基于BP神经网络控制的多机器人运动规划(Ⅰ)

对多个机器人在简单环境中的运动的研究,利用多机器人控制的神经网络模型,将BP神经网络应用于机器人与障碍物,机器人与机器人之间的避碰行为控制,对机器人进行的行为设计.讨论了机器人训练神经网络及运动规划.实验结果表明了该方法的有效性.     

基于BP神经网络控制的多机器人运动规划（1）

对多个机器人在简单环境中的运动的研究，利用多机器人控制的神经网络模型，将BP神经网络应用于机器人与障碍物，机器人与机器人之间的避碰行为控制，对机器人进行的行为设计．讨论了机器人训练神经网络及运动规划．实验结果表明了该方法的有效性。     

新一代机器人人工神经网络控制系统设计探索

该文对多肢机器人行为活动控制方法进行了描述。控制中枢通过对视觉信息进行综合,及时回避障碍物并制定出行为目的方案。传统方法是预先给定运动轨迹方程,以数值计算和模拟逼近方法完成对机器人运动的控制。新方法是对多肢机器人提供一套智能人造神经网,实现对机器人行为控制。本文从神经网络角度描述机器人设计方案,以二杆机器手人造神经网系统为例,它经过训练和学习,可提供复杂运动方程产生的控制数据(角度、角速度、角加速度)。     

仿生六足机器人传感信息处理及全方向运动控制

针对仿生六足机器人的智能运动控制问题,提出一种基于中枢神经模式发生器(CPG)的控制方法.传统CPG控制方法无法很好地控制机器人足端轨迹,而本CPG控制方法中加入了用于足端轨迹控制的轨迹发生器模块,通过调节参数值可以实现机器人的全方向运动控制.为降低传统CPG控制中传感信息反馈以及参数调整的复杂程度,设计2种用于传感信号处理的神经网络.该模块实现多传感信号的融合,并生成用以控制机器人运动行为的各个参数值,实现机器人的自主避障.设计一个仿生六足机器人样机,将其分别放置在两种不同的情境下进行自主避障行走实验,结果证明了机器人全方向运动控制算法和自主避障算法的可行性.     

仿生六足机器人传感信息处理及全方向运动控制

针对传统CPG控制方法无法很好地控制机器人足端轨迹的问题,提出基于中枢神经模式发生器(CPG)的控制方法.在CPG控制方法中加入用于足端轨迹控制的轨迹发生器模块,通过调节参数值可以实现机器人的全方向运动控制.为降低传统CPG控制中传感信息反馈以及参数调整的复杂程度,设计2种用于躲避前方和两侧障碍物的传感信号处理的神经网络.该模块实现多传感信号的融合,生成用以控制机器人运动行为的各个参数值,实现机器人的自主避障.设计一个仿生六足机器人样机,将其分别放置在墙角和狭窄空间中进行自主避障行走实验,结果证明了机器人全方向运动控制算法和自主避障算法的可行性.     

一种仿人机器人协作运动控制方法

根据仿人机器人协作运动的控制特点,构建2个仿人机器人进行球体搬运协作运动模型,并提出了一种基于二阶锥控制原理的多仿人机器人运动稳定性的控制方法.通过对协作运动过程中各种稳定性进行联合约束,构建二阶锥规划方程,将运动稳定性最优控制问题转换成二阶锥规划方程的优化问题.仿真与实验结果表明,该控制方法可以有效控制仿人机器人的协作运动并确保其稳定性.     

机器人智能控制研究进展

以介绍机器人控制技术的发展及机器人智能控制的现状为基础 ,叙述了模糊控制和人工神经网络控制在机器人中智能控制的方法 .讨论了机器人智能控制中的模糊控制和变结构控制 ,神经网络控制和变结构控制 ,以及模糊控制和神经网络控制等几种智能控制技术的融合 .并对模糊控制和神经网络控制等方法中的局限性作出了说明     

基于混合进化算法的仿人机器人步态规划

针对仿人机器人的结构特点,设计一种仿人机器人上楼梯的在线步态规划系统.使用7连杆模型对仿人机器人的上楼梯运动过程进行建模,根据神经网络在拟合非线性系统上的优越性,使用2个BP神经网络对仿人机器人上楼梯过程中的双腿支撑周期和单腿支撑周期分别进行离线训练.为了加速训练时间和避免陷入局部最小值,采用基于混合粒子群的神经网络控制方式对网络的权值进行优化.在加速训练过程的同时,生成稳定性最优的步态,通过嵌入式单目视觉采集现场环境信息作为神经网络的输入,实时控制输出步态所需的关节轨迹进行运动.实验结果表明通过Matlab仿真和实物机器人上所提方法有效.     

