机器人传感器的网络#中英文翻译#外文翻译匹配

1 附录 机器人传感器的网络 一般的机械手工程自动化测知和知觉实验室 宾夕凡尼亚州，费城， PA 的大学 , 美国 摘要 :以知觉的数据从分配的视觉系统吸取了的 exteroceptive 为基础的硬未知的物体和同时追踪的二维欧几里得几何的空间的这一个纸住址即时位置的问题和被网络的移动机械手的定方位判断 . 对于队局限的充份和必需的情况被计划 . 以统计的操作员和曲线图搜索运算法则为基础的一个局限和物体追踪方式为与异种的感应器一起本土化的一队机械手被呈现 . 方式在有被装备全方向的录像机和 IEEE 802.11b 无 线网路的像汽车一样移动的机械手的一个实验的月台被实现 . 实验的结果使方式有效 . 关键词 :合作的局限 ; 多机械手形成 ; 分配了感应器网络 ; 感应器数据融合物 介绍 以使一队移动的机械手自治地在一些里面航行需要了形成而且更进一步运行像监视和目标获得这样的合作工作 , 他们一定能够以形成和一个全球的叁考框架本土化他们自己 1,2. 因此 , 该如何估计机械手的位置和定方位 (姿势 ) 以精确的和有效率的方式是特别兴趣 . 我们对这一张纸的兴趣是在二空间的特别欧几里得几何的空间 SE(2) 中本土化一队异种的机械手和用 从异种的感应器被获得的数据本土化目标 . 明确地 , 我们对情况感兴趣为哪一个所有的机械手以形成能被本土化包围 . 我们的局限方式接近地被讲到被 呈现的那些 . 在某种意义上机械手用来自它自己的感应器的那一个来临可以使用他们的队友感应器数据 (或一些被相关的数据 ) 和数据 . 在那一张纸 , 机械手使用分配了测知改善自己的局限或目标局限 2 1. 因为比较多机械手局限问题藉由联合被使用最少的机械手交换的数据一致最佳化， 过滤器的两者文件的方法学已经呈现解决 . 最近的文学使用曲线图做模型感应器网络和合作的控制方案 5, 6. 在曲线图硬理论上的结果 7-9 可能是直接地在 R2 适用于多机械手系统 (裁判员 . 10, 11). 然而，相对一点的注意已经一起支付到网络生观察 , 这对照相机的网络是特别地重要的 . 这一张纸在以统计的操作员和简单的曲线图搜索运算法则为基础的 SE(2) 为队局限和物体追踪呈现不同的方式 . 此外 , 不同的早先方法 , 我们在一个如此的方法中制定问题队局限的问题和物体追踪能被相同的运算法则解决 . 我们也表示 , 被讲到早先作品的最优性的利益能如何容易地在我们的方法被吸收 . 为例 , 这一张纸表示该 如何合并一个广大的过滤器 (EKF) 改善物体追踪 . 在结束 , 使我们的方法有效 , 我 们 出 示 实 验 的 结 果 以 有 被 装 备 全 方 向 的 录 像 机 和 一 个 IEEE 802.11b 无线网路的一群五个像汽车一样的自治机械手 (见到 Fig.1) 我们承担一个全方向的发射器和接收器和每个机械手能听的每个机械手有 每隔一机械手 . 因此 , 所有的机械手以合作的样子以形成能交换他们的估计而且本土化他们自己 . 注意我们不承担任何类型的固有感受器 数据 , 像是机械手的来自任何的不活泼的感应器的速度和加速 . 3 2 多机械手的区域化 形成 为了 要考虑一队机械手是否能被区域化 ,如果这数据是适当的，融 化 来 自 不 同 的 感 应 器 的 可 得 的 数 据 而 且 查 证 是 必 需 的 . 对于 SE(2) 的一队 n 机械手 , 局限是表示机械手位置和定方位的特色的 3n 坐标的决心 . 因此，见到是必需的如果 3n 独立的测量是可得的 . 因为每个测量在 3n 坐标上叙述一个限制 , 我们为所有的限制发展了一个功能独立的测试 . 因此 , 我们定义等级将会允许的一个限制点阵式 我们查证队是否能被本土化 . 对于每范围和举止测量 , 在框架 Bi 的在坐标上的限制有被 : 一双生测量 , jk 和 ik ,包括机械手 Rj 和 Rk, 造成下列的类型 3个限制 . 最后 , 生测量 , ij 和 kj, 包括三机械手 Ri ， Rj 和 Rk, 的任何双造成下列的类型 4个限制 . 这些限制能以形式被写 : 在 L1 是一个测量的线组合的地方 , 和 h 在一些身体修理的叁考框架中是形状变数的一个非线性功能 . 只有能用来描述网络的限制的四类型 . 能被写的所有的其他相等在上述的限制相等上功能依赖 . 藉由区别四个限制相等 , 我们使描述机械手坐标的可允许小变化 (相等地速度 ) 的表达 . 在之后这一个程序为 M 可能的限 制给一个 M 3n 点阵式作为叁考框架 Bi: 如果 n 机械手的 3n能在一个不活泼的框架被估计，在 SE(2) 的 n 机械手的定义 1 一队被说是能地方化的 . 评论显然地被讲到在系统理论中的可观察性 14- 如果一个队是能地方化的超过任何的时间间隔 , 系统完全观察得出 . 然而 , 我们将会在一个即时又静态的设定中使用定义 1, 而且如此克制不要使用系统理论上的记号法 . 评论 2 我们也能需要要在设定它是唯一的必需品估计 3n 的 4 地方的亲戚被本土化的队。 n 的 3 个坐标。在一个身体叁考框架中的个机 械手 . 在 SE(2) 的 n 机械手的定理 1 一形成是能地方化的只有当如果 N=3 n。 2ng.nb.nr 0 （ 11 ng ， nb 和 nr 是被不活泼的或全球定位感应器做的测量数量 ,生的） 感应器 和范围感应器分别地 查证是容易的证明被任何全球的定位感应器做的每个绝对的位置测量能直接地用来估计二州变数 , 和每举止和范围测量将会至少增加在结构或形成的形状方面的一个限制 . 因此 , ng ，全球的位置感应器， nb, 生感应器 , 和 nr, 范围感应器最多将会提供 2ng+nb+ nr 独立的测量 . 自从 3n 州变数之后必须被估计 ,2ng+nb+ nr 一定至少相等 3n. 用有限制的测知能力提供机械手的形成 , 定理 1 提供一种简单的必需品情况没有考虑形成几何学容易地查证 . 注意像划时代的感应器，圆规和不活泼的测量单位 (IMUs) 这样的另外感应器 ,能以笔直的方式被与这一个结构合并 . 图 . 4 在 SE 为一群三个移动的机械手抽取样品举止测知曲线图 (2). 三角法地 , 曲线图 (b) 总是能转换成基于感知外界刺激在计算的网络得到的知觉数据 . 4 局限方式 我们的局限方式承担每个机械手为沟通和测 知让一个独特的确认 (身份证 ) 两者 . 起先 , 我们也承担物体角落有清楚的测知身份证 . 如果基于式样分类的简单启发用来解决联合机械手测量的问 5 题，这一项假定能被放松 . 我们的方式是集中的在某种意义上每个机械手收集来自其他的机械手的测知数据而且联合使用的这数据它自己的，则只有曾经叁观所有节树藉由在更深入地去之前在相同的深度拜访所有的节 . 在这里，因为我们没有在考虑树 , 节能被拜访超过一次 . 因此 , 如果有曲线图的根和一个特定的节之间的超过一条路径 , 这些路径将会被用 . 