自主机器人的主动观察模式及软件实现架构

自主机器人运行在开放环境中，对环境信息的感知受限，难以获得有关环境完整、及时的信息。为有效完成任务，自主机器人需要主动地观察环境，即根据任务的需求，自发地决策、调度和执行观察行为，针对性地获取与任务相关的环境信息。主动观察的需求给自主机器人的观察模式以及软件系统构造提出了两方面的挑战：一方面，为支持任务的有效实现，需设计主动的观察模式，从机制层面确保自主机器人能够基于任务需求，观察所需的环境信息；另一方面，主动的观察模式导致自主机器人观察、决策等软构件的功能抽象和数据交互更为复杂，需要针对上层复杂机制的实现设计适配的软件架构。为应对上述挑战，文中将自主机器人的行为定义为任务行为和观察行为两类，针对开放环境中两类典型的环境信息受限场景——片面观察场景和过时观察场景，提出了两类主动观察模式来构建观察行为与任务行为的协同机制，并基于这两类主动观察模式设计了观察行为的决策和调度算法。另外，还设计了一个基于多智能体系统的自主机器人软件架构，实现了所提出的主动观察模式。最后，为验证所提出的主动观察模式的有效性，选取开放环境中一个典型的任务——图书馆服务机器人的图书传送任务开展实验验证。该任务中，自...     

基于神经网络的改进行为协调控制及其在智能轮椅路径规划中的应用

针对传统的基于行为的智能轮椅的路径规划方法在室外非结构环境下的路径规划效果差的问题,提出一种新的智能轮椅的路径规划算法.该算法利用模糊逻辑设计了基本控制行为,并在此基础上结合大量实际经验使用神经网络设计了行为协调控制器.改进的算法将仲裁机制和命令融合机制2种行为协调方法有效结合起来,并吸收了这2种行为协调方法的优点,从而改善了系统的反应速度,极大提高了控制精确;另一方面,该算法还可以识别陷阱区域并通过自主改变行为的权重方法控制轮椅逃出陷阱区域,因而具备了较强的人工智能特征.仿真和实物实验验证了该算法智能性高且实现简单,适用于室外非结构化环境下的机器人路径规划.     

基于深度Q网络的人群疏散机器人运动规划算法

针对公共场合密集人群在紧急情况下疏散的危险性和效果不理想的问题，提出一种基于深度Q网络（DQN）的人群疏散机器人的运动规划算法。首先通过在原始的社会力模型中加入人机作用力构建出人机社会力模型，从而利用机器人对行人的作用力来影响人群的运动状态；然后基于DQN设计机器人运动规划算法，将原始行人运动状态的图像输入该网络并输出机器人的运动行为，在这个过程中将设计的奖励函数反馈给网络使机器人能够在"环境-行为-奖励"的闭环过程中自主学习；最后经过多次迭代，机器人能够学习在不同初始位置下的最优运动策略，最大限度地提高总疏散人数。在构建的仿真环境里对算法进行训练和评估。实验结果表明，与无机器人的人群疏散算法相比，基于DQN的人群疏散机器人运动规划算法使机器人在三种不同初始位置下将人群疏散效率分别增加了16.41%、10.69%和21.76%，说明该算法能够明显提高单位时间内人群疏散的数量，具有灵活性和有效性。     

一种基于理性遗传算法(RGA)的协调运动行为合成算法

协调运动行为的合成是实现多机器人系统协调运动的关键.本文针对特定环境下的 多机器人协调运动问题,基于调速避碰的思想,借助CMAC神经网络,来描述各机器人的运动行 为与环境状态之间复杂的、非线性映射关系,利用理性遗传算法来合成与优化各机器人的运 动行为,从而实现多机器人已知环境下,运动行为的相互协调与优化.文章讨论了规划算法的 鲁棒性、完备性及时间复杂度.     

基于混合结构的机器人Agent控制结构的研究

该文面向分布Agent多移动机器人系统,提出了一种适合于多移动机器人的机器人Agent分层式体系结构,包括状态监测层、决策规划层、协调控制层和行为控制层,其中状态监测层主要实现整个系统对外部环境的状态监测。决策规划层设定系统的全局目标和单个机器人的局部目标,合理快速地完成任务的分解和分配,实现机器人之间任务级之间的协作。协调控制层完成机器人之间的运动协调。行为控制器主要采用基于行为的方法实现具体的运动控制。该结构应用于RoboCup环境下的分布多机器人系统中,满足复杂的、动态的应用环境和系统要求。     