基于神经网络的四足机器人 SLIP 模型运动控制

根据四足哺乳动物形态设计的四足机器人,能够适应错综复杂的地形,且具有较强的运动属性。 而对于四足机器人而言,运动的控制十分重要,所以对四足机器人运动过程中的跳跃控制问题进行了研究。 首先,采用弹簧负载倒立摆模型（SLIP）对四足机器人结构进行简化处理,建立了简化模型的动力学方程, 并分析了模型的运动过程以及着陆相与腾空相的转换条件。其次,在仿真平台中建立了 SLIP 动力学模型, 通过动力学仿真得到了一份仿真样本数据,并利用这份样本数据训练了一个神经网络,其中样本考虑了四足 机器人在与地面接触过程中由于碰撞和阻尼所消耗的能量。最后,在仿真平台中进行验证,给定模型的初始 高度和水平速度,通过神经网络计算出合适的着陆角,得到期望的水平末速度和弹跳高度。实验结果表明, 基于神经网络的方法可以较精确地实现对 SLIP 模型运动的控制。     

基于神经网络模型的拱泥机器人控制

拱泥机器人是为打捞沉船的关键工序—水下攻打千斤洞而设计的特种机器人.分析了拱泥机器人在水下泥土环境中受力情况,建立了基于MATLAB的拱泥机器人头部的动力学模型.针对拱泥机器人工作环境的不确定性,将传统PID控制与神经网络相结合,建立了一种应用BP神经网络实现PID参数自整定的自适应PID控制模型.控制器由PID控制器、神经网络NNC和NNI组成.神经网络NNC能够根据拱泥机器人动态特性的变化,自动整定PID参数,从而改善了控制性能.神经网络NNI为NNC提供学习的梯度信息.计算机仿真结果表明该方法是有效的.     

基于分解策略的多机器人编队控制方法

根据多机器人在不确定环境中编队智能行进控制的要求,以多移动机器人为对象,提出了一种基于分解策略的多机器人编队控制方法,将复杂的多机器人编队问题分解为若干组2个机器人之间的协调问题.建立了多机器人编队的基本队形模型,提出了基于主从方式的多机器人控制策略,根据基于行为的方法设计了机器人的基本子行为,通过带权值的各子行为的叠加合成得到机器人的最终行为,给出了机器人的速度调节方案.计算机仿真结果验证了该方法的有效性和可行性,具有较好的可扩展性.     

排水管道机器人功能及控制系统的研究

对城市排水管道机器人的基本功能、结构和智能控制系统进行了研究.建立了管道机器人BP神经网络位姿控制系统,在研制的机器人实验平台上进行了实验.采用正交实验方法对车体倾角、神经网络参数取值对机器人位姿控制的影响效果进行了实验,据实验结果分析得到神经网络参数的较佳取值.对进一步提高智能控制技术水平是有益的参照.     

六足仿生机器人腿部动力学分析与控制

为了实现六足仿生机器人的多种运动模式,提高不同路况环境的适应能力,提出了一种带有变形关节的新型腿部结构.采用拉格朗日方法建立了用于控制机器人腿部的动力学模型,设计了计算力矩+RBF神经网络复合控制器,其中计算力矩是已建模的部分,神经网络补偿动力学模型中未建模部分、结构参数的测量误差以及外部扰动.采用MATLAB对腿部的轨迹跟踪控制进行仿真,结果表明了该控制器跟踪精度更高,具有优良控制性能.     

模块化机器人的双输出CPG网络调相运动控制

为了增强模块化机器人的灵活性,以及对其多模式运动进行更简单有效地控制,结合阵列式和串联式自重构机器人的特点,设计基于万向式关节的双自由度UBot模块,并根据两个关节之间的相互抑制关系,结合生物学的中枢模式发生器(CPG)运动控制原理,设计具有双输出的CPG网络调相运动控制器.通过调整CPG间的连接权重以及每个CPG中两组输出的关系,调解运动控制信号间的相位差值,有效地控制UBot模块化机器人的整体协调运动.应用这种控制方法控制了模块化机器人的3种运动模式:四足运动、蠕动和多节虫运动,在ADAMS仿真环境下进行了运动仿真实验,并在UBot模块化自重构平台上分别进行了3种构型的实体运动试验.实验结果验证了双输出CPG调相网络对模块化机器人运动控制的有效性和实用性.     