在第一个，一个顶点被拜访 , 它的位置被估 计 . 从然后在 ,之上每次一个节被到达 , 它的先前估计姿势被和使用这条新的路径的最近被估计的姿势结合 . 因为一个节被允许被拜访超过一次 ,理论上 , 运算法则可以在环中进入 . 环引起互相依赖的情形哪里 , 举例来说 , vi 的姿势能被计算使用来自 vj 的数据和 vj 的姿势能被计算使用来自 vi 的数据 . 为了避免这一个 6 问题 , 最初的曲线图被转换成一个直接的曲线图哪里环被移动 . 新的曲线图以身为被选择如起源的机械手的根与一棵树 (然而 , 它不是一棵树 ) 类似 . 环被藉由在有着相同的深度的机械手之间除去边缘避免 . 因为物体没有测量 , 他们从不不再产生环和他们的优势正在划除 . 一样的在二个机械手之间以单向边缘发生 . 在不同深度的二个机械手之间的双向性边缘也可能产生环 . 因为运算法则视曲线图为一棵树而且从不向根移动，所以这些情形被避免 . 例外与总是被独立地方向跟随的单向边缘一起做 . 对于情形的图 5 表演被源自的曲线图的一个例子和运算法则的四个步骤呈现 .这实际上是 4 Rs 和 R s 的组合当地的测量 . 因为 R4 直接地不能够本土化 R1, 一条经过 R3 的间接路径被需要 . 和早先的运算法则的议题之一是 7 一些边 缘 (像是在早先的例子 e 12 和 e 21) 不被用于机械手的和物体的姿势判断 . 为了避免浪费有用的数据，一可以在假定机械手的定方位的二个部份中分开运算法则和位置能分开地被计算 . 二个部份是 : 1) 使用相同的运算法则的机械手的定方位的判断 ; 而且 2) 机械手的判断和使用线性的目标的位置重量了承担在一个第三个机械手 (Rk) 同等的人物框架的二个机械手 (Ri 和 Rj) 的位置线地被讲的最少的正方形方法被 : ki 和 ij 被假定被知道的地方 . 博学 ki 的需要在二个部份中解释运算法则的区分 . 除计算定方位之外，运算法则的第一部份负责计算被连接到计算的网络的机械手的数字和 , 结果 , 为定义要计算的变数 . 一些边缘仍然在运算法则的这一个部份被浪费 , 什么在观察之下是合理的举止测量容易比范围一些好很多 . 另外的进步能被实行使用一个动态的 过滤器估计物体的位置 . 因为物体是硬的 ,如果和它的角落有关联的一个模型被用 ,即使当一些角落不能够被机械手见到，追踪能被运行 . 一简单的不连续的样板物体的尺寸必然地不被知道的地方是 , vxj 和 vyj 是 j O 的速度成份的地方 , dj 和 j 是 j O 和 j 之间的边缘的大小和定方位 + O, T 是样品时间 , 和 是物体有角的速度 . 这一个模型考虑物体的速度成份是持续的 . 因为它不总是真实 ,在过滤器计画期间 , 低的价值一定被指定给表现模型的三条最后线的信心水平的变数 . 因为一个非线性模型被用 , 一个广大的过滤器 (EKF) 是必需的 . 被用于这一个过滤器的测量将会是 x 和与起源机械手相关的每个物体角落的 y. 一经机械手的姿势被估计 , 在情绪商数的变形 . (18) 而且 (19) 用来计算测量的矢量和它的共分散 . EKF 在运算法则中介绍另外的一个步骤 . 因为测量的组合现在被过滤器运行，所以因此，与物体角落相关的曲线图的顶点一定从局限步骤被移动 . 4.2 分配集中 8 当早先的集中方式的时候工作得很好为一相对地小群体的机械手，网络议题 , 如此的当做交通和延迟 , 和当我们正在用数十或数以百计机械手考虑团体的时候，在一个单身的机械手的缺乏计算资源能造成重要的问题 . 在这些情况分配的运算法则的使用变成强制性 . 然后 , 我们想要一个方法使用相同的运算法则而且减少在藉由使分散那处理的部份被需要的计算和带宽 . 大体上 , 可动装置机械手只需要当地的数据运行一件工作 . 因 此，如果每个机械手地方性地收集来自它的立即邻居的数据而且联合这一笔数据 , 它有它需要大部份的时间的数据 . 在那情况哪里一个机械手能在团体中听每个机械手的话 (i.e., 在它的沟通范围里面的所有机械手是 ), 它可以接受所有的数据而且，举例来说，只在来自它的特定的距离 (测量被深度在曲线图中 ) 里面本土化机械手位于 . 二者择一地 , 机械手也可能是更选择的而且选择只本土化能见到一个给定的物体或位置的机械手 . 在这情况 , 机械手将会跟随只有一些令人想要的 在曲线图上的路径 , 变更运算法则小一点点 . 另外的一个方法 使分散处理 , 当特别网络被用，而且机械手不能够直接地和彼此说话的时候，这可能是有用的 , 将只本土化附近的机械手 (沟通系列的机械手 ). 在这一种情形中，当给沟通信息和很多的带宽路由器被保护的时候，机械手不需要工作 . 如果全球的数据是必需的 , 一个机械手能问一或者更多它的邻居对于数据 (不生的数据 ) 而且计算使用变形 (18) 的其他机械手 (或一个特定的机械手 ) 位置和 (19). 因为整个的团体是可得的，当即时的估计不是一个限制的时候，这一个程序能回归地被运行直到全部州数据 . 4.3 全球的局限 迄今，一 经每个机械手在它自己的叁考框架中计算其余者的位置在一个身体叁考框架的唯一的比较局限被考虑 . 当在 W 的与一个固定的框架相关的测量可用来根机械手的时候 , 简单的变形能用 9 来把比较的估计转变成全球的坐标 . 5 实验的结果 为了示范早先的策略，我们在被装备全方向的照相机的一队五个像汽车一样的移动机械手上呈现局限实验和 IEEE 802.11(见到无花果树 . 1) 被引导网络 . 促进视觉的处理 , 每个机械手和物体的角落与为每个机械手提供一个独特的感应器确认的一种特别的颜色一起作记号 . 和一部外部的计算机的一台被校 正的在头上的照相机用来本土化环境的队 . 这部外部的计算机也收集在沟 通网络里面被广播的感应器数据 . 我们的全方向照相机的限制是他们的决议以物体的距离减少 . 如此我们承担范围数据受制于为价值通常用对范围的第四力量的不一致比例项分配了噪音比 1.5 m 小 , 当举止阅读蒙受了通常分配的持续不一致的噪音的时候 . 范围评价比 1.5 m 之前更大忽略 . 图 6 表演地面 -事实的数据获得了使用一台被校正的在头上的照相机 , 对于实验在哪一个一个机械手 (R1) 向被另外的一个机械手本土化的一个目标移动 (R2). 这 一个机械手需要透过被其他机械手广播的数据本土化目标 . 表现 的视野的领域被猛掷的圆周表示 R1 能基本上同时地见到一或二个机械手 . 图 10 6 表演 R1s 运动在 R0 s 叁考框架的判断 图 . 6 以被 R2 收 集 而 且 分 享 了 过 计 算 的 网 络 的 数 据 为 基 础 的 对 于 O1 的 R1 移动 . 点表现 R1被 R0 和 真 实 轨 道 的 连 续 线 估 计 的 s 位置 . 内部的猛掷圆周表现机械手大小和向外的一些表现视野的照相机领域 . (哪一个与全球的叁考一致构成 ) 和 R1s 真实的轨道 . 