摘 要： 目前由于機(jī)載設(shè)備的容量和處理能力有限，機(jī)器人完成復(fù)雜任務(wù)的能力受到限制。隨著無線網(wǎng)絡(luò)技術(shù)的快速發(fā)展,遠(yuǎn)程控制機(jī)器人成為了可能。以云平臺(tái)為基礎(chǔ)，設(shè)計(jì)了一種具有海量處理能力的多機(jī)器人遠(yuǎn)程實(shí)時(shí)控制系統(tǒng)，通過機(jī)載攝像頭實(shí)時(shí)捕獲畫面并通過無線網(wǎng)絡(luò)傳給搭建在云平臺(tái)上的后臺(tái)處理系統(tǒng)，后臺(tái)處理系統(tǒng)按照設(shè)定的規(guī)則對畫面做出判斷，并將控制指令返回給機(jī)器人執(zhí)行相應(yīng)動(dòng)作。

　　關(guān)鍵詞： 機(jī)器人遠(yuǎn)程控制；云平臺(tái)；后臺(tái)控制系統(tǒng)；實(shí)時(shí)性

0 引言

　　近年來由于技術(shù)發(fā)展和任務(wù)需要，仿人機(jī)器人的應(yīng)用越來越廣泛[1-2]。隨著無線技術(shù)的快速發(fā)展，無線網(wǎng)絡(luò)傳輸數(shù)據(jù)的速度和穩(wěn)定性越來越高，使機(jī)器人的遠(yuǎn)程控制成為可能。國內(nèi)外學(xué)者對仿人機(jī)器人做了大量研究。參考文獻(xiàn)[3]詳細(xì)介紹了國內(nèi)外仿人機(jī)器人的研究及理論現(xiàn)狀，提出了發(fā)展趨勢；參考文獻(xiàn)[4]實(shí)現(xiàn)了基于網(wǎng)絡(luò)的機(jī)器人遠(yuǎn)程控制系統(tǒng)，操作者通過網(wǎng)絡(luò)傳輸?shù)默F(xiàn)場實(shí)時(shí)畫面實(shí)現(xiàn)對遠(yuǎn)程機(jī)器人的控制；參考文獻(xiàn)[5]以環(huán)境感知為前提，提出了多機(jī)器人系統(tǒng)的合作即時(shí)定位與地圖創(chuàng)建的方法；參考文獻(xiàn)[6]介紹了多機(jī)器人在多個(gè)研究領(lǐng)域的進(jìn)展；參考文獻(xiàn)[7]以實(shí)時(shí)性和可靠性為前提，設(shè)計(jì)了一套遠(yuǎn)程控制系統(tǒng)和開發(fā)庫；參考文獻(xiàn)[8]提出了一種基于Linux的新的遠(yuǎn)程機(jī)器人控制系統(tǒng)的軟件體系結(jié)構(gòu)并對遠(yuǎn)程機(jī)器人的原理以及狀態(tài)監(jiān)控技術(shù)進(jìn)行了詳細(xì)闡述。

　　當(dāng)機(jī)器人遇到復(fù)雜情況時(shí)，由于機(jī)載設(shè)備容量和處理能力有限而顯得能力不足。將機(jī)器人感知的當(dāng)前環(huán)境實(shí)時(shí)傳輸給遠(yuǎn)程服務(wù)器，通過遠(yuǎn)程服務(wù)器對信息實(shí)時(shí)處理并做出響應(yīng)是克服該困難的有效方法。當(dāng)多個(gè)機(jī)器人同時(shí)完成任務(wù)時(shí)，簡單的后臺(tái)處理器無法滿足計(jì)算需求，云計(jì)算為解決該問題提供了可能。

　　云計(jì)算[9-10]是指通過互聯(lián)網(wǎng)技術(shù)、虛擬化技術(shù)將大量異構(gòu)的軟硬件資源結(jié)合起來，以服務(wù)的形式提供給用戶使用。

　　本文采用的設(shè)備是Darwin-op高級版—達(dá)爾文機(jī)器人，該機(jī)器人是一款高智能仿人機(jī)器人，自帶Ubuntu9.10操作系統(tǒng)，包含高清攝像頭、陀螺儀、麥克風(fēng)等專業(yè)傳感器，能夠穩(wěn)步行走和保持自身的平衡性，可以通過無線網(wǎng)訪問系統(tǒng)的資源，具有很好的視覺跟蹤和人機(jī)交互能力。