基于强化学习和模糊逻辑的移动机器人导航

自主导航是移动机器人的一项关键技术。该文采用强化学习结合模糊逻辑的方法实现了未知环境下自主式移动机机器人的导航控制。文中首先介绍了强化学习原理,然后设计了一种未知环境下机器人导航框架。该框架由避碰模块、寻找目标模块和行为选择模块组成。针对该框架,提出了一种基于强化学习和模糊逻辑的学习、规划算法：在对避碰和寻找目标行为进行独立学习后,利用超声波传感器得到的环境信息进行行为选择,使机器人在成功避碰的同时到达目标点。最后通过大量的仿真实验,证明了算法的有效性。     

完全未知环境下机器人路径规划的RPC算法

提出一种适合存在多种类型障碍的完全未知环境的机器人路径规划方法：RPC算法（全称为实时规划－选择算法）。即将BUG规划算法与所提出的两级路径选择策略相结合实时决策机器人的行为。其中两级路径选择策略模拟人类探索路径的思维模式实时决定机器人绕行障碍的方向,能够减小机器人避障中的盲目性和降低路径冗余度。此算法提高了机器人在未知环境中的智能性,增强了对较复杂环境的适应性。仿真实验表明了该算法的可行性。     

室内清洁机器人避障路径规划研究

针对室内清洁机器人尽可能充满室内的可达区域执行清扫任务的需求，提出一种基于传感信息的清洁机器人的路径规划算法。在室内清扫环境未知的情况下，这种算法比较简单，清扫的效率较高。清洁机器人位姿也易于控制，且具有自主避障的功能。     

RPL:一种基于反应式Agent的机器人编程语言

开放环境下的机器人具有环境敏感性、行为自主性和并发性、反应实时性等特点,这对支撑这类机器人的控制软件及其编程语言提出了新的要求,包括支持对环境进行显式表示,支持自主和并发的行为,需要对行为间在时间、空间、物理上的关系进行规约等等.面向Agent的编程语言将软件系统的基本执行单元视为自主的软件Agent,它为机器人控制软件的构造提供了新的方法和思路.针对开放环境下机器人特点对其编程语言的要求,提出了基于反应式Agent的编程模型RECA和编程语言RPL.RECA将单个机器人的软件系统视为一个反应式Agent,它包括Sen-sorEvent、EventRule和ScenarioBehaviour 3个组成部分,其中SensorEvent是对机器人所处环境信息变化的一种封装;ScenarioBehaviour是对机器人的不同行为进行的规约;EventRule定义了机器人环境输入到行为输出的动态绑定关系.RPL提供了一系列的机制来支持机器人控制软件的编程,包括事件机制、多线程机制、优先级描述、行为动态绑定.最后介绍了RPL程序开发和运行支撑环境的技术框架,并基于NAO机器人分析了机器人作为老人生活助理的案例,验证了该编程模型、语言和运行支撑环境的有效性.     

基于视觉的机器人自主定位与障碍物检测方法

针对稀疏型同时定位与地图构建（SLAM）算法环境信息丢失导致无法检测障碍物问题，提出一种基于视觉的机器人自主定位与障碍物检测方法。首先，利用双目相机得到观测场景的视差图。然后，在机器人操作系统（ROS）架构下，同时运行定位与建图和障碍物检测两个节点。定位与建图节点基于ORB-SLAM2完成位姿估计与环境建图。障碍物检测节点引入深度阈值，将视差图二值化；运用轮廓提取算法得到障碍物轮廓信息并计算障碍物凸包面积；再引入面积阈值，剔除误检测区域，从而实时准确地解算出障碍物坐标。最后，将检测到的障碍物信息插入到环境的稀疏特征地图当中。实验结果表明，该方法能够在实现机器人自主定位的同时，快速检测出环境中的障碍物，检测精度能够保证机器人顺利避障。     

Q-学习及其在智能机器人局部路径规划中的应用研究

强化学习一词来自于行为心理学,这门学科把行为学习看成反复试验的过程,从而把环境状态映射成相应的动作．在设计智能机器人过程中,如何来实现行为主义的思想、在与环境的交互中学习行为动作？ 文中把机器人在未知环境中为躲避障碍所采取的动作看作一种行为,采用强化学习方法来实现智能机器人避碰行为学习．Ｑ－学习算法是类似于动态规划的一种强化学习方法,文中在介绍了Ｑ－学习的基本算法之后,提出了具有竞争思想和自组织机制的Ｑ－学习神经网络学习算法;然后研究了该算法在智能机器人局部路径规划中的应用,在文中的最后给出了详细的仿真结果     

Evolution of fuzzy behaviors for multi-robotic system

In a multi-robotic system, robots interact with each other in a dynamically changing environment. The robots need to be intelligent both at the individual and group levels. In this paper, the evolution of a fuzzy behavior-based architecture is discussed. The behavior-based architecture decomposes the complicated interactions of multiple robots into modular behaviors at different complexity levels. The fuzzy logic approach brings in human-like reasoning to the behavior construction, selection and coordination. Various behaviors in the fuzzy behavior-based architecture are evolved by genetic algorithm (GA). At the lowest level of the architecture hierarchy, the evolved fuzzy controllers enhanced the smoothness and accuracy of the primitive robot actions. At a higher level, the individual robot behaviors have become more skillful after the evolution. At the topmost level, the evolved group behaviors have resulted in aggressive competition strategy. The simulation and real-world experimentation on a robot-soccer system justify the effectiveness of the approach.     

