基于时间约束的软件工程资源配置Petri 网检测模型

随着物联网、云计算等大规模分布式系统在国内的日益流行,软件工程的应用环境已经不可避免的转向适用于分布式环境.而已有的基于时间约束的软件工程资源动态配置模型大都有所局限,无法评价其在大规模分布式环境中的效果.文中提出了一种基于 Petri 网模型的基于时间约束的软件工程资源动态配置检测模型,依据 petri 网理论,模拟大规模分布式环境下,检测异构软件工程资源动态配置模型间的协作与冲突.从而为软件工程资源动态配置模型更好的应用于实践,提供坚实的理论基础.实验证明,该方法可以及时的发现大规模分布式环境中,软件工程资源动态配置模型的冲突,为设计者及时反馈信息,避免损失     

移动群体感知中能量有效的设备探测模型

在移动群体感知网络中移动设备的能量使用效率和有效探测总数间存在一种均衡关系,针对移动群体感知中移动设备发生接触的特点,提出了一种移动群体感知中能量有效的设备探测模型。该模型对基于泊松分布模型探测过程进行建模,得到移动设备的无效探测概率,并通过实验进行验证,结果表明该模型是正确合理的;然后得出有效探测总数与探测时间间隔的关系;最后基于模型分析得到不同情况下能量消耗与探测有效性的均衡点,进而使移动设备持有者根据自己所处环境设置探测时间间隔T,从而实现移动设备能量的节约。     

基于免疫机理的多机器人未知环境完全探测研究

利用多个机器人对未知环境进行在线完全探测.引用免疫系统的工作机理,系统是完全自主分布式的,对机器人的起始位置、运动队形不做任何要求.将机器人感知到的局部环境信息看作抗原,机器人看成B细胞,机器人下一步的探测目标点作为抗体.根据抗原信息,机器人个体进行自主作业.利用抗体-抗体的作用力,机器人之间实现协作.结合机器人的自主性和协作性,系统在线对未知环境进行探测.算法还利用记忆库记录边界点来实现完全探测,省去记录大量环境地图信息.仿真实验表明算法能有效实现完全探测,且对个别机器人失效和通讯丢失有较好的鲁棒性.     

基于知识空间的多级感知空间处理技术研究

在网络协同化学习环境中,由于学习环境比较复杂,解决学习者在学习过程中的"孤独感"问题以提高网络环境的社会性,对于学习者顺利完成学习任务来说显得非常重要.在CSCW的感知处理技术的基础上,基于知识空间理论和知识域间关系模型,利用学习者的兴趣模型和能力模型,提出了多学习内容、多学习目标、多学习等级的动态多级感知空间模型,在学习者的学习过程中,通过灵活的感知处理技术和感知敏感度调节,为学习者感知到其他学习者的信息和行为,为寻求或是提供其他学习者的交流和指导,共同完成学习任务提供了有效的途径.     

基于行为的移动协同感知模型研究

移动协同一般受到资源的限制和移动环境的干扰，影响协同工作的有效进行。基于行为（Activity）设计移动协同系统，以行为为中心构建系统，可以克服上述困难。其中，如何提供行为所围绕的感知信息是关键所在。文章提出了一个基于行为的移动协同感知模型，通过定义行动者实体、目标实体、行为阶段实体等一组感知实体对象及感知行为服务，来提供基于行为的感知信息，并在原型系统中进行了实现。模型提供了移动用户在协同工作行为中群组工作（Team Work）的所有感知要素，从而支持了用户有效完成协同工作。     

基于时间约束的软件工程资源配置petri网检测模型

随着物联网、云计算等大规模分布式系统在国内的日益流行,软件工程的应用环境已经不可避免的转向适用于分布式环境。而已有的基于时间约束的软件工程资源动态配置模型大都有所局限,无法评价其在大规模分布式环境中的效果。本文提出了一种基于petri网模型的基于时间约束的软件工程资源动态配置检测模型,依据petri网理论,模拟大规模分布式环境下,检测异构软件工程资源动态配置模型间的协作与冲突。从而为软件工程资源动态配置模型更好的应用于实践,提供坚实的理论基础。实验证明,该方法可以及时的发现大规模分布式环境中,软件工程资源动态配置模型的冲突,为设计者及时反馈信息,避免损失。     

基于时间约束的软件工程资源配置Petri网检测模型

随着物联网、云计算等大规模分布式系统在国内的日益流行,软件工程的应用环境已经不可避免的转向适用于分布式环境。而已有的基于时间约束的软件工程资源动态配置模型大都有所局限,无法评价其在大规模分布式环境中的效果。文中提出了一种基于Petri网模型的基于时间约束的软件工程资源动态配置检测模型,依据petri网理论,模拟大规模分布式环境下,检测异构软件工程资源动态配置模型间的协作与冲突。从而为软件工程资源动态配置模型更好的应用于实践,提供坚实的理论基础。实验证明,该方法可以及时的发现大规模分布式环境中,软件工程资源动态配置模型的冲突,为设计者及时反馈信息,避免损失。     

