智能控制及移动机器人研究进展
蔡 自 兴
(中南大学 信息科学与工程学院, 湖南 长沙, 410083)
摘要: 在探讨自动控制面临的机遇和挑战的基础上, 简介智能控制的产生背景和发展过程, 认为发展自动控制的一条重要出路就是实现控制系统的智能化; 结合正在进行的未知环境下移动机器人导航控制研究课题, 讨论了智能移动机器人研究的某些进展, 涉及移动机器人控制系统的结构、 环境建模、 路径规划及故障诊断等; 概述智能控制的研究领域, 包括智能机器人规划与控制、 生产过程的智能监控、 自动加工系统的智能控制、 智能故障检测与诊断、 飞行器的智能控制和医疗过程智能控制等, 并提出智能控制有待进一步研究的若干问题。 该研究有助于了解智能控制及智能机器人的研究和应用。
关键词: 智能控制; 智能机器人; 研究; 应用; 进展
中图分类号: TP242.6 文献标识码: A 文章编号: 1672-7207(2005)05-0721-06
Advance in research of intelligent control and mobile robots
CAI Zi-xing
(School of Information Science and Engineering, Central South University, Changsha 410083, China)
Abstract: Based on the study of the occurrence background and development process of the intelligent control, it was proposed that one of the outlets for developing the intelligent control should be the implementing of the intellectualization of the control systems. Connected with the on going research project of the navigation and control for mobile robot in unknown environment, some advances in research of the intelligent mobile robot in system architecture, environment modeling, path planning and fault diagnosis were proposed. The research and application fields of the intelligent control including the planning and control of the advanced robots, the intelligent supervision of the production processes, the intelligent control of the automatic manufacturing systems, the intelligent fault detection and diagnosis of systems/equipments, the intelligent master of the airplanes, the intelligent control of the medical treatment processes, and the development of the intellectualized apparatuses were overviewed. Further researches of the intelligent control were proposed in this paper. This research result would be beneficial and helpful for understanding the research and application of the intelligent control and the intelligent robot.