图 7 表演追踪使用 EKF 的一个三角形 的盒子的三个机械手的二个迅速射击 . R0s 叁考框架被显示 . 当 R0 只用来本土化另外二的时候，机械手 R1 和 R2 能够见到盒子角落 . 即使 R0 不能够见到盒子角落 , 它能够追踪使用来自它的队友的数据的盒子 . 权利的迅速射击表示，当一个机械手变盲目的时候，角落共分散增加但是 盒子仍然被追踪 . 如果来自一台外部的校正照相机的数据被用，最后一个结果表示机械手如何全球性地被本土化 . 来自外部的照相机的图 8 表演 11 二个图像本土化环境的机械手 . 加上一个中间的，在哪 R4 能被照相机见到，在表 1 被显示，局限造成这二个结构。 由于数据从其他的机械手 , 不是被外部照相机见到的机械手能仍然被本土化 . 6 结论 这一张纸提供一个策略给在 SE 仿制多机械手形成 (2). 使用这图标模型 ,我们已经为在来自分配的照相机测量的 SE(2) 决定移动机械手的完全能地方化形成源自充份的和必需的情况。 这一张纸经过统计的操作员和曲线图搜索运算法则在 SE(2) 的被分配的机械手 -感应器的网络中也为局限和追踪呈现一个简单的和有效率的方法。 给州判断的被提议的方法在分配的网络里面对感应器或机械手的数字感到可攀登。 实 验式地，我们的局限运算法则已经被实现和广泛地在排范围从物体处理到感应器配置的一个多机械手工作的大多样性用。 12 附录 Robot-Sensor Networks General Robotics Automation Sensing and Perception Laboratory, University of Pennsylvania, Philadelphia, PA, USA Abstract: This paper addresses the problem of real-time position and orientation estimation of networked mobile robots in two-dimensional Euclidean space with simultaneous tracking of a rigid unknown object based on exteroceptive sensory information extracted from distributed vision systems. The sufficient and necessary conditions for team localization are proposed. A localization and object tracking approach based on statistical operators and graph searching algorithms is presented for a team of robots localized with heterogeneous sensors. The approach was implemented in an experimental platform consisting of car-like mobile robots equipped with omnidirectional video cameras and IEEE 802.11b wireless networking. The experimental results validate the approach. Key words: cooperative localization; multi-robot formation; distributed sensor network; sensor data fusion Introduction In order for a team of mobile robots to navigate autonomously in some desired formations and further perform cooperative tasks, such as surveillance and target acquisition, they must be able to localize themselves in the formation as well as in a global reference frame 1,2. Therefore, how to estimate robots positions and orientations (poses) in a 13 precise and efficient way is of particular interest. Our interest in this paper is localizing a team of heterogeneous robots in two dimensional special Euclidean space SE (2) and localizing targets with information obtained from heterogeneous sensors. Specifically, we are interested in conditions for which all robots in the formation can be localized in the environ- ment. Our localization approach is closely related to those presented by Stroupe etal. in the sense that the robots have access to their teammates sensor data (or some related information) and combinethis information with that coming from its own sensors. In that paper, the robots use distributed sensing to improve self localization or target localization 1. The methodologies of both papers of Kalman filters have presented solutions for the relative multi-robot localization problem by combining information exchanged by the robots using least squares