复杂动态环境下基于侧滑力的局部路径规划

研究了复杂动态环境下具有局部感知能力的移动机器人路径规划问题.针对传统势场法避障在拥塞环境下存在局部振荡的问题,提出虚拟侧滑力的方法,障碍物对机器人产生侧滑排斥力,而非传统的反向排斥力,并由力来直接引导机器人运动.静态障碍物的侧滑力计算与障碍物距离、朝向及目标点朝向有关；动态障碍物的侧滑力计算应考虑其速度信息.为解决局部最小问题,对机器人已走路径进行跟踪监督,当机器人路径在一段时间内出现重复时,确认其已处于陷阱状态,继而采用沿墙走的策略来摆脱陷阱.仿真结果验证了算法在复杂动态环境下的实时性和有效性.     

基于时延补偿的移动机器人动态避障方法

为提高自主移动机器人的动态避障能力,提出以视觉信息为决策依据,通过时延补偿提高机器人对障碍物定位精度局部动态避障方法．在避障过程中无需考虑障碍物的运动速度和运动方向,更加适用于机器人在未知或部分未知环境下的路径规划．实验表明,这种方法是可行而有效的．     

连续状态空间下机器人避障方法研究

针对机器人避障研究在连续状态空间下的环境泛化问题,提出一种基于深度强化学习的机器人避障方法。该方法引入像素点碰撞检测模块,并结合像素点碰撞模拟距离传感器,获得机器人与任意形态障碍物之间的距离和是否碰撞等信息。在深度强化学习过程中,移动机器人面对未知环境,通过行走获得经验数据训练神经网络,更新网络参数,优化机器人行为决策,实现避障任务。实验结果表明,在机器人避障过程中引入像素点碰撞检测能有效解决环境泛化问题,且动静态环境中训练出的网络模型具有较好的泛化能力。     

机器人BP神经网络避障控制模型构建及仿真

针对传统BP神经网络在未知环境下机器人路径规划及避障算法中存在权值调节收敛速度慢、易陷入局部极小点、网络结构不稳定等问题,基于权值调节收敛速度与学习率之间的关系,通过引入调节因子及设置参数kinc和kdec对传统BP神经算法进行了改进,实现了学习率的大小动态调节,优化了权值的收敛.利用改进后BP神经网络算法,给出了一种新型机器人二级BP神经网络避障控制模型.仿真结果表明:该模型用于障碍物实时识别及机器人快速避障时有效可行,障碍物识别率达到80.5%~99.5%,避障路径趋近最优直线路径.     

速度矢量坐标系下水下机器人动态避障方法

针对水下机器人能力有限问题设计了一种适应水下机器人能力的动态避障方法.以水下机器人对运动障碍物的相对速度信息建立速度矢量坐标系,在坐标系内,根据水下机器人速度矢量和障碍物速度矢量的相互关系以及水下机器人的能力,确定理论上能够避开障碍物的期望速度解集,然后按照满足碰撞时间条件的最小转艏避障原则求解水下机器人最优期望速度的大小和方向,使水下机器人能够以相对小的代价安全避开动态障碍物.仿真研究验证了此规划方法对躲避动态障碍物的有效性,该研究大幅度提高了水下机器人的智能水平.     

记忆运动方向的机器人避障算法

在一般的避障环境中,Tangentbug算法表现的非常鲁棒,但当避障环境中有对称障碍物的时候,Tangentbug算法容易产生路径的死循环,从而导致终点不可到达.然而在机器人避障过程中,对称障碍物是非常常见的.针对这个问题,提出了基于记忆机器人运动方向的Tangentbug算法.该算法中,机器人每经过一个位置点,就把当前位置点和选择的运动方向记录下来,为后面的更新运动方向做好准备.首先,机器人扫描到障碍物时计算出机器人与障碍物的相遇方向;其次,根据障碍物的边缘,统计局部地图信息,得到局部切线图,找到离终点和当前点距离和最近的点作为机器人的下一个目标点,得到机器人的运动方向;然后,在机器人绕行障碍物时结合记忆的运动方向和局部切线图产生的最小距离和更新下一步运动方向.在整个避障过程中,不停的更新相遇方向和运动方向,最终实现机器人的直行和绕行,从而到达终点.通过大量实验验证,实验结果表明该算法不仅可以实现机器人在对称障碍物环境中顺利到达终点,也可以在非对称障碍物环境中达到终点,验证了该算法的有效性和鲁棒性.     

