Mirosot足球机器人对方方向的识别

在Mirosot足球机器人比赛中,为解决对方足球机器人当前运动方向的识别问题,提出了一种基于记忆的曲线拟合判别方法;该方法通过对机器人历史位置的状态记忆,采用改进的最小二乘法,对位置信息进行曲线拟合,并以计算出的当前时刻点的切线方向,作为对方机器人的运动方向;对在Mirosot足球机器人系统中实际测试得到的数据,进行处理的结果表明,该算法达到了很好的效果,可用于Mirosot足球机器人的实战系统中.     

基于BDI模型的多机器人智能体系统设计

BDI模型是智能体设计的一种成熟结构，本文将BDI模型应用于多机器人智能体系统设计中．文章先从形式逻辑角度描述系统模型，然后讨论基于合同网的多机器人智能体的协作机制，最后给出基于BDI模型的多机器智能体的实现模型．     

基于协作协进化的多智能体机器人协作研究

协作问题一直是自主多智能体机器人系统研究的关键问题之一。基于多智能体机器人系统的CCP协作协议所生成的各智能体机器人的任务序列依赖于目标的初始顺序,因此难以得到最优解。文章提出了利用协作协进化来实现多智能体机器人之间协作的一种机制。该方法采用基于协作种群的技术来生成多智能体机器人任务执行序列,在给定的任务分解产生的所有可能解中寻找最优解,并通过交换局部知识和并行决策等手段来优化系统的性能。利用该机制,对3个智能体协作搬运8个物体进行计算机模拟,结果表明,该机制在优化任务执行序列方面作用明显,从而能有效提高多智能体机器人系统的性能。     

一种基于行为的多智能体协作策略设计

本文提出了一种有效的多智能体协作策略，由一组动作控制器，一组行为单元和一个协调器组成。并将这种策略应用于足球机器人中型队Mirosot项目比赛，取得了良好效果。     

基于互信息最大化的意图强化学习方法的研究

强化学习主要研究智能体如何根据环境作出较好的决策,其核心是学习策略。基于传统策略模型的动作选择主要依赖于状态感知、历史记忆及模型参数等,其智能体行为很难受到控制。然而,当人类智能体完成任务时,通常会根据自身的意愿或动机选择相应的行为。受人类决策机制的启发,为了让强化学习中的行为选择可控,使智能体能够根据意图选择动作,将意图变量加入到策略模型中,提出了一种基于意图控制的强化学习策略学习方法。具体地,通过意图变量与动作的互信息最大化使两者产生高相关性,使得策略能够根据给定意图变量选择相关动作,从而达到对智能体的控制。最终,通过复杂的机器人控制仿真任务Mujoco验证了所提方法能够有效地通过意图变量控制机器人的移动速度和移动角度。     

基于动作视觉协调的足球机器人视觉跟踪方法

文章提出了一种基于动作视觉协调的足球机器人视觉跟踪方法,它跟踪准确,对光照环境的适应性强。实验表明,该方法简单有效。该方法已应用于某校研制的Mirosot机器人足球比赛系统,并且参加比赛取得了优良成绩。     

基于意图的多智能体深度强化学习运动规划方法

现有的多智能体运动规划任务存在缺乏有效合作方法、通信依赖要求高以及缺乏信息筛选机制等问题。针对这些问题，提出了一种基于意图的多智能体深度强化学习运动规划方法，该方法可以帮助智能体在无需显式通信的条件下无碰撞地到达目标点。首先，将意图概念引入多智能体运动规划问题，将智能体的视觉图像和历史地图相结合以预测智能体的意图，使智能体可以对其他智能体的动作做预判，从而有效协作；其次，设计了一个基于注意力机制的卷积神经网络架构，并利用该网络预测智能体的意图、选择智能体的动作，在筛选出有用的视觉输入信息的同时，减少了多智能体合作对通信的依赖；最后提出了一种基于价值的深度强化学习算法来学习运动规划策略，通过改进目标函数和Q值计算方式使策略更加稳定。在PyBullet仿真平台的6种不同的仿真场景中进行了测试，实验结果表明，相较于其他先进的多智能体运动规划方法，所提方法使多智能体团队的合作效率平均提高了10.74%,具有显著的性能优势。     

基于多智能体的多机器人控制研究

多机器人控制是目前机器人研究的关键问题,本文以足球机器人为研究平台,首先讨论多智能体系统的组织结构和智能体的体系结构;然后,基于多智能体理论,组建多机器人系统,提出一种适用性广泛的多机器人协作控制方案,主智能体和辅助智能体相互协作,降低多机器人系统控制的复杂度.提高了控制效率.实验结果证明该协作控制方案的优越性.     

