E-PUCK2群体智能协作系统介绍
E-PUCK 2.0（伊普克）嵌入式机器人是由瑞士洛桑联邦理工学院(EPFL )开发小型移动式机器人，已在国内外上百所高校和研究院在使用，例如斯坦福、剑桥大学、苏黎世联邦理工学院、清华大学、北京大学、国防科技大学等，并有很多研究成果发表在IEEE、FreeCheck等核心期刊中。
随着科技的发展，单体智能机器人已经不能满足不断提高的控制系统性能需求，多智能体机器人协同控制以其更好的智能性和自适应等优势，逐渐成为机器人控制领域的研究热点。分布式控制是一种去中心化的多智能体协同的系统设计方法，在适应复杂环境的能力、提高系统的工作效率等方面都具有重要的理论和实际意义。
E-PUCK分布式群体智能特点
E-PUCK2.3分布式群体智能协同系统架构
- 上位机：作为辅助调试设备负责远程监听所有机器人的信息，用于数据统计与分析，优化集群算法；
- 无线通信系统：负责上位机与机器人建立无线连接，给机器人发送起始信号，实时接收机器人状态信息等；
- 驱动控制层：负责机器人运动、状态显示和传感器数据采集等功能；
- 核心算法层：负责采集机器人运动控制层和通信层传回来的信息，通过进行数据分析与处理，进行复杂运算以及处理交互信息；
- 信息交互层：机器人彼此之间通过12组红外传感器实现与邻域机器人的通信，获得与邻域机器人的距离与方位信息；
- 视觉处理层：采集机器人周围图像信息，可以识别机器人或障碍物，以及进行场地边界识别等信息；
- 通过鲁棒四边形分布式网格定位法和信标定位法，所有机器人具有一致的共享坐标系，各个机器人在此坐标系内通过局部感知、自主决策、相互协调等完成特定任务。
群智能研究主要课题及方向
智能蚁群算法 | 人员自然流动算法 | 群居活动聚类算法 |
仿生机器人学优化算法 | 自主决策与远程控制算法 | 病毒传播模型算法 |
人工神经网络算法验证 | 粒子群优化算法 | 多机器人协同合作算法 |
E-PUCK2.3自主机器人介绍
通过提升E-PUCK2.0机器人配置，增加PI-puck核心控制板、红外测距模块以及360°环视摄像头，使得机器人具有强大的计算能力、近距离彼此位置感应能力、距离探测能力以及身份识别能力，为实现大规模分布式集群控制究提供硬件基础，可完成多机器人之间的编队与避碰控制。
核心控制板配有树莓派zero w可以运行Linux操作系统，提升E-puck2机器人算力，可以验证神经网络算法研发。
技术参数：
采用树莓派Zero W核心处理器； | 配有16G micro SD； |
内置标准的Linux运行系统； | 2个RGB LED状态指示灯； |
1个数字麦克风； | 1个1W扬声器； |
支持充电墙自动充电和USB充电； | 6个I2C接口、2个ADC输入接口； |
该模块包括12对红外发射与接收传感器，MAX感应距离可达80cm，可以在没有其他集中控制或外部定位设备控制的情况下，实现机器人对四周有效通信范围内的角度、距离感知，以及彼此信息交互。
技术参数：
采用MicroChip dsPIC33F系列核心处理器； | 12对红外发射/接收传感器； |
红外模块角度分配约30°； | MAX 测距范围约80cm； |
支持I2C和RS232两种通讯模式； | 电压范围：2.5 V至6 V； |
1个TV Remote 接收器 ； | 1个档位选择开关； |
技术参数：
VGA 彩色摄像头； | 360°环视抛物面镜； |
最高支持1080P 30fps； | 兼容Pi-puck连接树莓派Zero W； |
支持OpenCV图像处理、斑点、颜色和光线检测。 | |
提供技术资料
|
|
|
|
|
|
|
产品配置清单
备注：可根据实验内容增减机器人数量！
群体智能实验案例
国内部分应用学校
最新参考文献
Oh, H., Shiraz, A. R., & Jin, Y. (2018). Morphogen diffusion algorithms for tracking and herding using a swarm of kilobots.Soft Computing,22(6), 1833-1844.
Agrawal, M., & Glotzer, S. C. (2020). Scale-free, programmable design of morphable chain loops of kilobots and colloidal motors.Proceedings of the National Academy of Sciences,117(16), 8700-8710.
Zhong, V. J., Umamaheshwarappa, R. R., Dornberger, R., & Hanne, T. (2018, March). Comparison of a real kilobot robot implementation with its computer simulation focussing on target-searching algorithms. In2018 International Conference on Intelligent Autonomous Systems (ICoIAS)(pp. 160-164). IEEE.
Holland, J., Griffith, J., & O'Riordan, C. (2018, April). Evolving collective behaviours in simulated kilobots. InProceedings of the 33rd Annual ACM Symposium on Applied Computing(pp. 824-831).
Miquel Kegeleirs, Giorgio Grisetti, and Mauro Birattari. Swarm slam: Challenges and perspectives. Frontiers in Robotics and AI, 8:23, 2021. [ bib | DOI | http ]
Eduardo Castelló Ferrer, Thomas Hardjono, Alex Pentland, and Marco Dorigo. Secure and secret cooperation in robot swarms. Science Robotics, 6(56):eabf1538, 2021. [ bib | DOI | arXiv | http ]
Qihao Shan and Sanaz Mostaghim. Discrete collective estimation in swarm robotics with distributed bayesian belief sharing. Swarm Intelligence, Sep 2021. [ bib | DOI | http ]
Ken Hasselmann, Antoine Ligot, Julian Ruddick, and Mauro Birattari. Empirical assessment and comparison of neuro-evolutionary methods for the automatic off-line design of robot swarms. Nature Communications, 12(1):4345, Jul 2021. [ bib | DOI | http ]
Tohid Kargar Tasooji and Horacio J. Marquez. Cooperative localization in mobile robots using
event-triggered mechanism: Theory and experiments. IEEE Transactions on Automation Science and Engineering, pages 1--13, 2021. [ bib | DOI ]
Yahya Muhammad Adam, Nohaidda Binti Sariff, and Nasir A. Algeelani. E-puck mobile robot obstacles avoidance controller using the fuzzy logic approach. In 2021 2nd International Conference on Smart Computing and Electronic Enterprise (ICSCEE), pages 107--112, 2021. [ bib | DOI ]
Pranav Kedia and Madhav Rao. Gengrid: A generalised distributed experimental environmental grid for swarm robotics. In 2021 IEEE International Conference on Robotics and Automation (ICRA), pages 1910--1917, 2021. [ bib | DOI ]
