基于T-S型模糊神经网络的轮式机器人避障方法研究

针对超声波传感器产生的不确定信息,研究了一种基于Takagi-Sugeno(T-S)模型的模糊神经网络信息融合避障方法;对超声波传感器所获得的数据进行融合,建立控制器输入信号和机器人速度输出之间的模式映射关系;在MATLAB环境下对模糊神经网络避障算法进行了仿真,最后在实际环境中进行避障实验;实验结果表明,该算法具有较好的准确性和鲁棒性,能够适用于移动机器人的导航需要.     

基于神经网络的多传感器信息融合及其在机器人中的应用

多传感器信息融合即融合多个传感器提供的冗余、互补或更实时的信息,可以获得系统所需的更准确和更精确的信息。介绍了神经网络融合方法,探讨了信息融合技术在机器人方面的应用。机器人避障实验验证了所提方法的有效性。     

基于模糊神经网络在智能轮椅避障中的应用

针对机器人在未知环境中的避障问题,提出了一种多传感器信息融合的避障方法.利用多传感器(声纳、摄像头)来采集外部环境信息,使得智能轮椅在移动过程中可以得到更充分的外部环境信息;使用基于Takagi-Sugeno (T-S)模型的模糊神经网络来对环境信息进行融合;通过融合的结果来控制轮椅的避障行为.通过模拟实验验证和分析,表明了该方法在解决轮椅避障问题方面有很好的效果,同时优化了轮椅避障的路径,提高了智能轮椅使用的安全性和方便性.     

多传感器信息融合在机器人避障中的应用

本文在移动机器人的避障系统中,充分利用数字信号处理器(DSP)超强的运算能力,以及单片机(MCU)善于控制的特点,构造了DSP+MCU的双CPU系统,并且利用粗糙集理论进行多传感器信息融合,实现了移动智能机器人在不确定环境中实时获取外部信息,快速地实现避障.     

模糊神经网络信息融合在管道机器人导航中的应用

考虑到石油管道的封闭性和复杂性,很难识别环境特征,将基于模糊神经网络的多传感器信息融合用于解决管道中管道机器人的导航问题。采用CCD摄像头和距离传感器来识别管道中的障碍物和弯道,并根据环境信息制定控制决策。建立了机器人物理模型和模糊神经网络拓扑结构,并对神经网络进行了学习训练。最后,对其中一种环境类型进行了仿真验证,证实了算法的有效性。     

两级传感器信息融合的移动机器人避障研究

针对移动机器人的避障问题,以AS-R移动机器人为研究平台,提出了一种将神经网络和模糊神经网络相结合的两级融合方法。采用BP神经网络对多超声波传感器信息进行融合,以减少传感器信息的不确定,提高对障碍物识别的准确率;采用模糊神经网络实现移动机器人的避障决策控制,使之更适合系统的避障要求。该方法使移动机器人在避障中具有较好的灵活性和鲁棒性。机器人避障实验验证了所提方法的有效性。     

模糊神经网络在移动机器人信息融合中的应用

针对移动机器人所用的传感器,提出了一种用于多传感器信息融合的方法,将模糊逻辑和神经网络结合起来,构建了模糊神经网络,并建立了网络的计算模型.通过建立的模糊神经网络对移动机器人的多传感器信息进行融合,实现了移动机器人对动态环境中障碍和环境类型的实时识别以及无冲突运动.网络的训练和试验表明该方法在移动机器人躲避运动物体中是可行的.     

拟人多信息融合在机器人避障中的应用

介绍了拟人多信息融合思想,人工神经网络信息融合的原理和过程.结合实际情况,对智能移动机器人多传感器采集的信息进行了融合处理,将拟人多信息融合的方法应用到了智能移动机器人平台避障实验中.与传统逻辑判断避障的方法进行比较,总结了拟人多信息融合方法在移动机器人避障中的优越性.     

基于多传感器信息融合的移动机器人避障

为了更好地解决移动机器人在未知环境下的自主避障问题,采用多传感器信息融合的方法,通过多个超声传感器对障碍物信息进行采集。合理确立模糊控制器的输入输出,通过模糊推理将障碍物距离信息模糊化,建立模糊规则并解模糊,以达到对移动机器人的安全避障的控制。通过建立移动机器人运动模型,设计了仿真平台,得到实验结果表明:该算法具有良好的可行性。     

基于模糊神经网络的多传感器信息融合技术及应用

将模糊规则与神经网络相结合，实现了一种新的推理方法，并在此基础上建立融合模型，讨论了基于模糊神经网络的多传感器信息融合技术及其在污水分析中的应用。     

一种基于多组传感器信息移动机器人的避障方法

提出了一种基于多组传感器信息的移动机器人避障的新方法.该方法把多组传感器信息作为ART-2神经网络的输入,实现移动机器人对当前感知环境的快速识别和分类.在此基础上,设计了用于移动机器人在未知环境下避障的模糊控制器.试验证明了这一方法的有效性和实时性.     

