多机器人系统故障检测与诊断综述

多机器人系统故障检测与诊断综述

今天阅读了《Fault Detection and Diagnosis in Multi-Robot Systems: A Survey》，这篇文章主要综述了针对多机器人系统（MRS）的Fault Detection and Diagnosis（故障检测与诊断，FDD）的研究。作者描述了MRS的不同属性如何对FDD提出不同的挑战。针对这些挑战，调查了适用于MRS的不同FDD方法，最后描述了该领域的研究机会。该文DOI号为doi:10.3390/s19184019，发表于2019年的Senors，值得对该领域有兴趣的同学一读。

个人是比较关注群体机器人故障或者异常的检测，尤其是分布式、多任务背景下的，目前的解决方式还是以共识为主，如果大家有什么好的经验，也欢迎私信我或者评论交流

FDD对MRS的挑战

FDD对MRS的挑战包括几个方面。
1、全局系统知识依赖于个体机器人的局部信念（从他们的传感器获得）。FDD机制被期望识别出知识的不一致性，并将其与单个故障机器人相关联。
2、全局决策过程和全局多机器人方案的建立可能导致方案的错误，即方案的某些步骤是错误的。预计FDD机制将确定这些步骤。
3、机器人在支持全局努力的情况下，导出自己的局部计划，然后，机器人协调它们的执行。FDD机制期望监视MRS计划的执行，并诊断本地计划、协调或本地操作是否是错误执行的根源。
4、在对单个机器人进行识别之后，期望一个完整的FDD机构来诊断机器人的故障部件。
作者主要针对来自MRS两个方面属性的挑战：1、协作程度；2、MRS规模。

影响FDD的MRS要素分析

对于一个机器人来说，很简单，感知-思考-运动，任何一个图中的部件发生故障都会打破机器人行动的正常循环，从而带来任务失败的后果。目前FDD在单个机器人方面的难度主要由以下几个要素决定：1、通用程度；2、自治程度；3、复杂程度；4、与环境的交互程度。

现有的MRS体系结构主要关注任务分配机制、分布式资源共享和管理，或协调机制。每一个机器人都能感知其所在的环境并产生个人的信念。这些信念被传递到全球范围，用于全球信念的生成。 单个机器人可能不知道其他人的当地信仰。此外，个别机器人可能无法传达他们所有的信仰。全球信念生成必须收集当地的信念，评估MRS是否已经感知到它所需要的一切，并对机器人的感知是否真实进行推理。
这些本地和全局活动中的每一个都可能遭受不同的错误，而这些错误又反过来扰乱了整个MRS。MRS的协作、协调、通信、大小、冗余和其他属性方面的程度不同，这对FDD的影响也不同。（具体细节文中有较为详细的交代，请移步原文）
作者对计划相关故障诊断、协调故障诊断、MRS体系中的错误诊断、群的FDD，这里面我对最后一项尤为感兴趣，也推荐大家去看看。处理这些不同方面的不同方法取决于预先存在的知识，例如全球计划、对队友信念的部分观察、共享。

未来的研究机会

对于未来可能的研究机会，作者总结如下：1、FDD for an ad hoc team of robots；2、FDD for MRS development time；3、FDD for improved performance of an MRS；4、FDD for an MRS comprised of a team and a swarm。