仿生机器人的研究状况及其未来发展

随着机器人研究领域从结构环境向非结构环境的扩展,仿生学对它的影响也日益显 著．本文提出了目前仿生机器人研究的两个主要方向,即：运动机理的研究和行为方式的研 究．探讨了这两个研究方向目前的研究状况,并对其未来的发展趋势作了预测．     

多移动机器人编队的行为选择控制系统

针对多机器人在编队行进过程中的行为选择问题进行了分析,提出一种实现多移动机器人编队的行为选择机制。通过计算机仿真和实验研究,结果表明该控制策略能很好的实现多机器人快速编队,并在编队过程中实现运动状态的平滑变化,提高了整个系统性能。     

基于内分泌调节机制的机器人行为规划算法及其应用研究

借鉴内分泌系统对神经系统与遗传系统的高层调节机制，提出了一种新的基于内分泌调节机制的机器人行为规划算法．此算法中机器人通过神经系统接受环境信息并进行行为决策，行为决策的效果通过一种情感学习模型进行反馈．情感学习模型根据机器人的内、外环境状态,产生情感因子(即生物激素)，再由情感因子来调节神经系统的记忆和行为决策，最后神经系统的记忆与行为模式又由遗传系统得以继承．该算法有效避免了神经系统复杂的自学习过程。同时也保证机器人有较强的自适应能力．为了验证算法的有效性，本文做了机器人足球队守门员训练的仿真实验，结果也表明该算法具有很强的自适应学习能力．     

机器人足球智能体行为选择策略仿真研究

研究足球机器人供过传球的成功率,优化控制策略,在机器人足球比赛中,针对现有行为选择策略因不能综合全面地考虑场上复杂的影响因素,造成传球、带球和射门的失误率较高的问题。为提高球员带球的准确率,提出了一种模糊Q学习的行为选择决策机制。利用模糊算法全面地处理和评估场上的干扰和影响因素,做出最佳行为决策。并通过Q学习算法来修正模糊规则。采用上述算法的行为选择策略,增强了策略对动态环境的适应能力。在机器人足球世界杯2D仿真平台上对策略进行了仿真验证,仿真结果表明改进算法能够很好的改善智能体的射门、传球和带球的成功率。     

基于情绪的人工生命合作型行为选择机制

通过引入情绪到基于内在释放原理的Lorenz 液体压力行为机制，建立了基于情绪的行为选择机制．新 机制解决了原机制的缺陷：异质相加和动机强度与其当前生存环境无关．根据经济学中主观价值与情绪心理学中情 绪都具有评价功能的特性，并借鉴前景理论，建立了行为特征函数，以获得情绪的函数变化规律；利用情绪强度趋 高和中等情绪使得行为实现效率更高原理，行为被分为3 类：情绪行为、理性行为、应付行为．在这些研究结果的 基础上，建立了合作型情绪行为选择机制．在人工生命Swarm 平台上所进行的模拟实验验证了该机制的正确性．     

基于神经网络的进化机器人组合行为方法研究

为了克服传统机器人设计方法存在的局限性,提高机器人的自适应能力,采用神经网络方法实现了进化机器人避碰、趋近及其组合行为学习,首先,提出了新的机器人模拟环境和机器人模型,结合了采用神经网络实现进化学习系统的方法。其次,对具有进化学习机制的机器人基本行为和组合行为学习系统进行了仿真,并通过仿真证明了新模型不要求环境知识的完备性,机器人具有环境自适应学习能力,还具有结构简洁、易扩展等特点,最后,对仿真结果进行分析与讨论,并提出了进一步研究方向。     

