Isaac Osunmakinde，Ramharuk Vikash 首次发布 2014年10月10日 研究文章
概述
云机器人技术是一种范例，它允许机器人通过提供安全且可定制的环境将计算密集型和数据存储需求卸载到云中。云机器人技术面临的挑战是云断开的固有问题。在当前云机器人框架的开发中做出的一个主要假设是云和机器人之间的连接始终可用。但是，对于在异构环境中工作的多机器人，云和机器人之间的连接并不总能得到保证。这项工作通过为异构环境提出可生存的云多机器人（SCMR）框架，帮助应对云机器人中的断开连接的挑战。SCMR框架利用由机器人到机器人通信形成的虚拟ad hoc网络和由机器人到云通信形成的物理云基础设施的组合。通过确定具有和不具有云连接的驾驶性能分析的最佳能量利用率和响应时间（ToR），对SCMR框架上的服务质量（QoS）进行了测试和验证。设计权衡，包括结果，在机器人执行的计算能量和云执行的卸载能量之间。
1.简介
多机器人正逐渐成为社会不可或缺的一部分。近年来，多机器人一直在执行主要任务，例如避障，视觉处理，本地化，路径规划和环境映射[ 1 ]。在过去的十年中，多机器人也被引入工业领域，以执行重复和危险的任务，如装配和包装[ 2 ]。在过去的十年中，将多机器人引入这些不同的环境对人类生活也产生了重要的经济和社会影响[ 3]]。由于在这些结构化环境中可以实现的精确性，准确性和速度，这些多机器人在这些领域非常成功，每个机器人都独立工作[ 3]。但是，图像处理，路径规划和导航等多机器人任务都是计算密集型任务，需要多机器人系统（MRS）才能拥有大型机载计算设备，专用电源和本地数据存储，所有这些都成为负责大量机器人的能耗。这是不可行的，实用的或有效的，因为推出这些机器人的成本将呈指数级增长，维持机器人将变得具有挑战性，并且将新的机器人引入环境将需要更长的时间并导致重复工作，如地图和需要在每个机器人上复制视觉信息。云端机器人的推出减少了对这种机器人的需求，3，4 ]。
1.1贡献和纲要
云机器人技术的范例为多机器人未来扩展服务铺平了道路，并提供了多机器人通过在云中创建中心知识库来共享服务和信息的可能性[ 6 ]。虽然云机器人技术的好处显而易见，并且导致科学界兴趣的增加，但云机器人技术面临的最大挑战之一是MRS与云之间断开连接所带来的固有通信挑战。用于MRS的云机器人的进步受到当前框架中的资源，信息和通信约束的限制。在过去几年中，已经出现了第一个为多机器人团队构建云计算框架的努力[ 7，8 ]; 然而，用于异构环境的可生存的云多机器人（SCMR）框架的开发相对未开发。
因此，该研究的重点是通过提出一个SCMR框架来解决其中一些技术挑战，这将为更智能，更强大，更高效和可互操作的云多机器人解决方案铺平道路。因此，本文的主要贡献如下：
-
开发新的SCMR框架，可以帮助将计算负担从本地多机器人卸载到云，并处理云和异构环境中的多机器人之间的断开连接。
-
无线通信理论的建模，Big-O符号，云多机器人概念，能量利用方程的推导，以及基于称为统计区域合并（SRM）的图像处理技术的驾驶性能分析。
-
对公共可用的异构地形进行详细的实验评估，通过测量服务质量（QoS）和确定MRS驾驶性能分析的最佳能源利用率进行验证，有无云连接，用于工程实践。
据研究人员所知，这是第一项试图开发SCMR框架以帮助将计算密集型任务从本地多机器人卸载到云中并处理异构云和多机器人之间断开连接的研究。环境。本文的安排如下：第2节介绍了云机器人模型和断开的范例。在第3节中，介绍了SCMR框架的设计，开发，服务和评估机制的一些见解。在第4节中，SCMR原型的实验结果用于说明SCMR框架的QoS，第5节总结了本文并介绍了未来的工作。
2.云机器人模型和断开连接
2.1 Cloud Robotics模型中的什么是断开连接？
在云机器人模型中，如果MRS中的各个机器人在彼此的通信范围内，则它们只能彼此通信，并且如果各个机器人在云接入点的范围内，则只能与物理云基础设施通信。在继续描述云机器人模型中的断开连接之前，必须首先了解云机器人模型中通信的主要连接协议。目前的研究表明，云机器人通信的主要连接协议是Wi-Fi，蓝牙和3G（第三代电信网络），最受欢迎的是使用Wi-Fi有几个原因，包括能耗更低，半径更长范围[ 9]。表1列出了所使用的连接协议及其优缺点的概述。
|
在大多数云机器人模型中，Wi-Fi用于创建云机器人服务与机器人链接的网关[ 10]]。这使得能够以非结构化方式动态创建机器人网络，使得各个机器人能够在需要时进入和离开网络。通过断开连接协议以在云机器人模型中进行通信，导致对MRS中的各个机器人的云机器人服务的不可用性。这意味着MRS中的各个机器人无法接收和卸载数据到物理云，导致机器人无法完成某些任务。在异质环境中，这可能是致命的，需要多机器人团队协助拯救人类生命。云机器人模型中的断开可以通过机器人移动进入和离开特定网络，不可预测的故障，不可预见的环境障碍，9 ]。
2.2云机器人模型
在本节中，将讨论可用的不同云机器人模型及其优缺点。现有的云机器人模型是基于对等的，基于代理和基于克隆的机器人模型。
2.2.1基于对等的云机器人模型
基于对等的模型如图1所示，其中云中的每个机器人和每个虚拟机（VM）被视为计算单元。这种云机器人模型的主要优点是机器人和虚拟机形成一个完全分布式的网络，允许将某些机器人任务划分为较小的任务，这些任务可以在分布式网络上的子集中执行[ 11 ]。基于对等的云模型的主要缺点是通过云中机器人和VM的一对一映射创建的网络分散，这使得管理变得困难。另一个缺点是各个机器人和物理云基础设施之间的网络连接数量很少。DAvinCi项目[ 10 ]和Robot-Cloud项目[ 12使用云机器人促进低成本机器人的创建，是基于对等的云机器人模型的示例，其将云计算中的各个机器人和VM作为单个单元。
图1.基于对等的云机器人模型
2.3云机器人模型的松弛性调查