optimization. Recent literatures use graphs to model sensor networks and cooperative control schemes 5, 6. Results on graph rigidity theory 7-9 can be directly applied to multi-robot systems in R2 (Refs. 10, 11). However, relatively little attention has been paid to networks with bearing observations, which is particularly important for networks of cameras. This paper presents a different approach for team localization and object tracking in SE(2) based on statistical operators and simple graph searching algorithms. Furthermore, different from the previous approaches, we formulate the problem in such a way that the problem of team localization and object tracking can be solved by the same 14 algorithm. We also show how the advantages related to optimality of previous works can be easily incorporated in our method. As an example, this paper shows how to incorporate an extended Kalman filter (EKF) to improve object tracking. In the end, to validate our method, we show experimental results obtained with our Clod Buster platform consisting of a group of five car-like autonomous robots (see Fig.1) equipped with omnidirectional video cameras and an IEEE 802.11b wireless network. We assume that each robot has an omnidirectional transmitter and receiver and each robot can listen to every other robot. Thus, all robots in the formation can exchange their estimates and localize themselves in a cooperative manner. Note that we do not assume any kind of proprioceptive information such as the robots velocity and acceleration from any inertial sensors. 2 Localizability of Multi-Robot Formations To consider whether a team of robots can be localized, it is necessary to fuse the information available from different sensors and verify if this information is adequate. For a team 15 of n robots in SE(2), localization is the determination of the 3n coordinates that characterize the robot positions and orientations. Thus, it is necessary to see if 3n independent measurements are available. Since every measurement specifies a constraint on the 3n coordinates, we developed a test of functional independence for all constraints. Accordingly, we define a constraint matrix whose rank will allow us to verify whether the team can be localized. For each range and bearing measurement, the constraints on the coordinates in frame Bi are given by: A pair of bearing measurements, jk and ik , involving robots Rj and Rk, results in the following Type 3 constraint. Finally, any pair of bearing measurements, ij and kj, involving three robots Ri, Rj, and Rk, results in the following Type 4 constraint. All these constraints can be written in the form: where L1 is a linear combination of measurements, and h is a nonlinear function of the shape variables in some body-fixed reference frame. There are only four types of constraints that can be used to describe the network. All other equations that can be written are functionally dependent on the