基于P-PSO 算法的室内有障碍通风环境下的多机器人气味源搜索

受湍流影响, 室内通风环境下的烟羽分布表现出波动变化且不连续的特性; 在一些角落处, 较大的漩涡会产生长时间的局部浓度极值区; 另外室内的障碍物也会改变烟羽的分布状况. 因此室内有障碍通风环境下的机器人气味源搜索问题变得很复杂. 本文提出了基于概率适应度函数的粒子群优化(Probability-fitness-function based particle swarm optimization, P-PSO)算法并用于多机器人气味源搜索. P-PSO算法的特点是采用概率而非确定数来表达适应度函数值. 针对气味源搜索问题, P-PSO算法的适应度函数值由贝叶斯和变论域模糊推理估计的气味源概率表达. 为验证提出的搜索策略, 构建了对应实际边界条件的室内通风环境的烟羽模型. 仿真研究证明了本文提出的P-PSO搜索算法用于解决气味源搜索问题的可行性.     

时变流场环境中机器人跟踪气味烟羽方法

机器人对气味烟羽的可靠跟踪是实现气味源定位的关键. 本文主要针对实际时变流场环境中的机器人跟踪气味烟羽问题进行研究. 文中在机器人测得气味时估计气味包的最大可能路径, 在此基础上结合流向信息, 规划搜寻路径并使机器人沿此路径运动以跟踪气味烟羽. 考虑到气味浓度场的时变特性以及可能存在的基本浓度, 采用浓度相对变化量表征气味信息. 室内时变流场环境实验表明, 使用本文所提方法的机器人可实时、有效地跟踪烟羽并趋向气味源.     

基于移动机器人的主动嗅觉技术研究

使用移动机器人来定位气味源已经成为一个研究热点,机器人主动嗅觉是指使用机器人自主发现并跟踪烟羽,最终确定气味源所在位置的技术。本文对当前主动嗅觉技术进行概述,并根据生物嗅觉行为介绍一种气味源定位算法,这种算法不依赖某一点气味浓度值,仅依靠气味浓度变化率就可找到气味源。并在高斯模型下对烟羽分布模型进行仿真。     

湍流烟羽环境下多机器人主动嗅觉实现方法研究

给出了一种用于实现主动嗅觉(也称气味/气体源定位或化学烟羽跟踪)的多机器人协同搜索策略. 将蚁群算法与逆风搜索相结合用于协调多机器人的运动方向. 蚁群算法可有效调动机器人朝信息素高的区域运动且保证机器人之间的距离不会过大; 逆风搜索可降低算法过早地陷入局部最优的概率. 为正确判断转移方向, 蚁群算法中还增加了对历史信息的考虑. 在源头确认方面, 本文提出了气味/气体浓度持久性判断结合机器人旋转计算流体质量通量散度的方法. 仿真表明, 本文的主动嗅觉搜索策略可适用于湍流烟羽环境, 且可有效地逃脱浓度局部最优和风场的漩涡, 另外可最终确认源头位置.     

RAOS:3维机器人主动嗅觉仿真平台

为便于开展气味源定位或烟羽建图等研究,设计了3维机器人主动嗅觉仿真平台RAOS(robot active olfaction simulator).RAOS围绕旋翼无人机主动嗅觉研究进行设计,同时支持地面移动机器人仿真,主要包括3维场景、机器人、风场、气味扩散及传感器仿真5部分.通过CAD(computer aided design)软件生成3维场景并导入仿真平台;采用CFD(computational fluid dynamics)软件仿真环境自由风场;基于旋翼无人机气动嗅觉效应模型仿真尾流诱导风场,并利用全连接网络近似计算诱导风场以提高计算实时性;结合CFD环境风场和烟丝扩散模型对气味扩散过程进行仿真;同时提出了简化的TDLAS(tunable diode laser absorption spectroscopy)传感器仿真模型.为验证仿真环境与真实环境中气味扩散过程的一致性,提出利用弗雷歇距离和推土机距离2个指标分别定量地描述气味扩散轮廓和气味浓度分布的相似性,结合KS(Kolmogorov-Smirnov)检验进行一致性判定.通过与实物实验及风洞数据对比,验证了RAOS平台仿真烟羽与真实环境烟羽扩散分布的一致性,可为3维环境主动嗅觉研究提供一致、可重复的仿真环境.     

