网络设计中集中器定位问题的神经网络解决方法

本文给出了用于解决网络设计中集中器定位问题的神经网络方法。这类容量受限的集中器定位问题是求最小总花费的ＮＰ安全问题,采用专门的神经网络可以有效解决。利用扩张拉格郎日乘数法和惩罚函数构造神经网络的动态系统的微分方程是有效可行的,并能求出最优解或近似最优解。     

移动机器人异常检测及避让策略

异常运动状态识别对移动机器人航迹推算、定位、导航以及机器人安全等至关重要。该文以自行研制的移动机器人为研究对象,分析了4个驱动轮的状态特点(正常、打滑、受阻、卡死),提取了8个反映4个驱动轮状态的特征,识别了驱动轮运动状态,针对受阻和被卡死两种异常设计了避让策略。实验结果表明,该方法可以有效地识别不同的运动状态,并可以进行有效的避让。     

计算机视觉在机器人目标定位中的应用

计算机视觉是一门新兴的发展迅速的学科，计算机视觉的研究已经历了从实验室走向实际应用的发展阶段。由于视觉信息容量大，在实际应用中直观有效，所以运用视觉来寻找和确定目标的方位是机器人发展中一个很重要的方法，近年来它广泛应用于工业自动化装配领域中，同时对视觉系统的要求也越来越高。文中介绍并分析了当前国内外基于视觉的几种主要的目标定位方法在实际中的应用，例如移动机器人自主导航定位系统、手眼立体视觉系统等。     

一种新的移动机器人全局路径规划算法

提出了一种新的移动机器人全局路径规划算法．该算法不需要对环境中的障碍物特征做任何假设,也不需要建立障碍物的连通图模型,有效地克服了传统路径规划算法因为搜索而带来的计算复杂性问题,提高了算法的适应性和实时性．仿真结果证明了算法的有效性．     

视频监控中的一种快速人脸定位方法

根据视频监控应用的特点,结合视频图像的时域连续特性和人脸肤色特征,提出了一种应用十视频监控的快速人脸定位方法。该方法首先通过对称差分算法,提取运动区域;然后基于BP(back-error-propagation,误差反传)神经网络的肤色分割算法,对运动区域进行肤色检测,最后,经过进一步的候选人脸区域验证,定位图像中的人脸。实验结果表明,提出的方法实现简单、检测速度怏、误检率低,适合实时视频监控系统应用。     

一种移动机器人全局最优路径规划算法

针对移动机器人全局最优路径规划问题,首先提出一种基于线性操作的遍历式算法,该算法通过场扫描方式生成步长转换矩阵(STM,Step Transform Matrix),并在步长转换矩阵中搜索考虑方向一致的最短路径,从而可以得到避免不必要路径转折的全局最短路径.其次提出了一种评价标准来区分路径优劣.最后通过仿真与圆形波传播算法进行了路径规划对比实验,实验结果表明本文所提算法在所提出的路径评价标准下可以获得比波传播算法更优的路径.     

挖掘机器人视觉目标定位

为实现挖掘机器人的自动挖掘,为挖掘控制算法及视觉图像采集与处理提供仿真操作平台,在挖掘机实验模型基础上进行了电路改造,构建了以单片机为核心的控制电路,通过无线蓝牙与上位机进行通讯,实现对挖掘机操作装置的控制;通过视觉传感器采集挖掘机铲斗、目标物的实时图像,经图像处理后,对目标物中心及铲斗标记中心进行提取、定位,计算出二者之间的实时距离,进而控制挖掘机铲斗对目标物进行挖掘;通过对平台进行实际控制及基于视觉目标的图像分割及定位,验证了文章构建的方法的有效性.     

球形移动机器人基于神经网络的反馈线性化运动控制研究与实验

实现了一种对球形移动机器人的滚动速度进行控制的方法.球形移动机器人的控制输入和状态输出间存在难以精确数学描述的非线性关系,本文采用径向基函数神经网络,以在线训练的方式建立了球形机器人输入与输出的非线性映射;然后采用反馈线性化方法,设计了球形机器人的速度控制器,该控制器由反馈线性化控制器和减小神经网络逼近误差的补偿控制器构成;给出了该控制器的实现步骤.多次实验结果表明,该方法可以实现球形移动机器人稳定的速度控制.     

