NuBot中型组足球机器人系统研究!

专家评述

中国机器人大赛暨 RoboCup公开赛

仿真技术研究

实体技术探讨收获与建议14

《机器人技术与应用》第4期

冠军视点

1 引言

RoboCup中型组比赛要求机器人是全分布式的和全自主的，必须能够通过自身携带的传感器和与队友的无线通信获得环境感知信息，使用自身携带的计算机自主完成机器人的决策控制，实现与队友的协调与协作等。该组别比赛是机器人足球比赛中对抗程度最激烈，也最接近人类比赛的赛事。RoboCup中型组涉及的研究内容包括机械结构设计、实时图像处理、机器人视觉、机器人自定位、目标识别与目标跟踪、运动控制、移动机器人的控制体系结构、路径和轨迹规划、机器学习、多机器人协调控制、多传感器信息融合等[1]。

国防科大RoboCup中型组猎豹队(NuBot)成立于2004年，近几年来，我们的研究兴趣主要集中于多机器人协作、鲁棒的机器人视觉、机器人控制和规划等内容。本文分别从机器人平台、体系结构及行为控制、环境感知三个方面介绍了NuBot中型组足球机器人关键技术的研究现状及具体优势技术。

2 机器人平台

2.1 机械平台及其主动控球系统

自奥地利格拉茨RoboCup2009比赛后，猎豹队开发了全新的足球机器人平台，如图1所示。机器人的运动能力尤其是加速能力与以前的机器人相比有了很大的提高。猎豹队也设计了一种全新的全向轮，如图2所示。这种轮子能够提供给轮系与地面之间更大的摩擦力，减少打滑现象的出现。

主动控球系统指足球机器人上专门用来控制球运动的主动控球机构和相应控制系统[2]。设计主动控球系统的目的是为了使机器人能更好地在运动过程中控制球，机器人全向移动平台的运动能力得以充分发挥。应用在NuBot足球机器人上的主动控球机构如图1和图3所示。

NuBot中型组足球机器人系统研究

李迅 杨绍武 唐帅 董鹏 曾志文 卢惠民 于文涛 张辉 郑志强国防科技大学机电工程与自动化学院，湖南长沙，410073

摘要：RoboCup中型组机器人足球比赛为研究机器人技术及其他相关领域技术提供了一个标准的测试平台。本文分别从NuBot机器人平台、体系结构及行为控制、环境感知三个方面介绍了国防科大NuBot中型组足球机器人的部分关键技术及具体优势技术。

关键词：RoboCup中型组，足球机器人，机器人平台，体系结构，行为控制，环境感知

和传统的被动带球结构相比，主动控球系统具有几个优势：①主动控球系统使得机器人带球运动过程中，具有了多方向运动的能力（运动能力和运动方向相关），增加了带球运动的灵活性；②主动带球机构允许机器人在带球过程中突然减速或者改变方向而不

失去对球的控制，机器人在带球运动过程中调整姿态的能力有很大提高；③主动控球机构使我方机器人和对方机器人在争抢球的过程中占有优势。目前设计的主动控球系统提高了NuBot机器人的控球能力，下一步的研究工作将着眼于增强控球系统对不同场地和球的

适应性以及针对主动控球机构特点的

轨迹规划。

2.2 机器人硬件系统结构

硬件系统是移动机器人控制的基础。目前中型组队伍大多数采用笔记本电脑或小型工控机作为机器人机载的主处理器，主要有分布式和集中式两种硬件结构[1]。分布式结构通常利用主处理器扩展出can通信接口，通过can总线，发送速度或位置命令给多个电机控制器等执行动作。集中式硬件结构，通常将主处理器与DSP或FPGA 结合使用，DSP或FPGA集中处理与底层设备相关的任务，例如电机控制，

图1 NuBot机器人及其主动控球机构

图2 新的全向轮

图3 NuBot机器人主动控球机构

国防科技大学猎豹队(NuBot)是中型组的老牌强队，自2005年参加中国机器人大赛中型组比赛以来，成绩斐然。2006年获得中型组2vs2冠、亚军，4vs4冠军；2007年、2008年中型组冠军；2009年中型组季军，规定项目、自选项目技术挑战赛冠军；2010年中型组亚军，规定项目、自选项目技术挑战赛冠军。

在国际赛场上，猎豹队自2007年参加RoboCup中型组比赛，2007 年进入中型组八强，获技术挑战赛第三名；2008年、2009年进入中型组八强；2010年进入中型组六强，规定项目技术挑战赛第三名。