Key words: intelligent control; intelligent robot; research; application; advance
20世纪以来科学技术的许多重大进展都是人类智慧、 思维、 幻想和拼搏的成果; 同时, 这些科技进步反过来又促进人们思想的解放。 地球上的生物经历了长期的和不断的进化历程, 并最终得到进化的最新高级产品——人类。 其中大脑是衡量进化水平的最重要标志。
智能控制采用各种智能技术来实现复杂系统和其他系统的控制目标, 是一种具有强大生命力的新型自动控制技术。 智能控制的产生和发展正反映了当代自动控制以至整个科学技术的发展趋势, 是历史的必然。 智能控制已成为自动控制发展道路上的一个新的里程碑, 正发展为一种日趋成熟和日臻完善的控制手段, 并获得日益广泛的应用。
现代科学技术的迅速发展和重大进步, 已对控制和系统科学提出新的更高的要求, 自动控制理论和工程正面临新的发展机遇和严峻挑战。 传统控制理论, 包括经典反馈控制、 近代控制和大系统理论等, 在应用中遇到不少难题。 自动控制的出路之一就是实现控制系统的智能化(intellectualization)。
1 自动控制的问题与出路
传统控制理论在应用中面临的难题包括:
a. 传统控制系统的设计与分析是建立在精确的系统数学模型基础上的, 而实际系统由于存在复杂性、 非线性、 时变性、 不确定性和不完全性等, 一般无法获得精确的数学模型。
b. 研究这类系统时, 必须提出并遵循一些比较苛刻的假设, 而这些假设在应用中往往与实际不相吻合。
c. 对于某些复杂的和包含不确定性的对象, 根本无法以传统数学模型来表示, 即无法解决建模问题。
面对这一挑战, 自动控制工作者的任务就是:
a. 扩展视野, 发展新的控制概念和控制方法, 采用非完全模型控制系统。
b. 采用开始时知之甚少和不甚正确的, 但可以在系统工作过程中加以在线改进, 使之知之较多和日臻完善的系统模型。
c. 采用离散事件驱动的动态系统和本质上完全断续的系统。
从这些任务可以看出, 系统与信息理论以及人工智能思想和方法将深入建模过程, 不把模型视为固定不变的, 而是不断演化的实体。 所开发的模型不仅含有解析与数值, 而且包含定性和符号数据。 它们是因果性的和动态的, 高度非同步的和非解析的, 甚至是非数值的。 对于非完全已知的系统和非传统数学模型描述的系统, 必须建立包括控制律、 控制算法、 控制策略、 控制规则和协议等理论。 实质上, 这就是要建立智能化控制系统模型, 或者建立传统解析和智能方法的混合(集成)控制模型, 而其核心就在于实现控制器的智能化。
解决上述领域面临的问题, 不仅需要发展控制理论与方法, 而且需要开发与应用计算机科学与工程的最新成果。 其中, 开发大型的实时控制与信号处理系统是工程界面临的最具挑战的任务之一; 这涉及硬件、 软件和智能(尤其是算法)的结合, 而系统集成又需要先进的工程管理技术。
人工智能的产生和发展为自动控制系统的智能化提供有力支持。 人工智能的发展已促进自动控制向着更高的水平——智能控制发展。 人工智能和计算机科学界已经提出一些方法、 示例和技术, 用于解决自动控制面临的难题。 例如: 简化处理松散结构的启发式软件方法(专家系统外壳、 面向对象程序设计和再生软件等); 基于角色(actor )或艾真体(Agent )的处理超大规模系统的软件模型; 模糊信息处理与控制技术; 进化计算、 遗传算法、 自然计算以及基于信息论和人工神经网络的控制思想和方法等。
自动控制既面临严峻挑战, 又存在良好发展机遇。 为了解决面临的难题, 一方面要推进控制硬件、 软件和智能的结合, 实现控制系统的智能化; 另一方面要实现自动控制科学与计算机科学、 信息科学、 系统科学以及智能科学的结合, 为自动控制提供新思想、 新方法和新技术, 创立边缘交叉新学科, 推动智能控制的发展[1, 2]。
2 智能控制的发展
智能控制是人工智能和自动控制的重要研究领域, 并被认为是通向自主机器递阶道路上自动控制的顶层。 图1所示为自动控制的发展过程和通向智能控制路径上控制复杂性增加的过程。 这条路径的最远点是智能控制, 至少在目前是如此。
人工智能的发展促进自动控制向智能控制发展。 智能控制思潮第一次出现于20世纪60年代, 几种智能控制的思想和方法被提出并得到发展。
早在40年前, 学习控制的研究就十分活跃, 并获得应用。 学习机器的要领是在控制论出现时提出的。 自学习和自适应方法被开发出来用于解决控制系统的随机特性问题。 最初, 学习系统被用于飞行控制、 模式分类与通讯等, 例如, 核电站的控制。
