未知环境下的移动机器人环境建模研究

环境建模技术是移动机器人自主导航研究中的一个关键问题。为了实现机器人在未知环境下的自主导航,本文在分析当前普遍采用的一些环境建模方法及其缺点的基础上,提出一种基于多传感器信息融合的环境建模方法。实验结果表明该方法有效地克服了传感器的累计误差,有效地提高了环境建模的准确性。此方法的可行性和有效性通过Pioneer3-DX移动机器人得到了实验验证。     

Pioneer移动机器人遥操作系统设计

本文以ActivMedia公司的Pioneer 3-DX型移动机器人为控制对象,实现了一个可以通过Web浏览器远程访问和控制的移动机器人遥操作系统,该系统为研究人员和机器人爱好者提供了一个远程实验平台.     

未知环境下的移动机器人环境建模研究

环境建模技术是移动机器人自主导航研究中的一个关键问题。本文给出一种基于多传感器信息融合的环境建模方法。实验结果表明该方法有效地克服了传感器的累计误差,有效地提高了环境建模的准确性。此方法的可行性和有效性通过Pioneer3-DX移动机器人得到了实验验证。     

基于模糊神经网络的强化学习及其在机器人导航中的应用

研究基于行为的移动机器人控制方法.将模糊神经网络与强化学习理论相结合,构成模糊强化系统.它既可获取模糊规则的结论部分和模糊隶属度函数参数,也可解决连续状态空间和动作空间的强化学习问题.将残差算法用于神经网络的学习,保证了函数逼近的快速性和收敛性.将该系统的学习结果作为反应式自主机器人的行为控制器,有效地解决了复杂环境中的机器人导航问题.     

基于改进Rao-Blackwellized粒子滤波器的 同时定位与地图构建

解决同时定位与地图构建(SLAM)问题是实现机器人自主导航的核心.目前,Rao-Blackwellized粒子滤波器(RBPF)是解决机器人同时定位与地图构建的有效方法.该方法在计算提议分布时,通常只考虑移动机器人的里程计信息,因此存在需要大量的采样粒子造成的计算量和复杂度增大的问题.本文提出一种改进算法,在计算提议分布时将机器人里程计信息和激光传感器采集的距离信息进行融合,有效地减少了所需粒子的数量并降低了滤波器预测阶段机器人位姿的不确定性.本文在机器人操作系统(robot operating system,ROS)平台上,使用配有URG激光器的Pioneer3-DX机器人进行了实验.结果表明,采用本文方法能够实时在线地创建高精度的栅格地图,为机器人在未知环境中的SLAM和导航提供了新途径.     

基于深度强化学习的移动机器人导航策略研究

针对移动机器人在复杂动态变化的环境下导航的局限性,采用了一种将深度学习和强化学习结合起来的深度强化学习方法。研究以在OpenCV平台下搭建的仿真环境的图像作为输入数据,输入至TensorFlow创建的卷积神经网络模型中处理,提取其中的机器人的动作状态信息,结合强化学习的决策能力求出最佳导航策略。仿真实验结果表明：在经过深度强化学习的方法训练后,移动机器人在环境发生了部分场景变化时,依然能够实现随机起点到随机终点的高效准确的导航。     

基于支持向量机和Q学习的移动机器人导航

基于神经网络的连续状态空间Q学习已应用在机器人导航领域。针对神经网络易陷入局部极小,提出了将支持向量机与Q学习相结合的移动机器人导航方法。首先以研制的CASIA-I移动机器人和它的工作环境为实验平台,确定出Q学习的回报函数;然后利用支持向量机对Q学习的状态——动作对的Q值进行在线估计,同时,为了提高估计速度,引入滚动时间窗机制;最后对所提方法进行了实验,实验结果表明所提方法能够使机器人无碰撞的到达目的地。     

强化学习在移动机器人自主导航中的应用

概述了移动机器人常用的自主导航算法及其优缺点,在此基础上提出了强化学习方法。描述了强化学习算法的原理,并实现了用神经网络解决泛化问题。设计了基于障碍物探测传感器信息的机器人自主导航强化学习方法,给出了学习算法中各要素的数学模型。经仿真验证,算法正确有效,具有良好的收敛性和泛化能力。     

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。     

基于深度强化学习的密集动态环境导航避障

导航和避障是移动机器人自主智能中一项基础且重要的任务，其目的是引导机器人到达相应的位置。随着移动机器人的广泛使用，移动机器人常需要在大量移动障碍物的环境中导航和避障。提出了一种基于深度强化学习的导航避障算法，通过基于残差卷积和注意力机制的深度Q网络与势能奖励函数相结合，提高了在密集动态环境中导航避障的性能。仿真实验证明，当环境中动态障碍物密度大于0.4 ppm时，导航成功率大于60%。     