　　本文擬通過機(jī)載攝像頭將監(jiān)控信息實(shí)時(shí)傳輸給搭建在云計(jì)算平臺(tái)上的后臺(tái)集群，后臺(tái)集群通過對畫面的探測，搜索出目標(biāo)信息，進(jìn)而搜索數(shù)據(jù)庫中保存的指令序列傳給機(jī)器人，機(jī)器人做出相應(yīng)的動(dòng)作。

1 系統(tǒng)整體設(shè)計(jì)

　　1.1 系統(tǒng)組成

　　本系統(tǒng)有以下5部分組成，系統(tǒng)框架結(jié)構(gòu)如圖1所示。

　　（1） 機(jī)載攝像頭，每隔一定時(shí)間間隔采集一次當(dāng)前所處的環(huán)境畫面并傳遞給預(yù)處理模塊。

　　（2） 預(yù)處理模塊，為減小傳輸帶寬，對畫面進(jìn)行一定比例的壓縮。

　　（3） 通信模塊，負(fù)責(zé)機(jī)器人與后臺(tái)之間的交互，包括信息上傳和指令接收。

　　（4） 控制模塊，根據(jù)后臺(tái)發(fā)出的指令做出相應(yīng)動(dòng)作。

　　（5） 后臺(tái)數(shù)據(jù)處理集群，負(fù)責(zé)圖像的解析，并根據(jù)解析結(jié)果查詢數(shù)據(jù)庫，調(diào)取相應(yīng)的指令信息反饋給機(jī)器人。

　　1.2 后臺(tái)數(shù)據(jù)處理集群

　　為了方便各個(gè)節(jié)點(diǎn)之間的協(xié)調(diào)工作，后臺(tái)處理集群采用master-worker架構(gòu)。master節(jié)點(diǎn)主要負(fù)責(zé)：計(jì)算節(jié)點(diǎn)的管理和任務(wù)的接收與分配。

　　在計(jì)算節(jié)點(diǎn)管理方面，master節(jié)點(diǎn)維持一個(gè)計(jì)算節(jié)點(diǎn)列表，列表中的節(jié)點(diǎn)采用“心跳機(jī)制”，每隔一段時(shí)間向master節(jié)點(diǎn)報(bào)告其存活狀況，只有處于存活狀態(tài)的計(jì)算節(jié)點(diǎn)才參與任務(wù)的執(zhí)行。為增強(qiáng)適應(yīng)性，后臺(tái)集群不僅要滿足當(dāng)前所需，還要滿足將來不斷增加的負(fù)載需求，另外，本設(shè)計(jì)希望集群能夠在不停機(jī)的條件下擴(kuò)展計(jì)算資源。為此，將計(jì)算節(jié)點(diǎn)設(shè)計(jì)為注冊機(jī)制，當(dāng)新計(jì)算節(jié)點(diǎn)加入時(shí)首先向master節(jié)點(diǎn)申請加入，master節(jié)點(diǎn)接受后將該計(jì)算節(jié)點(diǎn)的信息（名稱、IP等）添加到計(jì)算節(jié)點(diǎn)列表中并反饋確認(rèn)信息。

　　算法1 （master節(jié)點(diǎn)運(yùn)行算法）：

　　while true do

　　receive a task Ti

　　check next level process units’ workload

　　find a minimum workload unit Uj

　　allocate the task Ti to Uj

　　end while

　　在任務(wù)接收與分配方面，master通過TCP/IP協(xié)議與機(jī)器人進(jìn)行通信。當(dāng)master節(jié)點(diǎn)收到某個(gè)機(jī)器人上傳的信息時(shí)，master節(jié)點(diǎn)根據(jù)各個(gè)計(jì)算節(jié)點(diǎn)的負(fù)載情況將信息分配給負(fù)載最小的計(jì)算節(jié)點(diǎn)處理以達(dá)到負(fù)載均衡的目的，如算法1所示。各個(gè)節(jié)點(diǎn)的負(fù)載用CPU和內(nèi)存的利用率評定：

　　其中，ψ1和ψ2為權(quán)重，滿足ψ1+ψ2=1。

　　在集群master和計(jì)算節(jié)點(diǎn)之間通過φMQ通信中間件進(jìn)行通信[11]，該中間件具有較高的通信速度和良好的穩(wěn)定性。為保證每個(gè)計(jì)算任務(wù)都能得到處理，采用REQ-REP通信模式。整個(gè)后臺(tái)處理集群的結(jié)構(gòu)如圖2所示。