非结构环境下基于机器视觉的机器人路径跟踪方法

针对温室环境下机器人自主导航问题,提出了基于模糊预测控制的实时路径规划和跟踪方法.通过训练神经网络对图像进行分割,获取导航预瞄点,得到机器人运动的角度偏差和横向偏差.当角度偏差小于25°时,采用预测控制的方法,用拟合圆弧曲线作为机器人跟踪的规划路径,当角度偏差大于25°时,采用模糊控制器对2驱动轮的轮速进行控制.实验表明,该方法能对曲线路径进行平滑的跟踪,以0.3 m/s的速度运动时最大跟踪误差小于5cm.     

5 DOF穿戴式上肢康复机器人控制方法研究

提出了一种面向偏瘫患者,可实现单关节和多关节运动的5自由度穿戴式上肢康复机器人的控制新方法.根据偏瘫患者上肢单侧受损的特点,该机器人利用偏瘫患者的健肢运动的表面肌电信号(sEMG)驱动康复机械臂辅助患者患肢实现康复训练.利用肌电绝对值积分(IAV)和自回归参数模型法(AR model)对选定的上肢四块肌肉运动产生的sEMG信号进行分析,所提取的特征分别作为基于Levenberg-Marquardt算法的反向传播神经网络的输入,6个上肢运动作为输出建立表面肌电信号与上肢康复动作之间的关系.试验结果表明该方法利用sEMG准确地完成了对上肢康复动作的识别.这一方法有利于提高患者运动积极性,保持正确运动的感觉,并为研究患者受损上肢表面肌电信号与肌肉运动的关系打下了基础.     

集成化智能软体机器人研究进展

从驱动方式、材料与制造、运动方式、传感与控制方面对集成化智能软体机器人进行综述,讨论集成化软体机器人与新型柔性传感器、机器学习之间相辅相成的关系,分析在驱动方式、建模与控制方面存在的问题. 根据驱动方式的不同,可以将集成化智能软体机器人分为流体驱动、智能材料驱动和化学反应驱动,能量来源决定软体机器人的集成方式和运动能力,而驱动方式的选用多是以仿生灵感为指导原则. 柔性传感器和机器学习作为软体机器人提高运动能力、优化控制方式的可靠工具,将推动智能软体机器人进入实际应用阶段. 实现可控和可预测自主运动能力的集成化智能软体机器人是软体机器人未来的发展方向,在运动方式上模仿动物的灵活姿态,在未知环境勘探领域有广阔应用前景.     

GA优化的RBF神经网络外骨骼灵敏度放大控制

为改善外骨骼机器人灵敏度放大控制(SAC)性能,结合遗传算法(GA)与径向基函数(RBF)神经网络建立在线计算外骨骼机器人的精确动力学模型.用GA优化RBF神经网络的中心矢量与基宽度,并对RBF网络的权值实时更新,在线学习外骨骼机器人动力学模型中的参数矩阵,进一步推导出SAC控制律.仿真结果表明:GA优化后的RBF网络,可以在线学习外骨骼的动力学模型,基于该模型的SAC能够实现精确的人体轨迹跟踪,相比于优化前,人体轨迹跟踪误差以及人机交互信息会快速减小并收敛到0的微小邻域内,可实现人机协调运动.     

多机器人混合编队控制

提出了一种将行为控制和反馈控制相互融合的多机器人混合编队控制方法.采用基于行为的体系结构模型,将动态死区和动力学方程控制共同应用于多机器人编队控制中.改善了基于反馈的跟随领航者方法不能快速适应大角度的队形变换的问题.在AmigoBot机器人平台上的实验证明表明该方法具备一定的可行性.     

模型预测控制下多移动机器人的跟踪与避障

提出了一种基于距离和速度的机器人之间的避障方法,通过与机器人避开障碍物的人工势场法相结合,建立一致性控制编队控制协议。首先,建立机器人之间的通信拓扑关系,以便机器人之间的信息交流。在编队控制层面上,设计具有避碰的编队控制律。然后,在编队跟踪层面上,运用模型预测控制方法,将编队误差运动问题按代价函数转化为最小优化问题。为了在线高效地求解该优化问题,运用了一种广义投影神经网络优化的方法,以便最优解作为控制输入。最后,对多移动机器人编队进行了仿真,验证了所提出策略的有效性。