Adaptive behavior navigation of a mobile robot

Describes a neural network model for the reactive behavioral navigation of a mobile robot. From the information received through the sensors the robot can elicit one of several behaviors (e.g., stop, avoid, stroll, wall following), through a competitive neural network. The robot is able to develop a control strategy depending on sensor information and learning operation. Reinforcement learning improves the navigation of the robot by adapting the eligibility of the behaviors and determining the linear and angular robot velocities     

An approach to learning mobile robot navigation

This paper describes an approach to learning an indoor robot navigation task through trial-and-error. A mobile robot, equipped with visual, ultrasonic and laser sensors, learns to servo to a designated target object. In less than ten minutes of operation time, the robot is able to navigate to a marked target object in an office environment. The central learning mechanism is the explanation-based neural network learning algorithm (EBNN). EBNN initially learns function purely inductively using neural network representations. With increasing experience, EBNN employs domain knowledge to explain and to analyze training data in order to generalize in a more knowledgeable way. Here EBNN is applied in the context of reinforcement learning, which allows the robot to learn control using dynamic programming.     

Prune-Able Fuzzy ART Neural Architecture for Robot Map Learning and Navigation in Dynamic Environments

Mobile robots must be able to build their own maps to navigate in unknown worlds. Expanding a previously proposed method based on the fuzzy ART neural architecture (FARTNA), this paper introduces a new online method for learning maps of unknown dynamic worlds. For this purpose the new Prune-able fuzzy adaptive resonance theory neural architecture (PAFARTNA) is introduced. It extends the FARTNA self-organizing neural network with novel mechanisms that provide important dynamic adaptation capabilities. Relevant PAFARTNA properties are formulated and demonstrated. A method is proposed for the perception of object removals, and then integrated with PAFARTNA. The proposed methods are integrated into a navigation architecture. With the new navigation architecture the mobile robot is able to navigate in changing worlds, and a degree of optimality is maintained, associated to a shortest path planning approach implemented in real-time over the underlying global world model. Experimental results obtained with a Nomad 200 robot are presented demonstrating the feasibility and effectiveness of the proposed methods.     

基于模糊神经网络的智能轮椅导航系统

智能轮椅将移动机器人的技术应用于电动轮椅，帮助老年和残障人士提高行动自由度。本文针对轮椅的运动特性，提出一种简单、高效的分区算法对轮椅传感器所获得的数据进行初步融合，并将障碍物距离信息模糊化，采用BP神经网络对障碍物环境进行分类。利用L-M优化算法进行模式识别。轮椅运动的动态仿真结果表明，该算法具有较好的实时性和可靠性，同时也适用于其它移动机器人的导航系统。     

视觉导航中基于模糊神经网的消阴影算法研究*

在实际的应用中,由于室外移动机器人面临着复杂的环境,道路中充满阴影、水迹等环境噪声.这些噪声严重地损害了以往的各种视觉导航算法的鲁棒性.提出了一种新的面向室外移动机器人导航的阴影消除算法.详述了使用模糊神经网在低分辨率图像上对阴影进行识别,利用遗传算法进行网络结构优化,最后消除原始图像中阴影的方法和过程.同时给出了利用该算法在THMRIII室外移动机器人上进行的实验结果.     

基于场景理解与改进型BUG算法的移动机器人避障

针对现有移动机器人在视觉避障上存在的局限,将深度学习算法和路径规划技术相结合,提出了一种基于深层卷积神经网络和改进Bug算法的机器人避障方法;该方法采用多任务深度卷积神经网络提取道路图像特征,实现图像分类和语义分割任务;其次,基于语义分割结果构建栅格地图,并将图像分类结果与改进的Bug算法相结合,搜索出最优避障路径;同时,为降低冗余计算,设计了特征对比结构来对避免对重复计算的特征信息,保障机器人在实际应用中实时性;通过实验结果表明,所提方法有效的平衡了多视觉任务的精度与效率,并能准确规划出安全的避障路径,辅助机器人完成导航避障。     

基于Boltzmann 机神经网络认知机制的机器人趋光控制

针对移动机器人未知环境下的趋光控制问题,模拟人或动物“感知-行动”认知机制,对具有趋光特性的移动机器人进行设计,提出一种基于Boltzmann机神经网络的趋光控制方法。该方法首先应用知识集对机器人趋光控制器的Boltzmann机神经网络进行趋光训练;然后应用Boltzmann机神经网络的运行机制实现趋光控制。仿真实验表明,该方法能够提高机器人学习的控制精度。