20世纪60年代中期, 自动控制与人工智能开始交接。 1965年, 著名的美籍华裔科学家傅京孙首先把人工智能的启发式推理规则用于学习控制系统; 然后, 他又于1971年论述了人工智能与自动控制的交接关系。 由于傅先生的重要贡献, 他已成为国际公认的智能控制的先行者和奠基人。
图 1 自动控制的发展过程
Fig. 1 Development of automatic control
模糊控制是智能控制的又一活跃研究领域。 扎德(Zadeh)于1965年发表了他的著名论文“模糊集合”(fuzzy sets)。 此后, 在模糊控制的理论探索和实际应用2个方面, 都进行了大量研究, 并取得一批令人感兴趣的成果。
1967年, 利昂兹(Leondes)等首次正式使用“智能控制”一词。 初期的智能控制系统采用一些比较初级的智能方法, 如模式识别和学习方法等, 而且发展速度十分缓慢。
近十多年来, 随着人工智能和机器人技术的快速发展, 对智能控制的研究出现一股新的热潮。 各种智能决策、 专家控制、 学习控制、 模糊控制、 神经控制、 主动视觉控制、 智能规划和故障诊断等系统已被应用于各类工业过程控制系统、 智能机器人系统和智能化生产(制造)系统。
萨里迪斯(Saridis)对智能控制系统的分类作出贡献。 他把智能控制发展道路上的最远点标记为人工智能。 他认为, 人工智能能够提供最高层的控制结构, 进行最高层的决策。 萨里迪斯和他的研究小组建立的智能机器理论采用精度随智能降低而提高原理和三级递阶结构, 即组织级、 协调级和执行级。 这些思想成为递阶智能控制的基础。
奥斯特洛姆(strm)、 迪席尔瓦(de Silva)、 周其鉴、 霍门迪梅洛(Homen de Mello)、 桑德森(Sanderson)以及作者等于20世纪80年代分别提出和发展了专家控制、 基于知识的控制、 仿人控制、 专家规划和分级规划等。 例如, 奥斯特洛姆等1986年的论文“专家控制”(expert control)就是很有影响的成果, 促进了专家控制的发展。
早在1943年, 麦卡洛克(McCulloch)和皮特茨(Pitts)就提出了脑模型, 其最初动机在于模仿生物的神经系统。 随着超大规模集成电路、 光电子学和计算机技术的发展, 人工神经网络(ANN)已引起更为广泛的注意。 近10多年来, 基于神经元控制的理论和机理已获进一步开发和应用。 尽管神经控制的能力还有限, 但是由于神经网络控制器具有学习能力、 记忆能力、 概括能力、 并行处理能力、 容错能力和适于用VLSI制造等重要特性, 仍然有许多基于ANN的控制器被设计出来。 这类控制器称为神经控制器(neural controllers), 它具有并行处理、 执行速度快、 鲁棒性和自适应性强、 适于应用等优点, 因而具有广阔的应用前景。 以神经控制器为基础而构成的神经控制系统已在非线性和分布式控制系统以及学习系统中得到不少成功应用。
随着智能控制新学科形成的条件逐渐成熟, 1985年8月, IEEE在美国纽约召开了第一届智能控制学术讨论会。 会上集中讨论了智能控制原理和智能控制系统的结构。 1987年1月, 在美国费城由IEEE控制系统学会与计算机学会联合召开了智能控制国际会议。 这是有关智能控制的第一次国际会议, 显示出智能控制的长足进展; 同时也说明了: 由于许多新技术问题的出现以及相关理论与技术的发展, 需要重新考虑控制领域及其邻近学科。 这次会议及其后续相关事件表明, 智能控制作为一门独立学科已正式在国际上建立起来。
自1987年以来, 一些国际学术组织定期或不定期地举办各类有关智能控制的国际学术会议或研讨会, 在一定程度上反映出智能控制发展的势头, 也对国际智能控制的发展起到较大的推动作用。
近10多年来, 国内对智能控制的研究也开始活跃起来, 相关学术组织不断出现, 学术会议经常召开, 智能控制的应用研究(智能自动化)也取得一批成果。 还成立了一些与智能控制学科有关的学术团体。 这些表明, 智能控制作为一门独立的新学科, 也在我国建立起来了。
近年来, 以计算智能为基础的一些新的智能控制方法和技术已被先后提出来。 这些新的智能控制系统有仿人控制系统、 进化控制系统和免疫控制系统等。 与人工智能学科相比, 智能控制学科具有较大的容他性, 而没有出现过于激烈和对立的争论。 早在智能控制建立的初期, 包括本文作者在内的许多智能控制专家实际上就把3个不同认知学派的思想融合和贯穿在智能控制学科之中[1-3]。
