神经网络在移动机器人路径规划中的应用研究

移动机器人路径规划可分为两种类型:(1)全局路径规划;(2)局部路径规划。本文分析了Kohonen神经网络算法及其识别机理,提出了Kohonen神经网络和BP神经网络结合起来进行路径规划的方法,最后给出了具体的算法,探讨了在神经网络技术中引入学习机制的特点。     

基于神经网络的移动机器人路径规划

针对移动机器人的未知环境下安全路径规划,论文采用了一种局部连接Hopfield神经网络(ANN)规划器。对任意形状环境,ANN中兼顾处理了“过近”和“过远”来形成安全路径,而无需学习过程。为在单处理器上进行有效的在线路径规划,提出用基于距离变换的串行模拟,加速了数值势场的传播。仿真表明该方法具有较高的实时性和环境适应性。     

基于神经网络的移动机器人路径规划

针对移动机器人未知环境下的安全路径规划,本文采用了一种局部连接Hopfield神经网络（ANN）规划器。对任意形状环境,ANN中兼顾处理了“过近”和“过远”来形成安全 路径,而无需学习过程。为在单处理器上进行有效的在线路径规划,提出用基于距离变换的串行模拟,加速数值势场的传播。仿真表明,该方法具有较高的实时性和环境适应性。     

遗传算法在移动机器人路径规划中的应用

移动机器人的路径规划是机器人研究的重要领域。文中旨在研究遗传算法对于机器人路径规划问题的适用性。对于路径规划的目标,提出了基于路径长度、路径平滑度和路径安全度等因素综合衡量的方法,并在传统的遗传算法的交叉、变异操作的基础上,针对路径规划问题的特点,增加了捷径寻找、障碍避让、平滑优化等方法。实验表明,此算法在存在形状复杂的障碍物的静态环境中表现良好,其效率与准确性皆满足机器人路径规划的要求。     

改进遗传算法在移动机器人全局路径规划中的应用

针对应用遗传算法进行移动机器人全局路径规划时遇到的早熟收敛和收敛速度慢等问题,提出一种基于定长二进制路径编码方式的改进遗传算法。研究此编码方式下的改进遗传操作,采用比例阈值自适应((N+K,N)+N)双种群进化策略,有效提高了算法收敛速度和全局寻优能力。仿真实验表明了该算法的有效性。     

移动机器人路径规划方法研究

路径规划是移动机器人技术研究领域的关键技术之一。文章分析了机器人路径规划方法的研究现状。重点阐述了全局路径规划方法与局部路径规划方法,指出了各种方法的优点及不足。展望了路径规划方法的发展方向和研究重点。     

改进遗传算法在移动机器人路径规划中的应用

研究机器人路径规划问题,传统的遗传算法存在早熟收敛和收敛速度慢,影响路径规划的效率,针对移动机器人路径规划的难题,为了提高路径规划的效率,提出一种基于遗传模拟退火算法的移动机器人最优路径规划方法.应用简化编码长度的技术简化了工作路径编码方式,对于基于遗传算法产生初始路径种群后的各路径的适应值进行评价.经过多次交叉、变异,并借助模拟退火中Metropolis算法的随机移动准则制定了高效的温度更新函数,获得了从起始点到目标点的一条全局最优路径,并在MAlLAB环境中进行了仿真.仿真果证明算法的收敛速度、搜索质量和最优路径规划效率都有了明显的提高.     

移动机器人路径规划中的仿真研究

研究移动机器人路径规划问题.针对传统移动机器人路径规划算法搜索时间长,效率低,寻优能力差等问题,提出了一种基于粒子群算法的机器人路径规划方法.该方法首先采用神经网络描述机器人工作环境,在此基础上通过坐标变换建立新地图;然后将机器人路径表示为粒子位置,并以路径长度为粒子群的适应度值;最后粒子之间的相互协作,不断更新粒子位置和速度,获得-条从起始点到目标点全局最优路径.在MATLAB平台上对该方法进行了仿真,实验结果表明,基于粒子群的机器人路径规划方法提高了路径规划的计算效率和可靠性,可应用于机器人的实时导航.     

蚁群算法在移动机器人路径规划中的仿真研究

研究移动机器人路径规划问题.移动机器人路径规划是一个多目标优化问题,由于避障定位要求,传统机器人路径规划优化方法存在算法复杂、搜索空间大和效率低等难题,难以获得最优解.为了提高机器路径规划的效率和定位准确性,提出了一种蚁群算法的移动机器人路径规划方法.蚁群算法的路径规划方法首先采用栅格法对机器人工作环境进行建模,然后将机器人出发点作为蚁巢位置,路径规划最终目标点作为蚁群食物源,通过蚂蚁间相互协作找到-条避开障碍物的最优机器人移动路径.仿真实验结果证明,蚁群算法的路径规划方法提高了机器人路径规划的效率,能在最短时间找到机器人路径规划最优解,且能安全避开障碍物,为优化设计提供了依据.     