基于宏行为的侦察机器人事务执行机制研究

为了便于操作员在侦察现场进行事务规划，提出了基于宏行为的事务描述方法和事务执行机制．按照机器人对环境变化的响应方式的不同，将机器人的行为分成基本行为、组合行为和宏行为，给出了描述这些行为的方法和一个宏行为的设计实例．引入了基于RS模型的行为合成运算符合成机器人行为的方法，从而可以形式化地构建侦察机器人的事务描述．实现了能够解释和执行事务描述的、基于宏行为的事务执行器．仿真和实验结果表明提出的任务描述方法可行，事务执行器能够可靠地完成事务描述所规定的任务．     

基于MLP和SPSO的机器人行为选择与运动控制方法

针对传统行为选择机制(ASM)不能很好地做出控制决策的问题,提出一种基于多层感知(MLP)前馈神经网络的ASM,并将其应用到移动机器人目标跟踪中。首先,根据具体应用场景预定义多个机器人行为。然后,根据机器人配备的图像和红外传感器获得的目标位置和障碍物信息,通过MLP神经网络从预定义行为中选择出所需执行的行为。另外,为了构造最优的MLP模型,采用一种简化粒子群算法(SPSO)来优化网络权值参数。机器人目标跟踪仿真的结果表明,提出的ASM能够准确选择出合适的行为,实现了控制机器人跟踪目标移动且能够避开各种障碍物。     

自主式微小型移动机器人的自动避障行为研究

针对多微小型移动机器人工作环境的模型未知或不确定,以及该机器人本身 的某些限制,采用基于行为的研究方法,实现了自行设计的自主式微小型移动机器人在未知 、动态环境中的自动避障,设计了该机器人的障碍物回避行为,采用了电机神经元网络选择 机器人的自动避障动作,并用增强式学习的动作评判结果在线修改网络的权值,结合机器人 的漫步行为,采用机器人的安全漫步任务验证了该方法的有效性．     

基于情感交互的仿人头部机器人

本研究的目的是设计一台机器人,使它可以与人互动,并在日常生活中和常见的地方协助人类．为了 完成这些任务,机器人必须友好地显示出一些情感,表现出友好的特点和个性．依据仿生学,研制了一台仿人头部 机器人,建立了机器人的行为决策模型．该机器人具有人类的6 种基本面部表情,以及人脸检测、语音情感识别与 合成、情感行为决策等能力,能够通过机器视觉、语音交互、情感表达等方式与人进行有效的情感交互．     

RoboCup中型组足球机器人系统关键技术

RoboCup中型组机器人足球比赛是一个研究多自主移动机器人、机器人视觉及其他相关领域的标准测试平台。从机器人机械结构、硬件结构、体系结构、环境感知、行为及策略等方面详细介绍了RoboCup中型组足球机器人系统相关关键技术的研究现状,最后展望了RoboCup中型组足球机器人系统的技术发展趋势。     

Biasing behavioral activation with intent for an entertainment robot

Deliberate control of an entertainment robot presents a special problem in balancing the requirement for intentional behavior with the existing mechanisms for autonomous action selection. It is proposed that the intentional biasing of activation in lower-level reactive behaviors is the proper mechanism for realizing such deliberative action. In addition, it is suggested that directed intentional bias can result in goal-oriented behavior without subsuming the underlying action selection used to generate natural behavior. This objective is realized through a structure called the intentional bus. The intentional bus serves as the interface between deliberative and reactive control by realizing high-level goals through the modulation of intentional signals sent to the reactive layer. A deliberative architecture that uses the intentional bus to realize planned behavior is described. In addition, it is shown how the intentional bus framework can be expanded to support the serialization of planned behavior by shifting from direct intentional influence for plan execution to attentional triggering of a learned action sequence. Finally, an implementation of this architecture, developed and tested on Sony’s humanoid robot QRIO, is described.     