3 移动机器人研究的一些进展
智能机器人是人工智能与机器人学的交叉研究领域, 而机器人的智能控制则是智能控制的重要应用研究领域。 移动机器人主要研究内容包括体系结构、 环境建模与定位、 路径规划、 运动控制、 故障诊断与容错控制等[4-11]。 下面仅就作者近年来在未知环境中与智能控制有关的移动机器人研究方面取得的某些进展加以简要介绍。
3.1 系统体系结构
提出并实现了一种未知环境中移动机器人的分布式控制系统。 该系统采用激光雷达平台和多视觉系统作为环境感知器, 与2D平面扫描的激光测距传感器配合实现3D环境感和, 建立地形高度图以便对可行区域和障碍区域进行分析。 光纤陀螺仪、 倾角仪和里程计等传感器构建移动机器人的航向制导系统。 控制系统采用基于多系统集成的工控机, 具有良好的扩展性能。 车载局域网与监控系统通过无线网桥进行通讯。
分布式控制系统通过异构艾真体(Agent)间的协作实现复杂环境中的感知与导航控制。 该系统结构上包含了慎思层、 控制层和协调层, 由多个异构艾真体完成相应功能。 动态局部规划根据激光雷达获取的环境信息来确定局部反应行为。 慎思规划采用逆D*算法来避免陷入局部势能陷阱。
3.2 环境建模与定位
王璐等[3]比较全面地概括了未知环境中移动机器人导航环境建模研究的进展。 讨论了环境建模的分类, 分析比较了3种主要环境模型及其优缺点, 指出环境建模研究面临的问题, 对于深入研究移动机器人的环境建模具有重要参考作用。
机器人视觉是未知环境中移动机器人获取环境信息的重要手段, 对环境建模十分重要。 我们提出一种基于尺度空间理论的Harris角点检测方法。 该方法在保持Harris角点不受光照条件和摄像机姿态变化影响的同时, 还能检测出多尺度下的特征点。 由于该方法具有尺度不变特性, 因而适用于尺度变化较大的视觉系统。
3.3 路径规划与避障
把粒群智能与免疫原理及进化算法相结合, 提出一种基于粒群行为和免疫克隆机制的移动机器人规划方法, 能够较快地规划出满足全局优化要求的可行路径。 本规划方法还能够通过调整粒群行为操作参数, 实现多路径规划。 提出一种利用RBF网络和遗传算法实现对光纤陀螺漂移误差模型的辨识方法。 其中, 提出了基于Elitist竞争机制的遗传进化训练方法。 该方法能够显著减少光纤陀螺的误差, 提高移动机器人导航定位的精度[10]。 还提出一种基于激光雷达的移动机器人实时避障算法。 该算法考虑到机器人的非完整约束, 利用基于圆弧轨迹的路径规划, 以平滑路径逼近目标位置, 用增强学习方法来优化机器人的避障行为, 并利用激光雷达的警报信息形成刺激—反应式行为, 以实现动态环境中的避障。
3.4 故障诊断
在故障诊断方面, 提出一种基于粒子滤波器的移动机器人惯性导航系统传感器的故障诊断方法[11]。 该方法把基于规则的推理与多粒子滤波器相结合, 利用前者确定机器人运动状态, 利用后者监视各种运动状态, 有效地解决了单粒子滤波器难以表示的复杂逻辑问题, 提高了诊断效率和精度。
4 智能控制的应用研究领域
现有的智能控制系统包括递阶控制系统、 专家控制系统、 模糊控制系统、 神经控制系统和学习控制系统; 此外, 还提出了拟人控制系统、 进化控制系统、 免疫控制系统等。 这些系统都有其构成原理、 体系结构和特性分析或算法等; 这些系统也在不同的程度上得到应用。
下面简介几个智能控制的主要应用[1, 12]。
4.1 智能机器人规划与控制
随着机器人技术的迅速发展和自动化程度的进一步提高, 已对机器人的功能提出更高的要求, 特别需要各种不同程度智能的机器人。 机器人研究者们所关心的主要研究方向之一是机器人运动的规划与控制。 给出一个规定的任务之后, 首先必须做出满足该任务要求的运动规划; 然后, 这个规划再由控制来执行, 该控制足以使机器人适当地产生所期望的运动。
4.2 生产过程的智能监控
许多工业连续生产线, 如轧钢、 化工、 炼油、 材料加工、 造纸和核反应等, 其生产过程需要监视和控制, 以保证高性能和高可靠性。 为保持物理参数具有一定的精度, 确保产品的优质高产, 已在一些连续生产线或工业装置上采用了有效的智能控制模式。 例如, 旋转水泥窑的模糊控制、 轧钢机的神经控制、 分布式材料加工系统、 分级智能材料处理、 智能pH值过程控制、 工业锅炉的递阶智能控制以及基于知识的核反器控制等。