在过去几年中，世界各地的科学家和研究人员已经开始尝试构建云计算框架，以支持个人机器人和多机器人。最值得注意的是，研究人员创建了一个名为Robo-Earth的开源项目，试图为机器人建立一个网络社区，以自主地共享信息和对象模型[ 12 ]。Robo-Earth云引擎是一种平台即服务，允许其他用户在Robo-Earth云上运行其机器人服务[ 7 ]。另一组研究人员创建了DAvinCi项目[ 10 ]，该项目基于机器人操作系统（ROS）[ 10 ]消息传递框架，使用ROS主节点将数据收集到Apache Hadoop集群中[13 ]，并通过并行化FastSLAM算法[ 14 ] 说明了云计算的好处。无所不在的网络机器人平台（UNR-PF）[ 8]是一个正在进行的项目，主要侧重于使用云作为在机器人，传感器和移动设备之间创建网络的机制。Rosbridge是另一个开源项目，专注于机器人或多机器人团队与云中单个ROS环境之间的外部通信。智能手机的出现使开发人员能够创建基于机器人的机器人，允许用户在Lego Mindstorm和iRobot等平台上使用智能手机控制它们。云机器人模型的使用也已扩展到医疗行业，其中机器人访问云基础设施以收集数据，以帮助意大利医院的儿童进行面部检测和语音识别[ 15 ]。
上面提到的所有项目都对云机器人做出了重大贡献。这些项目通过将数据密集型和计算密集型任务卸载到云中，说明了云机器人模型可以实现的潜在优势，从而使研究人员能够实现云机器人技术的更高目标。但是，仍有一些必须解决的障碍，障碍和挑战。根据[ 16 ] ，以下是云机器人模型面临的一些挑战。
-
云机器人服务实际上是有限的，即这些服务可能依赖于网络带宽来卸载数据或允许到云的并行连接数。
-
MRS中单个云机器人主机的数量是有限的。
-
通过按需机器人请求最大限度地提高云中可用资源的有效性仍然是一个进一步的挑战。
-
数据检索的兼容性是不同机器人访问云以执行任务所带来的持续挑战。
-
安全性和信任是云机器人技术中的另一项持续挑战。云服务器环境必须是一个值得信赖的环境，不允许机器人任务被中断[ 17 ]。
3.提出的Survivable Cloud Multi-Robotics Framework
建议的框架由两层组成：R2C层和R2R层，旨在克服云机器人框架当前面临的一些挑战。使用混合弹性云计算模型，其利用机器人导致在离线阶段执行某些机器人服务。SCMR框架通过利用机器人领导者来区别于其他云框架，机器人领导者是物理云基础架构的克隆。机器人领导者用于弥合R2R网络层和R2C网络层之间的差距。在R2C网络层中，机器人领导者使用来自各个机器人的频繁请求的数据进行更新，以确保机器人领导者在断开连接时与物理云基础架构同步。图4 显示了SCMR框架的系统架构。
图4. Survivable Cloud多机器人框架
SCMR系统体系结构中涉及的主要实体是机器人客户端，云集群主机（CCH），数据存储，服务管理点和包含机器人服务的服务注册表。SCMR框架利用CCH作为中心单元，负责处理来自云的所有作业，这些作业由扭曲的框架处理。扭曲的框架[ 18 ]是用于部署以Python编码的异步，事件驱动和多线程支持的网络系统的框架。CCH被设置为运行任何ROS的过程[ 19节点，物理云基础架构内的所有进程使用ROS进程间通信相互通信。在云环境中拥有完善的ROS协议允许应用程序在不进行任何修改的情况下运行所有现有的ROS包，并降低应用程序开发人员的障碍[ 12 ]。
SCMR框架中的所有机器人服务，例如对象识别，路径规划，地图构建，导航等，都是通过具有Web标准描述语言的服务管理点引入的。与云机器人服务一起，所提出的框架还利用操作数据存储（ODS），其用于存储由多机器人团队中的各个机器人传输的所有传感器数据。存储在ODS中的数据范围可以从机器人的地理位置到其实际健康状况。最后，部署本地数据缓冲区以存储频繁请求的数据。由于机器人的活动通常是常规的，因此可以重复查询相同的资源，从而减少ODS所需的查询数量。这改善了请求的延迟并提高了机器人请求响应率的实时响应率和可靠性，这在多机器人团队环境中至关重要。机器人领导者在计划的批处理作业中定期下载存储在本地数据缓冲区中的数据，以确保机器人领导者和本地数据缓冲区始终保持同步。这确保了在断开连接的情况下，机器人领导者可以向各个机器人提供他们所需的数据和信息以完成特定任务。SCMR框架的其他好处是：机器人领导者在计划的批处理作业中定期下载存储在本地数据缓冲区中的数据，以确保机器人领导者和本地数据缓冲区始终保持同步。这确保了在断开连接的情况下，机器人领导者可以向各个机器人提供他们所需的数据和信息以完成特定任务。SCMR框架的其他好处是：机器人领导者在计划的批处理作业中定期下载存储在本地数据缓冲区中的数据，以确保机器人领导者和本地数据缓冲区始终保持同步。这确保了在断开连接的情况下，机器人领导者可以向各个机器人提供他们所需的数据和信息以完成特定任务。SCMR框架的其他好处是：
-
在诸如习惯于断开的地下地形的异构环境中，所提出的框架允许机器人领导者充当物理云基础设施的克隆并且通过以下方式向个体机器人提供图像处理，路径导航和路径规划信息。创建协作虚拟ad hoc云。
-
它允许创建低成本的更便宜的机器人，通过将计算和数据存储密集型任务卸载到物理云基础架构中，可以快速且廉价地组装机器人。
-
SCMR框架提出了一种资源协商模块，通过处理各个机器人的数据请求和数据响应来减轻机器人的计算负担，并在各个机器人和云基础设施之间形成桥梁。
-
它提供了创建各种机器人的广泛技能或行为库的能力。
-
它提供了在多机器人系统中利用每个机器人的计算能力的能力。
-
它使机器人能够进行协作决策。
关于其范例的详细讨论见第3.1至3.6 节。可以看出，提议的SCMR比现有的SCMR具有更多优势。
3.1 R2C层作为SCMR范例
在R2C层中，物理云基础架构提供了一组计算和存储资源，可以由多机器人团队弹性分配以满足实时需求，而无需实际承担存储或处理此数据的负担。R2C系统架构如图5所示。将这些计算密集型任务卸载到物理云基础架构中导致了“远程脑”机器人的创建[ 11 ]。云存储数据提供的第一个好处是它允许统一大量数据，然后以其他机器人可以使用的格式准备。将此数据存储在云中的第二个好处是由数据挖掘的能力带来的。其他明显的好处包括减少机器人的创建成本，因为大部分处理都是在云中完成的，减少了对额外硬件的需求，并降低了单个机器人所需的功耗。
图5. R2C层
3.2 R2R层作为SCMR范例
