一种求解最小权值强规划的方法

以规划领域中的不确定状态转移系统作为研究对象,给出最小权值强规划解的概念,提出一种求最小权值强规划解的方法.该方法可以求解与动作代价相关的数值规划问题,在不确定状态转移系统的执行动作上增加权值来表示动作的代价,在此基础上设计求解最小权值强规划解的算法.实验结果表明,该算法能有效求解最小权值强规划解,且比用反向搜索方法求...     

正向搜索方法求强规划解

以规划领域中的不确定状态转移系统作为研究对象,设计了求强规划解问题中的状态分层方法,状态被分层以后,求强规划解只需要从初始状态出发,逐次向下层状态转移到目标状态就可以了,在此基础上,设计了用正向搜索方法求强规划解的算法。实验结果表明：所设计的算法比用反向搜索方法求强规划解算法的效率高。     

求最小期望权值强循环规划解

现实世界中,动作的执行通常都要耗费一定的代价,且由于外界环境的干扰,动作执行后的结果具有不确定性.针对这一问题,对不确定状态转移系统的动作赋予权值,使用概率分布表示状态转换的随机性,提出了强循环规划解的期望权值,并且设计了求最小期望权值强循环规划解的方法.该方法的主要思想是使用深度优先搜索求出规划问题的所有强循环规划解,再将强循环规划解分别转换成以状态到目标状态的期望权值为变元的线性方程组,最后使用高斯消元法解方程组,从而找出最小期望权值强循环规划解.     

分层法求强循环规划解

设计了一种求解强循环规划问题的状态分层算法。从目标状态开始,首先进行强规划分层,然后对剩余状态进行弱规划分层,并记录相应信息,最后用该信息作启发因子,在弱规划分层结果中搜索强循环规划分层。分层结束后利用分层时记录的信息可以直接得到强循环规划解。所设计的算法在求解状态动作较多的强循环规划问题时有较高的效率;且当强规划解存在时,求解效率更高,并能保证得到质量更优的强循环规划解——强规划解。实验表明,所设计的算法能够以较少的重复搜索得到强循环规划解,求解效率比反向搜索高。     

一种快速求强规划解的算法

为提高求解效率,设计一种求强规划解的简化分层算法。以传统分层算法为基础,引入贪心选择策略,对每个非目标状态的动作进行筛选,去除对求解强规划解无益的动作,加快状态向下搜索的速度,并在改进分层的基础上,优化求强规划解策略,由于在求解过程中会存在大量重复搜索,因此建立一个集合保存已访问状态的信息,避免对状态的重复搜索。分析结果表明,在初始状态到达目标状态路径都不重合的情况下,改进算法的时间复杂度为O( nm)( n为初始状态个数,m为层数),在都重合情况下为O( m),优于普通正向搜索算法与反向搜索算法。     

求强规划解的快速状态分层算法

在求强规划解时,通过状态分层可以大幅减少问题规模,提高搜索效率,并能得到规划路径较短的强规划解。但现有分层算法本身有一定的复杂度,在状态较多时开销较大。为此,通过改进已有分层算法,设计一种适用于求强规划解的快速状态分层算法。采用链式双向图结构保存数据,在分层时修改已遍历的状态动作序偶,并根据修改结果直接进行分层判断,使得分层时只需要判断前一层状态而不是所有已分层状态,避免对非必要状态转移的搜索以及对必要状态转移的重复搜索。实验结果表明,该算法的分层速度优于已有的矩阵乘分层算法。     

确定树求强规划解

定义了确定树,设计了求确定树的方法。基于该方法设计了求强规划解的算法,找到每个初始状态对应的确定树,在找到确定树之后,求强规划解不需要从目标状态一直搜索到初始状态,只需要从目标状态反向找到确定树的任意一个节点,再通过这个节点在确定树中反向搜索到初始状态从而得到一个强规划解。实验结果表明：所设计的算法比用反向搜索方法求强规划解的算法的效率高。     

