复杂环境下泛在机器人系统的任务规划研究

In ubiquitous robotic systems, sensors and actuators are distributed as equivalent modules in the environment, where these modules are able to communicate and cooperate with each other through the network. The ubiquitous robotic technology is able to compensate the insufficient of artificial intelligence in the development of service robots. A key technology for the ubiquitous robotics is how to coordinate the heterogeneous components in different task, in optimization of time and resource consumption. Compared to the task planning for traditional robotic system, the tasks in ubiquitous robotic system are of higher dimension and with nondeterministic features. To address this problem, a new model for task planning will be proposed. The model will have the expressivity for nondeterministic problems and the efficiency for the high dimensional problems. Based on the new model, an online learning algorithm for the nondeterministic environment will be developed, aiming at establishing a ubiquitous robotic system that can learn and evolve. Further, an automated task decomposition method will be developed, in order to solve the high dimensional problem. This is achieved by analyzing the variable dependencies. The similar sub-problems could be reused to further improve the efficiency. The task planning method will be tested both in simulation and physical systems. This study is expected to release the high dependency of the service robot on artificial intelligence, and promote the application of service robots.

泛在机器人技术将机器人的传感和执行组件广泛分布在环境中，通过分布式的组件基于网络的协作完成任务。这一技术用环境智能来弥补当下服务机器人智能技术的不足。在泛在机器人技术中，如何协同不同的组件完成任务，以优化时间与资源的耗费是一个很重要的问题。针对泛在机器人高维度、非确定性的特点，提出新的任务建模方法，以满足非确定性表达能力并降低模型复杂度。在此基础上，设计面向非确定性环境的在线自适应学习算法，建立一个能够学习进化的泛在机器人系统。同时，针对泛在机器人系统的任务超高维度特点，开发自动分层方法，提取变量之间的依赖关系，自底向上依次对每一层任务进行求解，并合并相似的子问题复用其结果。在仿真系统和实际系统中进行任务规划实验，验证理论算法。本项研究有望缓解服务机器人发展对智能技术的依赖，推动服务机器人进入家庭的步伐。

泛在机器人技术将机器人的传感和执行组件广泛分布在环境中，通过分布式的组件基于网络的协作完成任务。这一技术用环境智能来弥补当下服务机器人智能技术的不足。在泛在机器人技术中，如何协同不同的组件完成任务，以优化时间与资源的耗费是一个很重要的问题。.针对泛在机器人高维度、非确定性的特点，提出新的任务建模方法，以满足非确定性表达能力并降低模型复杂度。在此基础上，设计面向非确定性环境的在线自适应学习算法，建立一个能够学习进化的泛在机器人系统。同时，针对泛在机器人系统的任务超高维度特点，开发自动分层方法，提取变量之间的依赖关系，自底向上依次对每一层任务进行求解，并合并相似的子问题复用其结果。在仿真系统和实际系统中进行任务规划实验，验证理论算法。.为了提高规划效率，首先松弛精简马尔可夫决策过程模型为确定化模型，用启发函数进行迭代初始化，在不同规模的问题上结合不同的迭代更新算法作了测试。提出了基于变量依赖关系的层次行为寻因抽象算法（HOCA），主要过程是先从变量的依赖关系计算变量依赖关系图，并根据变量依赖关系图将状态空间划分成拓扑层次结构；然后在每一层次中将动作或已经抽象得到的行为抽象成更高阶的行为，从抽象的行为中生成子目标，并导出子问题；最后基于半马尔可夫决策过程理论求解每一层中的子问题，并将原问题转化成半马尔可夫决策过程问题进行求解。设计和开发了基于组件化技术的泛在机器人系统构架，基于此构架搭建了机器人酒吧和智能装配生产线两个实验平台。面向复杂环境，对泛在机器人任务规划技术进行了实际的测试。在实际实验平台上结合了本文提出的几种算法，并进行了详细的讨论和分析。.本项研究有望缓解服务机器人发展对智能技术的依赖，推动服务机器人进入家庭的步伐。