above constraint equations. By differentiating the four constraint equations, we get expressions describing allowable small changes (equivalently velocities) of the robot coordinates. Following this procedure for M possible constraints gives an M 3n matrix for reference frame Bi: Definition 1 A team of n robots in SE(2) is said to be 16 localizable if the 3n coordinats of the n robots can be estimated in an inertial frame. Remark 1 Localizability is obviously related to observability in system theory14 if a team is localizable over any time interval, the system is completely observable. However, we will use Definition 1 in an instantaneous, static setting, and thus refrain from using system theoretical notation. Remark 2 We can also require the team to be localized in a relative setting where it is only necessary to estimate 3n.3 coordinates of n.1 robots in a body reference frame. Theorem 1 A formation of n robots in SE(2) is localizable only if N=3n.2ng.nb.nr 0 （ 11） where ng, nb, and nr are numbers of measurements made by inertial or global positioning sensors, bearing sensors, and range sensors, respectively. Proof It is easy to verify that each absolute position measurement made by any global positioning sensor can be directly used to estimate two state variables, and each bearing and range measurement will add at least one constraint on the configuration or shape of the formation. Thus, ng, global position sensors, nb, bearing sensors, and nr, range sensors will provide at most 2ng+nb+nr independent measurements. Since 3n state variables have to be estimated, 2ng+nb+nr must be at least equal to 3n. Given a formation of robots with limited sensing capability, Theorem 1 provides a simple necessary condition to easily verify the localizability without considering the formation geometry. Note that additional sensors, such as landmark sensors, compasses, and inertial 17 measurement units (IMUs), can be incorporated into this framework in a straightforward way. Fig. 4 Sample bearing sensing graphs for a group of three mobile robots in SE(2). Trigonometrically, graph (b) can always transform into (a) based on exteroceptive sensory information available in the computational network. 4 Localization Approach Our localization approach assumes that each robot has a unique identification (ID) both for communication and sensing. At first, we also assume that object corners have distinct sensing IDs. This assumption can be relaxed if simple heuristics based on pattern classification are used to solve the problem of associating robots measurements. Our approach is centralized in the sense that each robot collects sensing information from other robots and combines this information using its own computational resources via the computational network. Thus, given the previous background, localization in a network of mobile robots can be addressed by combining a series of operations that involve transformations