混合GA-BP算法在机器人地面控制中的应用

为了增强移动机器人在动态环境中的学习和适应能力,提出一种基于GA-BP算法优化的神经网络的具有学习的机器人行为控制方法.单纯的BP算法有易陷入局部极小、收敛速度慢的缺点,根据遗传算法具有全局寻优的特点,将二者结合起来形成一种训练神经网络的混合GA-BP算法.实际的实验结果显示,提出的方法对机器人的学习和适应能力有很大的增强,并且提高了机器人行为的准确性和快速性,可以有效、可靠地运用于机器人地面控制,并可以方便地应用于其他方面.     

基于神经网络的进化机器人组合行为方法研究

为了克服传统机器人设计方法存在的局限性,提高机器人的自适应能力,采用神经网络方法实现了进化机器人避碰、趋近及其组合行为学习,首先,提出了新的机器人模拟环境和机器人模型,结合了采用神经网络实现进化学习系统的方法。其次,对具有进化学习机制的机器人基本行为和组合行为学习系统进行了仿真,并通过仿真证明了新模型不要求环境知识的完备性,机器人具有环境自适应学习能力,还具有结构简洁、易扩展等特点,最后,对仿真结果进行分析与讨论,并提出了进一步研究方向。     

模糊小波基神经网络的机器人轨迹跟踪控制

提出一种模糊神经网络控制器并用于机器人轨迹跟踪控制.这种模糊神经网络利用了小波基函数作为隶属函数,可在线根据误差调整隶属函数的形状,使模糊神经网络具有更强的学习和适应能力.仿真与实验结果表明这种网络能很好的用于机器人的轨迹跟踪控制,具有很好的性能.     

模糊B样条基神经网络及其在机器人轨迹跟踪中的应用

提出一种模糊神经网络控制器并用于机器人轨迹跟踪控制．这种模糊神经网络利用B样条基函数作为隶属函数,可在线根据误差调整隶属函数的形状,使模糊神经网络具有更强的学习和适应能力．仿真与实验结果表明这种网络能很好的用于机器人的轨迹跟踪控制,具有很好的性能．     

基于神经网络模糊PID的足球机器人控制算法研究

通过对足球机器人运动学模型进行分析,以足球机器人系统为实验平台,论证了神经网络模糊PID控制技术应用于足球机器人运动控制的可行性。将传统的PID控制与神经网络模糊控制相结合,通过PID算法实现控制的准确性,利用神经网络模糊控制提高控制的快速性与自适应性。针对足球机器人运动控制中的实际问题,着重提出了基于神经网络和模糊控制相结合动态调整PID控制器的三个参数KP,KI,KD的设计方法。实验证明该方法增强了控制器的调节能力和简化了控制器设计,同时本方法对模型和环境具有较好的适应能力和较强的鲁棒性。     

Skinner 操作条件反射的一种仿生学习算法与机器人控制

针对两轮自平衡机器人的运动平衡控制问题,提出了基于Skinner 操作条件反射理论的BP 神经网络 与资格迹相结合的仿生自主学习算法作为两轮机器人的学习机制．该算法利用资格迹能解决延迟影响、加快学习速 度和提高可靠性的特点,将其与BP 神经网络相结合构成复合学习算法,能够预测机器人将要获得的行为评价函数, 并依据概率取向机制以一定的概率选择最大评价值对应的最优行为,从而使机器人能够在未知环境下通过与环境的 交互、学习和训练,获得像人或动物一样的自主学习技能,实现对两轮机器人的运动平衡控制．最后,分别用基于 Skinner 操作条件反射理论的BP 算法和BP 资格迹复合算法对两轮机器人做了仿真实验并进行了比较．结果表明, 基于Skinner 操作条件反射理论的BP 资格迹复合仿生自主学习算法的学习机制能够使机器人获得良好的动态性能 和较快的学习速度,体现了机器人较强的自主学习技能和平衡控制能力．     

机器人足球智能体行为选择策略仿真研究

研究足球机器人供过传球的成功率,优化控制策略,在机器人足球比赛中,针对现有行为选择策略因不能综合全面地考虑场上复杂的影响因素,造成传球、带球和射门的失误率较高的问题。为提高球员带球的准确率,提出了一种模糊Q学习的行为选择决策机制。利用模糊算法全面地处理和评估场上的干扰和影响因素,做出最佳行为决策。并通过Q学习算法来修正模糊规则。采用上述算法的行为选择策略,增强了策略对动态环境的适应能力。在机器人足球世界杯2D仿真平台上对策略进行了仿真验证,仿真结果表明改进算法能够很好的改善智能体的射门、传球和带球的成功率。     

