Skinner 操作条件反射的一种仿生学习算法与机器人控制

针对两轮自平衡机器人的运动平衡控制问题,提出了基于Skinner 操作条件反射理论的BP 神经网络 与资格迹相结合的仿生自主学习算法作为两轮机器人的学习机制．该算法利用资格迹能解决延迟影响、加快学习速 度和提高可靠性的特点,将其与BP 神经网络相结合构成复合学习算法,能够预测机器人将要获得的行为评价函数, 并依据概率取向机制以一定的概率选择最大评价值对应的最优行为,从而使机器人能够在未知环境下通过与环境的 交互、学习和训练,获得像人或动物一样的自主学习技能,实现对两轮机器人的运动平衡控制．最后,分别用基于 Skinner 操作条件反射理论的BP 算法和BP 资格迹复合算法对两轮机器人做了仿真实验并进行了比较．结果表明, 基于Skinner 操作条件反射理论的BP 资格迹复合仿生自主学习算法的学习机制能够使机器人获得良好的动态性能 和较快的学习速度,体现了机器人较强的自主学习技能和平衡控制能力．     

动态FOCPA学习系统设计及在机器人运动平衡控制中的应用

针对仿生自主学习系统的自组织和泛化能力问题,基于Skinner操作条件反射原理和模糊聚类算法设计了动态FOCPA（fuzzy operant conditioning probabilistic automaton）仿生自主学习系统。动态FOCPA学习系统不仅具有仿生的自学习和自组织能力,而且提高了学习的精度和速度。其在仅能获得环境微弱反馈信息的前提下,首先采用在线聚类的方法实现对输入空间的灵活划分,以确保映射规则的数目是最经济的;然后以取向值为评价信号,采用OC学习算法,在线自主学习输入状态到输出操作行为的最佳映射,并加入一个高斯噪声项对映射结果进行实时优化。此外,动态FOCPA学习系统还利用信息熵的评价能力,来验证自身的自学习和自组织能力。理论上分析了设计的OC学习算法的收敛性;通过对两轮柔性直立式机器人姿态平衡控制和速度控制的实验分析,验证了动态FOCPA学习系统的有效性。     

基于信息融合的机器人路径智能决策的研究

基于机器人未知环境探索的智能行为,以先锋Pioneer3-DX移动机器人为对象,构建了基于多传感器信息融合的机器人智能行为系统以实现其路径规划行为。构建了一个双层信息融合路径规划智能行为系统,数据层融合采用基于联邦kalman滤波融合的信息融合方法,通过多传感器融合降低信息的不确定性,为机器人提供更可靠和更准确的环境信息;决策层融合采用模糊推理方法,根据数据层融合结果作为模糊控制器的输入,构建基于模糊推理的决策层融合模块,其设计思想是模仿人的智能行为进行决策,使其不仅决策出机器人的行走方向,同时决策出机器人的行走速度,实现了动态路径规划。基于Matlab的仿真实验,验证了方法的可行性。     

一种小天体软着陆中基于地表阴影区的跟踪算法

考虑到星体表面的阴影区在航天器软着陆小天体时可作为导航路标以及壁障参考区, 提出一种基于地表阴影区的跟踪算法. 首先利用状态参数将拍摄到的前后两帧图像矫正到相同的状态, 根据提出的二值化算法对图像的阴影区进行检测; 然后利用模板匹配找出阴影区的相关位置点, 并通过特征向量法找到相似性最大的位置点; 最后结合RANSAC算法去除错匹配对. 以两组433 Eros 的连续拍摄图像作为阴影区进行跟踪实验, 结果表明该算法具有一定的可行性.

     

基于状态重构理论的同步控制

为了解决控制系统同步控制精度问题,提出了一种基于状态重构理论的系统同步控制方案。该方法将两个需要进行同步控制的执行机构,一个作为主系统,另一个视为其观测器。设置观测器的极点,计算观测器的反馈系数,搭建两系统的同步控制结构,则两个系统的同步过程就是作为观测器的系统渐近跟踪主系统输出的过程。仿真实验结果表明,该方法可以快速地实现系统的同步控制。将此方法应用于多液压执行器的同步控制,取得了较好的效果。     

一种用于人体垂直平衡控制的小脑模型

 提出了一种具有长回路力反馈以及增益调整的控制模型,用以描述人体垂直平衡的控制.模型主要由大脑和小脑两部分组成.小脑部分由两组增益表示.这两组增益负责提供踝—膝—臀环路之间相同或交联关节长回路延伸反应的线性缩放比.大脑部分则仅仅包含一组相同关节线性力反馈的增益.本文提出,小脑是将控制增益组作为感觉人体运动状态的函数来转换的.通过仿真,该模型证明,稳定的、具有线性增益调整的混合长回路反馈,可以在缺乏明确动态内模的情况下提供实时平衡控制.     

具有辨识死区的降阶鲁棒自校正控制

提出了一种实用的鲁棒自校正控制算法，该算法克服了未建模动态的影响，不仅获 得了系统的有界稳定，消除了稳态误差，而且采用递归辨识途径解决了因未建模动态未知靠试 凑选择死区的不足，仿真实验说明了算法的有效性.     

大肠杆菌启动子特征元件对启动子识别的影响

为了进一步研究大肠杆菌启动子的识别算法,根据大肠杆菌基因分子生物学有关理论与统计事实,对大肠杆菌启动子特征元件进行了研究.从启动子样本中选取不同的保守序列,采用2种神经网络结构.分别分析了启动子特征元件对识别的影响.研究发现.包含-10和-35区2个显著保守序列元件及其他几个非显著序列元件时,正样本和负样本的识别率最高,达到77.67％和88.45％.实验结果为进一步研究启动子的特征提取和识别算法提供了参考.     

应用Boltzmann机实现离散线性二次型动态优化

为了求解线性二次型的动态优化控制问题,提出了一种基于随机神经网络Boltzmann机求解线性二次型动态优化控制问题的方法,将系统的性能指标转化成Boltzmann机的能量函数,将控制序列与网络的神经元相对应,Boltzmann机的稳态对应的就是最优的控制序列.理论研究表明,对于任意时变多变量的线性二次型,都能找到一个相应的。Boltzmann机,它的能量函数与二次型的性能指标等价.仿真试验表明,应用Boltzmann机可实现任意时变多变量系统的线性二次型动态优化控制.     

受脑启发的机器人认知抓取决策模型

为了让机器人获得更加通用的能力,抓取是机器人必要掌握的技能.针对目前大多数机器人抓取决策方法存在物品特征理解浅显,缺乏抓取先验知识,导致任务兼容性较差的问题,同时受大脑中分区分块功能结构的启发,提出了将物品感知、先验知识和抓取任务融合的认知决策模型.该模型包含卷积感知网络、记忆图网络和贝叶斯决策网络三部分,分别实现了物品能供性(affordance)提取、抓取先验知识推理和联想,以及信息融合编码决策,三部分之间的信息流以语义向量的形式传递.利用UMD part affordance数据集、该文构建的抓取常识图和决策数据集对3个网络分别进行训练,认知决策模型的测试准确率达到99.8％,并且抓取位置可视化结果展示了决策的正确性.该模型还能判断物品是否属于当前任务场景,以决策是否抓取以及选择什么部位抓取物品,有助于提高机器人实际场景的应用能力.