仿真机器人足球学习方法研究综述

仿真机器人足球赛是近几年在国际上迅速开展起来的高技术对抗活动，虽然历史不长，但由于它集高新技术、娱乐比赛于一体，所以引起了人们的广泛关注和极大兴趣。作为多智能体系统研究的重要手段，许多研究者从不同的侧面对该项技术进行了研究并取得了一定的成果。对仿真机器人足球系统的研究，目前包括系统组织结构设计、多智能体结构及协调机制研究、智能体技能学习和对手模型预测等内容。该文从多智能体学习和协作的角度对有关机器人足球的学习方法进行了介绍和评述。     

一种基于分布式智能的网络机器人系统

提出了一种基于网络智能的分布式智能体系,构建并实现了基于分布式智能的网络机器人系统．通过赋予传感器以智能,将网络环境中的不同个体抽象为不同的智能节点．传感智能节点处理和传输多种层次的传感信息,实现传感智能的交互与共享．机器人节点以自主感知能力和“网络即插即用”机制为基础,根据任务的需要以及网络的传输状况,主动从网络中获取相应层次的智能和信息．实验表明,该体系有效地减轻了网络通信负担,提高了网络机器人系统的整体性能和智能水平．     

Mirosot足球机器人决策系统的研究

介绍了基于场地分区技术的决策系统在足球机器人比赛中的应用。利用场地分区技术,把比赛场地分成防守区、进攻区、中间区三个大区域,在每个大区域内又细分成多个决策区。由态势分析层-分解任务层-角色分配层-动作执行层构成的决策系统根据比赛场上机器人和球的相关信息,进行场景分析、任务分解、分配角色、执行动作等一系列的决策判断,得到机器人能够识别的指令,完成决策出机器人动作命令的任务。实验结果表明,该系统能快速稳定地指挥机器人进行比赛。     

多智能体强化学习及其在足球机器人角色分配中的应用

足球机器人系统是一个典型的多智能体系统, 每个机器人球员选择动作不仅与自身的状态有关, 还要受到其他球员的影响, 因此通过强化学习来实现足球机器人决策策略需要采用组合状态和组合动作. 本文研究了基于智能体动作预测的多智能体强化学习算法, 使用朴素贝叶斯分类器来预测其他智能体的动作. 并引入策略共享机制来交换多智能体所学习的策略, 以提高多智能体强化学习的速度. 最后, 研究了所提出的方法在足球机器人动态角色分配中的应用, 实现了多机器人的分工和协作.     

基于多Agent通信机制的机器人控制系统

本文主要讨论了多Agent机器人控制系统的体系结构,协作机制与通信模式。实现了基于多AgentTTS播报的机器人控制系统,讨论了通信本体论以提高多Agent之间的协作效率,研究了WebService中多Agent语音播报与协作。     

A multi-agent reinforcement learning approach to robot soccer

In this paper, a multi-agent reinforcement learning method based on action prediction of other agent is proposed. In a multi-agent system, action selection of the learning agent is unavoidably impacted by other agents’ actions. Therefore, joint-state and joint-action are involved in the multi-agent reinforcement learning system. A novel agent action prediction method based on the probabilistic neural network (PNN) is proposed. PNN is used to predict the actions of other agents. Furthermore, the sharing policy mechanism is used to exchange the learning policy of multiple agents, the aim of which is to speed up the learning. Finally, the application of presented method to robot soccer is studied. Through learning, robot players can master the mapping policy from the state information to the action space. Moreover, multiple robots coordination and cooperation are well realized.     

机器人点焊工作站在汽车制造中的应用

机器人焊接系统属于多智能体系统（Multi—Agent systems,MAS）,机器人点焊系统集成的关键是如何处理好MAS的通信和工作协调。本文介绍汽车车身机器人点焊的工作流程,重点介绍了机器人点焊工作站的控制原理及工作站集成技术。     

Intelligent task planning and action selection of a mobile robot in a multi-agent system through a fuzzy neural network approach

This paper proposes an intelligent task planning and action selection mechanism for a mobile robot in a robot soccer system through a fuzzy neural network approach. The proposed fuzzy neural network system is developed through the two dimensional fuzzification of the soccer field. A five layer fuzzy neural network system is trained through error back propagation learning algorithm to impart a strategy based action selection. The action selection depends on the field configuration, and the emergence of a particular field configuration results from the game dynamics. Strategy of the robot changes when the configuration of the objects in the field changes. The proposed fuzzy neural network structure is flexible to accommodate all possible filed configurations. Simulation results indicate that the proposed approach is simple and has the capability in coordinating the multi-agent system through selection of sensible actions.     

仿真环境下的机器人足球决策系统

机器人足球系统是一类典型的多移动机器人合作的对抗系统．具有实时性要求高、环境高度动态、存在不可预测状态等特点．机器人足球系统是人工智能和智能控制领域的探究热点之一。主要研究在仿真环境下基于三层控制决策模型的机器人足球决策系统．为单个或多个足球机器人分配任务和执行任务。使机器人决策系统具有较好的应激性和协调性,实现有效攻防．探讨多智能机器人实时合作与对抗问题、以求验证和发展人工智能的有关理论和技术。     

多智能体技术发展及其应用综述

首先阐述了智能体技术的相关定义及特性,通过分析国内外多智能体技术的应用研究文献,对多智能体系统的基础研究进行分析并梳理了多智能体一致性及控制等方向的技术发展。接着选取了机器人控制和无线传感器网络两个领域重点,探讨了近年来多智能体技术在实际工程中的应用变化与最新成果。最后,总结了多智能体技术在工程应用中有待解决的主要问题,指出了未来多智能体技术应用的研究方向。