基于Cross-EKF定位的多机器人协作围捕策略研究

针对目前多机器人协作围捕过程中收敛速度慢、稳定性差、定位精度低的问题,提出一种新的围捕策略.设计出Cross-EKF定位算法,对目标位置的后验估计协方差进行交叉计算,以取得最小协方差区域.以区域边缘点到均值中心最大距离为半径,构建收敛圆,将对动态点的收敛扩展为对动态面的收敛.实验结果表明,系统能快速平稳地收敛该圆,从而实现对目标的精确围捕,该方法具有较高的实用价值.     

基于概率图模型的多机器人自组织协同围捕方法

多机器人协同围捕是群体智能在对抗环境下的典型运用. 在感知能力受限、环境结构未知、目标状态不确定的真实环境中, 多机器人协同围捕面临环境适应性、任务可扩展性等多方面挑战. 针对这一问题, 本文提出一种基于概率图模型的自组织协同围捕方法. 首先, 建立围捕机器人和围捕对象的运动学模型, 并给出围捕任务的数学描述. 在此基础上, 构建可扩展的协同围捕“感知–决策”概率图模型结构, 并为模型中各节点状态设计概率分布参数估计方法; 同时, 将围捕任务阶段化, 设计狼群狩猎行为启发的围捕策略, 以提高围捕效率. 最后, 开展数值仿真和软件在环实验, 验证了所提方法的节点可扩展性、环境适应性、系统抗风险性和模型可迁移性.     

群机器人围捕多个入侵者的人工力矩方法

群机器人协作围捕多个入侵者的问题是一个富有理论和工程应用价值的问题.针对这一问题提出了一种基于人工力矩的自组织围捕方法.首先基于同盟、围捕曲线等概念给出了围捕机器人基于局部信息计算与调整吸引点的方法,来引导围捕机器人在向入侵者的运动过程中快速地形成理想的围捕队形.然后分别针对围捕机器人和入侵者设计了人工力矩运动控制器,...     

机器人群体协作与控制的研究

本文针对多机器人系统,从群体的角度探讨多机器人协作、运行及控制机理. 包括机器人群体协作与机器人社会的概念、应用背景,以及机器人群体协作与机器人社会系统的研究目的、研究内容等,以建立机器人群体协作及控制研究的框架．     

机器人班组的自组织递阶控制

研究了机器人班组在执行各种任务时的协调控制.由于机器人班组是由多个能力有限的机器人组成的,被操作的对象可以是一个刚体、柔性体或机械系统,而且需要跟踪的运动也可以是各种各样的,所以整个系统是相当复杂的.这样的机械系统,按其力学性质可以将要实现的控制任务加以分解,从而实现递阶控制,各层的控制只完成被分解出来的特定的较简单的任务,而各机器人之间的协调由自组织算法自动完成.     

基于自组织社区发现的协作学习算法

远程学习者通常很难判断哪些学习资源最适合他们的阅读需要,同时对教师来说,针对每个学习者重新组织不同的学习资源几乎是不可能的。基于此,提出一种新颖的学习偏好建模方法,通过将动态学习数据映射为“资源、评估”的方式实现对学习特征的综合评估;通过构建智能代理来监控学习者的动态学习行为;提出组隶属度奖励机制和组成员交换机制,实现对分布式环境下的相似学习者的社区自组织;同时,基于JADE智能代理平台开发了一个协作学习平台,使得具有相似学习偏好的学习者能够进行学习资源和经验的共享。实验证明,算法具有较高的匹配准确性和社区构建效率,并能够切实提高协作学习的有效性。     

基于虚拟力的群机器人围捕算法

启迪于物理学中的范例,探讨了基于虚拟力的群机器人围捕算法的原理和方法。制定了详细的系统性能评价指标（稳定时间、层数、层间距离、层中机器人个数、机器人密度等参数）。分析了围捕性能与机器人数量、虚拟力的关系;提出了目标对机器人作用力的分层结构思想,实验显示不仅加快了围捕速度,而且提高了围捕分层的质量;提出了机器人绕目标转动的围捕方法,解决了势场法中常见的局部极点问题,并且大大提高了围捕的速度和质量。设计了一个简单的实体机器人实验证实了围捕算法的可行性,指出了今后的研究方向。     

未知环境中多移动机器人协作围捕的研究

为了实现多移动机器人在未知环境中的围捕,本文将任务建模为排队、随机搜索、包围、捕捉和预测五种状态.提出了排队、搜索、包抄、捕捉、预测和方向优化策略,结合状态转换条件保证了任务的顺利实现.同时,赋予被捕捉对象(下用Invader表示)一种安全运动策略,增加了围捕的难度.仿真结果表明了所提方法的可行性.     