基于光流的非结构化环境中移动机器人避障方法

为了解决在复杂非结构化环境中的避障问题,提出了一种基于光流的适用复杂非结构化环境的移动机器人避障方法.首先,引入梯度守恒假设和局部加权对光流算法进行改进,减少了光照变化不均和噪声对光流算法的影响,提高了算法的计算精度和鲁棒性.然后,使用光流散度来计算相碰撞时间(time-to-contact,TTC),并利用TTC构建障碍地图.设计的航向决策算法能在机器人与障碍物发生碰撞危险时,为机器人选择最优的前进方向.对提出的避障方法进行了仿真及物理实验,实验结果表明:利用该避障方法可以实现移动机器人在复杂非结构化环境中无碰撞地行走.     

基于视觉信息的移动机器人动态避障方法

为了提高自主移动机器人的动态避障能力,提出了一种基于视觉信息的拟人动态避障方法,以视觉信息为决策依据,利用神经网络对障碍物的屏幕坐标和实际相对坐标进行非线性映射,在避障过程中只考虑障碍物相对于机器人的运动及可能的碰撞方式,无需考虑机器人和障碍物的运动速度和运动方向,仿真试验证明这种方法是可行而有效的．     

非完整移动机器人鲁棒控制方法研究

针对基于单目视觉的双轮差速移动机器人检测环境目标信息的误差大、波动频繁、有限视角约束且受非完整性约束特点,研究了避障与轨迹跟踪控制器的设计问题。首先基于李亚普诺夫稳定理论,设计了双轮差速移动机器人的圆弧轨迹控制器,并证明了控制器的稳定性。引入动态变化的参考角度以调节控制器因子,解决了系统受视觉传感器有限的视野范围约束及机器人运动轨迹优化问题。通过跟踪圆心沿多边形边界连续移动的圆弧轨迹,实现机器人避开多边形障碍物。仿真和实际机器人实验证明了所提出方法的有效性。     

利用示教学习的移动机械臂轨迹避障算法

为了提高服务机器人的环境适应性和减轻操作者的控制负担,本文提出了一种利用示教学习的轨迹修正算法。利用动态动作基元模型,生成与示教轨迹形状相似的新轨迹。进而提出改进的距离加权k-近邻算法,实现移动机械臂末端轨迹形状的局部修正。本文设计了避免相邻有效训练数据丢失的在线更新方法,并在人机交互系统上进行避障和实时性测试。实验结果证明了本文提出的轨迹避障算法具有对新任务的适应能力,不同场景下的避障决策能力和在线修正能力,从而保证友好、流畅的人机交互过程。     

未知环境下机器人避障及动态目标追踪

针对传统人工势场法在避障及其动态目标追踪过程中产生的机器人陷入局部极小值点、无法到达目标、避障追踪路径产生震荡等问题,对传统人工势场法的引力公式和斥力分力方向进行了重新定义.在引力公式中加入速度差与加速度差因子,将斥力分力方向重新定义为与引力方向夹角不大于90°的方向,并且将该优化思想与现有的改进人工势场法进行了对比分析.结果表明,该算法可行且提高了机器人避障和动态目标追踪的灵活性以及对恶劣环境的适应能力.     

连续动作强化学习及其在机器人中的应用研究

讨论了连续动作的强化学习系统实现及学习方法。首先介绍了连续动作的强化学习系统的组成原理,讨论了采用神经网络实现强化学习系统的方法,然后,介绍了强化学习机制在智能机器人避碰行为学习系统中的应用,并给出了系统的仿真结果。仿真结果表明机器人具有较好的避碰能力。     

一种改进dueling网络的机器人避障方法

针对传统增强学习方法在运动规划领域,尤其是机器人避障问题上存在容易过估计、难以适应复杂环境等不足,提出了一种基于深度增强学习的提升机器人避障性能的新算法模型。该模型将dueling神经网络架构与传统增强学习算法Q学习相结合,并利用两个独立训练的dueling网络处理环境数据来预测动作值,在输出层分别输出状态值和动作优势值,并将两者结合输出最终动作值。该模型能处理较高维度数据以适应复杂多变的环境,并输出优势动作供机器人选择以获得更高的累积奖励。实验结果表明,该新算法模型能有效地提升机器人避障性能。     

