要第4个节点做参考），在这里，我们假定T和C节点是安装在墙上，R节点无法通过墙壁。

如果我们假定信号强度测量是百分之百正确，机器人的位置将在以节点为圆心、以信号强度为半径的两个圆的交叉点（注意，大部分情况有两个交叉点）。最后，通过将这两个节点放在墙上，我们可以去掉两个交叉点中的一个（因为另一个在墙里，机器人是无法到达的！，译者注）。

在计算机中，坐标值(xDATA, yDATA)与前面9次平均后（这是使用的应该是：Moving Average Filter，用于除掉测量噪声。译者注），再送入到“粒子”滤波器。“粒子”滤波器使用1000个粒子来为机器人定位。通过将粒子的坐标值 (xSAMPLE, ySAMPLE) 送入到一个基于xDATA, yDATA 的标准的高斯函数（standard Gaussian function），我们可以计算每一个粒子的概率。为了估计机器人的位置，我们计算1000次采样的加权平均值。

图3展示“粒子”滤波器在三个连续的时间步中，你可以看到粒子迅速收敛在某一个位置（即机器人的位置，图中的蓝色区域）。在机器人移动过程中，信号强度不停测量，更新，从而机器人位置也在实时计算。

（点击放大）

图4―GUI展示“粒子”滤波器在三个连续的时间步。图中角落中两个绿色方框表示ZigBee节点 T和C。

机器人控制：

在定位过程中，一个简单的GUI运行在PC中。这个GUI提供用于控制机器人Robosapien的简单设定。在这个项目中，控制命令仅仅限于前进、停滞、左转和右转。当你选择了一个命令，计算机会将信号通过串行口发送到节点C，然后广播出去。当R节点接收到命令，它将发送信号给Robosapien并广播一个信号，告诉其它节点“命令已经完成”。同时T节点停止发送信息，以防信息塞车，直到收到来自R节点的“命令已经完成”后才恢复正常的工作。

为了确保每个命令的将会被执行，任何命令及“命令已经完成”将包含命令索引（从0开始）。命令索引 在命令数超过最大之后，重新恢复到0。表格1列出所有的命令格式。

表格1：不同的信息包包含了不同的信息。每一个通过无线节点广播出去的信息包是以表述发送端的信息开头。为了通过ZigBee来传播，16位的信息需要分割成高8位和低8位分别发送。

我们的项目最后一个阶段是控制机器人Robosapien来执行一个命令。 在解剖Robosapien之后，我们决定使用一个最简单的方法来控制机器人：使用Freescale的ZigBee节点来替代Robosapien自带的红外接收器。 通过编程，让这个节点模仿Robosapien红外接收器接收的信号。我们使用了示波器来破译这些信号，最后我们发现了发给Robosapien的命令信号包含了四个不同时间片段，分别是：7, 3.3, 1, 和 0.7 毫秒（ms）。当没有数据需要发射，逻辑电平为高（=1）。

例如，我们来看一看“前进”这个命令，如图5。这个信号仅仅含有四个时间片断，所以很容易以一个数据的格式保存在Freescale的ZigBee节点。

图 5―我们使用示波器破译的“前进”这个命令。

如下是“前进”这个命令保存在节点上的格式：

int FORWARD_COMMAND[] = {1,2,3,4,3,4,3,

4,3,4,3,2,3,2,3,4,3,-1};

每个数字代表一个时间片断。信息的最后以“-1”结尾，这是因为不是所有的命令具备同样的长度。这种格式让我们可以使用简单的While循环和延时来实现每一个时间片断。MC13192的C5端口与Robosapien的红外接收连线上。这样，通过控制C5的电平高低，我们就可以通过ZigBee网络来控制Robosapien。

改进潜力：

在我们的项目中，还有很多地方可以做改进。例如你可以使用安装在Robosapien上加速度传感器的数据预测机器人的前进方向。这可以提高用于“粒子”滤波器（particle filter）的概率函数的精确度，从而提高系统的定位精度。我们成功地在代码中实现了这个想法，不过由于Robosapien的动作模型，在系统中并不可行。当Robosapien移动时，它快速移动它的身体从这边到另一边，从而令加速度传感器的信息无效。为了实现这种想法，机器人的移动必须平衡运动。

然而，增加更多的ZigBee节点可能是最好的改进。我们并没有足够的材料。如果可以的话，增加更多的节点（充当T节点）将会为定位提供更多的信息，从而更精确定位，以及更精确的控制。

进一步思考：

为了进一步提高这个项目，你也许需要开发一个客户端/服务器关系的定位程序同时为所有的多个机器人定外。服务器实现大部分功能（机器人控制，信息管理等），客户端利用服务器的功能，而不需要自己实现这些功能。

一个低功率的ZigBee可以作为自主机器人团队廉价的信息基站。通过这种移动机器人平台，你可以实现一些功能强大的高级别的应用，例如文章开头部分的机器人团队。

还有很多潜在的应用，例如，你可以为搜救机器人、陆地探索等提供机器人定外。使用机器人在危险地域搬运，可以减少生命的损失。

在不久的将来，自主机器人将在危险的环境下工作，完全替代人类。ZigBee这种技术将帮助机器人开发者去开发这种廉价的、可完成制定任务的机器人。

===================================================

源代码下载：

ftp://ftp.circuitcellar.com/pub/Circuit_Cellar/2006/188

原文出处（英文）：

http://www.circuitcellar.com/library/print/0306/Leland-188/index.htm