在云断开的情况下，多机器人团队经由无线网络彼此通信以形成集体计算单元，其也可以被视为虚拟自组织网络的形成。在R2R系统架构中，如图6所示，机器人领导者成为各个机器人的信息和数据来源。R2R层中的机器人通过八卦协议相互通信，该协议包括用于在没有任何显式路由发现机制的情况下将消息从源传输到目的地的随机方法[ 20 ]。
图6. R2R层
R2R层系统架构的第一个好处是能够通过汇集特定范围内的所有机器人来形成虚拟ad hoc云，从而充分利用多机器人系统中每个机器人的计算能力。第二个好处是，在创建的虚拟ad hoc云中，可以在各个机器人和机器人领导者之间交换信息和数据，这使得机器人能够进行协作决策。最后一个好处是，当单个机器人不在云接入点的范围内时，各个机器人可以访问和处理来自机器人领导者的信息，该机器人领导者是物理云基础设施的克隆。
3.3资源分配为SCMR范式
云机器人中的资源分配系统被视为旨在满足目标应用的任何要求的机制[ 16 ]。多机器人之间的自主协商成为云机器人系统中的一个关键问题，当它们需要并行资源时[ 4 ]。在具有云多机器人团队致力于实现多种结果的异构环境中，必须考虑动态交互以考虑资源分配。在SCMR框架中，资源分配分为R2C层和R2R层，如图7所示。
图7.资源分配框架
在R2C层中，CCH是运行数据检索管理的服务器以及用于处理来自多机器人客户端的并行请求的数据控制器。它由以下主要功能组成：资源分配，资源协商，缓冲区管理，数据分配，访问控制和队列管理。然后，CCH访问本地数据缓冲区以检索各个机器人经常使用的数据。ODS存储来自各个机器人的所有传感器信息，并将某些数据发布到本地数据缓冲区。
在R2R层中，机器人领导者充当CCH，并在云断开连接到网络的情况下为各个机器人提供所需的资源。机器人领导者利用从物理云基础架构下载的本地数据缓冲区为各个机器人提供他们可能需要的数据。还通过R2R通信创建虚拟自组织云（计算单元），并且在该虚拟云环境中的机器人之间共享资源。
3.4平台架构作为SCMR范例
当前的云平台，如RoboEarth [ 7 ]，DAvinCi [ 10 ]和泛在网络机器人平台（UNR-PF）[ 8]]，都将云计算用作数据存储，并使用Web服务实现服务集成。这些项目还将所有机器人功能从机器人平台移动到云平台上，从而无需在机器人上本地存储任何服务或数据。然而，挑战在于，如果终止与网络的连接，在异构环境中工作的多机器人团队可能会发现自己是多余的，无用的。为SCMR框架提出的平台架构是混合模型，其包括用于各个机器人的平台架构以及用于机器人领导者的平台架构。所提出的平台架构在图8中以图形方式示出。
图8.平台架构
各个机器人的平台架构利用了云计算带来的全部功能和优势。各个机器人本身没有存储在本地的应用程序，数据或服务，并将云用于所有这些服务。硬件抽象仍然存在，这包括机器人驱动程序，相机和运动基元。然而，机器人领导者平台架构在某种程度上是不同的，因为它是物理云基础架构的克隆。机器人领导者配备了在云中呈现的服务，应用程序和数据。在多机器人环境中的个人机器人发现自己没有网络访问的情况下，他们可以利用这个机器人领导者的平台架构来完成某项任务。
3.5数据架构作为SCMR范例
就云机器人而言，需要存储在云中的信息量正在增加。建议将ODS作为数据架构的一部分，用于存储和收集来自机器人的传感器数据。对于多机器人团队而言，必须确保机器人接收一致的数据并确保数据具有高质量。除了ODS之外，构成数据架构的其他功能还包括本地数据缓冲区，过滤器和预处理模块，数据访问点（DAP）和机器人客户端。SCMR框架的数据架构如图9所示。使用发布/订阅数据发布模型，来自ODS的数据将发布到想要订阅此数据的不同来源。
图9.数据架构
通过扭曲环路反应器处理从机器人客户端请求的数据，该反应器通过调用过滤器和预处理模块来获取数据。该模块用于通过DAP访问本地数据缓冲区，然后将请求的数据返回到扭曲环路反应器。过滤器和预处理模块还从ODS获取频繁请求的数据，并将此数据发布到本地数据缓冲区。如果个别机器人发现自己没有网络访问权限，则直接从机器人领导者检索所需数据。使用八卦协议，该数据又被广播到所选择的机器人邻居，并且该过程重复多次，增加了将数据中继到所有目的地节点的概率。
3.6云机器人评估机制和服务 - 能源利用模型
云计算和机器人技术中的能源消耗和能源效率是最近获得科学界极大兴趣的领域。对节能型号进行科学研究以通过降低能耗来延长应用的电池寿命可分为以下四类[ 21 ]：
-
开发机器人以包括新技术半导体，这些半导体正变得越来越小以便消耗更少的能量。然而，缺点是为了使机器人执行附加功能，需要更多的晶体管来确保机器人最佳地执行。晶体管的增加与机器人消耗的能量的增加成比例。
-
当机器人或机器人本身处于空闲状态或不需要执行任何计算密集型任务时，将其编程为处于睡眠模式或待机模式。这将防止机器人浪费能量。
-
引入能量最优执行策略，确定处理器的最佳时钟频率，以便在预定义的时间段内完成特定任务。通过减慢时钟频率并增加特定任务的执行时间，可以减少机器人消耗的能量。
-
完全消除机器人的计算负担。需要由机器人本地执行的所有计算被卸载到云服务器中，并且机器人消耗的能量仅仅是向云服务器发送和接收所需信息的能量。这种节能方法也称为计算卸载，是SCMR框架的重点之一。
3.6.1 Cloud Robotics中的计算卸载
在云机器人技术的背景下，个体机器人消耗的能量与机器人将信息卸载到云服务器所消耗的能量之间的权衡是非常重要的。因此，重要的是要考虑单个机器人消耗的能量（E r）与机器人接收和卸载数据所需的能量（E c）。考虑到这一点，有可能提出一个简单的多项式来反映机器人消耗的总能量（T e）[ 21 ]：
|
ŤË= E.p ro c+ E. 我ð升Ë+ E.Ť[R一个ñ 小号 ŤË=Ëp[RØC+ Ë一世d升Ë+ËŤ[R一个ñ小号
|
（1） |
其中E proc由多项式表达式表示为机器人在处理指令时消耗的总能量，E idle表示机器人在空闲时消耗的总能量，E trans是机器人消耗的总能量。传输和接收数据。
3.6.2机器人执行能量模型
机器人完成任务所需的能耗通常由CPU工作负载，内存，冷却系统，风扇和其他机器人组件决定。在所提出的模型中，消耗的能量量基于各个机器人的CPU工作负荷。在他们对从云中进行基于内容的图像检索的能效研究[ 22 ]时，观察到机器人消耗的总能量可以表示为：
|
Ëp ro c= P.C × C 小号[R Ëp[RØC=PC × C小号[R
