【光电智造】ROS应用|ROS多机器人系统

今日光电 2024-12-08 18:00 211浏览 0评论 0点赞

汽车用卸负载电阻低价方案 STM32开发板、小米手环、华为耳机，等你来赢！

今日光电

有人说，20世纪是电的世纪，21世纪是光的世纪；知光解电，再小的个体都可以被赋能。追光逐电，光赢未来...欢迎来到今日光电！

----追光逐电光赢未来----

ROS Multi-Robot Systems

前言

多机器人系统（Multi-Robot Systems, MRS）是近年来机器人学研究的热点之一。相比单机器人系统，多机器人系统能够通过协作提高效率和任务完成的鲁棒性，同时降低单点故障风险。借助 ROS（Robot Operating System）的模块化设计与强大的通信机制，开发者可以轻松构建多机器人协作平台，支持多种复杂任务的实现，如仓储物流、无人机编队、农业巡检和灾后救援等。

本篇将详细介绍 ROS 多机器人系统的原理、部署过程和开发细节，深入探讨其核心概念与关键实现。

原理介绍

基本概念

1、多机器人系统（MRS）的定义

MRS 是一种通过多个机器人协作完成任务的系统。各机器人可分工执行任务或共享资源协同工作，其主要目标是：

任务效率最大化：通过并行工作提高效率。

鲁棒性增强：某些机器人出现故障时，系统仍能完成任务。

灵活性：应对动态变化的环境和任务需求。

2、MRS 的应用场景

仓储物流：多个 AGV（自动引导车）在仓库内协作完成搬运与分拣任务。

编队飞行：无人机群实现编队飞行、目标跟踪和航拍任务。

搜索与救援：机器人协同搜索受困人员或危险区域。

3、核心挑战

通信效率：多机器人需要高效的信息共享机制，避免通信瓶颈。

任务分配：设计合理的任务分配算法，确保任务的公平性与效率。

路径规划与避障：确保机器人之间无冲突的高效移动。

整体流程

ROS 支持的多机器人系统一般遵循以下流程：

1、初始化与配置 每个机器人启动 ROS Master 或连接到全局 Master，通过统一命名空间实现资源隔离。例如，机器人 1 和机器人 2 的命名空间分别为 /robot1 和 /robot2，其激光雷达数据可通过 /robot1/scan 和 /robot2/scan 区分。

2、任务生成与分配 使用分布式任务分配算法，根据任务需求和机器人状态将任务分配给合适的机器人。

其中 dij 为机器人 i 到任务 j 的距离，Eij 为机器人完成任务所需的能耗。

3、路径规划与协调 每个机器人独立完成路径规划，同时通过全局协调避免碰撞。

4、实时执行与反馈 各机器人按照分配任务进行执行，并实时向控制中心报告任务状态。

关键特点

1、模块化设计 ROS 的节点架构支持将任务分解为多个模块（如任务分配、路径规划、感知），每个模块独立运行，便于开发与调试。

2、分布式与集中式结合 ROS 既支持集中式任务分配与协调，也支持分布式任务执行。

3、可扩展性强 ROS 提供丰富的开源工具包（如 Navigation2、MoveIt! 等），支持多机器人感知与规划功能。

算法流程

以经典的拍卖算法为例，展示任务分配的具体流程：

1、任务初始化 系统生成任务集合 T={t1,t2,…,tn}，每个机器人获取任务信息。

2、任务竞标 每个机器人根据自身状态计算竞标价格：

其中 ci 表示机器人当前负载。

3、任务分配 系统根据最低竞标价将任务分配给合适的机器人。

4、执行与监控 分配完成后，机器人独立执行任务，同时实时共享任务完成情况。

部署环境介绍

硬件要求

1、机器人平台

移动机器人（如 TurtleBot3 或 AGV）。

无人机（如 PX4 或 DJI）。

2、通信设备

Wi-Fi 或专用无线通信模块（如 ZigBee）。

高带宽低延迟的网络环境，确保数据实时传输。

软件要求

1、ROS 环境

ROS1：Noetic 推荐。

ROS2：Humble 或 Foxy。

2、仿真工具

Gazebo：用于多机器人场景仿真。

RViz：用于可视化传感器数据和规划结果。

3、任务分配与路径规划库

move_base:(http://wiki.ros.org/move_base)路径规划与导航。

multi_master_fkie:(http://wiki.ros.org/multimaster_fkie)跨主机多 Master 通信。

部署流程

1. 安装 ROS 与相关工具

在每个机器人上安装 ROS 和相关软件包：

sudo apt updatesudo apt install ros-noetic-navigation ros-noetic-multimaster-fkie