视觉感知的无人机端到端目标跟踪控制技术

针对无人机机动目标跟踪的自主运动控制问题,提出连续型动作输出的无人机端到端主动目标跟踪控制方法. 设计基于视觉感知和深度强化学习策略的端到端决策控制模型,将无人机观察的连续帧视觉图像作为输入状态,输出无人机飞行动作的连续型控制量. 为了提高控制模型的泛化能力,改进基于任务分解和预训练的高效迁移学习策略. 仿真结果表明,该方法能够在多种机动目标跟踪任务中实现无人机姿态的自适应调整,使得无人机在空中能够稳定跟踪移动目标,显著提高了无人机跟踪控制器在未知环境下的泛化能力和训练效率.     

离散制造智能工厂场景的AGV路径规划方法

自动导引车(Automated Guided Vehicle, AGV)的自主路径规划是离散制造智能工厂中物流系统的重要组成部分, AGV可以大大提高离散智能制造的智能化和自动化能力, 而传统的AGV导航方式自由度较低。本文研究面向离散制造智能工厂场景下的AGV自主路径规划问题, 应用深度强化学习方法提高自主路径规划的自由度。设计了一种多模态环境信息感知的神经网络结构, 并将AGV在全局障碍下的路径规划预训练策略引入到复杂的离散制造智能工厂场景下的路径规划, 实现了AGV从环境感知到动作决策的端到端路径规划。实验结果表明, 采用本文提出算法的AGV能够在复杂的离散制造智能工厂环境进行自主规划路径, 并具有较高的成功率和避障能力。     

基于改进势场栅格法的清洁机器人路径规划算法研究

针对人工势场法中机器人在障碍物附近震荡而无法到达目标点、存在陷阱区域、临近的障碍物之间不能发现路径等问题,提出了一种改进的势场栅格算法.结合牛耕式全覆盖路径规划算法使机器人在已知环境势场模型中快速静态规划出全局最优清扫路径,通过激光雷达与势场合力运算使其具备无碰撞的避障能力.在实际系统的实验验证结果表明,本算法能够使清洁机器人以更短路径遍历环境及增强避障能力,提高了清洁机器人的安全性与工作效率,具有实际应用价值.     

移动机器人动态避障算法

把滚动规划和径向基函数神经网络（RBFNN）预测相结合，提出一种动态不确定环境下移动机器人局部路径规划过程中，针对动态障碍物的新的混合避障算法.利用摄像镜头采集动态障碍物的移动轨迹，提取形心序列，利用RBFNN建立预测模型.在移动机器人实时规划时，根据当前位置在超声波传感器的扫描范围内建立滚动窗口.当检测到动态障碍物进入滚动窗口以后，才开始进行预测计算.根据动态障碍物相邻时刻的三个时间序列值，来预测障碍物下一时刻的运动轨迹，从而把动态障碍物的避障问题转化为瞬时静态障碍物的避障问题，实现实时规划.这种算法能够提高动态避障的安全性和规划的实时性.仿真结果证明了算法是可行、高效的.     

基于分层强化学习的多移动机器人避障算法

介绍了一种基于分层思想的强化学习方法,即将机器人的复杂行为分解为一系列简单的行为进行离线独立学习,并分别设计了每个层次的结构、参数及函数。这种学习方法能够减小状态空间并简化强化函数的设计,从而提高了学习的速率以及学习结果的准确性,并使学习过程实现了决策的逐步求精。最后以多机器人避障为任务模型,将避障问题分解为躲避静态和动态障碍物以及向目标点靠近3个子行为分别进行学习,实现了机器人的自适应行为融合,并利用仿真实验对其有效性进行了验证。     

移动机器人动态目标规划研究

在环境信息已知情况下,对移动机器人的动态目标规划问题进行深入研究。对传统人工势场法的不足进行改进,使得移动机器人较好地避障、跟踪动态目标。首先,对斥力势场函数做改进,解决因障碍物在目标点附近而陷入局部极小的问题。其次,对引力势场函数做改进,使移动机器人有效跟踪动态目标问题。最后,通过对移动机器人围捕行为进行仿真,验证了该算法的有效性.