移动机器人未知环境避障研究

针对移动机器人的避障问题,以AS-R移动机器人为实验平台,提出了一种改进人工势场和模糊逻辑相结合的路径规划方法.对于未知障碍物环境采用人工势场法进行实时路径规划,对于动态近距离动态障碍物采用模糊逻辑方法引导机器人做出避障行为.为了有效将2种方法结合,根据传感器信息对于人工势场方法引入转角的信任度,机器人运行方向由上述2...     

基于神经网络和粒子群优化算法的移动机器人动态避障路径规划

本文提出了基于神经网络和粒子群优化算法的移动机器人动态避障路径规划方法。该方法用神经网络模型描述机器人工作空间的动态环境信息,并建立起机器人动态避障与网络输出间的关系,然后将需规划路径的二维编码简化为一维编码,最后用粒子群优化算法获得最优无碰路径。仿真结果表明,所提的动态路径规划方法是正确和有效的。     

基于模糊逻辑行为融合路径规划方法

采用基于模糊逻辑的路径规划方法,提出了一种在未知环境中基于模糊逻辑行为融合路径规划方法,设计了移动机器人路径规划方案,并介绍了该控制器的结构组成和设计过程.将模糊逻辑控制和行为控制相结合,构建了一个由避障行为、目标导向行为、模糊行为监督器组成的基于模糊逻辑行为控制的路径规划器.仿真研究和实验结果表明了避障方法的有效性和可行性.     

未知环境下基于Elman网络力控制的移动机器人避障研究

避障控制一直是移动机器人路径规划的难点.提出了一种未知环境下基于神经网络的机器人动态避障方法,同时把混合力/位置控制结构应用到移动机器人的避障控制中.力控制算法是通过在移动机器人和障碍物之间形成虚拟力场,并对其整定,以使它们两者之间能保持期望距离.由于移动机器人的动力学模型和障碍物的不确定性也会对避障控制的性能造成影响,因此采用Elman神经网络来补偿不确定性,同时整定移动机器人和障碍物之间的精确距离.仿真实验表明该动态避障算法是有效的.     

满足复杂要求的机器人最优巡回控制系统设计与实现

本文结合线性时序逻辑理论与模糊控制方法,设计并实现了一种满足复杂任务需求的移动机器人巡回控制系统,它既能够针对复杂时序任务进行路径规划,又能够对机器人进行模糊控制实现路径跟踪.首先,基于线性时序逻辑理论,确定能够满足复杂巡回任务需求的全局最优路径.接着,根据所获得的最优路径,采用模糊控制方法设计轨迹跟踪控制器,使其通过实时位姿反馈对机器人进行路径跟踪控制.仿真结果验证了移动机器人巡回控制系统的有效性.最后,基于E-Puck移动机器人构建了能够满足复杂任务需求的移动机器人巡回控制实验系统.基于所提出的最优巡回路径规划算法和模糊控制器设计方法,通过图像处理、数据通信、算法加载等软件模块的实现完成了满足复杂任务需求的移动机器人巡回控制.     

进化强化学习及其在机器人路径跟踪中的应用

研究了一种基于自适应启发评价(AHC)强化学习的移动机器人路径跟踪控制方法.AHC的评价单元(ACE)采用多层前向神经网络来实现.将TD(λ)算法和梯度下降法相结合来更新神经网络的权值.AHC的动作选择单元(ASE)由遗传算法优化的模糊推理系统(FIS)构成.ACE网络的输出构成二次强化信号,用于指导ASE的学习.最后将所提出的算法应用于移动机器人的行为学习,较好地解决了机器人的复杂路径跟踪问题.     

移动机器人的智能导航研究

研究移动机器人优化导航问题,由于系统在动态未知、复杂环境下,研究自主移动机器人导航问题,首先将行为优先级控制与模糊逻辑控制相结合提出了四种基本的行为控制方案:目标查找、避障碍物、目标跟踪与解锁,并采用模糊控制器来实现.然后针对’U’型和’V’型障碍物运行解锁问题,提出了行走路径记忆方法,通过构建虚拟墙来进免机器人再次走...     

基于行为融合的移动机器人自主避障算法

当移动机器人面临环境未知或不确定时,各个行为融合的权重随环境的变化而变化,从而导致权重无法在线调整而不能顺利到达目标点.为此,提出一种权重可在线调整的自主避障行为融合算法.用Mamdani型模糊控制器设计移动机器人自主避障过程中的基本行为;同时,提出一种基于两级BP神经网络信息融合的权重调整方法来实现各个基本行为的融合.该算法能够根据环境的变化实现各个基本行为权重的在线调整,增强自主避障控制的实时性和鲁棒性.仿真实验结果表明了该算法的有效性和可行性.     

基于模糊改进人工势场法的机器人避障方法研究

在内部密封、狭窄、多障碍的船舱环境中,障碍物的分布具有随机性和不确定性,对于移动机器人的避障方法而言,传统人工势场法存在目标不可达、局部极小值等问题.设计了一种基于模糊逻辑的改进人工势场法,在避障算法的局部极小值附近,基于模糊逻辑给予移动机器人辅助控制力,帮助机器人逃离局部极小值点,避免机器人在避障过程中陷入局部极小值点的问题,并且优化路径.仿真实验表明:在多障碍复杂环境下,该算法能实现机器人实时、安全的避障.     

一种用于移动机器人避障的模糊神经控制算法

本文提出了一种新颖的模式识别算法用于移动机器人的自主避障.通过一定量的模糊规则与模糊Kohonen聚类网络(FKCN)的结合,生成了一种启发式的模糊神经网络,并且通过对该模糊神经网络进行离线的非监督式训练,从而建立起超声波传感器输入信号和移动机器人速度之间的模式映射关系.相对于一般的避障手段,这种算法提供给移动机器人较为迅速的反应能力,从而实现机器人连续、快速的避障.本文为了验证该算法的可行性,给出了移动机器人在虚拟环境下的计算机仿真结果.