移动机器人路径规划方法研究

针对室内动态非结构化环境下的移动机器人路径规划问题,提出了一种能够将全局路径规划方法和局部路径规划方法相结合、将基于反应的行为规划和基于慎思的行为规划相结合的路径规划方法．全局路径规划器采用A*算法生成到达目标点的子目标节点序列;局部路径规划器采用改进的人工势场方法对子目标节点序列中相邻两节点进行路径平滑和优化处理．在考虑了移动机器人运动学约束的前提下,该方法不但能够充分利用已知环境信息生成全局最优路径,而且还能及时处理所遇到的随机障碍信息．仿真研究与在室内复杂环境下的实际运行结果验证了该方法的有效性．     

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GA优化RBF神经网络的机器人轨迹规划

针对机器人在不确定环境下末端执行器运动轨迹的准确性及平稳性问题,采用基于遗传算法(GA)优化径向基函数(RBF)神经网络的轨迹规划方法对Kinova Mico2机器人进行轨迹规划研究。介绍了机器人的相关参数及坐标系、建立了D-H矩阵和运动学模型。提取机器人实际抓取物品的直线轨迹并等分插补,用GA优化并实时在线更新RBF神经网络的权值,以更优的权值参数建立新的RBF网络。研究结果表明:相比优化前,基于GA优化RBF的规划轨迹逼近误差小且平滑稳定,仿真结果较为稳定,轨迹规划的可行性满足机器人实际抓取工作的需要。     

基于神经网络补偿的机械臂轨迹控制策略的研究

建立了二维机械臂的动力学方程,分析了控制机械臂轨迹应考虑的不确定量.考虑到机械臂动力学模型的非线性和参数的不确定性,提出了采用神经网络作为补偿器的机械臂轨迹控制策略.该策略结构简单,采用标称值确定神经网络初始权值,易于工业实现.仿真研究表明了所提控制策略的有效性及神经网络补偿器的泛化能力和自适应能力.     

人工免疫算法在机器人路径规划中的应用

人工免疫算法是一种新兴的优化方法,在计算、控制等各方面都已得到应用.将免疫算法应用于移动机器人路径规划,提出一种任意多边形障碍物复杂布局环境下的机器人路径规划的人工免疫算法,仿真证明该算法可以准确地找到全局最优路径,而且能够适应各种复杂的环境.     

特种机器人运动轨迹规划及其实现

研究了基于压力传感器的特种机器人足端轨迹规划策略及其实现;首先,采用基于Mallat小波快速算法对机器人足端压力传感器的输入信号进行去噪;其次,仿照动物的膝跳反射原理,提出了基于足端压力传感器信息反馈的落足反射式仿生六足机器人足端轨迹规划策略;在所提出的足端轨迹规划策略中,机器人落足点的位置不经过主控制器,而直接由信息处理子系统根据足端压力传感器的输出信息快速确定,从而减轻了主控制器的运算负担,提高了信息处理的实时性,使反应时间小于0.23s;最后,通过实验验证了所提出的多足式机器人足端轨迹规划策略的合理性和实效性。     

机械臂卷积神经网络滑模轨迹跟踪控制

针对工业技术的发展对于多关节机械臂的精度与快速控制高要求,提出了一种机械臂卷积神经网络滑模轨迹跟踪控制方法。分析机械臂动力学方程,提取其中的不确定部分,针对不确定部分,构建深度卷积神经网络对其进行补偿,将补偿部分引入到滑模控制律中,通过改进后的滑模控制实现对机械臂轨迹跟踪的精确控制,并通过构建Lyapunov函数论证了系统的稳定性。仿真结果显示该方法能够满足轨迹跟踪要求,且减小了抖振现象。通过与其余三种典型控制方法的对比,测试结果表明,该方法加快了轨迹跟踪误差的收敛,且跟踪精度有了明显的提高。     

人工神经网络在函数逼近中的应用研究

利用径向基函数网络研究了人工神经网络在函数逼近中的应用。分析了网络结构对逼近性能的影响。利用MATLAB神经网络工具箱进行仿真。实验结果表明,神经网络具有很好的函数逼近性能,其中RBF网络的逼近性能更优。     

基于混合GA-BP算法优化的神经网络在机器人地面控制中的应用

在机器人地面控制中,针对BP算法易陷入局部极小、收敛速度慢的缺点,根据遗传算法具有全局寻优的特点,将二者结合起来形成一种训练神经网络的混合GA-BP算法;通过算法比较和实例结果分析,表明该算法可以有效、可靠地运用于机器人地面控制,并可方便地应用于其它方面.