基于多传感器信息融合的自主跟随定位及避障方法

针对自主跟随机器人在自由空间中对移动目标进行跟随时,由于信号源发射角度小,自主跟随机器人很容易进入信号盲区,并且难以对移动目标进行精确定位、移动姿态确定等问题,提出了一种基于多传感器信息融合的自主跟随定位及避障方法,该方法通过在移动目标上增加多信号源,使自主跟随机器人与移动目标之间建立冗余信道,并通过多传感器信息融合方法,计算出移动目标中心位置及实时移动姿态;设置测距模块,使自主跟随机器人能避开障碍,保持跟随。根据此方法建立了多信号源定位模型和算法,并对该算法进行了实验验证。实验结果表明,该方法能够准确的对移动目标进行定位和移动姿态确定,并且信号盲区小,能有效的避开障碍,保持对移动目标的跟随,具有一定的工程应用价值。     

一种基于模糊神经网络的融合故障诊断方法

通过构造模糊神经网络分类器,将基于模糊神经网络的数据融合方法引入到故障诊断中。通过在机组中设置温度传感器测量冷却介质进口温差、定子温度、冷却介质出口温差等模拟量,并求出各传感器对故障的隶属度,然后通过基于信息融合故障诊断算法确定故障原因,并且通过单传感器与多传感器融合结果的对比表明,多传感器数据融合诊断比单个传感器具有更高的准确性。     

移动机器人模糊逻辑控制系统避障研究

本文对全区域覆盖的局部路径规划，采用了一种模糊控制算法，利用模糊控制算法自身所具有的鲁棒性和基于生物学上的感知一动作的行为相结合。对于移动机器人的避障系统提出了充分接近障碍的避障策略，并对相关理论和实现方法作了深入的研究。     

基于多传感器信息融合的智能小车避障

针对智能小车在不确定坏境下自主避障的情况,采用超声波传感器和红外传感器相结合来感知外界环境信息。将传感器采集到的各种数据利用T-S模糊神经网络进行融合．通过实验仿真表明：此方法能够使智能小车对障碍物灵活避障．     

基于模糊神经网络的移动机器人沿墙导航控制

移动机器人沿墙导航控制包含了追踪和避障两种情况,是移动机器人研究中的常见问题。它是指机器人在一定方向上沿墙运动,或者更一般意义上的沿着物体轮廓运动,并与墙保持一定距离。移动机器人利用声纳采集机器人与墙体的距离和角度信息,通过模糊神经网络将输入数据进行融合,从而判断移动机器人的位姿信息,输出左右轮速度控制其动作。实验证明此方法可以有效地保证移动机器人在安全距离内沿墙体运动。对比采用模糊神经网络前后的实验,采用后的移动机器人沿墙导航控制轨迹优于采用前,均方误差大大减小。     

模糊人工神经网络方法在QSAR研究中的应用

使用模糊神经网络提取易于理解的“IF－THEN”模糊规则，并用于亚苄丙二腈类衍生物活性的预测，结果较好。     

基于多传感器信息融合的机器人障碍检测和环境建模

通过融合距离图象和彩色图象为移动式机器人构造二维环境模型及进行障碍检测.其中,环境模型采用了多分辨的二维网格表示结构,较好地解决了计算速度和模型精度之间的矛盾;融合算法的设计是以推广的Dempaser-Shafer证据理论(DSTE)为基础,较好地解决了融合信息的相关性问题;所论及的系统和算法已在真实环境下经过测试,其有效性已被实验所证明.     

基于神经网络前馈补偿的欠驱动机器人越障控制

针对欠驱动巡检机器人相对于传统机器人控制量少于控制对象的特点,依靠Lagrange定理建立机器人系统动力学模型和电缆弯曲数学模型.根据障碍物外形特点给出障碍物特征量的提取方法;根据障碍物较大,常规的运动控制输出量不宜变化过大的特点,以及机器人越障过程中要保持机体平衡,依据动力学模型提出了基于神经网络补偿的前馈-反馈控制器,以实现对系统姿态控制和越障控制.控制器具有自学习、自动补偿的能力,对非线性对象有较好的控制作用.仿真结果表明,该方法相对于常规PID控制、普通模糊控制具有超前调节、超调量小、抗扰动能力强的特点.通过实验,验证了基于神经网络补偿的前馈-反馈控制器的合理性.