|
（2） |
其中P c是机器人忙时的平均计算能力，C代表机器人计算所需的指令总数，S r代表机器人的时钟速度。假设是在没有云服务器的情况下，机器人可以在本地执行特定任务。
3.6.3云执行能量模型
为了在云中执行机器人任务，机器人将该请求发送到云所需的能量取决于被卸载的数据的大小和无线信道模式。在确定SCMR框架的最优云执行能量模型时，本研究采用的能量执行模型是类似于[ 22 ] 的经验模型。关于机器人任务的云执行的研究中做出了一些假设。第一个假设是单个机器人的执行文件已经在云中复制，因此不再承受任何进一步的能源成本。第二个假设是云中CPU的时钟频率为F.比机器人的CPU快一倍。机器人通过带宽B在无线信道上卸载D字节数据所消耗的能量可以定义为：
|
Ë我ð升Ë= P. 一世 × C 小号CË一世d升Ë= P一世 × C小号C
|
（3） |
|
ËŤ[R一个ñ 小号= ⌊ Pü × D 乙ü⌋ + ⌊ P d × D 乙d⌋ËŤ[R一个ñ小号=Pü × d乙ü + Pd × d乙d
|
（4） |
其中P i是机器人空闲时的平均计算能力，C表示机器人计算所需的指令总数，S c表示云服务器的时钟速度; P u是无线网络的上传功率，P d是无线网络的下载功率，B u是上传网络带宽，B d是下载网络带宽，D是机器人和机器人之间交换的字节数。云服务器。
3.6.4最优任务执行策略
云机器人环境中的最优任务执行策略是选择应该执行特定任务的位置，目标是最小化机器人消耗的总能量[ 21]。在SCMR框架中，特定任务可以由单个机器人或云服务器在本地执行。但是，在云断开的情况下，特定任务由机器人领导者执行，机器人领导者充当克隆云。因此，最优策略由以下规则确定：
|
{R o b o t我Ç é Xè Ç ü ŧ我ø Ñ 我˚F Ë[R ≤ è C O R C 大号哦，你D _ D 我小号CO N.ñËCŤ一世O N. C升Ø ü ð ËXè Ç ü ŧ我ø Ñ 我˚F Ë[R > E. C [RØbØŤ一世C ËXËCüŤ一世Øñ 一世F Ë[R ≤ ËC Ø[R C大号Øüd_d一世小号CØññËCŤ一世Øñ C升Øüd ËXËCüŤ一世Øñ 一世F Ë[R > ËC
|
如果云消耗的能量小于或等于机器人消耗的能量，则在云中执行特定任务。在所有其他情况下，包括云断开，任务由机器人或机器人领导者在本地执行。根据等式（4）通过减少传输到云服务器的字节数，可以减少机器人消耗的能量。但是，将数据传输到云的延迟所带来的挑战可能意味着任务在商定的时间段之外执行，因此违反了云服务提供商和云消费者之间的服务级别协议。因此，重要的是制定中间地点，以通过计算在执行特定任务期间节省的能量的量来最佳地决定任务是在云中执行还是由机器人在本地执行。等式（3）表示机器人空闲时消耗的能量和等式（4）表示传输数据时消耗的能量。因此节省的总能量可以表示为：
|
Ës a v e d= P.C × C 小号[R - ⌊ P 一世 × C 小号C⌋ - ⌊ P ü × D 乙ü⌋ - ⌊ P d × D 乙d⌋ Ë小号一个vËd=PC × C小号[R - P一世 × C小号C - Pü × d乙ü - Pd × d乙d
|
（5） |
其中一个假设是云服务器（S c）比机器人服务器（S r）快F倍，即S c = F × S r因此，等式（5）可以重写如下：
|
Ës a v e d= C. 小号[R × ⌊ P C - P. 一世F⌋ - ⌊ P ü × D 乙ü⌋ - ⌊ P d × D 乙d⌋ Ë小号一个vËd= C小号[R × PC - P一世F - Pü × d乙ü - Pd × d乙d
|
（6） |
如果E 保存 > 0 ，则节省能量。在这种情况下，卸载在重度计算的情况下是有益的，例如具有相对低带宽通信的图像分割。
4. SCMR对驾驶性能分析的实验评估
4.1云多机器人SRM方法和实现设计
云多机器人团队的视觉功能非常重要，以便能够成功地导航异构环境。SRM是Nock和Nielson在2004年提出的一种强大的图像处理算法，用于将图像分割成类似的颜色或强度区域[ 23]]。然后，按像素划分特定区域，并对边界区域应用统计测试。然后测试的边界区域的强度差异指示该区域是否足够相似以便合并。这项工作通过将SCMR框架与SRM一起为云多机器人创建可驱动区域，对异构环境中的自主多机器人进行了云机器人驾驶性能分析。因此，这确保云多机器人能够在异构环境中导航并执行所需的任务，即使在云断开的情况下也是如此。图10 描述了SRM算法的流程。
图10. SRM模型的流程
SRM算法是一种区域增长技术，其利用四连接性方案来确定相对于中心像素的相邻像素。四连接方案通常由2×m×n-m-n个相邻像素组成，然后按升序排序并且仅按此顺序遍历一次。SRM排序函数如公式（8） [ 23 ]所示。
|
F（P ，P “） =最大 一ε - [R ，G ^ ，乙||P一个- P.“一个|| FP， P“= 最大aεR，G，乙P一个- P一个“
|
（7） |
此后，SRM算法获取给定集合的每对像素（P，P'），并使用等式（9）执行合并谓词，等式（9）在等式（10）和（11） [ 23 ]中扩展。
|
P （R ，R “） =� ����Ť[Rü è 我˚F ∀ Ç ε （- [R ，G ^ ，乙），| ||| [R- “C- R. - C|||| ≤ ŤF一升小号Ë Ò 吨 ^ h è [Rw ^ 我小号Ë P[R， [R“= Ť[RüË 一世F ∀C ε [R，G，乙， [R- C“- [R- C ≤ŤF一个升小号Ë ØŤHË[Rw ^一世小号Ë
|
（8） |
|
Ť= ||| ķ2（R ） +k2（R“）⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯√ ||| Ť= ķ2[R+ķ2[R“
|
（9） |
|
ķ（R ） =1 2 Q | R | LN（ 6 ||一世||2[R||R ||）⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯√G ķ[R= 12Q |[R| LN（6|一世|2[R[R）G
|
（10） |
