基于深度学习的巡检机器人避障轨迹自动控制系统设计

为了提高巡检机器人在复杂环境下的避障能力,使机器人能够安全地完成巡检任务,设计基于深度学习的巡检机器人避障轨迹自动控制系统。设计由CCD传感器、信号处理芯片等设备组成的工业智能视觉CCD相机,基于FPGA和USB2.0的视频采集卡传输采集数据,完成硬件部分的设计。在软件设计中,对采集的图像实施目标分割、双目目标匹配等预处理,通过对摄像头实施双目视觉标定获取障碍物空间位置三维信息,基于深度学习中的CRNN设计机器人自主避障规划网络模型,并设计模糊轨迹控制器,实现避障中的轨迹自动控制。系统测试结果表明,设计系统最终成功避开了三个动态障碍物,最大轨迹控制误差的最大值为1.45°,最小轨迹控制误差的最大值为0.62°,动态避障巡检速度始终在3.5m/s左右,表现出了精准而稳定的轨迹控制效果。     

基于分布式一致性的无人机编队控制方法

多无人机系统中,系统状态的一致性是实现多无人机协同控制的基础,针对多无人机中存在的三维空间编队控制问题,提出一种分布式一致性的无人机编队协同控制方法。在主机-从机组成的多无人机系统的基础上,引入分布式结构,设计无人机控制系统模型并建立无人机编队协同机制。根据协同机制设计基于一致性算法的协同编队控制器、基于匈牙利算法的任务分配策略以及避障策略。分别在简易模拟器和基于ROS-Gazebo的实景模拟器中仿真验证了协同控制方法的有效性。结果表明：无人机群能够有效地完成协同编队任务,并且可以通过调整层次结构进行有效编队重构。     

车辆避障驾驶控制方法研究

受机器人基于人工势场的路径控制方法的启发,在吴镜开等提出方法的基础上,提出了车辆避障控制机制。定义了基于停车视距的车辆行驶动态目标位置;依据人工势场建模原理构建道路和障碍物势场;为了平滑车辆行驶路线,采用了贝塞尔（Bezier）曲线车辆轨迹拟合的方法;针对车辆系统是典型的非完整控制系统,将车辆运动学模型转换为链式系统模型,实现相对简化系统控制设计目的。仿真控制实验说明这种方法对车辆避障控制具有较好的轨迹跟踪效果和全局稳定性。     

多智能体同时到达多目标点的协同强化学习算法

针对动态未知环境下多智能体多目标协同问题,为实现在动态未知环境下多个智能体能够同时到达所有目标点,设计函数式奖励函数,对强化学习算法进行改进.智能体与环境交互,不断重复"探索-学习-决策"过程,在与环境的交互中积累经验并优化策略,在未预先分配目标点的情况下,智能体通过协同决策,能够避开环境中的静态障碍物和动态障碍物,同时到达所有目标点.仿真结果表明,该算法相比现有多智能体协同方法的学习速度平均提高约42.86％,同时智能体能够获得更多的奖励,可以做到自主决策自主分配目标,并且实现同时到达所有目标点的目标.     

基于毫米波雷达的智能车辆纵横向主动避障控制系统设计

智能车辆所搭载监测设备对障碍物目标的识别准确性,影响行驶车辆的纵横向避障能力。为避免车辆与障碍物发生碰撞,提升智能车辆的纵横向避障能力,设计基于毫米波雷达的智能车辆纵横向主动避障控制系统。在底层控制单元中,按需连接纵横向导航控制元件与毫米波雷达摄像头,完成智能车辆纵横向主动避障控制系统的部件结构设计。利用毫米波雷达监测所得的车辆避障图像,定义空间坐标系转换条件,通过标定雷达相机参数的方式,实现基于毫米波雷达的智能车辆避障路径规划。建立车辆纵横向运动模型,根据避障安全距离计算结果,完善具体控制流程,联合各级硬件应用结构,完成基于毫米波雷达的智能车辆纵横向主动避障控制系统的设计。实验结果表明,所设计系统可在智能车辆通过障碍物目标时,保证车体与障碍物之间的距离大于0.3m,能够避免碰撞行为发生,对于车载监测设备而言,其对于障碍物目标的准确识别能力得到了保障,能够有效提升智能车辆纵横向避障能力。     