基于改进AEO算法的多机器人主动嗅觉室内味源定位研究

用机器人主动嗅觉来自动寻找和定位毒气泄漏、火灾等气味源在防灾、反恐、探险等场景中具有重要意义.针对室内环境中机器人气味源定位方法对于策略切换阈值敏感问题,本文提出了一种用于多机器人气味源搜索的风向人工生态系统优化算法WAEO.该方法将机器人看作生产者、消费者或者分解者,通过三者的能量传递机制进行算法的优化,使算法在劣势初始位置时依旧保持稳定的性能.同时,考虑到气味源扩散的特点设计了离散风向系统,在生态系统中增加了追风者角色,从全局和个体维度引入风向信息和层次化利用风向信息.通过与两种常见粒子群算法的对比实验,发现WAEO算法可以减少味源定位的搜索时间,提高搜索成功率,特别是在机器人数量较少时优势更为明显.     

基于认知差异的多机器人协同信息趋向烟羽源搜索方法

多机器人协同稀疏烟羽源搜索研究中,追求群体信息一致而忽视个体独立搜索能力的发挥,导致群体无法有效适应复杂搜索状况.为此,提出一种基于认知差异的协同信息趋向源搜索方法.首先,利用相对熵度量群内个体对源位置估计的认知差异;然后,据此赋予不同个体烟羽采样以相应权重,在贝叶斯推理过程自适应权衡自身线索与群体线索;最后,采用分布式信息熵决策实施协同信息趋向搜索.多种场景下的仿真结果验证了所提出算法的优越性.     

基于PD控制算法寻烟羽源机器人最优行为决策

为了解决空气中有害气体烟羽源分布辨识问题,提出了基于PD控制算法寻烟羽源机器人最优行为决策,通过浓度传感器对环境中的化学浓度信息进行实时采集,然后将采集到的浓度信息传送到机器人中的数据处理模块中。数据处理模块对机器人左右两端浓度传感器采集到的浓度信息进行数据滤波预处理:采用递推平均滤波算法克服机器人在行进过程中遇到的随机干扰和周期性干扰;采用限幅滤波算法克服机器人在行进过程中的脉冲或尖峰干扰。将预处理后的数据信息分别以数组的形式进行存储。机器人采集信息浓度差的大小决定了机器人向左侧或者右侧飞行。根据存储的历史浓度信息多次改变机器人的运动,使机器人能够更快、更准确地寻找到烟羽源位置,具有较强的实用性。     

室外环境下基于证据理论的多气味源测绘及定位

采用单个移动机器人对室外自然环境下的多气味源定位问题进行了研究.首先构建嗅觉感知模型,将机器人在每个采样周期中测得的气味浓度和风速/风向信息融合为局部区域内是否存在气味源的证据.然后采用证据理论将该证据与已有证据进行组合,从而更新气味源的空间分布图.最后在室外自然环境下进行实验,结果表明所提出的嗅觉感知模型可用于时变流场下的多气味源在线测绘.对比IP(independence of posteriors)算法(一种贝叶斯占用栅格测绘方法),所提出的基于证据理论的测绘方法具有较好的鲁棒特性.     

基于双层微粒群优化的机器人全局路径规划

采用微粒群优化解决机器人全局路径规划问题,近年来得到国内外学者广泛关注,并已经取得丰硕的研究成果。但是,已有成果往往难以应用于含有密集障碍物的环境。针对解决含有密集障碍物环境的机器人全局路径规划问题,提出一种双层微粒群优化方法。该方法通过底层微粒群优化,得到若干最优路径;通过顶层微粒群优化,在这些最优路径附近局部搜索,从而得到机器人的全局最优路径;通过对不可行路径实施脱障操作,使其成为可行路径。将所提方法应用于多场景的机器人路径规划,并与已有方法进行比较。实验结果表明,该方法能够找到机器人的全局最优路径。     

仅考虑位置信息连通性保持的群体机器人集结控制

研究速度信息未知情形下的群体机器人集结控制问题.分别针对未设置虚拟领导者和设置虚拟领导者两种情形,提出了仅考虑位置信息的观测器和具有网络连通性保持的分布式控制方法.理论分析表明该算法具有网络连通性保持功能,并且保证所有机器人的速度信息收敛到一致,机器人最终也会聚集到一起.数值仿真实验验证了所提出分布式控制算法的有效性.     

基于粒子群优化的大规模传感器网络节点调度策略

针对资源受限条件下大规模无线传感器网络中协作目标跟踪问题,提出一个基于粒子群优化的节点调度方案.该方案利用高斯粒子滤波算法和方差交叉融合算法获得目标状态预测信息,进而选择下一时刻簇成员节点,并构造了通信能耗的代价函数,利用粒子群优化方法选择最佳的簇头节点,减少了节点调度的计算复杂度,同时保持了较好的跟踪精度.仿真结果验证了所提出方案的有效性.     