最后，测试特定区域P（R（p），R（p'））== true的平均平均强度，如果该结果返回真，则合并两个区域。SRM算法有两个重要的标准; 第一个重要标准是合并预测，第二个重要标准是簇Q.这些参数一起确定输入图像的区域总数。[ 23 ] 引入Q的值来控制图像的复杂性和粗糙度。Q值的一个主要优点是能够将其用作权衡参数，以获得观察结果与模型强度之间的折衷[ 23 ]。下一节将讨论用于使用SRM测试SCMR框架上的驾驶性能分析的实验设置。
4.1.1实验设置
为了证明研究中讨论的概念，使用Java构建的客户端/服务器应用程序实现了SCMR框架的原型。SCMR实现原型如图11所示。在使SCMR原型更具适应性的过程中，对框架的实现做出了以下决定：
图11.没有云断开的SCMR实现
硬件：使用包括Intel处理器和主板的通用计算机。计算机的主要组成部分包括：
（i）英特尔®酷睿i7-3770 CPU @ 3.40 GHz-3.90 GHz，（ii）4个物理核心处理器，（iii）8.00 GB随机存取存储器，（iv）500.00 GB本地硬盘，（v）120.00 GB固态用于存储操作系统（vi）Intel 4000显卡的驱动器。
软件：SCMR框架是在64位Windows 7专业版操作系统上实现的。
因此，Java是用于开发SCMR原型的编程语言。该原型使用Eclipse Kepler IDE构建在Java Runtime Environment（JRE）和Java Development Kit（JDK）版本7之上。
客户端/服务器应用程序：客户端/服务器应用程序是使用Java中的套接字编程开发的，客户端套接字和服务器套接字之间的通信使用传输控制协议（TCP）通过流通信协议实现。TCP是通过用户数据报协议（UDP）选择的，因为它确保通过连接套接字将给定的数据流传送到服务器。在SCMR原型中，每个机器人客户端启动到机器人云服务器的TCP连接。创建套接字连接时，机器人客户端指定机器人云服务器的IP地址和端口。本研究中使用的机器人云服务器端口是2222，它侦听机器人客户端连接。收到机器人客户端连接请求后，机器人云服务器为客户端创建一个新的套接字并将端口号绑定到它。在服务器上创建新端口，因为初始端口用于侦听其他机器人客户端连接请求。新端口号被发送到机器人客户端，从而建立用于在机器人客户端和机器人云服务器之间流传输的数据的通信管道。这个过程通常被称为“三次握手”，如图所示图11。
同样，机器人云服务器接受来自其他机器人客户端的连接请求，并为每个新连接创建一个新端口。此过程对机器人客户端和机器人云服务器完全透明。为了确保SCMR框架可扩展且足够强大以处理多个机器人客户端连接请求，每次接受新连接时，都会在服务器上生成新线程。这在图11中说明。每个机器人客户端也使用Java线程实现。每个机器人客户端由两个线程组成 - 一个线程与云服务器通信，另一个线程同时读取要发送到服务器的输入数据流。在下一节中，将介绍SCMR原型的实验结果。在云连接和云断开的情况下对框架进行了实验测试。
4.2没有云断开的可驱动性QoS
QoS用于显示SCMR在检测可行驶道路图像时的性能质量，同时还突出显示满足请求所需的最佳数据。在SCMR框架中，请求可以由机器人云服务器（在没有云断开的情况下）或由机器人领导者（在云断开的情况下）来实现。下一节用于说明SCMR框架的性能，没有云断开。
4.2.1实验1：没有云断开的目视检查观察
本节介绍了机器人客户使用SCMR原型从机器人云服务器提交的图像帧获得的视觉结果。在该实验中使用的图像代表了各种各样的异构地形和背景。图12显示了导航不同地形的不同机器人客户端以及在SCMR原型上使用SRM进行驾驶性能分析所获得的结果。图12中的第一行由原始图像帧组成。第二行显示SRM过滤图像，其由为均匀区域生成的簇组成。在用SRM的不同Q值测试之后的实验中，Q = 32给出了图像分类的最佳结果。第三行是使用Otsu阈值创建的图像，它通过分离前景和背景类来计算图像的最佳阈值，以使类内方差最小。最后一行是相应图像帧的RGB（红色，绿色，蓝色）表示。红色区域代表不可驾驶的道路区域，而绿色区域代表可驾驶的道路区域。可以观察到检测中的未对准是不明显的。表2包含视觉检查实验测试中使用的图像的详细比较分析，以及分配给不同机器人客户端的图像集。
图12.没有云断开的图像帧上SRM方法的定性结果
|
4.2.2实验2：没有云断开的响应时间
大多数基于网络的应用程序使用带宽使用作为定义QoS的主要因素[ 16 ]。这归因于大多数基于网络的应用程序对带宽使用敏感，因为这会影响其响应。因此，响应时间（ToR）是确定任何云机器人框架性能的非常重要的QoS，因此被选为要在SCMR框架上测试的主要QoS。ToR是各个机器人客户端在发送请求后从机器人云服务器接收响应所需的时间。ToR的表述如下：
|
ToR=TR−TsŤØ[R=Ť[R- Ť小号
|
（11） |
其中T R是接收请求的时间，T s是请求以毫秒（ms）发送到机器人云服务器的时间。
为了确定SCMR框架上没有云断开的ToR，使用多个机器人客户端进行了实验。在第一个实验中，图像被选为视觉检查的一部分（图12）首先一次向机器人服务器提交一个。图13（A）显示针对提交到云服务器的每个图像的ToR，突出显示ToR随着图像大小的增加而增加。由于图像是一次一个地提交而不是作为图像流，因此必须为提交给云服务器的每个图片建立与云服务器的连接。因此，如果图像以流形式提交，则机器人只需要建立与云服务器的连接一次就可以大大减少ToR。
图13. ToR没有云断开连接
在第二种情况下，使用四个机器人客户端向云服务器提交请求以检测可行驶的道路区域。图13（B）显示每个客户端机器人的ToR。结果显示不同机器人收到的ToR之间存在某种相关性。提交给云服务器的所有机器人的第一张图像通常具有略长的ToR，这是由套接字连接的建立引起的。此后，ToR与提交的图像的大小成比例。如果图像与其他图像相比尺寸大得多，则ToR趋于逐渐增加，如机器人4的ToR中的情况，其增加到3068ms。
通常，对于范围为80000-130000字节的图像，ToR响应的范围在2400ms-3100ms之间，这对于机器人来说是足够的时间来接收和处理图像。每个机器人的请求都在服务器上排队，并且因为为每个连接生成了一个新线程，每个机器人客户端实现了更快的响应时间。该实验的结果表明，在没有云断开的情况下，SCMR框架可以有效地减轻单个机器人在使用SRM算法明确确定可行驶道路区域时的计算负担。