基于ROS构建无人驾驶车辆环境感知系统

无人驾驶系统由环境感知等多个组件构成,一般基于各类分布式程序框架来实现.基于ROS系统这类消息传递通信的分布式多进程框架来构建环境感知系统,是一种可行的参考.本文讨论了无人驾驶系统环境感知信息融合中的ROS机制和组成,基于ROS系统下的目标检测与跟踪等环境感知具体实践,讨论了无人驾驶车辆中ROS性能分析及其改进等内容,可以作为相关技术实现的有益参考.     

基于反馈控制的自主虚拟人感知模型

提出了一种基于反馈控制的自主虚拟人感知模型.该模型首先使用感知过滤器模拟人类器官感知限制,然后设计了环形队列存储感知对象的相关信息来模拟人类的记忆功能,进而利用感知和记忆的结果,对感知过滤器的各项参数进行反馈控制,从而体现感知结果对感知过程的影响.实验结果表明,基于反馈控制的感知模型不仅能够较好地体现人类感知系统的特性,而且能够为自主虚拟人行为控制和决策提供更为真实的环境信息.     

基于反馈控制的自主虚拟人感知模型

提出了一种基于反馈控制的自主虚拟人感知模型.该模型首先使用感知过滤器模拟人类器官感知限制, 然后设计了环形队列存储感知对象的相关信息来模拟人类的记忆功能,进而利用感知和记忆的结果,对感知过滤器 的各项参数进行反馈控制,从而体现感知结果对感知过程的影响.实验结果表明,基于反馈控制的感知模型不仅能够 较好地体现人类感知系统的特性,而且能够为自主虚拟人行为控制和决策提供更为真实的环境信息.     

机器人信息增益RRT环境探索算法

由于传统RRT(rapidly-exploring random trees)路径规划算法固有的盲目探索的问题,机器人到达目标点时除起始点扩展到目标点的路径之外还会生成其他与结果无关的分支路径与节点,为使这些分支路径得到利用并且减少探索的盲目性,提出基于信息增益与RRT思想相结合的机器人环境探索策略.该方法对未知环境中的节点进行信息估计,选取具有最大信息增益的节点作为采样节点,且每次都会生成最大信息增益的新节点进行扩展.该策略使机器人能完成对未知环境的探索,还可以降低传统RRT算法固有的盲目性.仿真实验结果表明,所提出方法能够有效快速地帮助机器人探索未知环境,实现环境探索.     

一种基于池计算的宽度学习系统

为了探讨动机在环境认知中所起作用,模仿生物环境认知行为,以学习自动机为框架,提出一种结合内在动机理论的移动机器人环境认知模型(CM-LA).该模型以访问次数及访问时间间隔共同定义内在动机,并以操作条件反射原理描述外在动机的影响.同时,所设计的动作选择机制可以使机器人根据已有的环境认知对新增障碍物进行有效避让.实验结果表明,所提出模型能够在两种动机的驱使下对环境进行有效的自主认知,并提高机器人在未知环境中的探索效率,搜索到的路径长度较短,且具有一定的环境自适应能力.     

面向地图构建的移动机器人局部路径自主规划

移动机器人在未知场景中规划路径以自主完成定位与地图构建是机器人领域的一个重要研究课题.本文阐述了一种利用实时构建的信息熵地图动态生成机器人的局部探索路径,并综合转向约束和避障约束设计了一种基于模糊评价方法的方向选择策略跟踪生成的局部路径并进行环境构图.与现有方法相比,本文方法能够根据环境动态地生成平滑连续的局部探索路径,并能引导机器人进行障碍物躲避和完成自主构图.实验结果表明相较对比方法,本文方法的探索路程最短,观测覆盖度最高,同时整个自主构图过程所需的时间也更短.     

基于语义建图的室内机器人实时场景分类

针对室内环境下的机器人场景识别问题,重点研究了场景分类策略的自主性、实时性和准确性,提出了一种语义建图方法.映射深度信息构建二维栅格地图,自主规划场景识别路径;基于卷积网络建立场景分类模型,实时识别脱离特定训练;利用贝叶斯框架融合先验知识,修正了错误分类并完成语义建图.实验结果表明:机器人能够进行全局自主探索,实时判断场景类别,并创建满足要求的语义地图.同时,实际路径规划中,机器人可以根据语义信息改善导航行为,验证了方法的可行性.     

