Page 51 - 《软件学报》2021年第7期

李念语 等:一种基于分层适应逻辑的自适应系统实现框架 1969

关系(即 IAP).通过参考概念模型中的这些自适应规则形式,所构建的系统对部署环境中的环境因素的变化应当
具有相当的自适应能力.在可复用性实验上,对于躲避障碍物场景,我们假设障碍物表面的粗糙度是一个未知因
素.若粗糙度为 0,则障碍物的材质完全光滑,而若粗糙度为 1,则障碍物的表面高度粗糙,安全距离的阈值会随着
粗糙度的增加而增加.然后,我们定义了不同颜色的安全距离阈值,当粗糙度为 0 时,黑色障碍物为 0.1,红色为
0.2,而当粗糙度为 1 时,黑色障碍物为 0.2,红色为 0.3.当 3 个障碍物的粗糙度都从 0 变为 1 时,代表了部署环境
的变化.对于避免翻转的场景,我们将摩擦力设定为未知的环境因素,在 Webots 中摩擦力的设置空间为 0 到无穷
大,0 表示一个完全没有摩擦力的接触跑道,而无穷大则意味着一个永不滑动的接触跑道,摩擦力的改变代表了
部署环境的变化.在避免翻转的可复用实验中,我们将进行 3 组实验——跑道与机器人之间的摩擦值分别为
0.6、1、2.5.当部署环境发生改变时,我们会重新模拟并更新环境因素与内因数据之间的关系(即 IAP).
4.2.2 实验结果
躲避障碍物场景——适用性实验.基于归因实现的实验结果如图 10 所示,记录了两个轮子的速度和机器人
与障碍物之间的距离(其中,上图给出左右两轮速度,下图给出与障碍物的距离).

Fig.10 Obstacle avoidance scenario: Experiment results for attribution-based implementation
图 10 躲避障碍物场景:基于内外因两层实现的实验结果

我们可以看到,当机器人移动到坐标 X 轴约为 1 的位置时,第 1 个障碍物被检测到.然后,左轮开始减速,机器
人稍微左转,此时障碍物的影响(即响应值)很小.随着影响的增大,左轮的转速也进一步降低,机器人左转的幅度
增大,直到机器人右前方的影响降低为 0.随后,机器人为左轮增速,并适当地为右轮减速,机器人向右转,向目的
地前进,这个调整可以防止过度避让和偏离目的地太多.避障和目标定位相互作用,直到第 1 次避障完成,然后,
机器人陆续通过第 2 个和第 3 个障碍物.第 2 次避障过程与第 1 次避障过程相似,因为两个障碍物的颜色相同.
对于第 3 个黑色障碍物来说,避障过程有所不同,因为只有当黑色物体非常接近时,控制器才会采取自适应行为.
这是因为,在我们的场景中,红色物体比黑色物体更危险,具体表现为红外传感器对红色物体更敏感,有更高的