4.2.3实验3：没有云断开的SCMR的能源利用
实验的下一部分是确定SCMR框架上使用的能量，没有云断开。在实验中使用的客户端/服务器性能比F是α= 300，并且使用该比率确定云服务器S c的时钟速度。当机器人是当使用云服务器上执行SRM分析驾驶性能由机器人消耗的总能量被计算空闲（Ë ldle），并且当所述机器人被转印（Ë 反从云服务器）的数据/。因此，云处理的能量执行可以如公式（13）所示公式化，其具有通常的含义第3.6节。
|
ËC升Ø ü ð= ⌊ P一世× C小号C⌋ + ⌊ Pü× D乙ü⌋ + ⌊ Pd× D乙d⌋ËC升Øüd=⌊P一世×C小号C⌋+⌊Pü×d乙ü⌋+⌊Pd×d乙d⌋
|
（13） |
使用n = 5的值作为处理1MB图像所需的计算指令的数量，可以如下填充等式（13）：
|
ËC升Ø ü ð= ⌊ P一世× 5PCX300⌋ + ⌊ Pü× 10485763014656⌋ + ⌊ Pd× 10485763670016⌋ËC升Øüd=⌊P一世×五PCX300⌋+⌊Pü×10485763014656⌋+⌊Pd×10485763670016⌋
|
（14） |
带宽下载速度为28Mb / s，带宽上传速度为23Mb / s。此后，使用表2计算不同机器人客户端使用的能量。用于测试SCMR框架能量利用率的机器人客户端范围从低成本机器人到具有不同处理能力集的高端机器人，如表3所示。
|
图14（A）显示了来自不同机器人客户端的云服务器在SCMR框架上处理1MB图像帧的能量利用率结果。随着个体机器人客户端的处理能力的增加，能量利用率增加。图14（B）表明，随着带宽的增加，云服务器的能量利用率呈指数下降。这归因于图像帧传输到云服务器和从云服务器传输的速度。当带宽从25Mb / s增加到70Mb / s时，不同机器人客户端平均减少37％。这表明，网络带宽乙d和乙ü在等式（12）在确定所述SCMR框架执行驾驶性能分析所需的能量利用发挥至关重要的作用。图14（C）使用作为视觉检查的一部分选择的图像显示来自不同机器人客户端的云服务器的能量利用率，而图14（D）显示了SCMR框架上多线程功能带来的云服务器的指数能量利用率。对于每个新的机器人连接，产生了新的客户端线程，因此总能量消耗呈指数增长。结果表明，随着新机器人被引入SCMR框架，能量利用率增加。结果还表明，能量利用率还取决于网络带宽和图像的大小，这可用于降低云服务器上的能量利用率。
图14.云执行能耗
4.3云端连接的可驱动性QoS
在本节中，测试了SCMR框架的生存性方面的性能。创建存根以阻止云服务器接受连接以模拟云断开的情况。构建SCMR框架以具有重试机制，并且在建立到云服务器的连接的三次不成功的错误尝试之后，通过机器人领导者将通信传送到虚拟云。图15 显示了云连接断开的SCMR实现。
图15.具有云断开连接的SCMR实现
4.3.1实验4：使用云断开进行目视检查的观察
在某些情况下，支持云的多机器人团队可能会发现自己处于无法访问最近的云访问点的环境中。因此，用于该实验的图像范围从深埋地下矿井隧道和山洞到沙漠地形。图16显示了机器人领导者在云断开情况下使用SCMR原型上的SRM处理的图像帧的视觉评估。图16中的第一行显示由相应机器人客户端提交的原始图像帧。第二行显示具有Q = 32的SRM过滤图像，第三行表示使用Otsu阈值技术创建的SRM图像。最后一行显示了Otsu图像的二值化，它将图像分成可驱动和不可驱动的像素。红色区域代表不可驾驶的道路区域，而绿色区域代表可驾驶的道路区域。人们可能会在目视检查中观察到某些边缘上的微小错位，但断开的影响可能会对ToR和能量利用产生影响。结果表明，即使在云断开的情况下，SCMR框架也能够在机器人领导者上使用轻量级SRM来重建相同同质性的区域。
图16.具有云断开连接的图像帧上SRM方法的定性结果
4.3.2实验5：云断开响应时间
在通过机器人领导者创建的虚拟云确定SCMR框架能够在云断开的情况下成功执行驾驶性能分析之后，实验的下一步是在断开连接的情况下验证框架的性能。使用多个机器人客户端向云服务器提交请求，并且在三次到达云服务器的尝试失败后，请求被路由到机器人领导者。从用于测试ToR但没有云断开的图像集和具有云断开的ToR进行比较。该比较如图17（A）所示。，显示平均延迟的ToR约为3秒。机器人客户端向机器人领导者提交的不同图像集收到的ToR 如图17（B）所示。图17（C）中提供了有和没有云断开的图像集之间的加权平均ToR。。结果表明，尽管机器人领导成功地进行了驾驶性能分析; 云断开导致ToR存在测量延迟。然而，这种延迟不应影响机器人完成特定任务的能力。通常，结果表明即使不访问云服务器，机器人客户端也可以最佳地执行驾驶性能分析。
图17. ToR主要是云断开连接
4.3.3实验6：具有云断开的SCMR的能量利用
实验的下一步是确定云断开的不同机器人客户端的能源利用率。本实验中使用的机器人客户端的处理能力不同，如表3所示。使用等式（2），图18（A）在云断开期间呈现SCMR框架上各个机器人客户端的不同能量利用率。图18（B）通过比较云连接和断开连接期间使用的总能量来呈现SCMR框架的生存性方面。该图显示了云服务器使用的总能量与机器人领导者使用的总能量，突出显示通过将计算密集型处理卸载到云服务器而节省的能量。然而，在云断开的情况下，机器人的能量消耗倾向于零，在这种情况下，机器人领导者接管驾驶性能分析计算并且所需的能量再次增加。图18（C）表明，当单个机器人客户端与云服务器断开连接时，其能量利用率下降，而机器人领导者的能量利用率呈指数级增长，因为它需要充当虚拟云并执行机器人客户端的驾驶性能分析。该图是从能量从机器人客户端传输到机器人领导者的时间点获得的。
图18.机器人生存能耗
4.4实验7：对最优任务执行政策的观察
最优任务执行策略用于识别任务是由机器人本地执行还是卸载到云服务器中，以节约能源。机器人在SCMR框架上执行驾驶性能分析时节省的总能量是使用公式（6）计算的，其中只有在E 保存 > 0时才能保存能量。图19（A）显示了使用不同图像大小和不同带宽的SCMR框架的节能。实验结果表明，当带宽≈25Mb/ s时，能量被保存在SCMR框架上以卸载1MB的图像，而卸载3MB大小的图像仅在带宽≈70Mb/ s时节省能量。这表明时节省了能量DBd乙CSrC小号[R并且F的值非常大。