基于霍夫空间模型匹配的移动机器人全局定位方法

提出了一种基于霍夫（Hough）空间模型匹配的全局定位方法．该方法将经典Hough变换引入移动机器人全局定位,利用摄像机获取外界环境的局部地图特征,与给定环境模型（全局地图）在Hough空间进行匹配,由Hough变换可分解性及环境模型相关性分别获取机器人可能的位姿信息,并用一系列高斯值表示,借助求取的位姿方差及其概率分布以及给定环境模型信息剔除不可能位姿,从而最终实现移动机器人全局定位．该方法尤其适用于室内结构化环境. 实验结果表明该方法具有良好的性能．     

模糊PID控制下移动机器人定位方法研究

机器人定位研究一直是机器人学研究的重点,但目前机器人定位方法都存在缺点,抗干扰能力差,不能做到准确定位,主要是由于环境等多方面因素的干扰,定位误差会逐渐加大;由于上述原因,提出了一种基于设定值加权模糊PID控制的移动机器人自定位方法;给出了定位过程的参数,为机器人移动建立模型,设计一种模糊 PID 控制器,根据误差及变化率大小,选择模糊定位或PID定位,实现移动机器人的智能定位,提高机器人定位准确的准确性;通过仿真实验结果证明:模糊PID控制的机器人自定位方法对移动机器人的定位过程有较好的改善作用,实用效果较好。     

基于递归卷积神经网络的移动机器人定位算法

移动机器人定位已成为机器人研究的重要任务。提出基于递归卷积神经网络的移动机器人定位（Recurrent Convolutional Neural Networks-Based Mobile Robot Localization,RCNN-MRL）算法。递归卷积神经网络（Recurrent Convolutional Neural Networks,RCNN）结合卷积神经网络（Convolutional Neural Networks,CNN）和递归神经网络（Recurrent Neural Networks,RNN）的特性,并依据机器人上嵌入的照相机拍摄的第一人称视角图像,RCNN-MRL算法利用RCNN实现自主定位。具体而言,先通过RCNN有效地处理多个连续图像,再利用RCNN作为回归模型,进而估计机器人位置。同时,设计双轮机器人移动,获取多个时间序列图像信息。最后,依据双轮机器人随机移动建立仿真环境,分析机器人定位性能。实验数据表明,提出的RCNN模型能够实现自主定位。     

基于栅格模型的机器人路径规划快速算法

机器人路径规划算法通常要求是实时的,遗传算法和蚁群算法应用于机器人路径规划时性能并不突出。论文提出的基于栅格的快速算法,简单实用,且计算速度快、占用存贮空间少。实验结果表明,在同等规模下,该算法求解时间仅为蚁群算法求解时间的大约0.025%,算法在更大的数据集上也取得了成功。同时该算法还是一个高效的迷宫最短路的搜索算法。     

能力风暴机器人的全局路径规划

基于Messy遗传算法(Messy GA),设计了移动机器人的通用路径规划算法,其中的优化目标包括最短路径、一定的平滑度和最优安全距离.在算法中加入了优化算子及交叉率和变异率的自适应调整,加快了收敛速度.仿真结果验证了所提方法的有效性.根据能力风暴机器人(AS-R)的实际运行要求,修改算法以扩大路径与障碍物之间的间隔度,并提出采用平滑的方法来优化路径.以AS-R为平台进行了轨迹跟踪实验.实验结果表明算法在随机摆放障碍物和实验室环境下可以实现路径规划,并能够最终实现AS-R机器人的全局路径规划.     