分布式无人机队列控制与动态障碍规避设计

研究分布式无人机集群巡航任务中的协同路径跟踪问题与动态避障控制问题.利用transverse feedback linearization(TFL)方法对无人机的动力学模型进行变换,通过解耦控制实现对期望巡航路径的跟踪.在期望路径方向上,设计基于一致性协议的分布式无人机队列协同控制算法,并结合势场法设计协同巡航过程中对移动障碍物的规避控制策略.在队列达成一致性目标的同时,能够保障队列行进的安全性.基于Lyapunov分析方法和LaSalle不变原理证明闭环系统的稳定性,同时采用能量法证明队列中的无人机不会与动态障碍物发生碰撞.最后,基于搭建的无人机协同飞行实验平台,完成多架无人机的协同队列控制和移动障碍物规避实验,飞行实验结果验证了所设计协同控制算法与避障控制策略的有效性.     

基于改进蚁群优化算法的自动驾驶多车协同运动规划

当前面向多辆自动驾驶汽车的协同运动规划方法能有效保证运行车辆与障碍物及其他车辆之间避免发生碰撞并保持安全距离,但车辆间的在线协同与规划能力仍有待提升。为实现多辆自动驾驶汽车在运动过程中的协同控制,提出一种基于改进蚁群优化算法的多车在线协同规划方法。以空间协同与轨迹代价为优化目标,构造多目标优化函数,确保了多车行驶过程中的协同安全性与轨迹平滑性。将多目标优化函数引入蚁群优化算法的信息素更新过程中,根据自动驾驶车辆数量产生多个种群,使得种群之间相互独立的同时为每辆自动驾驶汽车规划可行路线。最终对蚁群优化算法中的挥发因子进行自适应调整,提升了算法全局搜索能力及收敛速度。实验结果表明,该方法能使多辆自动驾驶汽车在运动过程中保持协同控制并规划出无碰撞路线,相比于基于人工势场和模型预测的协同驾驶方法在复杂道路场景下车辆间的协同效果更好且适应性更强。     

车辆多目标交互行为建模的轨迹预测方法

预测周围智能体的运动轨迹是实现自动驾驶行为决策规划的关键。面对复杂的车辆交互影响和多模态驾驶意图所带来的难题,本文提出一种基于车辆多目标交互行为建模的轨迹预测方法。该方法采用条件变分自编码器生成轨迹终点的多模态结果,结合自注意力机制和多头注意力机制来捕捉车辆之间的群体交互影响,最终使用逆强化学习输出多模态轨迹的最优决策,实现了同步预测多个目标轨迹。在高速公路数据集NGSIM上的实验结果证明该模型的有效性,并且预测效果整体优于现有方法。     

基于RFID技术的四旋翼无人机轨迹跟踪控制系统设计

为促进四旋翼无人机的飞行自主性,增强无人监管情况下飞行器主机所具备的避障行进能力,设计基于RFID技术的四旋翼无人机轨迹跟踪控制系统;采用RFID标签识别技术,调制处理既定控制信号,利用标签识别协议,连接微型四旋翼轨迹控制器与内环姿态控制器,通过数据通信链路,提取轨迹跟踪控制所需的传输电子量,完成轨迹跟踪控制系统硬件设计;利用动力系统中的参数辨识策略,确定与轨迹姿态控制相关的物理规律标注,实现四旋翼无人机轨迹跟踪控制;实验结果表明,与机器视觉型控制系统相比,基于RFID技术的控制系统的SSI避障行进指标数值相对较高,全局最大值达到了 79％,四旋翼无人机滚转角平均值为85°,能够有效抑制四旋翼无人机滚转角的数值上升趋势,增强无人监管情况下飞行器主机避障行进能力.     

人群环境中基于深度强化学习的移动机器人避障算法

为了控制移动机器人在人群密集的复杂环境中高效友好地完成避障任务,本文提出了一种人群环境中基于深度强化学习的移动机器人避障算法。首先,针对深度强化学习算法中值函数网络学习能力不足的情况,基于行人交互（crowd interaction）对值函数网络做了改进,通过行人角度网格（angel pedestrian grid）对行人之间的交互信息进行提取,并通过注意力机制（attention mechanism）提取单个行人的时序特征,学习得到当前状态与历史轨迹状态的相对重要性以及对机器人避障策略的联合影响,为之后多层感知机的学习提供先验知识;其次,依据行人空间行为（human spatial behavior）设计强化学习的奖励函数,并对机器人角度变化过大的状态进行惩罚,实现了舒适避障的要求;最后,通过仿真实验验证了人群环境中基于深度强化学习的移动机器人避障算法在人群密集的复杂环境中的可行性与有效性。     

