基于碰撞危险度的移动机器人避障模糊控制

在基于模糊逻辑的移动机器人局部路径规划基础上，引入了由移动机器人与障碍物之间的距离和相对方位确定的磁撞危险度[1]（Risk-degree of Collision)。与仅用距离作为输入变量相比，把危险度作为模糊逻辑的输入变量可以有移动机器人下一步的决策控制提供更加准确可靠的依据。最后，给出院 移动机器人在有静止和运动障碍物的环境中的避障仿真结果，表明该方法是可行的。     

移动无线传感网络节点协同避障的改进方法

传统蜂拥控制模型在协同避障跟踪方面,目前有Reynolds和Tanner的蜂拥模型。笔者曾对其做出了改进,提出了与Steer to Avoid法则相结合的避障模型,该模型在跟踪过程中对凸形障碍有较高的避障效率。由于在Steer to Avoid的方向判断中,目标对节点具有引力,使节点群陷入凹形区域无法绕出。将协同避障模型引入凹形障碍环境中,对模型进一步改进,在Steer to Avoid转向判断时暂时取消目标对节点群的引力,让节点群在进入凹形后自行做出环境的判断并沿着障碍边缘不断搜索路径,最终绕出障碍到达目标。仿真实验结果表明：与传统两个模型相比,该模型在避障的平均速率和时间效率上有显著提高,适用于避开未知的凹形障碍。     

基于避障区域的足球机器人路径规划方法

提出了一种基于避障区域的机器人运动路径的规划方法,并通过仿真实验验证了这种方法的有效性。仿真结果表明,该方法很好地实现了机器人避障,而且与其他方法相比有如下优点：（1）通过划分避障区域,极大地减少了计算量;（2）采用解三角形的方法判断机器人是否处于避障区内,方法简单有效;（3）通过定义两个集合和在其上的两种运算来构造网格,方法简单可行。     

基于信息融合的模型小车ANN避障控制

本文将模糊逻辑、神经网络和传感器融合技术结合起来，用于移动机器人的避障控制研究，利用多个非摄像类的超声波和红外线传感器探测环境信息，采用多传感器融合技术进行传感器信号处理，并且探讨了模糊聚类和神经网络系统在机器人系统中的避障控制能力，给出了虚拟环境一的计算机仿真结果。     

一种改进势场法在多移动机器人避碰规划中的应用

基于人工势场法原理建立了移动机器人避障模型,对人工势场法的“势场陷阱”问题进行了重点分析,对动态停止“势场陷阱”和徘徊抖动“势场陷阱”问题分别采用“随机扰动法”和“动态步长折半法”处理,并把它用到多移动机器人避碰规划中,仿真结果表明改进效果明显。     

多传感器在智能机器人中的应用研究

介绍了一种使用多传感器快速测量智能机器人与障碍物之间距离的方法,使机器人不仅具备语音识别功能,而且能实现智能避障。本设计给出了相应的电路设计和软件设计方案。实验结果表明：设计方案可行,智能机器人工作稳定、可靠。     

基于改进快速扩展随机树算法的双机械臂协同避障规划方法

提出了一种基于改进RRT算法的双机械臂协同避障运动规划方法。针对静态障碍物对主臂进行避障运动规划,寻找主臂可行路径。将主臂每一时刻的运动位姿视为规划从臂运动时的动态障碍物,为从臂规划可行运动路径。为提高算法的搜索效率,利用节点剪枝择优和设置目标区域的方式使算法快速收敛。在MATLAB程序建模实验的基础上,在ADAMS中进行仿真实验,验证了该算法的有效性和可行性。     

基于遗传算法的足球机器人避障策略

为利用遗传算法实时、稳定地进行动态路径规划，将复杂的二维路径编码问题简化为一维编码问题，并把动态避障要求和最短路径要求融合为一个简单的适度函数，描述了一种简单、有效的基于遗传算法的机器人寻优路径策略．     

基于多超声波传感器避障机器人小车的设计

本文介绍了采用多超声波传感器的避障小车的设计与实现.通过多个超声波发送脉冲检测与障碍物间的距离,控制方向舵机进行转向,实现小车的避障功能.小车采用前轮舵机转向,后轮H桥驱动电路和齿轮减速驱动的方式,以Arduino Mega ADK控制板作为控制核心,进行了软硬件系统的设计,搭建出自动避障小车平台,取得了良好的实验效果.     

Guidance-Based On-Line Robot Motion Planning for the Interception of Mobile Targets in Dynamic Environments

This paper presents a novel method for the interception of moving targets in the presence of obstacles. The proposed method provides simultaneous positional interception and velocity matching of the target moving in a dynamic environment with static and/or mobile obstacles. An acceleration command for the autonomous robot (i.e., interceptor) is first obtained from a rendezvous-guidance technique that takes into account the kinematic and dynamic limitations of the interceptor, but not the motion of the obstacles. This command is subsequently augmented, though only when necessary, in order to avoid those obstacles that are about to interfere with the time-optimal motion of the interceptor. The augmenter acceleration command is obtained in our work through a modified cell-decomposition method. Extensive simulation and experimental results have clearly demonstrated the efficiency of the proposed interception method, tangibly better than other existing obstacle-avoidance methods.