4.3 自动加工系统的智能控制
计算机集成加工系统(CIMS)和柔性加工系统(FMS)在近年来获得迅速发展。 在一个复杂的加工过程中, 不同条件下的多种操作是必要的, 以求保证产品质量。 环境的不确定性以及系统硬件和软件的复杂性, 向当代控制工程师们设计和实现有效的集成控制系统如焊接过程的模糊控制、 汽车工业生产过程的神经控制、 数控机床加工智能控制等提出了挑战。
4.4 智能故障检测与诊断
故障检测和诊断与过程监控密切相关。 一个高级的过程控制系统应当具有故障自动检测和自诊断能力, 以保证系统工作的高度可靠性。
许多高级的医疗诊断系统也是智能故障诊断系统。 所有智能故障检测与诊断(IFDD)系统的一般任务是根据已观察到的状况、 领域知识和经验, 推断出系统、 部件或器官的故障原因, 以便尽可能及时发现和排除故障, 以提高系统或装备的可靠性。 生产过程故障诊断系统能够了解各部分的特性以及这些特性间的关系, 为用户提供检测数据, 并尽可能正确地从不确定信息中做出诊断结论。 智能故障检测与诊断系统是一个问题求解的计算机系统, 也是一种智能控制系统。 典型的IFDD系统有太空站热过程控制系统的故障诊断、 火电站锅炉给水过程控制系统的故障检测与诊断和雷达故障诊断专家系统等。
4.5 飞行器的智能控制
飞行过程控制一直是自动控制的重要应用研究领域之一。 大多数商用飞机都装备有可供选择的自动降落系统的自动驾驶仪。 一种基于神经网络的飞行控制器能够处理紊流和其他可能出现的非线性控制情况。 神经网络能够较好地处理各种非线性或未识别线性关系, 而这些关系往往是驾驶员可能运用的。 神经网络在原则上能够产生从一个大的变量集合(如传感器参量)到另一个变量集合(如操作模式或控制动作)的映射。 自20世纪80年代以来, 智能控制已被应用于飞行过程控制, 尤其是飞机的俯倾(flare)和降落(landing)控制。
4.6 医疗过程智能控制
从20世纪70年代起, 专家系统技术就被成功地应用于各种医疗领域。 一个用于控制手术过程中麻醉深度的病人平均动脉血压(MAP)的模糊逻辑控制系统可作为医用智能过程控制的新例子。 MAP是衡量麻醉深度的重要参数。 设计和实现该控制系统时, 采用模糊关系函数和语言规则。 本系统已在许多不同的外科手术中得到成功应用。
5 智能控制的进一步研究问题
智能控制是一门新学科, 无论在理论上或应用上, 仍然不够完善, 有待继续研究与发展。 下面探讨智能控制需要进一步研究的一些问题。
5.1 探求更新的指导理论
要从根本上了解人脑的结构与功能, 完成智能控制的研究任务, 需要寻找和建立更新的智能控制框架和理论体系, 为智能控制的进一步发展打下稳固的理论基础。 需要深入研究智能控制的基本理论和概念, 寻找新理论, 建立新的控制机理。 例如, 建立控制知识和控制系统的统一描述, 完整地和系统地研究智能控制系统的稳定性、 鲁棒性和动态特性, 构造新一代基于模型的专家控制系统, 以及开发新的基于仿生学和拟人学控制机制等。
5.2 明确智能控制的研究目标
作为应用研究和应用基础研究, 智能自动化在于寻求有别于传统控制的新的和更有效的控制技术。 应当因地制宜地选定自己的研究方向, 减少盲目性, 防止低水平重复, 创造出较高水准的成果。
5.3 智能自动化要面向复杂系统
对于一些比较简单的系统, 引入智能控制并不适宜。 如果简单的智能控制系统的复杂性、 故障率和成本高于同类应用传统控制系统, 那么, 智能控制的优越性就会令人置疑。 反之, 智能控制的声誉就会更高。
5.4 注重科技创新
要加强新型智能控制硬件和软件的研制, 在智能控制研究中, 往往缺少较好的软件环境, 硬件方面存在的问题更大。 例如, 大多数基于神经网络的控制系统, 还停留在“仿真”水平上, 未能真正解决其实现问题, 更谈不上实际应用。 这方面要做的事不少, 例如, 提高运行速度, 实现实时控制, 提高对环境的感觉和解释能力, 设计模块化传感器接口以及提高信息识别和处理能力等。
6 结 论
回顾了智能控制的发展过程、 研究领域和待研究的问题, 并对未知环境中移动机器人导航控制的某些研究进展进行了简要介绍, 有助于对智能控制和移动机器人导航控制的了解, 对进一步深入研究智能控制和移动机器人控制具有一定的参考作用。
参考文献:
[1]蔡自兴. 智能控制(第2版)[M]. 北京: 电子工业出版社, 2004.