救援机器人自适应模糊控制的研究

研究了腿轮混合结构式救援机器人的自适应运动控制问题;由于腿轮式救援机器人是一多自由度、非线性和强耦合的系统,其动力学模型比较复杂且难以精确建立,提出采用T-S型模糊神经网络进行机器人的运动控制;充分利用T-S模糊模型的特点和优点,以一种简化的T-S型模糊神经网络作为前馈控制器,同时反馈控制器也采用T-S型模糊神经网络实现;该控制器利用人的经验和知识实时调整PID参数,从而改善控制系统的性能,提高控制器的适应能力;实验结果表明该方法具有良好的轨迹跟踪精度和抗干扰能力.     

基于模糊神经网络的强化学习及其在机器人导航中的应用

研究基于行为的移动机器人控制方法.将模糊神经网络与强化学习理论相结合,构成模糊强化系统.它既可获取模糊规则的结论部分和模糊隶属度函数参数,也可解决连续状态空间和动作空间的强化学习问题.将残差算法用于神经网络的学习,保证了函数逼近的快速性和收敛性.将该系统的学习结果作为反应式自主机器人的行为控制器,有效地解决了复杂环境中的机器人导航问题.     

冗余度机器人运动模型的神经网络辨识及实现

为提高网络学习速度,提出了一种新的动态神经网络结构——状态延迟输入动态递归神经网络.以德国PowerCube^TM模块化机器人为研究对象,将机器人系统返回的关节位置信息和OPTOTRAK30203维运动测量系统测得的机器人末端位置信息作为神经网络的学习样本,对包含各种影响因素的机器人运动模型进行了辨识,所得结果及误差分析,说明了SDIDRNN在学习能力上的优越性.     

Robust neuro-fuzzy sensor-based motion control among dynamic obstacles for robot manipulators

A new robust neuro-fuzzy controller for autonomous and intelligent robot manipulators in dynamic and partially known environments containing moving obstacles is presented. The navigation is based on a fuzzy technique for the idea of artificial potential fields (APFs) using analytic harmonic functions. Unlike the fuzzy technique, the development of APFs is computationally intensive. A computationally efficient processing scheme for fuzzy navigation to reasoning about obstacle avoidance using APF is described, namely, the intelligent dynamic motion planning. An integration of a robust controller and a modified Elman neural networks (MENNs) approximation-based computed-torque controller is proposed to deal with unmodeled bounded disturbances and/or unstructured unmodeled dynamics of the robot arm. The MENN weights are tuned online, with no off-line learning phase required. The stability of the overall closed-loop system, composed by the nonlinear robot dynamics and the robust neuro-fuzzy controller, is guaranteed by the Lyapunov theory. The purpose of the robust neuro-fuzzy controller is to generate the commands for the servo-systems of the robot so it may choose its way to its goal autonomously, while reacting in real-time to unexpected events. The proposed scheme has been successfully tested. The controller also demonstrates remarkable performance in adaptation to changes in manipulator dynamics. Sensor-based motion control is an essential feature for dealing with model uncertainties and unexpected obstacles in real-time world systems.     

Intelligent mobile manipulator navigation using adaptive neuro-fuzzy systems

The work presented in this paper deals with the problem of autonomous and intelligent navigation of mobile manipulator, where the unavailability of a complete mathematical model of robot systems and uncertainties of sensor data make the used of approximate reasoning to the design of autonomous motion control very attractive.A modular fuzzy navigation method in changing and dynamic unstructured environments has been developed. For a manipulator arm, we apply the robust adaptive fuzzy reactive motion planning developed in [J.B. Mbede, X. Huang, M. Wang, Robust neuro-fuzzy sensor-based motion control among dynamic obstacles for robot manipulators, IEEE Transactions on Fuzzy Systems 11 (2) (2003) 249-261]. But for the vehicle platform, we combine the advantages of probabilistic roadmap as global planner and fuzzy reactive based on idea of elastic band. This fuzzy local planner based on a computational efficient processing scheme maintains a permanent flexible path between two nodes in network generated by a probabilistic roadmap approach. In order to consider the compatibility of stabilization, mobilization and manipulation, we add the input of system stability in vehicle fuzzy navigation so that the mobile manipulator can avoid stably unknown and/or dynamic obstacles. The purpose of an integration of robust controller and modified Elman neural network (MENN) is to deal with uncertainties, which can be translated in the output membership functions of fuzzy systems.     