　　1.3 系統(tǒng)實(shí)現(xiàn)方法

　　信息流進(jìn)入集群后以有向無環(huán)圖的形式在各個(gè)計(jì)算節(jié)點(diǎn)之間流動(dòng)，每個(gè)計(jì)算節(jié)點(diǎn)視為一個(gè)處理單元。為了適應(yīng)大負(fù)載及快速響應(yīng)的需求，將整個(gè)系統(tǒng)設(shè)計(jì)為可橫向并行和縱向并行的形式。在橫向方面，將負(fù)責(zé)某個(gè)任務(wù)的處理單元設(shè)置為多份。當(dāng)信息接收模塊接收到機(jī)器人的監(jiān)控圖像時(shí)，系統(tǒng)根據(jù)各個(gè)處理單元的負(fù)載情況將計(jì)算任務(wù)分配到負(fù)載較輕的處理單元。在縱向并行方面，采用分而治之的思想，每個(gè)計(jì)算任務(wù)分為多個(gè)階段處理。本文將處理過程設(shè)計(jì)為兩部分：一級處理單元和二級處理單元。如圖3所示。

　　將一級處理單元設(shè)置為檢測圖片中是否有人，二級處理單元設(shè)置為檢測圖片中是否有汽車。并且預(yù)設(shè)機(jī)器人執(zhí)行指令情況如下：⑴圖片中既無人又無汽車，機(jī)器人不動(dòng)作；⑵圖片中僅有人，機(jī)器人打招呼；⑶圖中有汽車，機(jī)器人向一側(cè)移動(dòng)；⑷圖中既有人又有汽車，機(jī)器人先打招呼再向一側(cè)移動(dòng)。例如，當(dāng)機(jī)器人將實(shí)時(shí)圖片上傳到后臺(tái)時(shí)，后臺(tái)系統(tǒng)根據(jù)各個(gè)處理單元的負(fù)載情況，將其分配到2號處理單元，2號處理單元調(diào)用人物探測功能，探測到有人存在，然后將結(jié)果和圖片傳遞到下游的二級處理單元中的6號，探測到?jīng)]有汽車存在，最后將兩個(gè)結(jié)果匯總提交給指令發(fā)送模塊，指令發(fā)送模塊查詢數(shù)據(jù)庫，向機(jī)器人發(fā)出打招呼指令。

　　此外，為了保證各個(gè)計(jì)算節(jié)點(diǎn)之間的負(fù)載均衡，一、二級處理單元之間為多對多的關(guān)系，如圖3所示。 在對機(jī)器人傳遞的圖片進(jìn)行處理時(shí)，挖掘出其中比較重要的元素（人、汽車），并根據(jù)圖像中是否存在目標(biāo)做出判斷。

　　圖像處理選用opencv作為工具箱。opnecv中圖像識別主要包括兩部分：訓(xùn)練分類器和根據(jù)分類器對輸入的圖像進(jìn)行檢測。以人臉識別為例，目前分類器大多基于Haar特征訓(xùn)練得來（算法2）。具體操作如下：

　　（1）根據(jù)Haar特征使用大量樣本進(jìn)行訓(xùn)練（所有參與訓(xùn)練的樣本必須歸一化為同樣大小的圖片），得到一個(gè)分類器。樣本分為正樣本和反樣本，正樣本為含有待檢測目標(biāo)的樣本，反樣本為含有其他圖像的樣本。

　　（2）訓(xùn)練完成后根據(jù)訓(xùn)練產(chǎn)生的特征文件對感興趣的區(qū)域進(jìn)行檢測。在人臉識別中當(dāng)檢測區(qū)域有人臉時(shí)結(jié)果輸出1，表示含有目標(biāo)圖像；否則輸出0，表示不含有目標(biāo)圖像。

　　算法2（Haar訓(xùn)練分類器算法）：

　　begin

　　create Haar characteristic

　　number_of_classifier←0

　　while true do

　　input positive samples

　　input negative sample

　　if false alarm rate > R then

　　break

　　end if

　　if number_of_classifier > N then

　　break

　　end if

　　calculate Haar eigenvalue

　　train a strong classifier

　　Store classifier information into temp file

　　end while

　　store cascade information to XML file

　　check the function of classifier

　　end

　　在算法2中首先創(chuàng)建一個(gè)Haar特征，然后重復(fù)輸入正反樣本，訓(xùn)練產(chǎn)生一個(gè)新的強(qiáng)分類器，此過程一直重復(fù)直到虛警率或產(chǎn)生分類器的數(shù)量達(dá)到規(guī)定的閾值為止。

