利用分治方法为可扩展机器人生成最优形态

《Results in Engineering》：Optimal Morphologies Generation for an Expandable Robot Using Divide and Conquer Approach

针对可重构机器人区域覆盖任务中的高能耗问题，提出了一种基于Divide-and-Conquer（DaC）的框架。通过DBSCAN算法将地图按障碍密度划分为子区域，并利用Metaheuristic算法（MACO和OMOPSO）为每个子区域优化独立形态，最终结合全局覆盖规划实现高效低能耗的完整区域覆盖。实验验证表明，该方法在两个不同地图布局中均显著降低能耗，最优形态组合较随机方案减少34.6%-49.8%的形态变换度，路径长度缩短15%-25%，同时保持100%覆盖精度。

　　随着机器人技术的不断进步，可重构机器人在清洁和维护领域展现出越来越大的潜力。这些机器人能够根据环境变化改变自身的形态，从而适应不同的任务需求。然而，频繁的形态变换会导致更高的能耗，这在实际应用中是一个亟待解决的问题。为了解决这一问题，本文提出了一种基于“分而治之”（Divide-and-Conquer, DaC）策略的框架，旨在通过优化机器人形态，实现更高效的区域覆盖，同时减少能量消耗。

可重构机器人在清洁任务中表现出色，但其高能耗特性限制了其广泛应用。传统方法在固定形态机器人中已较为成熟，但在可重构机器人中，形态变化带来了额外的计算和机械成本。因此，需要一种新的方法，通过合理的区域划分和形态优化，使得机器人能够以最小的能量消耗完成任务。本文提出的方法利用了DBSCAN（Density-Based Spatial Clustering of Applications with Noise）算法，将环境划分为多个子区域，并通过元启发式优化方法确定每个子区域的最佳形态，从而实现能量效率的最大化。

在机器人设计方面，本文介绍了一种名为e-Smorphi的可重构机器人。该机器人能够在长度和宽度两个维度上独立调整形态，从而适应不同环境的需求。这种设计不仅提高了机器人的适应能力，还优化了其在复杂环境中的运动性能。此外，机器人配备了高效的导航系统，包括轮式驱动和转向控制，使得其能够在不同形态下灵活移动。通过这种设计，e-Smorphi能够在不同环境中实现高效清洁，同时减少不必要的形态变换。

为了实现全面的区域覆盖，本文还引入了一个全局覆盖规划器，该规划器结合了波前算法（Wavefront Algorithm）和A*算法，能够在不同的机器人形态下进行路径规划。该算法能够有效减少路径长度和转弯次数，同时优化形态转换的频率，从而在保证覆盖质量的前提下降低能耗。通过这种方式，e-Smorphi能够根据每个子区域的障碍物密度，选择最适合的形态进行覆盖。

在优化方法上，本文采用了两种元启发式算法：多目标蚁群优化（MACO）和优化的多目标粒子群优化（OMOPSO）。这些算法能够处理复杂的多目标优化问题，找到在路径长度、转弯次数和形态转换程度之间的最佳平衡点。通过这些算法，e-Smorphi能够在不同区域中找到最优的形态配置，从而实现高效的区域覆盖。

实验部分，本文使用了两种不同的2D地图（map-1和map-2）进行了验证。map-1的尺寸为3米×3米，障碍物密度为17.73%；map-2的尺寸为3米×1.6米，障碍物密度为22.14%。通过在这些地图上进行仿真和实际测试，本文验证了所提出的框架的有效性。实验结果表明，e-Smorphi在使用优化后的形态时，能够实现100%的区域覆盖，同时显著降低能耗。相比之下，固定形态机器人只能覆盖86.02%和85.08%的区域，这表明可重构机器人在复杂环境中具有更高的适应性和效率。

此外，本文还对优化后的形态与随机选择的形态进行了比较。结果表明，优化后的形态在路径长度、转弯次数和形态转换程度方面均优于随机形态。这说明所提出的框架能够有效识别能量效率高的形态配置，从而在实际应用中实现更好的性能。

然而，本文也指出了所提出方法的一些局限性。首先，该框架主要基于仿真和实际测试进行验证，但在不同的机器人设计和机械配置下，其性能可能会有所变化。其次，本文假设路径长度、转弯次数和形态转换程度与能耗成正比，这种简化模型可能无法全面反映实际能耗情况。未来的研究可以考虑更复杂的能耗模型，包括电机效率、执行器功耗和系统动力学等因素。

最后，本文强调了所提出方法在实际应用中的优势。通过合理的区域划分和形态优化，e-Smorphi能够在不同环境中实现高效的区域覆盖，同时显著降低能耗。这不仅提高了机器人的工作效率，还增强了其在复杂环境中的适应能力。未来的工作将进一步开发详细的能耗模型，实施先进的控制策略，并扩展该框架以实现连续地图划分，从而在划分和形态优化之间取得更好的平衡。