A behavior-based mobile robot architecture for Learning from Demonstration

Autonomous mobile robots (AMRs), to be truly flexible, should be equipped with learning capabilities, which allow them to adapt effectively to a dynamic and changing environment. This paper proposes a modular, behavior-based control architecture, which is particularly suited for “Learning from Demonstration” experiments in the spatial domain. The robot learns sensory-motor behaviors online by observing the actions of a person, another robot or another behavior. Offline learning phases are not necessary but might be used to trim the attained representation. First results applying RBF-approximation, growing neural cell structures and probabilistic models for progress estimation, are presented.     

基于行为的自主微小移动机器人智能体系结构研究

该文提出了一种模拟人类学习与进化过程的机器人智能体系结构,微小机器人利用设计人员事先设计的机器人基本行为,根据实际环境和具体任务要求,采用增强学习方式,通过群体行为进化,自主创建满足任务要求和适应环境的具体动作。克服了设计人员在采用基于符号的传统人工智能方法时,由于对外部环境和任务的认识不足而造成的局限性,使机器人的行为动作更适合环境和任务要求。     

Artemis-COOR:一个基于Agent的软件动态协同支撑平台

针对开放网络环境下软件协同应用需求,本文提出了一种基于Agent的软件动态协同模型。该模型以软件实体的Agent封装为基础,通过Agent运行时刻重解释以软件体系结构表达的协同逻辑和Agent间的多模式交互技术,实现对动态协同的支持。面向此概念模型,给出了相应的软件动态协同支撑平台Artemis-COOR,该平台在"非侵入式"A-gent封装、多模式交互支撑和软件体系结构动态演化支撑等方面形成了一定的技术特色。最后,给出以水雨情会商系统为例的演示性应用,展示了上述技术的可行性和有效性。     

Fuzzy behavior-based control of mobile robots

An extensive fuzzy behavior-based architecture is proposed for the control of mobile robots in a multiagent environment. The behavior-based architecture decomposes the complex multirobotic system into smaller modules of roles, behaviors and actions. Fuzzy logic is used to implement individual behaviors, to coordinate the various behaviors, to select roles for each robot and, for robot perception, decision-making, and speed control. The architecture is implemented on a team of three soccer robots performing different roles interchangeably. The robot behaviors and roles are designed to be complementary to each other, so that a coherent team of robots exhibiting good collective behavior is obtained.     

基于Agent的自主探测器软件结构

深空探测的环境特点要求探测器具有一定的自主性,因而对探测器的软件结构也提出了新的要求,文章针对这一情况提出一种基于Agent的自主探测器软件结构,该结构包括两部分:短期反作用控制Agent和长期规划Agent,前者主要是处理一些紧急情况下的操作(如探测器故障时),后者是从全局考虑,对探测器的长期任务作出决策。文中软件结构以长期规划Agent为主,反作用控制Agent为辅,共同完成深空探测器的飞行任务。     

基于接口匹配的构件组装

基于构件的软件开发（CBSD）以软件体系结构为蓝图，通过可复用构件的组装构建高质量大规模应用系统。如何找到合用的可复用构件以及怎样在体系结构指导下进行构件的组装是CBSD的关键环节。研究了构件匹配的基本原理和理论基础，在此基础上分析了基于软件构件组装的系统开发技术并给出了对候选构件进行组合的配置算法。     

Adaptive behaviors of reactive mobile robot with Bayesian inference in nonstationary environments

This paper presents a technique for a reactive mobile robot to adaptively behave in unforeseen and dynamic circumstances. A robot in nonstationary environments needs to infer how to adaptively behave to the changing environment. Behavior-based approach manages the interactions between the robot and its environment for generating behaviors, but in spite of its strengths of fast response, it has not been applied much to more complex problems for high-level behaviors. For that reason many researchers employ a behavior-based deliberative architecture. This paper proposes a 2-layer control architecture for generating adaptive behaviors to perceive and avoid moving obstacles as well as stationary obstacles. The first layer is to generate reflexive and autonomous behaviors with behavior network, and the second layer is to infer dynamic situations of the mobile robot with Bayesian network. These two levels facilitate a tight integration between high-level inference and low-level behaviors. Experimental results with various simulations and a real robot have shown that the robot reaches the goal points while avoiding stationary or moving obstacles with the proposed architecture.