足球机器人守门员防守策略研究

分析了足球机器人比赛中防守特点,提出了一种根据区域划分的防守策略算法。分析了可能遇到的几种情况,针对不同的现场局面形式,给出不同的防守策略。     

足球机器人决策系统专用程序设计语言

介绍了足球机器人决策系统的结构,详细介绍了RS语言系统的组成和翻译器的工作原理,该语言是以功能部件库为依托,在C 语言子集中引入“RS描述语句”和“装配语句”而形成的,使得程序员可以方便的利用功能部件库中的部件来开发软件,减轻编程难度,提高编程效率。     

基于USB的FIRA足球机器人通信系统研究

本文介绍了FIRA足球机器人比赛的通信系统。在上位机和发射器之间采用USB的数据传输方式,在发射器和机器小车之间采用广播式数据传输方式,改进了原有通信系统。设计了上位机程序方便地修改车号和频率,增强了比赛的适用性。     

基于足球机器人决策系统的协作模型

运用多智能体系统的思想,提出了一种多智能体协作控制模型,通过对多智能体的规划提高了足球机器人系统决策系统的连贯性,系统利用改进的黑板结构有效地解决了角色分配及通信问题。通过实例分析了模型及其策略在系统协作控制方面的实用性。     

基于模糊神经网络的机器人足球团队决策研究

机器人足球团队决策依据的信息通常是模糊的、不确定的、瞬息万变的,决策系统必须具有自适应学习能力。本文提出一种基于模糊神经网络的机器人足球团队决策模型,用于建立场上关键信息元素和团队决策之间有效的映射关系。初步的仿真实验结果证明了该团队决策模型的正确性和合理性。     

足球机器人决策子系统设计与分析

足球机器人系统目前已成为人工智能应用技术研究的重要实验平台,系统的核心部分就是决策子系统。本文介绍了一种决策子系统的分层控制结构设计,它由协调层,运动规划层和基本动作层组成,这三层在逻辑上紧密联系又相对独立,使该决策子系统具有适应性强,扩展性好等特点。     

仿真环境下的机器人足球决策系统

机器人足球系统是一类典型的多移动机器人合作的对抗系统．具有实时性要求高、环境高度动态、存在不可预测状态等特点．机器人足球系统是人工智能和智能控制领域的探究热点之一。主要研究在仿真环境下基于三层控制决策模型的机器人足球决策系统．为单个或多个足球机器人分配任务和执行任务。使机器人决策系统具有较好的应激性和协调性,实现有效攻防．探讨多智能机器人实时合作与对抗问题、以求验证和发展人工智能的有关理论和技术。     

足球机器人决策开发平台与专用语言的设计与实现

决策系统是足球机器人系统的重要部分，在传统的决策系统开发方法的基础上设计了决策开发平台与专用语言系统，阐述了该系统的总体结构和RS语言类的设计，详细分析了RS语言到C 语言的实现过程，并在仿真系统中验证了RS语言编写决策系统的可行性．     

足球机器人决策系统的设计与实现

为了改进由协调层、运动规划层和基本动作层组成的足球机器人决策系统,提出了将基于Bezier曲线的机器人路径选择法、"以小球为中心,守门员为主要执行对象"的防守策略和场地分区法综合地运用到三层递进的决策系统中,并分别给出了每层的实现算法.在此基础之上,建立了机器人和球的动态模型,利用C 编程并导入Middle League SimuroSot(5vs5)仿真环境进行了仿真实验.仿真实验结果表明:所提改进的决策系统具有可行性和有效性,较好地解决了进攻和防守的问题.     

基于意向网络的足球机器人策略决策

意向是指某一结论成立的可能性，是一个模糊量，但这个模糊量的表现 形式是一个确定的数值。意向网络则处理了模糊量不确定的情况，即可能性属于某一范畴的情况，意向网络结构简单，推理运算迅速，实时性强，本文将意向网络运用在动态多变的足球机器人决策系统中，简单介绍了它的几种推理运算规则，并以一个简单的意向网络仿真实现了足球机器人的策略决策。     

机器人足球比赛系统决策编程的可视化

分析了机器人足球比赛系统中决策子系统的一般结构,建立了产生式推理模型和决策的表达模型,构造了本机器人足球比赛系统的决策程序的结构;定义了决策存储的结构体变量类型,设计了菜单,并以此形式实现了决策编程的可视化。     

青少年机器人足球比赛系统决策编程的可视化

分析了机器人足球比赛系统中决策子系统的一般结构，建立了产生式推理模型和决策的表达模型，构造了机器人足球比赛系统的决策程序的结构；定义了决策存储的结构体变量类型，设计了菜单，并以此形式实现了决策编程的可视化。     