改进深度强化学习的室内移动机器人路径规划

为了解决传统深度强化学习在室内未知环境下移动机器人路径规划中存在探索能力差和环境状态空间奖励稀疏的问题,提出了一种基于深度图像信息的改进深度强化学习算法。利用Kinect视觉传感器直接获取的深度图像信息和目标位置信息作为网络的输入,以机器人的线速度和角速度作为下一步动作指令的输出。设计了改进的奖惩函数,提高了算法的奖励值,优化了状态空间,在一定程度上缓解了奖励稀疏的问题。仿真结果表明,改进算法提高了机器人的探索能力,优化了路径轨迹,使机器人有效地避开了障碍物,规划出更短的路径,简单环境下比DQN算法的平均路径长度缩短了21.4%,复杂环境下平均路径长度缩短了11.3%。     

Path Planning for Intelligent Robots Based on Deep Q-learning With Experience Replay and Heuristic Knowledge

Path planning and obstacle avoidance are two challenging problems in the study of intelligent robots. In this paper, we develop a new method to alleviate these problems based on deep Q-learning with experience replay and heuristic knowledge. In this method, a neural network has been used to resolve the “curse of dimensionality” issue of the Q-table in reinforcement learning. When a robot is walking in an unknown environment, it collects experience data which is used for training a neural network; such a process is called experience replay. Heuristic knowledge helps the robot avoid blind exploration and provides more effective data for training the neural network. The simulation results show that in comparison with the existing methods, our method can converge to an optimal action strategy with less time and can explore a path in an unknown environment with fewer steps and larger average reward.      

Autonomous Exploring System Based on Ultrasonic Sensory Information

An autonomous exploring system for a mobile robot is presented in this article. The system consists of an ultrasonic range sensor (URS) module and a novel method for building a map from exploration of an environment. Instead of random exploration, the proposed approach provides a systematic and efficient strategy to build the map by means of some preferential points. Taking a multitude of observations or measurements by sonar sensors, a mobile robot derives a virtual polygonal map from a set of regressed segments, partial prior known environmental information, and some inference rules for vertices. Additionally, the concept of safe zones is also introduced in the system to keep the mobile robot safe during exploration. Based on the identified virtual map, a searching method is used to select a next best observation to collect the most sufficient information. Several experiments are given to demonstrate the performance of this proposed approach.     

基于激光数据特征提取的一般环境下实时定位方法

实时定位技术是机器人在日常工作中完成各项任务的基础,为此本文给出了一种一般环境条件下基于激光数据特征提取的实时定位方法。该方法采用鲁棒的激光数据特征提取,通过对比实时样本和预定义模板的匹配程度以确认环境特征点。借助粒子滤波方法,利用里程计数据和当前观测到的环境特征点信息实时估计和验证机器人自身的位置和姿态。实验通过建立精确的机器人运动模型和激光数据观测模型,实现了仅用100个粒子就能进行机器人的实时定位。实验结果表明该方法能够准确提取环境中的疑似特征并依次实现了精确、快速的自定位。     

Sonar Sensor-Based Efficient Exploration Method Using Sonar Salient Features and Several Gains

This paper describes a sonar sensor-based exploration method. To build an accurate map in an unknown environment during exploration, a simultaneous localization and mapping problem must be solved. Therefore, a new type of sonar feature called a ??sonar salient feature?? (SS-feature), is proposed for robust data association. The key concept of an SS-feature is to extract circle feature clouds on salient convex objects from environments by associating sets of sonar data. The SS-feature is used as an observation in the extended Kalman filter (EKF)-based SLAM framework. A suitable strategy is needed to efficiently explore the environment. We used utilities of driving cost, expected information about an unknown area, and localization quality. Through this strategy, the exploration method can greatly reduce behavior that leads a robot to explore a previously visited place, and thus shorten the exploration distance. A robot can select a favorable path for localization by localization gain during exploration. Thus, the robot can estimate its pose more robustly than other methods that do not consider localizability during exploration. This proposed exploration method was verified by various experiments, and it ensures that a robot can build an accurate map fully autonomously with sonar sensors in various home environments.     

一种动态未知环境下的机器人路径搜索方法

提出了一种新的路径搜索算法——"触觉感知法"来实现机器人在未知静态与动态环境情况下的路径搜索。该方法不需要提供地图信息,机器人仅收集目标点的距离和方位信息以及通过自带传感器作为触觉器收集周围局部环境信息。机器人以BP神经网络作为决策器,经过训练,可以在静态和动态环境中搜索出一条光滑无碰撞且便捷并能有效避开动态障碍物的运动轨迹。对所提出的方法进行了仿真实验,仿真结果表明算法在静态和动态环境下均能有高效率的路径搜索表现。