图19.节能和执行模型
图19（B）显示了不同机器人客户端在不同带宽速度下节省的能量。实验结果表明，对于机器人领导者而言，由于其更高的机载处理能力，可以在更低的带宽速度下实现SCMR框架的节能，而具有较小处理能力的机器人（例如实验中使用的机器人1）只能以更高的带宽速度实现节能。因此，对于许多低成本机器人而言，在高带宽下卸载尽可能多的计算密集型任务是有意义的，从而使它们能够节省更多能量，这可用于其他机器人任务，例如路径规划和导航。结果如图19所示（A）和（B）确认最佳任务执行策略（参见第3.6.4节）。
图19（C）显示了SCMR框架上驾驶性能分析的最佳能量执行模型。该模型表明，随着要卸载的图像的大小增加，驾驶性能分析应该由机器人在本地执行以节省能量，并且如果驾驶性能分析所需的计算增加，则计算应该由云服务器执行。该模型还提供了无线带宽B参数，在决定是否将可驱动性分析卸载到云服务器进行计算时需要考虑该参数。
4.5云机器人范式的比较评估
任何基于弹性云的模型中的三个主要属性是健壮性，互操作性和移动性。2.2节中介绍的现有弹性云模型均表现出这些属性的不同属性。SCMR框架基于云机器人模型，该模型利用两层（R2R层和R2C层）来管理云断开，并且与现有的云机器人模型相比具有许多优势。
O （日志ñΦ/）Ø（日志ñΦ）1M1中号，这意味着通信延迟可以限制为O（M log N）。在基于对等的云机器人模型中，[ 11 ] 所做的假设表明存在连接到云服务器的分数α，用于通信网络中的给定节点子集。
最后，在R2C通信方案中，需要执行特定任务的通信所需的最坏情况时间是O（M log M），因为各个机器人可以将机器人任务直接卸载到云服务器上以进行处理。表4显示了本研究中讨论的不同计算模型的最坏情况延迟，以及构成任何弹性云模型的主要属性，健壮性，互操作性和移动性。
|
所提出的云弹性模型旨在成为多机器人团队在具有不可靠云连接的异构环境中执行机器人任务的最佳或接近最优模型。所提出的模型本身是混合模型，其包括由个体机器人（机器人领导者）执行，由连接到网络的多机器人团队（packbot机器人）协作执行以及云执行。与其他云机器人模型相比，所提出的模型在机器人和云服务器之间具有最高数量的连接，并且由于VM能够在物理云基础架构中的任何位置实例化而具有最高的移动性。
5.结束语
本文介绍了云机器人SCMR框架的设计，实现和评估。该框架的主要目标是确保在异构环境中工作的个人机器人能够在云断开的情况下执行机器人任务，并通过将所需数据卸载到云中来减轻机器人在没有云断开的情况下的计算负担要处理的服务器。SCMR框架采用扭曲的网络框架来处理来自中央云主机的所有请求，并利用WebSockets协议在各个机器人和云服务器之间进行通信。
通过开发框架的原型来实验性地测试SCMR框架的性能。通过比较使用具有和不具有云连接的SRM进行驾驶性能分析时所节省的能量，在SCMR框架上测试各个机器人的能量利用。实验测试的结果表明，机器人可以最大限度地确定使用SRM进行驾驶性能分析的位置，从而节省大量能源（见图19）（C））。这项研究发现，在没有云断开的高带宽速度下，与带宽较低的区域相比，机器人将图像卸载到云中所消耗的能量大大减少（参见图19）（B））。该研究还发现，随着SCMR框架上机器人客户端数量的增加，云服务器使用的能量呈指数级增长（见图14）（d））。这显示了SCMR框架的计算卸载和并行处理优势。最后，该研究的结果证实了SCMR框架的生存性优势，并说明了有和没有云断开的机器人客户端的驾驶性能分析ToR（见图13）和图17）。
结果证实，SCMR框架可以扩展到复制启用云的多机器人团队执行特定任务的环境。此研究的结果还可用作框架，以增强MRS在无法连接到云访问点时执行机器人任务（如路径规划，图像处理和异构环境中的导航）的能力。本文的研究结果也可以作为参考指南，用于理解不同的云机器人模型，并将这些模型扩展到地下地形和矿山等环境，以便进一步研究，以使现有模型和框架更加高效，可扩展，而且可靠。
参考
| [1] | Maitin-Shepard，J.，Cusumano-Towner，M.，Lei，J。和Abbeel，P。，“基于多视图几何线索的布料抓握点检测，应用于机器人毛巾折叠”，Proc.Natl.Acad.Sci.USA ，90：6444-6448 。IEEE Int。CONF。机器人与自动化，2010年 5月，第2308 - 2315页。 谷歌学术 |
| [2] | Siciliano，B。和Khatib，O.，Eds。，'Springer Handbook of Robotics'，Springer，2008。 Google学术搜索 | 交叉引用 |
| [3] | Dhiyanesh，B。，“机器到云通信机器人云的动态资源分配”，尼赫鲁工程技术研究所，Kovai，2010年。 谷歌学术 |
| [4] | 戈德堡，K和基欧，B.，“云机器人和自动化：相关工作的调查”，EECS系，加州大学，伯克利分校，技术。Rep.UCB / EECS-2013-5，2013年6月。可用：http：//www.eecs.berkeley.edu/Pubs/TechRpts/2013/EECS-2013-5.html 。于2013年8月6日访问 .Google Scholar |
| [5] | Jacquet，P.，Muhlethaler，P.，Clausen，T.，Laouiti，A.，Qayyum，A。和Viennot，L。，'adhoc networks的优化链路状态路由协议'，在Multi Topic Conference，2001中.IEEE INMIC2001 。面向21世纪的技术。诉讼。IEEE国际，2001年，第62 - 68。 谷歌学术 |
| [6] | Doriya，R.，Chakraborty，P。和Nandi，GC，“机器人云：一种辅助异构低成本机器人的框架”，机器人与人工智能实验室，印度信息技术研究所，2012年国际通信，信息与计算会议技术（ICCICT），2012年 10月19 日至20 日，印度孟买。 谷歌学术 |