Sensor Fault Tolerance Method by Using a Bayesian Network for Robot Behavior

This paper presents FTBN, a new framework that performs learning autonomous mobile robot behavior and fault tolerance simultaneously. For learning behavior in the presence of a robot sensor fault this framework uses a Bayesian network. In the proposed framework, sensor data are used to detect a faulty sensor. Fault isolation is accomplished by changing the Bayesian network structure using interpreted evidence from robot sensors. Experiments including both simulation and a real robot are performed for door-crossing behavior using prior knowledge and sensor data at several maps. This paper explains the learning behavior, optimal tracking, exprimental setup and structure of the proposed framework. The robot uses laser and sonar sensors for door-crossing behavior, such that each sensor can be corrupted during the behavior. Experimental results show FTBN leads to robust behavior in the presence of a sensor fault as well as performing better compared to the conventional Bayesian method.     

自主式微小型移动机器人群体行为进化的研究

自主式微小型移动机器人群体面临的一些环境常常是未知的、无结构的,同时由于其 自身体积大小的限制,在目前的工业水平上也很难在其上安装一些较为先进的传感器,以致 机器人仅能获取局部的信息,这些原因使得采用传统基于任务的设计方法将十分困难,而采 用基于行为的设计方法时,也很难保证所设计的机器人行为的有效性,为此本文采用了遗传 算法,随机产生了机器人群体中各初始个体的障碍物回避行为及机器设备故障排除行为,当 群体在特定的工作环境中仿真运行时,根据环境的情况和所需实现的任务,使群体行为性能 达到了较为优化的目的．     

动态未知环境下基于相对坐标系的移动机器人实时运动规划

提出了一种简单、新颖的在动态未知环境下的移动机器人运动规划方法 .此方法基于相对坐标系 ,通过传感器信息实时调整机器人的行为来实现规划 .在规划过程中 ,机器人有两种行为 :向目标运动和避碰 ,且避碰行为具有优先权 .机器人两种行为的切换是基于加速度空间的 ,首先解决的是避碰问题 ,而向目标运动是作为避碰的反问题来考虑的 .仿真研究验证了此规划方法的有效性     

在未知环境中基于模糊逻辑的移动机器人行为控制

本文介绍了一种在未知环境中基于模糊逻辑的移动机器人行为控制方法．传统的行为控制方法存在两个弱点：①行为不易描述；②多个行为之间的冲突和竞争难以协调．这篇文章的主要思想是将模糊逻辑控制与行为控制相结合致使这两个问题得到有效的解决．仿真实验结果表明：所提的方法通过多个行为如避障边沿行走和目标导向的融合，能够有效地对机器人在复杂和未知环境中导航．另外，该方法还适用于多传感器的融合与集成．     

Animal-in-the-loop system to investigate adaptive behavior

In this research, we aim to model an adaptive behavior of an animal and implement it to an autonomous robot. The conventional bio-inspired algorithm is difficult to demonstrate the ability as much as the animal because it models without considering dynamic characteristics of the robot. Therefore, in this study, we constructed an animal-in-the-loop system, which is a novel experimental system for identifying the adaptive behavior of the animal in a form that considers the dynamic characteristics of the robot to be implemented.     

编队控制中的机器人行为与基于服务的运动行为结构设计

以基于位姿误差的虚拟目标跟踪为控制模式,提出了独立于编队控制与协作任务,但却适用于多移动机器人编队运动的基于服务的机器人运动行为结构,并对其基本运动行为与选择方法进行了设计.提出的基于服务的机器人行为结构借鉴了软件工程领域的面向服务的架构思想,具有可重用性.多机器人编队形成、改变等仿真与实验验证了本文所提方法的有效性.     

基于行为的实时路径规划

针对室内移动机器人导航要求,开发了以二维激光雷达作为探测环境的传感器,基于4个反应式行为,设计了一种简单的实时路径规划算法.避障行为使机器人穿过狭小通道,或者在某些障碍物环境下绕出狭窄区域;接近行为使机器人顺着障碍物前进直到开阔地带;搜寻行为使机器人不断朝向目标运动;线性行为使机器人到达目标点.机器人表现出很强的路径寻找能力,并且不需要定位信息.仿真实验表明该算法速度快,实时性好,路径平滑无震荡,实现了有效避障.