　　系統(tǒng)后臺(tái)服務(wù)程序要對大量的物體進(jìn)行檢測，每個(gè)物體對應(yīng)一個(gè)訓(xùn)練的分類器XML文件。前面提到為了增強(qiáng)縱向并行性將整個(gè)檢測過程采用分而治之的思想。將后臺(tái)程序設(shè)置為一級和二級處理單元，一級處理單元負(fù)責(zé)掃描前[N/2]數(shù)量的物體，二級處理單元負(fù)責(zé)掃描后[N/2]數(shù)量的物體。為了增強(qiáng)動(dòng)態(tài)性，對處理的物體也采用動(dòng)態(tài)注冊的方式，當(dāng)有新的物體需要識別時(shí)，需要在物體列表中注冊，同時(shí)將XML文件放到指定的位置，將針對該物體的指令保存到數(shù)據(jù)庫中，如圖4所示。

　　機(jī)器人每隔一段時(shí)間通過機(jī)載攝像頭掃描當(dāng)前環(huán)境，將采集當(dāng)前環(huán)境的一幅圖片tar壓縮，然后通過TCP/IP協(xié)議傳輸?shù)胶笈_(tái)處理，等待該圖片對應(yīng)的指令。具體流程如圖5所示。

　　另外，在機(jī)器人中預(yù)先設(shè)定各種動(dòng)作的代號及相關(guān)的動(dòng)作代碼，當(dāng)一個(gè)指令序列到來時(shí)，機(jī)器人根據(jù)序列內(nèi)容解析出動(dòng)作代號，并根據(jù)代號執(zhí)行相應(yīng)的動(dòng)作。當(dāng)需要改變面對某種情況所執(zhí)行的動(dòng)作時(shí)，只要修改后臺(tái)數(shù)據(jù)庫中代號序列就可以重新編排動(dòng)作，增強(qiáng)了靈活性。

2 實(shí)驗(yàn)

　　在本實(shí)驗(yàn)中測試整個(gè)系統(tǒng)的性能。首先測試?yán)胦pencv的圖像識別技術(shù)；然后通過模擬負(fù)載，測試后臺(tái)的處理性能；最后在真實(shí)環(huán)境中測試可行性。

　　實(shí)驗(yàn)中使用Darwin-op機(jī)器人，后臺(tái)建立在由中國科學(xué)技術(shù)大學(xué)中科大-聯(lián)想云計(jì)算實(shí)驗(yàn)室開發(fā)的瀚海星云云計(jì)算服務(wù)平臺(tái)上。該平臺(tái)目前提供IaaS層的服務(wù)，可以提供多種配置的Linux虛擬機(jī)。

　　2.1 Opencv圖像識別測試

　　在圖像識別測試中，以人臉識別和車輛識別為例進(jìn)行測試。

　　在人臉識別中，使用opencv[12]示例中自帶的haarcascade_frontalface_alt.xml人臉識別分類器進(jìn)行測試。如圖6所示，分別在無背景、單人真實(shí)環(huán)境以及多人真實(shí)環(huán)境下進(jìn)行測試。通過對不同場景的測試，識別系統(tǒng)均可較好地識別出圖像中出現(xiàn)的人臉。

　　在對車輛進(jìn)行識別時(shí)，建立了一個(gè)規(guī)模較小、包含2 000個(gè)樣本的數(shù)據(jù)集來訓(xùn)練產(chǎn)生分類器，能識別圖片中出現(xiàn)的車輛（車輛識別中使用的訓(xùn)練集僅限于小汽車）。如圖7所示。

　　2.2 后臺(tái)負(fù)載測試

　　在該部分中，通過模擬負(fù)載，不停地向后臺(tái)系統(tǒng)批量傳送大量監(jiān)控圖像來模擬多機(jī)器人遠(yuǎn)程實(shí)時(shí)控制。在該實(shí)驗(yàn)中，使用4臺(tái)單核處理器作為后臺(tái)服務(wù)集群，其中2臺(tái)負(fù)責(zé)人臉識別，2臺(tái)負(fù)責(zé)車輛識別。