and combinations. This algorithm visits, only once, all nodes of a tree by visiting all the nodes at the same depth before going deeper. Here, since we are not considering trees, the nodes 18 can be visited more than once. Thus, if there is more than one path between the root of the graph and a specific node, all these paths will be used. At the first time a vertex is visited, its position is estimated. From then on, each time a node is reached, its previously estimated pose is combined with the pose recently estimated using this new path. Because a node is allowed to be visited more than once, theoretically, the algorithm could enter in loops. Loops cause situations of interdependence where, for example, the pose of vi can be computed using information from vj and the pose of vj can be computed using information from vi. To avoid this problem, the original graph is transformed into a direct graph where loops are removed. The new graph is similar to a tree (however, it is not a tree) with the root being the robot chosen as the origin. Loops are avoided by removing edges between robots with the same depth. Because objects do not have measurements, they never create loops and their edges are never deleted. The same occurs with unidirectional edges between two robots. A bidirectional edge between two robots of different depths may also create loops. These situations are avoided because the algorithm treats the graph as a tree and never moves towards the root. Exceptions are made with unidirectional edges that are always followed independently of the direction. Figure 5 shows an example of the derived graph and four steps of the algorithm for the situation presented. This is actually the combination of 4 R s and 1 R s local measurements. Because R4 cannot localize R1 directly, an 19 indirect path going through R3 is needed. One of the issues with the previous algorithm is that some of the edges (such as e12 and e21 in the previous example) are not used in the robots and objects pose estimation. To avoid wasting useful information, one could divide the algorithm in two parts assuming the robots orientations and positions can be computed separately. The two parts are: 1) estimation of the robots orientations using the same algorithm; and 2) estimation of the robots and targets positions using a linear weighted least squares method that assumes that the positions of two robots (Ri and Rj) in a third 20 robot (Rk) coordinate frame are linearly related by: where ki and ij are assumed to be known. The necessity of knowing ki explains the division of the algorithm in two parts. Besides computing the orientations, the first part of the algorithm is responsible for computing the number of robots connected to the computational network and, consequently, for defining the variables to be computed. Some edges are still wasted in this part of the algorithm, what is reasonable under the observation that b