Active interaction utilizing micro mobile robot and on-line data gathering for experiments in cricket pheromone behavior

This paper describes about a prototype system for active interaction experiment to a cricket by utilizing an operated micro mobile robot. It is also able to measure/collect behavior data of the cricket on-line. The behavior selection of the cricket (Gryllus bimaculatus) is influenced by the experience or the context in living environment. In our current research, we are trying to investigate neuronal mechanisms underlying adaptive behavior switching of the cricket based on individual interactions. However in conventional biological experiments, the conditions are not maneuverable intentionally. Therefore, we are developing an integrated system for conducting active interaction experiments and gathering behavior data related to the effect of interactions. The prototype consists of a micro mobile robot as a physical interaction agent, a camera and a microphone and a computer. The computer is for commanding the robot by the operator’s input. It also works for recording the data of a video sequence, on-line motion tracking and the audio during the experiment. Interaction experiments with the cricket utilizing the prototype system were done. From the results, we could confirm it works well especially for maneuvering experimental conditions and on-line experimental data gathering.     

人工生命行为选择情绪机制研究进展

基于智能的行为选择机制(BSM)存在两个缺陷:不确定性环境下,不能实现自主行为选择,在相同环境条件下,缺乏行为反应的多样性.受情绪机制应用于情感计算与强化学习研究的启发,将其应用于行为选择机制研究,以解决上述问题.从而,提出三类情绪行为选择机制:情绪影响机制、情绪驱动机制、情绪涌现机制.但这些机制存在:未能将其所需涉及的基本因素进行涵盖,有系统性缺陷;各种选择机制体系结构和情绪计算模型彼此各异,没有继承性;基于设计思想,缺乏相关学科关于情绪行为理论的支撑.另外,研究方法上,也存在各行为机制之间、智能机制和情绪机制之间缺乏系统性分析和比较的问题.提出,要揭示情绪行为选择机制,应从认真挖掘动物行为学、心理学、经济学等领域有关情绪研究结果之间的内在一致性入手.同时,比较方法的使用,将是加速这一过程的有效手段.     

基于人工生命行为选择的智能体决策的研究

人工生命行为选择是人工生命研究领域的重要问题之一，智能体作为人工生命体的一种形式，决策系统相当于是智能体的“大脑”。文章以足球机器人作为智能体的研究原型，分析了机器人足球决策系统的现状，根据仿人智能控制思想和人工生命行为选择模型，建立了基于人工生命的智能体决策系统，并借助机器人足球比赛这样一个标准任务平台，投入实际比赛中，证明结果是可行的和有效的。     

蚁群算法在移动机器人路径规划中的应用综述

路径规划是移动机器人领域的一个研究热点,蚁群算法在移动机器人的路径规划得到广泛应用。介绍了常见的几种蚁群算法,从蚁群算法结构、参数选取及优化、信息素优化等方面对已有的蚁群算法方法进行了分类综述,同时对多蚁群优化算法、融合蚁群算法在移动机器人路径规划的应用进行了分类比较与分析。从蚁群算法的理论研究、算法融合、多蚁群算法研究等方面对蚁群算法在移动机器人路径规划中的未来研究内容和研究热点进行展望。     

Bio-insect and artificial robot interaction: learning mechanism and experiment

This paper addresses fuzzy-logic-based reinforcement learning architecture and experimental results for the interaction between an artificial robot and a living bio-insect. The main goal of this research is to drag the bio-insect towards the desired goal area without any human aid. To achieve the goal, we seek to design robot intelligence architecture such that the robot can drag the bio-insect using its own learning mechanism. The main difficulties of this research are to find an interaction mechanism between the robot and bio-insect and to design a robot intelligence architecture. In simple interaction experiment, the bio-insect does not react to stimuli such as light, vibration, or artificial robot motion. From various trials-and-error efforts, we empirically found an actuation mechanism for the interaction between the robot and bio-insect. Nevertheless, it is difficult to control the movement of the bio-insect due to its uncertain and complex behavior. For the artificial robot, we design a fuzzy-logic-based reinforcement learning architecture that helps the artificial robot learn how to control the movement of the bio-insect under uncertain and complex behavior. Here, we present the experimental results regarding the interaction between an artificial robot and a bio-insect.