　　如圖8所示，由于后臺(tái)系統(tǒng)在分配任務(wù)時(shí)總是將其分配到負(fù)載較輕的計(jì)算節(jié)點(diǎn)上，因此在整個(gè)運(yùn)行過程中各個(gè)節(jié)點(diǎn)的負(fù)載保持在相對均衡的狀態(tài)。同時(shí)，由于使用多計(jì)算節(jié)點(diǎn)模式，從而能夠滿足同時(shí)控制多機(jī)器人的需求。

　　2.3 系統(tǒng)測試

　　在該部分根據(jù)預(yù)設(shè)指令測試整個(gè)系統(tǒng)的可行性。

　　在實(shí)驗(yàn)過程中，使機(jī)器人1處于有人環(huán)境中，機(jī)器人2處于有汽車的環(huán)境中，這里用一個(gè)玩具車來代替。機(jī)器人1在遇到人時(shí)會(huì)做出打招呼的動(dòng)作，機(jī)器人2在遇到車時(shí)會(huì)做出避讓動(dòng)作。實(shí)驗(yàn)表明兩個(gè)機(jī)器人都能夠完成預(yù)設(shè)的指令，整個(gè)過程檢驗(yàn)了一個(gè)系統(tǒng)同時(shí)控制多個(gè)處于不同環(huán)境中的機(jī)器人的可行性。

3 結(jié)論

　　本文將機(jī)器人與云計(jì)算結(jié)合起來，把機(jī)器人作為信息的獲取媒介和任務(wù)的最終執(zhí)行者，將后臺(tái)處理系統(tǒng)架設(shè)在云平臺(tái)上，利用云平臺(tái)的海量處理能力來解決多機(jī)器人的控制問題，實(shí)驗(yàn)表明本設(shè)計(jì)取得了良好的效果。但是，由于實(shí)驗(yàn)條件所限，機(jī)器人采集的只有圖像信息，在未來的工作中會(huì)將其他傳感器獲得的信息加入到其中，使機(jī)器人能夠更加全面地感知周圍環(huán)境，并根據(jù)這些信息做出更加準(zhǔn)確的決定。

參考文獻(xiàn)

　　[1] 徐莉，劉振方，王建丞，等．仿生機(jī)器人綜述[J]．黑龍江科學(xué)，2013,4(7)：57-61．

　　[2] 王田苗，陶永，陳陽．服務(wù)機(jī)器人技術(shù)研究現(xiàn)狀與發(fā)展趨勢[J].中國科學(xué)，2012,42(9):1049-1066．

　　[3] 陳兵，駱敏舟，馮寶林，等．類人機(jī)器人的研究現(xiàn)狀及展望[J].機(jī)器人技術(shù)與應(yīng)用，2013（4）:25-30．

　　[4] 張曉暉，劉丁，李攀．基于網(wǎng)絡(luò)的機(jī)器人遠(yuǎn)程控制系統(tǒng)的實(shí)現(xiàn)與研究[J].機(jī)械科學(xué)與技術(shù)，2007,26(6):808-811．

　　[5] Cheng Liying, Xue Dingyu, Cong Yang, et al. The research of environment perception based on the cooperration of muti-robot [C]. Chinese Control and Decision Conference,2012:1914-1919．

　　[6] Arai T, Pagllo E, Parker L E. Advances in multi-robot systems [J]. IEEE Transctions on Robotics and Automation, 2002,18(5):655-661．

　　[7] 陳洋，陸宇平．機(jī)器人實(shí)時(shí)遠(yuǎn)程控制系統(tǒng)及其開發(fā)庫的設(shè)計(jì)與實(shí)現(xiàn)[J]. 電子技術(shù)應(yīng)用，2006，32（2）:7-10．

　　[8] 薛廣濤，陳一民，張濤．基于Linux的遠(yuǎn)程機(jī)器人控制系統(tǒng)研究[J]. 機(jī)器人，2001, 23( 3):261-265．

　　[9] 王波.虛擬化與云計(jì)算[M]．北京：電子工業(yè)出版社,2009．

　　[10]陳全，鄧倩妮．云計(jì)算及其關(guān)鍵技術(shù)[J]．計(jì)算機(jī)應(yīng)用，2009,29(9):2562-2566.

　　[11] Hinthens P. ZeroMQ [M]. O’REILLY, 2013.

　　[12] Bradski G. Learning OpenCV [M]. O’REILLY, 2008.