基于佳点集遗传算法的足球机器人策略设计

为了优化足球机器人策略的设计,文中提出了一个基于佳点集遗传算法的足球机器人动作规划算法。首先定义一个足球机器人的动作集合,根据赛场的实际情况为足球机器人分配角色与任务,然后利用佳点集遗传算法为足球觇器人选择合适的动作,用该算法进行截球实验和射门实验。实验结果表明,应用新算法的仿真足球机器人动作更准确,效果更佳。     

基于态势评估的足球机器人决策模型

为了提高足球机器人中策略执行的有效性和针对性,提出了一种基于赛场正向态势评估和反向执行效果评估的有限状态自动机分层决策模型。该模型将赛场决策分为战术策略和具体任务,通过正向态势评估信息和任务执行效果的反馈信息进行综合量化,基于有限状态自动机建立策略和任务的转换关系,从而做出适合当前态势的战术策略。经仿真实验表明,该决策模型在很大程度上提高了策略决策的有效性和针对性,使得球队的整体攻防能力得到了相应的改善。     

基于DSP的足球机器人控制系统的设计

对微型足球机器人底层控制系统进行了研究,分析了用普通单片机控制的足球机器人在比赛中的利弊,给出了一种基于DSP的足球机器人控制系统的实现方案。采用DSP芯片构造足球机器人后,不仅简化了系统外围设备,降低了系统的损耗,而且提高了系统的准确性和实时性,获得更好的控制效果。详细描述了基于DSP的足球机器人控制系统组成的各个模块的硬件实现,并给出了相应的软件设计方案。最后通过机器人左右轮设定速度与测量转速关系曲线证明了设计方案的有效性。     

基于DSP的足球机器人控制电路设计

从改善足球机器人控制电路性能的目的出发,分析了用普通单片机控制的足球机器人在比赛中的缺陷,对普通单片机和DSP芯片两种控制芯片的性能作了简单的比较,详细介绍了用美国德州仪器(TI)公司生产的TMS320LF2407A芯片作为电路控制芯片,设计足球机器人控制电路的方法。并在实际控制过程中采用PID算法。实现了足球机器人软件控制与硬件的结合。成功地把基于DSP的足球机器人应用于实际的比赛中,实际效果显示与基于普通单片机的机器人相比,性能有了较大的提高,对机器人的控制可以得到更令人满意的结果。     

基于神经网络的FIRA仿真系统模糊策略的研究

以FIRA足球仿真组作为平台,研究如何在具有动态性和不确定性的环境下足球比赛系统策略选择的问题。首先。分析出外部影响因子,选择神经网络系统作为策略选择的研究方向;在神经网络的基础上再加入模糊逻辑系统的研究,使它们集成在一个系统中,以发挥各自的优势,并与原来单一的神经网络进行比较,得出加入模糊策略的神经网络训练与学习效果更好。将该方法应用到2008年“百年矿大杯”第三届江苏省机器人比赛中获得了三等奖的好成绩,证明该方法确实有效。     

足球机器人视觉图象的快速识别

针对机器人彩色视觉系统的实时性要求 ,提出了一种基于 YUV色彩空间的利用阈值向量来分割图象的识别方法 ,并改进了种子填充算法 ,从而明显减少了识别的计算量 ,并在保证识别精度的前提下 ,提高了处理速度 .通过在 Miro Sot机器人足球系统上的应用 ,验证了此方法的有效性 ,而该方法与常用的基于 RGB颜色空间的方法进行比较的结果也证明 ,此方法确有明显的优越性 .     

Evolving Soccer Keepaway Players Through Task Decomposition

Complex control tasks can often be solved by decomposing them into hierarchies of manageable subtasks. Such decompositions require designers to decide how much human knowledge should be used to help learn the resulting components. On one hand, encoding human knowledge requires manual effort and may incorrectly constrain the learners hypothesis space or guide it away from the best solutions. On the other hand, it may make learning easier and enable the learner to tackle more complex tasks. This article examines the impact of this trade-off in tasks of varying difficulty. A space laid out by two dimensions is explored: (1) how much human assistance is given and (2) how difficult the task is. In particular, the neuroevolution learning algorithm is enhanced with three different methods for learning the components that result from a task decomposition. The first method, coevolution, is mostly unassisted by human knowledge. The second method, layered learning, is highly assisted. The third method, concurrent layered learning, is a novel combination of the first two that attempts to exploit human knowledge while retaining some of coevolutions flexibility. Detailed empirical results are presented comparing and contrasting these three approaches on two versions of a complex task, namely robot soccer keepaway, that differ in difficulty of learning. These results confirm that, given a suitable task decomposition, neuroevolution can master difficult tasks. Furthermore, they demonstrate that the appropriate level of human assistance depends critically on the difficulty of the problem.Editor Robert Holte