2. 配置多机器人网络

配置跨主机 ROS 通信。确保每个机器人可通过 IP 地址相互访问：

# 在每台机器人上设置export ROS_MASTER_URI=http://:11311export ROS_HOSTNAME=

3. 创建多机器人命名空间

为每个机器人配置独立命名空间，在 launch 文件中定义：

"robot1"> "$(find my_robot)/launch/robot_bringup.launch" />"robot2"> "$(find my_robot)/launch/robot_bringup.launch" />

4. 启动任务分配与通信

启动多机器人任务分配服务：

roslaunch multi_robot_task_assignment task_manager.launch

5. 启动仿真环境

使用 Gazebo 仿真多个机器人环境：

roslaunch multi_robot_simulation multi_robot_gazebo.launch

代码示例

以下代码展示了一个简单的多机器人任务分配模块：

import rospyfrom std_msgs.msg import String
class TaskManager:   def __init__(self):       rospy.init_node('task_manager')       self.task_pub = rospy.Publisher('/tasks', String, queue_size=10)       self.feedback_sub = rospy.Subscriber('/task_feedback', String, self.feedback_callback)       self.tasks = ["pick1", "drop1", "pick2", "drop2"]       self.assigned_tasks = {}
   def feedback_callback(self, msg):       rospy.loginfo(f"Feedback: {msg.data}")       task, robot = msg.data.split(':')       if self.assigned_tasks.get(task) == robot:           rospy.loginfo(f"Task {task} completed by {robot}")
   def assign_tasks(self):       rate = rospy.Rate(1)       for i, task in enumerate(self.tasks):           robot = f"robot{i % 2 + 1}"  # Alternating robots           self.assigned_tasks[task] = robot           self.task_pub.publish(f"{task}:{robot}")           rospy.loginfo(f"Assigned {task} to {robot}")           rate.sleep()
if __name__ == "__main__":   manager = TaskManager()   manager.assign_tasks()   rospy.spin()

代码解读

1、任务分配

每个任务根据简单轮换规则分配给机器人。

2、反馈处理

订阅 /task_feedback，接收机器人反馈状态。

3、日志记录

使用 rospy.loginfo 实时记录任务状态。

运行效果说明

1. 任务广播

系统启动后，任务管理节点会将生成的任务集合广播到指定的机器人命名空间。例如，在本文代码示例中，任务 "pick1" 被分配给机器人 1，广播消息为 /tasks 话题内容：

pick1:robot1drop1:robot2

在 Gazebo 仿真环境中，可以看到机器人 1 和机器人 2 接收任务后立即开始执行移动规划。

可视化表现：在 RViz 中：

任务起点与终点显示为标记点（Markers），起点为当前机器人的位置，终点为任务目标位置。

路径轨迹以多颜色线条表示，每个机器人路径轨迹不同以便区分。

日志记录中可以看到任务广播的详细内容：

[INFO] [TaskManager]: Assigned pick1 to robot1[INFO] [TaskManager]: Assigned drop1 to robot2

2. 路径规划与移动

每个机器人在接收到任务后，启动独立的路径规划模块（如基于 ROS Navigation Stack 的 move_base），生成无碰撞的路径并开始移动。机器人根据全局地图和局部传感器数据动态更新路径，避开障碍物。

示例运行效果：

机器人 1 执行任务 pick1：移动至货架位置，避开动态障碍物后到达目标点。

机器人 2 执行任务 drop1：绕过机器人 1 的轨迹，成功到达终点位置。

RViz 可视化表现：

激光雷达点云显示机器人周围的环境。

路径规划实时更新：机器人遇到障碍物时，规划轨迹会动态调整。

日志输出：

[INFO] [robot1]: Moving to pick1[INFO] [robot1]: Reached pick1[INFO] [robot2]: Moving to drop1[INFO] [robot2]: Reached drop1

3. 任务执行

任务执行过程中，机器人到达目标点后会完成指定动作（例如抓取物体、放置物体等）。每个任务的完成情况通过话题 /task_feedback 上报到任务管理节点。

模拟任务流程：

机器人 1 到达 pick1 点：模拟完成抓取动作。

机器人 2 到达 drop1 点：模拟完成放置动作。

Gazebo 仿真环境下：

机器人抓取与放置任务由仿真插件触发动作。

可以观察到机器人机械臂的抓取与释放动画。

反馈日志记录：

[INFO] [robot1]: Task completed: pick1[INFO] [TaskManager]: Task pick1 completed by robot1[INFO] [robot2]: Task completed: drop1[INFO] [TaskManager]: Task drop1 completed by robot2

参考链接

1、ROS Multi-Robot Tutorial：

http://wiki.ros.org/multimaster_fkie/Tutorials

2、Task Allocation Algorithms in MRS：

https://journals.sagepub.com/home/ijr

来源：新机器视觉