不确定可逆规划的强循环规划解

动作的执行在理想情况下是确定的,但现实生活中常常因为意外情况的发生而造成了不确定性,并产生不利影响.针对这种情况,建立了一种新的不确定规划模型,在不确定规划中增加了两个约束：1)所有动作的执行是可逆的;2)若一个状态在理想情况下不能达到目标,那么它不能企图在执行一个动作时发生意外而接近或达到目标.在该模型下设计了求解强循环规划的算法,首先只考虑所有动作的执行是在理想情况下发生的,这时可以将规划子图转换为规划子树并求出规划子树中每个状态的可达性;接下来考虑所有动作执行意外的情况,若动作被意外执行之后不能到达目标状态,则删除这个动作并更新规划子图和规划子树,最后通过遍历规划子图和规划子树求强循环规划解.考虑到有些意外的发生并不可预知,该算法能够在意外发生时只对部分失效的规划解进行更新而不需要重新求规划解.实验结果证明该算法能够快速地更新规划解且与问题的规模大小无关.     

模型检测规划中的状态分层方法

基于模型检测的规划方法是最近发展起来的新方法,它可以处理带有不确定性的规划问题.分别设计了对求弱规划解、强规划解和强循环规划解的问题中的状态进行分层的方法.状态被分层后,求规划解只需要在从上层到其下一层状态之间寻找状态动作序偶就可以了,其他状态动作序偶都可以去掉.分别获得了求弱规划解、强规划解和强循环规划解时状态被分层后的一些重要性质,这些性质是关于一些状态动作序偶是否可以不参与构成弱规划解、强规划解和强循环规划解的结论.通过所获得的性质可以将大量的状态动作序偶直接去掉,从而减少问题规模.以往的对基于模型检测规划的研究都是采用从目标状态开始的反向搜索方法,在状态被分层以后可以采用正向搜索技术展开相应的研究.     

不确定规划中的多Agent带权值强规化算法

在智能规划领域中,以往对不确定规划问题的研究主要集中于单个Agent,而对多Agent规划的研究则侧重于确定规划。针对该问题,提出基于多Agent的带权值不确定规划问题,对所求解的强规划解,设计使其所需动作权值总和近似最小的算法。根据基于模型检测的强规划分层方法,对每个Agent进行强规划分层,合并所有Agent的分层信息,并在合并的过程中得到同层状态之间的冲突表。在保证冲突最小的情况下,以最小动作权值优先的贪心方法,求出强规划解。实验结果表明,该算法能较快地求解出使所选择的动作权值总和近似最小的强规划解。     

嵌入式环境中分层路径规划算法的改进

针对分层路径规划算法对上下层道路的对应关系存储耗费大量存储空间的问题,提出一种适合嵌入式环境的改进分层算法。通过在各个层次内部引入道路等级信息提高计算速度,在运算过程中动态切换搜索层次和等级达到减少分层数和数据量的目的。对比实验表明,改进算法在扩展节点数和路径规划时间方面均优于其他3种算法,且能满足嵌入式环境中高效路径规划的需求。     

面向未知环境探索的分层架构路径规划算法

为实现无人平台在未知环境下的高效路径探索,该文提出了一种以“感知-规划-控制”分层架构为基础的路径规划算法。在感知层通过Cartographer建图算法实时构建未知环境的二维栅格地图。在规划层,通过Canny边缘检测、基于密度的聚类算法、效能函数评估选择最佳探索目标点,并在规划的效能函数中引入探索方向延续性概念,克服了传统路径规划反复探索已知环境的难题。在控制层,通过概率路线图算法规划从当前位姿到目标点的最短路径,并通过纯跟踪算法和向量直方图算法实现了路径无碰撞跟踪。3种典型环境下的仿真实验表明,所提出的算法在不同环境下均具有较高的探索效率和完成度。     

基于分级规划策略的拟人机械臂仿人运动规划算法研究

为使拟人机械臂具有高精度的仿人运动,提出一种通过触发条件和分级规划策略 的仿人运动新方法。将人臂运动过程离散为不同运动阶段,在每一个运动阶段都有与之对应的 规划层,在不同的规划层中,拟人机械臂的运动特点不同。利用各自的特点建立不同规划层下 的运动模型及臂姿预测指标,对拟人机械臂臂姿进行预测。最后,以NAO 机器人为实验平台, 比较所提方法与最小势能法(MTPE)的静态臂姿与动态臂姿预测,并与运动捕捉系统(OptiTrack) 采集的真实人臂运动数据进行比较。实验表明,该方法具有较小的静态臂姿和动态臂姿预测误 差,能使拟人机械臂产生高度逼真的仿人运动。