模块化群体机器人构型分析与自组装控制

所谓自组装控制,实际上是一种自发形成有序结构的一种技术,在生物学的研究中表明,社会性昆虫的群体行为多是借助自组装实现的。而将这种自组装技术应用到机器人领域,是指一群具有相同或者是相似功能的个体机器人,也可以是一些机器模块之间,通过这种自组织的形式,实现了多个群体之间的有机组合,构建出功能更加繁杂的集合机器人。     

基于蒙特卡罗学习的多机器人自组织协作

强化学习是提高机器人完成任务效率的有效方法,目前比较流行的学习方法一般采用累积折扣回报方法,但平均值回报在某些方面更适于多机器人协作。累积折扣回报方法在机器人动作层次上可以提高性能,但在多机器人任务层次上却不会得到很好的协作效果,而采用平均回报值的方法,就可以改变这种状态。本文把基于平均值回报的蒙特卡罗学习应用于多机器人合作中,得到很好的学习效果,实际机器人实验结果表明,采用平均值回报的方法优于累积折扣回报方法。     

多机器人协同围捕方法综述

多机协同围捕作为多机器人协同领域的一项重要分支, 着重研究多个机器人通过相互协作对动态可疑目标实现有效的追踪与围捕, 在军事侦查、紧急救援、协同探测等领域具有重要的研究意义与实际应用价值. 首先通过国内外科学引文数据库对多机协同围捕领域相关的文献进行全面检索, 深入剖析目前该领域前沿技术的发展现状与研究热点. 接下来从理论与技术层面分别针对多机协同围捕领域中的目标协同搜索、多机任务分配、协同围捕控制等方面进行全面总结, 重点阐述各研究内容常用方法与技术的工作原理、优缺点及适用范围等. 最后对该领域的发展现状进行总结, 并分析探讨目前尚未解决的难点, 对未来的发展方向提出展望.     

基于虚拟结构法的多移动机器人分布式预测控制

研究多移动机器人协同编队控制问题,提出一种基于虚拟结构的分布式预测控制算法.与现有编队控制方法相比,基于虚拟结构的方法可以使移动团队更加稳定地保持期望编队队形运动,通过将变换矩阵与虚拟结构相结合可以改善编队结构的灵活性,从而有效拓展该方法的应用范围.最后将所提出控制算法与现有编队控制方法进行对比仿真,结果验证了其有效性...     

群机器人自组织围捕多个入侵者的链阵方法

针对群机器人在二维给定区域自组织围捕多个入侵者问题提出了一种链阵方法.链阵中的机器人分为链首和链节,其中链首不但会环绕围捕目标运动而且能也只有它们能发布招募信息,以招募更多的机器人参与围捕同时又能使参与者不致太多.链节机器人则只需简单地跟随leader不停运动以形成链阵.机器人的运动由人工力矩运动控制器驱动,该控制器能使机器人在完成任务的同时而又不会发生碰撞.仿真结果表明,链阵方法可以根据实际需求动态调整链阵中的机器人数,能使围捕不同目标的机器人结成统一的链阵.链阵的不停移动则有利于机器人在数量较少时包围入侵者.     

面向群智能机器人系统的声音协作定向

针对群智能机器人系统的特点, 提出了一种基于单一频率信号的声音协作定向方法. 设计了基于声强差原理的麦克风传感器阵列. 利用该传感器阵列接收声强信号的特点, 通过模糊推理得到了声强信号与声源方向之间的关系. 实验结果表明该方法能够满足群智能机器人系统的定向要求.     

基于自适应分布式滤波观测器的多智能体系统编队控制

本文考虑了全局指令系统输出信息受到信道扰动情况下线性多智能体系统的编队控制问题.首先,基于协作式输出调节理论框架对线性多智能体系统的编队控制问题进行数学建模.其次,针对受到信道扰动的全局指令系统输出信息,提出了一类基于受扰输出的自适应分布式滤波观测器,在降低网络信息交换量的同时消除扰动的影响.最后,设计了输出反馈确定等价控制律,解决了线性多智能体系统的分布式编队控制问题.给出了数值仿真结果检验控制性能.     

机器人系统有限时间自适应迭代学习控制

研究任意初态下;机器人系统的有限时间自适应迭代学习控制方法。引入初始修正吸引子的概念;构造一个含有初始修正项的误差变量。针对定常机器人系统和时变机器人系统;采用Lyapunov-like方法;分别设计迭代学习控制器处理系统中不确定性。并且;采用未含/含限幅学习机制;保证闭环系统各变量的一致有界性和误差变量在整个作业区间一致收敛性。藉以实现跟踪误差在预先指定区间的完全跟踪。仿真结果验证所设计控制方法的有效性。