这支队伍，先后有20余名博士生、硕士生及本科生加入，实力不言而喻。

机器人技术与应用

15

《机器人技术与应用》

2010年7月30日电机编码器数据采集等；和上层的主处理器之间采用can口或串口通信。图4是NuBot机器人采用的硬件体系结构图，其中DSP控制器负责完成所有底层控制和数据采集任务，和上位机之间采用RS232串口通信。DSP控制器实时接收上位机发出的速度命令，而后控制并

驱动四个底盘电机和两个主动带球电机按接收到的速度运动。同时DSP控制器还采集电机编码器和电子罗盘的反馈信息，处理后实时传送给上位机。

3 机器人体系结构及行为控制

3.1 机器人体系结构

NuBot队借鉴人类足球队的组织结构，设计了一种三元组τ=(I ,G ,S )式的多机器人体系结构[3]，其中I 为多机器人系统整体特性，G 为机器人间的群体交互特性，S 为单个机器人特性。整体特性I 模拟人类教练功能，主要是在赛前确定比赛策略，赛中实时调整战术。群体特性G 模仿人类足球队队长或场上决策人行为，主要

包括角色动态分配和确定球员之间的合作。个体特性S 模仿单个机器人的行为，采用角色驱动。个体特性部分体系结构如图5所示，主要包含传感器层次和行为层次。传感器层次负责处理传感器数据，构建和维护世界模型；行为层次实现对机器人的控制，完成赋予机器人的任务。

3.2 增强学习在足球机器人行为控制中的应用

增强学习在RoboCup仿真组的应用已经非常成熟，但是在中型组等实物机器人中的应用还在逐步发展。受制于实物机器人执行延时、感知噪声、稳定性等原因，增强学习的应用遇到了很大的挑战。到目前为止，增强学习在中型组中的应用主要包含三个层次：

电机控制、机器人基本行为的控制和多机器人的策略学习。

NuBot队主要在行为控制层次上研究了增强学习的应用，提出了在CMAC网络中引入基于库恩三角化的线性插值的方法来减少状态空间，并结合启发函数进行学习[4]。仿真实验结果表明，改进的CMAC神经网络增强学习算法能够显著地减少存储花销，在同等存储量的情况下，改进算法的性能有了显著地提高。在实体实验中，通过结合使用启发式信息，学习效率得到显著提高，足球机器人能够在几十次学习后找到近似最优策略，达到70%以上的截球成功率[5-6]。

4 机器人的环境感知

4.1 全向视觉系统的设计与标定

折反射式全向视觉系统是RoboCup中型组足球机器人中使用的最为广泛的视觉传感器，几乎所有的中型组机器人都安装了这种传感器。该系统具有360°的水平视角，能够获取机器人周围场地的全景图像，经过图像处理可实现目标识别，并通过融合电机编码器等其他传感器信息实现机器人的自定位，以提供机器人决策控制所需要的环境感知信息。全向反射镜面的形状对全向视觉系统的成像特性有着决定性的影响，NuBot队设计实现了一种从内至外分别由双曲线型镜面、水平等比镜面和垂直等比镜面组成的新型组合镜面[7]，能够实现机器人近处水平场景的成像分辨率不变和远处垂直场景的成像变形较小，同时对接近机器人的周围场景包括机器人自身也具有清晰的成像。

全向视觉系统只有经过距离标定才能完成视觉测量。由于NuBot机器人全向视觉系统不满足单视点模型，因此利用了免模型的标定方法来对其进行距离标定：首先设计了以颜色分割、区域生长和Canny边缘检测方法为核心的对已知标定板上的边缘点进行提取的图像处理算法，得到所需的插值基点，然后将二维平面插值计算分解为两步一维的分段Lagrange插值，使插值计算得到有效简化，得到全景图像每个像素点的图像坐标到参考平面上视觉系统体坐标系坐标的距离映射，从而实现标定，较大地提高了机器人基于全向视觉的自定位精度[8]。图7为全向视觉系统标定完成后，图6中的全景图像的距离映射结果。

图4 NuBot队机器人硬件结构图

图5 NuBot队个体体系结构图

图6 全向视觉系统获取的典型全景图像，图中黑白相间的区域即为标定板图7 全向视觉系统距离标定的距离

映射结果

专家评述

中国机器人大赛暨 RoboCup公开赛

仿真技术研究

实体技术探讨收获与建议16

《机器人技术与应用》第4期

冠军视点

4.2 鲁棒的机器人视觉自定位

NuBot队提出了一种结合使用粒子滤波和匹配优化定位的基于全向视觉的机器人自定位方法[9]，该方法首先使用粒子滤波实现机器人大致的全局自定位，再使用匹配优化进行精确高效的定位跟踪。当机器人自定位出错时，重新启动粒子滤波实现全局定位，恢复出大致正确的自定位值，算法框架如图8所示。实验结果表明，该方法能够在获得高精度的自定位的同时实现可靠的全局定位。