CAI Zi-xing. Intelligent Control(2nd Edition)[M]. Beijing: Electronics Industry Press, 2004.
[2]CAI Zi-xing. Intelligent Control: Principles, Techniques and Applications[M]. Singapore: World Scientific Publishers, 1997.
[3]Meystel A M, Albus J S. Intelligent Systems: Architecture, Design and Control[M]. New York: Wiley & Sons, 2002.
[4]蔡自兴, 贺汉根, 陈虹. 未知环境中移动机器人导航控制研究的若干问题[J]. 控制与决策, 2002, 17(4): 385-390.
CAI Zi-xing, HE Han-gen, CHEN Hong. Some issues for mobile robots navigation under unknown environments[J]. Control and Decision, 2002, 17(4): 385-390.
[5]范永, 谭民. 机器人控制器的现状与展望[J]. 机器人, 1999, 21(1): 75-80.
FAN Yong, TAN Min. Current state and tendencies in the development of robot controller[J]. Robot, 1999, 21(1): 75-80.
[6]王璐, 蔡自兴. 未知环境中移动机器人并发建图与定位(CML)的研究进展[J]. 机器人, 2004, 26(4): 380-384.
WANG Lu, CAI Zi-xing. Progress of CML for mobile robots in unknown environments [J]. Robot, 2004, 26(4): 380-384.
[7]Mokhtarian F, Suomela R. Robust image corner detection through curvature scale space[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1998, 20(12): 1376-1381.
[8]李枚毅, 蔡自兴. 改进的进化编程及其在机器人路径规划中的应用[J]. 机器人, 2000, 22(6): 490-494.
LI Mei-yi, CAI Zi-xing. Improved evolutionary programming and its application on path planning of robots[J]. Robot, 2002, 22(6): 490-494.
[9]杨明, 王宏, 何克忠, 等. 基于激光雷达的移动机器人环 境建模与避障[J]. 清华大学学报(自然科学 版), 2000, 40(7): 112-116.
YANG Ming, WANG Hong, HE Ke-zhong, et al. Environmental modeling and obstacle avoidance of mobile robots based on laser radar[J]. Journal of Tsinghua University (Science and Technology), 2000, 40(7): 112-116.
[10]YU Jin-xia, CAI Zi-xing, ZOU Xiao-bing, et al. Research on the calibration method for the heading errors of mobile robot based on evolutionary neural network prediction[A]. WANG Jun, LIAO Xiao-feng, YI Zhang. Advances in Neural Networks-ISNN 2005: Second International Symposium on Neural Networks[C]. Chongqing: Springer, 2005. 265-270.
[11]段琢华, 蔡自兴, 于金霞, 等. 基于粒子滤波器的移动机器人惯导传感器故障诊断[J]. 中南大学学报(自然科学版), 2005, 36(4): 642-647.
DUAN Zhuo-hua, CAI Zi-xing, YU Jin-xia, et al. Particle filter-based fault diagnosis for inertial navigation system of mobile robot[J]. Journal of Central South University (Science and Technology), 2005, 36(4): 642-647.
[12]蔡自兴, 陈海燕, 魏世勇. 智能控制工程研究的进展[J]. 控制工程, 2003, 10(1): 1-5.
CAI Zi-xing, CHEN Hai-yan, WEI Shi-yong. Research advances in intelligent control engineering[J]. Control Engineering of China, 2003, 10(1): 1-5.
收稿日期: 2005-01-28
基金项目: 国家自然科学基金资助项目(60234030, 60404021); 湖南省院士基金资助项目(02IJY3035)
作者简介: 蔡自兴(1938-), 男, 福建莆田人, 教授, 博士生导师, 纽约科学院院士, 从事人工智能、 智能控制和智能机器人等研究
论文联系人: 蔡自兴, 男, 教授; 电话: 0731-8877355(O); E-mail: zxcai@mail.csu.edu.cn