基于动态目标位置的智能车辆动态避障控制研究

为了真实地模拟驾驶员在动态环境中避让动态障碍物的行为方式,提出了动态目标位置概念,并采用三次样条曲线作为动态避障的路径拟合曲线。以模糊逻辑为控制策略,以T-S模糊模型为控制结构,以自适应神经网络为隶属度函数的参数调整手段,设计出一种智能车辆横向运动控制器,并通过计算机仿真实现。结果表明,基于动态目标位置概念的控制器设计具有较好的控制性能,较为理想地模拟实际交通环境中车辆动态避障的特性。     

强化学习在无人车领域的应用与展望

无人车(UGV)可替代人类自主地执行民用和军事任务,对未来智能交通及陆军装备发展有重要战略意义。随着人工智能技术的日益成熟,采用强化学习技术成为了无人车智能决策领域最受关注的发展趋势之一。本文首先简要概述了强化学习的发展历程、基础原理和核心算法;随后,分析总结了强化学习在无人车智能决策中的研究进展,包括障碍物规避、变道与超车、车道保持和道路交叉口通行四种典型场景;最后,针对基于强化学习的智能决策面临的问题和挑战,探讨并展望了未来的研究工作与潜在的研究方向。     

基于MCPDDPG的智能车辆路径规划方法及应用

针对智能车路径规划过程中常存在动态环境感知预估不足的问题,使用基于蒙特卡罗深度策略梯度学习(Monte Carlo prediction deep deterministic policy gradient, MCPDDPG)的智能车辆路径规划方法,设计一种基于环境感知预测、行为决策和控制序列生成的框架,实现实时的决策...     

基于深度强化学习的AGV智能导航系统设计

针对现有的AGV在大规模未知复杂环境中进行自主导航配送的问题,基于深度强化学习完成了AGV智能导航系统设计。首先,结合传感器对周围的障碍物进行探测感知,利用DDPG（deep deterministic policy gradient）算法实现AGV小车从环境的感知输入到动作的直接输出控制,帮助AGV完成自主导航和避障任务。此外,针对训练样本易受环境干扰的问题,提出了一种新颖的DL（disturb learning）- DDPG算法,通过对学习样本中相关数据进行高斯噪声预处理,帮助智能体适应噪声状态下的训练环境,提升了AGV在真实环境中的鲁棒性。仿真实验表明,经改进后的DL-DDPG 算法能够为AGV导航系统提供更高效的在线决策能力,使AGV小车完成自主导航与智能控制。     

无人机反应式扰动流体路径规划

针对复杂三维障碍环境,提出一种基于深度强化学习的无人机(Unmanned aerial vehicles, UAV)反应式扰动流体路径规划架构.该架构以一种受约束扰动流体动态系统算法作为路径规划的基本方法,根据无人机与各障碍的相对状态以及障碍物类型,通过经深度确定性策略梯度算法训练得到的动作网络在线生成对应障碍的反应系数和方向系数,继而可计算相应的总和扰动矩阵并以此修正无人机的飞行路径,实现反应式避障.此外,还研究了与所提路径规划方法相适配的深度强化学习训练环境规范性建模方法.仿真结果表明,在路径质量大致相同的情况下,该方法在实时性方面明显优于基于预测控制的在线路径规划方法.     

基于μC／OS—III的多功能控制器

轨道运输车项目的电控部分要实现人机界面、遥控、避障、电机控制、车辆控制多个子模块功能。多功能控制器在μC／OS-III操作系统上实现人机界面、遥控、车辆控制三种功能,简化了系统设计。通过硬件设计、操作系统移植、驱动编写、软件结构设计、软件编码和调试等过程实现了一种多功能控制器。     

Improving vehicle performance using adaptive control techniques

This paper reviews a collaborative research programme aimed at improving vehicle performance using adaptive control techniques. Initially the design of active suspension systems is considered, and the benefits of using a non-linear controller model with an adaptive control scheme are discussed. Adaptive schemes for active roll control are then considered, and the merits of incorporating a Smith predictor to accommodate for system delays are high-lighted. Preliminary research in adaptive cruise control and collision avoidance is discussed and plans for further developments are outlined. This work was presented, in part, at the Third International Symposium on Artificial Life and Robotics, Oita, Japan, 19–21 January 1998