4.3 任意足球识别算法

近年来，不依赖于颜色分类的目标识别算法成为了足球机器人视觉的研究重点，特别是对任意FIFA足球的识别。NuBot队提出了一种基于其全向视觉系统的任意足球识别算法

[10-11]

，该算法首先

推导了足球在其全向视觉系统中的成像特性，得出结论为足球近似成像为椭圆，并推导了图像不同位置处椭圆的形状参数。在图像处理中，该方法根据所推导的成像特性，定义了径向扫描和旋转扫描来搜索由足球所成像的椭圆，进而完成对任意足球的全局检测。最后，该方法还结合球速估计算法来预测跟踪足球，以便有效、实时地识别足球。这种基于全向视觉的任意足球识别方法无需任何学习

和训练的过程，而且能够完成足球的全局检测。典型的全景图像和任意足球识别结果分别如图9和图10所示。

为弥补猎豹队全向视觉的缺陷，即足球在距离机器人很近时，其成像会被机器人自身所遮挡，因此猎豹队还结合使用了前向视觉系统[11]。首先通过Sobel算子和非最大化抑制技术提取出单边

缘信息，再使用快速的圆Hough变换提取算法检测出足球。前向视觉对任意足球的识别结果如图11所示。

4.4 球速估计算法

针对中型组足球机器人如何有效地估计足球速度的问题，猎豹队提出了一种基于Kalman 滤波和RANSAC算法的新方法[12]。首先对存储的若干帧足球位置信息作Kalman滤波，接着利用这些足球位置信息，建立若干个可能的足球速度模型并运用RANSAC算法选出最优的速度模型作为速度值。实验结果验证了该算法的有效性，同时由于RANSAC算法可以有效地去除外点的干扰，因此当足球位置信息具有较大噪声时，该方法可以较准确地估计足球的速度，较以往球速估

计的算法具有更高的鲁棒性。

5 结论

机器人平台、体系结构及行为控制、环境感知三个方面的相关技术是完成RoboCup中型组比赛任务的关键技术，其中也涵盖了机器人研究中的一系列热点和难点问题，本文分别就这几个方面进行了介绍，亦包含了今年NuBot中型组足球机器人部分关键技术的研究成果。

参考文献

[1]郑志强,卢惠民,王祥科等. RoboCup中型组足球机器人系统关键技术研究综述. 中国自动化大会,2010.

[2]卢盛才, 海丹, 王祥科, 等. RoboCup中型组足球机器人主动控球机构设计与控制. 机电工程, 26-11, 2009.

[3]Zhang Hui, Wang Xiangke, Lu Huimin, et al. NuBot Team Description Paper 2009. RoboCup 2009 Graz, CD-ROM, Graz, Austria, 2009.

[4]Yu Wento, Lu Huimin, Lu Shengcai, et al. NuBot Team Description Paper 2010. RoboCup 2010 Singapore, CD-ROM, Singapore, 2010.[5]Sun F, Zhang, H, et al. Efficient Learning on the Real Robot with Heuristic information.Proc. of 3rd International Workshop on Intelligent Robotics (IROBOT 2008) ,2008.

[6]孙方义. 基于增强学习的足球机器人行为控制研究[D]. 长沙: 国防科学技术大学,2008.

[7]卢惠民, 刘斐, 郑志强. 一种新的用于足球机器人的全向视觉系统[J]. 中国图象图形学报. 2007, 12(7): 1243-1248.

[8]杨绍武, 卢惠民, 张辉, 等. 一种与模型无关的全向视觉系统标定方法. 计算机工程与应用, 2010, 25.

[9]卢惠民, 张辉, 杨绍武, 等. 一种鲁棒的基于全向视觉的足球机器人自定位方法. 机器人. 2010, 32(4).

[10] Lu H, Zhang H, et al. Arbitrary Ball Recognition Based on Omni-

directional Vision for Soccer Robots. RoboCup 2008: Robot Soccer

World Cup XII，2009:133-144.

[11]

Lu Huimin, Zhang Hui, Yang Shaowu,et al.Vision-based Ball Recognition for Soccer Robots without Color Classification. Proc. of

the 2009 IEEE International Conference on Information and Automation, 2009:916-921.

[12] 董鹏,卢惠民,杨绍武等. 基于RANSAC和Kalman滤波的足球机器人球速估计算法. 计算机应用,已录用, 2010.

图8 结合粒子滤波和匹配优化的机器人自定位算法

图10 全向视觉对任意足球的识别结果

图9 包含不同足球的全景图像图11

(a)前向视觉系统获得的图像

(b)前向视觉对任意足球的识别结果