基于进化梯度搜索的机器人主动嗅觉仿真研究

提出了基于进化梯度搜索的多机器人主动嗅觉的一种实现策略．首先用Fluent软件建立了一个时变的气态流体环境;其次给出了在此仿真环境中的基于进化梯度搜索的机器人主动嗅觉实现过程,包括发现气体、跟踪气体和气味源确认．为了弥补进化梯度搜索法在机器人数量有限情况下存在的不足,本文算法还使用了风向信息．仿真结果验证了该搜索策略的有效性．通过与传统的基于单机器人的浓度梯度搜索策略比较,验证了本文所用方法的优越性．     

非完整移动机器人群体的优化蜂拥控制

考虑到非完整移动机器人群体蜂拥运动过程中保持位置拓扑全局连通的性能,提出一类基于局部信息交互的优化蜂拥控制算法.利用趋向局部最小外接圆圆心位置的控制方式维持群体位置拓扑在运动过程中的全局连通性,保证群体位置的聚合;结合角度控制和贝塞尔曲线规划个体的运动路径,在路径长度阈值的限定下,通过粒子群算法求取个体的优化目标方向角,保障群体运动方向的匹配;最后给出了可行的避碰方案.     

具有量子行为的协同粒子群优化算法

以分布估计算法(EDA)的角度,从理论上指出,具有量子行为的粒子群优化算法(QPSO)本质上是EDA算法与原始粒子群算法(SPSO)的综合.针对进化类算法普遍遇到的过早熟问题,将协同搜索策略引入传统的QPSO算法,提出了具有量子行为的协同粒子群优化算法(MQPSO).通过实验确定了最适合MQPSO算法的通信频率以及子种群大小.实验结果表明,该算法较QPSO及SPSO算法具有更快的收敛速度和更强的搜索精度,其优势在高维优化问题中更为明显.     

轮子纵向打滑条件下的移动机器人自适应跟踪控制

针对纵向滑动参数未知的轮式移动机器人的轨迹跟踪问题,提出一种自适应跟踪控制策略.利用两个未知参数来描述移动机器人左右轮的纵向打滑程度,建立了产生纵向滑动的差分驱动轮式移动机器人的运动学模型;设计了补偿纵向滑动的自适应非线性反馈控制律;应用 Lyapunov 稳定性理论与 Barbalat 定理证明了闭环系统的稳定性;同时,提出了一种由极点配置方法在线调整控制器增益的方法.仿真结果验证了所提出控制方法的有效性.     

基于QPSO 和拥挤距离排序的多目标量子粒子群优化算法

为了提高多目标优化算法的收敛性、分布性和减少算法的计算代价,提出一种基于量子行为特性的粒子群优化(QPSO)和拥挤距离排序的多目标量子粒子群优化(MOQPSO-CD)算法.MOQPSO-CD利用QPSO快速接近真实的Pareto最优解,同时引入高斯变异算子以增强解的多样性.采用拥挤距离排序的方法对外部存储器中最优解进行更新和维护,使得从中选择的具有全局最优的领导粒子能够引导粒子群最终找到真实的Pareto最优解.仿真结果表明,MOQPSO-CD具有更好的收敛性和更均匀的分布性.     

多模式多资源均衡及基于动态种群的多目标微粒群算法

研究了多模式多资源均衡问题,该问题需要动态选取每项任务的执行模式,并综合考虑项目截止日期和资源限额等约束.将种群竞争模型嵌入到基于 Pareto 的向量评价微粒群算法(VEPSO-BP)中,提出了一种新的基于动态种群的多目标微粒群算法(MOPSO-DP).通过实例测试了 MOPSO-DP 的性能,并与 VEPSO-BP 进行了对比.实验结果表明, MOPSO-DP 能取得更为丰富且优化效果更好的 Pareto 非支配解.     

基于ε占优的自适应多目标粒子群算法

针对粒了群算法求解多目标问题极易收敛到伪Pareto前沿(等价于单目标优化问题中的局部最优解),并且收敛速度较慢的问题,提出一种ε占优的自适应多目标粒子群算法(εDMOPSO)..在εDMOPSO算法中,每个粒子的邻居根据粒了的运行动态地组建,且粒了的速度小由其邻居中运行最好的粒予来调整,而是由其所有邻居共同调整.同时...     

基于强化学习的适应性微粒群算法

惯性权重足微粒群算法(PSO)的重要参数,它可以甲衡算法的全局和局部搜索能力的关系,改善算法的性能.对此,提出一种基于强化学习的适应性微粒群算法(RPSO).首先将不同惯性权重调整策略视为粒子的行动集合;然后通过计算Q函数值.考察粒子多步进化的效果;进而选择粒_了最优进化策略,动态调整惯性权重,以增强算法寻找全局最优的...