| [7] | Dominique，GM Hunziker，“机器人云引擎”。可用：http：//doc.roboearth.org/rce。2013年7 月 15日访问。 谷歌学术 |
| [8] | Sato，M.，Kamei，K.，Nishio，S。和Hagita，N。，“无处不在的网络机器人平台：连续日常机器人服务的通用平台”，系统集成（SII），2011 IEEE / SICE Int。Symp。，2011年 12 月，第318 - 323页。 谷歌学术 |
| [9] | Fernando，N。，Loke，SW和Rahayu，W。'移动云计算：调查'，计算机科学与计算机工程系，澳大利亚拉筹伯大学，2013年。 谷歌学术 |
| [10] | Arumugam，R.，Enti，V.，Bingbing，L.，Xiaojun，W.，Baskaran，K.，Kong，FF，Kumar，A.，Meng，KD and Kit，GW，'DAvinCi：a cloud computing framework for服务机器人，机器人与自动化（ICRA），2010 IEEE国际会议五月2010，第3084 - 3089。 谷歌学术 |
| [11] | Guoqiang，H.，Tay，WP和Yonggang，W。“云机器人：架构，挑战和应用”，IEEE网络，第一卷。26，不。3，2012，第 21。 Google学术搜索 | Crossref | ISI |
| [12] | Waibel，M.，Beetz，M.，Civera，J.，D'Andrea，R.，Elfring，J.，Galvez-Lopez，D.，Haussermann，K.，Janssen，R.，Montiel，J.，Perzylo ，A.，Schiessle，B.，Tenorth，M.，Zweigle，O。和van de Molengraft，R。，'Rapyuta：the roboEarth cloud engine'，IEEE，vol。18，不。2，2011，第69 - 82。 谷歌学术 |
| [13] | Hadoop map减少框架。http://hadoop.apache.org/hdfs/,2009。于2013年7月20日访问 .Google Scholar |
| [14] | Eade，E。和Drummond，T。，'Scalable monocular SLAM'，IEEE Int。CONF。计算机视觉和模式识别，第一卷。1，不。4，2006年，第469 - 476。 谷歌学术 |
| [15] | NAO机器人。http://www.aldebaran-robotics.com/,2010。于2013年7月20日访问 .Google Scholar |
| [16] | Wang，L.，Liu，M.，Meng，MQH，Siegwart，R。，“云机器人系统中的多传感器数据检索”，电子工程系，IEEE会议多传感器融合和智能系统集成，第一卷。1，不。2，2012，第21 - 26。 谷歌学术 |
| [17] | Aliakbarpour，H.，Freitas，P.，Quintas，J.，Tsiourti，C。和Dias，J。，'移动机器人与监视基础设施合作：走向云机器人'，科英布拉大学系统与机器人研究所，2010年。 谷歌学术 |
| [18] | Zadka，GL Moshe，“扭曲的网络框架”，2010年。可用：http：//twistedmatrix.com/user/glyph/ipc10/paper.html。2013年8月1日访问 .Google学术搜索 |
| [19] | Quigley，M.，Conley，K.，Gerkey，BP，Faust，J.，Foote，T.，Leibs，J.，Wheeler，R。和Ng，AY，'ROS：a open-source robot operating system'，参加ICRA开源软件研讨会，2009年。 谷歌学术 |
| [20] | Shah，D.，'Gossip algorithms'，in Foundations and Trends in Networking，vol。3，不。1，2008年，第2 - 10。 谷歌学术 |
| [21] | Kumar，K。和Lu，YH，“为移动用户提供云计算：卸载计算可以节省能源吗？” IEEE国际电路与系统研讨会，2009年。 谷歌学术 |
| [22] | 香港，Y.-J.，库马尔，K，和卢，Y.-H，“高效节能的基于内容的图像移动系统检索，” IEEE国际研讨会在电路与系统十二月2009年，页。1673年 - 1676年。 谷歌学术 |
| [23] | Nick，R。和Nielsen，F。，'Statistical region mergeging'，IEEE Transactions on Pattern Analysis and Machine Intelligence，vol。26，不。11，2014，第1 - 7。 谷歌学术 |
| [24] | Istock照片，2014年4月。来自：http：//www.istockphoto.com/search/text/mine/filetype/photos/textDisambiguation/%7B%22termId%22 :%221_52148％22，％22string％22：％22mine ％22％7D / source / basic＃1c36fdb。2014年4月1日访问 .Google Scholar |
| [25] | Bakambu，JN和Polotski，V。，“地下矿山导航和测量自主系统”，Field of Field Robotics，vol。24，不。10，2007年，第829 - 847。 Google学术搜索 | Crossref | ISI |
| [26] | 英特尔公司 2010年。英特尔PXA270处理器电气，机械和散热规格。http://www.intel.com/design/pca/applicationsprocessors/datashts/280002.htm。2014年4月4日访问 .Google Scholar |