机械手轨迹规划的神经网络逆模控制

针对二自由度机械手动力学模型的非线性和参数的不确定性,提出了一种神经网络与逆模控制相结合的控制策略。针对传统BP算法在神经网络训练后期收敛速度慢且容易陷入局部极小的缺点,提出一种快速启发式学习算法。采用所提出的快速启发式网络学习算法训练多层前馈神经网络,建立机械手的逆动力学模型,实现对机械手的非线性控制。仿真结果表明了所提出控制策略的有效性和快速启发式网络学习算法的快速收敛性。     

基于T-S型模糊神经网络的轮式机器人避障方法研究

针对超声波传感器产生的不确定信息,研究了一种基于Takagi-Sugeno(T-S)模型的模糊神经网络信息融合避障方法;对超声波传感器所获得的数据进行融合,建立控制器输入信号和机器人速度输出之间的模式映射关系;在MATLAB环境下对模糊神经网络避障算法进行了仿真,最后在实际环境中进行避障实验;实验结果表明,该算法具有较好的准确性和鲁棒性,能够适用于移动机器人的导航需要.     

移动定位支撑平台中的位置信息模型和信息融合

利用移动位置信息开展的服务将是移动互联网上的一种特色服务。为了适应移动定位应用对位置信息不同的要求，屏蔽各种具体定位系统的实现细节，设计了移动定位支撑平台MLSP(Mobi1e1 Location Supporting Platform)，主要探讨MLSP中采用的定位信息模型和位置信息融合。     

基于神经网络移动机器人PID控制

针对移动机器人电机模型实质的非线性，为满足其精确的运动要求和技术性能，采用动态反传算法训练BP网络以辨识直流电动机的逆模型。将这一训练后的网络输出作为神经PID控制器输入不断调整其P，I，D参数，进而调整控制器输出电压以控制系统跟踪位置或速度指令。该算法简单、计算量小、适于实时控制。实验结果表明了该方法的有效性。     

一种加权距离连续K中心选址问题求解方法

K中心选址作为一种经典问题,学者们提出了很多好的解决方法,但是对于加权距离连续K中心选址问题的研究一直没有很好的进展.本文针对连续K中心选址问题,以最小加权距离作为优化目标提出改进的粒子群优化算法(SA-PSO).本文将模拟退火机制引入PSO算法并且加入惯性权重等策略对算法进行改进,使得该算法可以更快收敛于全局最优.仿真实验结果表明,SA-PSO算法相比于GA算法和K-means算法,具有更强的稳定性,收敛速度更快,并且优化得到的加权距离更小.     

污泥纠缠环境下机器人视觉摆脱规划路径方法

传统路径规划算法针对多目标情况,主要依据多单一信息融合结果选择避障路径,在中规模的污泥纠缠区域中容易陷入盲区,无法对污泥纠缠环境下的机器人路径进行准确的规划。为此提出一种改进的机器人视觉纠缠摆脱路径规划方法,借助机器人视觉仪器采集污泥纠缠特征,用归一化方法把视觉信息融入到规划模型中进行最佳路径的选择,将机器人摆脱污泥纠缠以及最短路径的要求融合成一个适应度函数,通过遗传算法搜索获取最佳机器人摆脱路径。实验结果说明,该方法对于污泥纠缠环境下机器人摆脱路径规划长度以及效率都优于传统模型,具有较高的鲁棒性。     

A Robust Regression Model for Simultaneous Localization and Mapping in Autonomous Mobile Robot

Segment-based maps as sub-class of feature-based mapping have been widely applied in simultaneous localization and map building (SLAM) in autonomous mobile robots. In this paper, a robust regression model is proposed for segment extraction in static and dynamic environments. We adopt the MM-estimate to consider the noise of sensor data and the outliers that correspond to dynamic objects such as the people in motion. MM-estimates are interesting as they combine high efficiency and high breakdown point in a simple and intuitive way. Under the usual regularity conditions, including symmetric distribution of the errors, these estimates are strongly consistent and asymptotically normal. This robust regression technique is integrated with the extended Kalman filter (EKF) to build a consistent and globally accurate map. The EKF is used to estimate the pose of the robot and state of the segment feature. The underpinning experimental results that have been carried out in static and dynamic environments illustrate the performance of the proposed segment extraction method.