基于数字地形图移动机器人的GPS自主导航

本文将ＧＰＳ技术应用于移动机器人的自主导航，根据移动机器人的运动特点，提出了基于数字地形图的移动机器人路径规划，通过ＧＰＳ信号和超声传感信号的配合，实现准确快速的避障移动。     

基于计算机视觉的移动机器人导航

针对跟随路径导引的移动机器人导航方式的灵活性较差、维护成本较高、功能单一的缺点,将计算机视觉用于移动机器人路径识别。首先对视觉传感器获得的视频图像进行处理,获得有用的特征目标,实现机器人对当前路径信息的理解。然后调用直行或转弯功能模块对机器人进行导航控制。实验结果表明,该导航方式具有较好的实时性和鲁棒性。     

融合LSTM的深度强化学习视觉导航

针对目标驱动的视觉导航系统中由于导航的场景变化而导致智能体导航性能大大减弱的问题,提出了一种基于长短时记忆网络(Long Short-Term Memory, LSTM)的深度强化学习(Deep Reinforcement Learning, DRL)视觉导航模型。该模型通过输入当前状态和目标状态的RGB图像来实现视觉导航,在改进原有目标驱动视觉导航模型的基础上,基于历史状态信息,结合LSTM和通用后继表征(Universal Successor Representations, USR)对未来动作决策。在AI2-THOR仿真环境下进行实验,实验结果表明,所提出的模型训练智能体导航性能优异,与其他几种模型相比,平均路径长度减少约6%,平均碰撞率减少40%,模型收敛速度较快。     

基于最小二乘支持向量机的移动机器人导航

针对未知环境下的移动机器人导航,提出将最小二乘支持向量机与强化学习相结合的导航方法。首先以移动机器人CASIA-I和它的工作环境为实验平台,确定出强化学习的回报函数;然后利用基于滚动窗的最小支持向量机解决强化学习中的泛化问题。最后对所提方法进行了实验,实验结果表明所提方法能够避免导航陷入局部极小,并对未知环境具有较强的适应性。     

基于深度强化学习的无人机编队控制

针对无人机编队控制中无人机智能化程度不足、缺乏自主学习能力等问题,基于深度强化学习中DDQN算法设计无人机编队控制器,该控制器可同时控制速度与航向通道,使僚机能够自学习跟踪长机并保持编队,提高无人机智能化程度。为验证设计控制器的有效性,通过仿真将设计的DDQN控制器与传统PID控制器进行对比。对比结果表明,该控制器可有效形成无人机编队并满足编队要求,对无人机编队智能化控制进行了有效探索。     

嵌入式移动机器人硬件构架及视觉导航分析

设计了一种适用于复杂环境下自主导航的两轮式移动机器人,提出了一种基于多处理器的机器人分级控制系统,并详细阐述了控制系统的软硬件设计与实现。设计的机器人可进行视觉导航,能在未知的环境下准确及时地到达目标点。     

移动机器人的避障行为及导航控制

本文研究了移动机器人基于红外、超声和视觉的导航控制问题。介绍了机器人基于红外和超声传感器避障的原理,提出了机器人二值化解析视频图像提取出目标点的导航控制算法。实验结果表明,该综合红外、超声和视觉的导航控制方式在复杂的动态外界环境中具有较好的效果。     

深度自动编码器与Q学习的移动机器人路径规划

深度自动编码与Q学习针对移动机器人路径规划的方法提供了全新的思路,利用神经网络的自适应能力,应用梯度下降法等算法计算权值与权重,实现对移动机器人的路径规划。移动机器人通过算法实现的初始化与卷积训练可以使机器人具备较强的交互能力,基于二者建造的移动机器人模型具有良好的并行性、容错性,同时能较快地处理高维数的数据,从而为移动机器人的路径规划贡献力量。     

基于时间价值和深度强化学习的信号灯控制研究

阐述一种基于时间价值和深度强化学习的信号灯控制方法,实现对信号灯路口进行实时控制,并以最小化路口总的浪费时间价值为目标进行控制。通过仿真实验对比传统固定的信号灯控制方法,证明该方法能够大幅减少系统总浪费的时间价值。     

一种融合深度相机与激光雷达的室内移动机器人建图与导航方法

为解决室内移动机器人导航过程中容易碰撞障碍物的问题,本文提出一种融合深度相机和激光雷达的室内移动机器人建图与导航方法,在机器人底盘上安装激光雷达、深度相机和里程计,利用Gmapping算法进行室内二维地图构建,同时用ROS中depthimage_to_laserscan功能包对深度图像进行二维投影,生成的二维栅格地图与...     

基于深度强化学习的智能干扰方法研究

随着人工智能技术的发展,智能终端已经可以通过频谱感知、通信效果检测分析等方式智能地改变通信手段,进而实现高效率抗干扰,这给传统干扰带来了巨大挑战。而深度强化学习在复杂场景中的探索效率高,面对高难度任务的能力强大,在军事干扰领域应用前景广阔。基于此,介绍深度强化学习、智能干扰方法这两个基本问题的研究现状和存在的难点问题,总结并提出未来基于深度强化学习的智能干扰方法的研究前景和技术展望。     

模糊强化学习在机器人导航中的应用

提出了一种基于自适应模糊RBF神经网络的Q学习算法。在模糊神经网络中引入Q学习,赋予模糊神经系统自学习和自适应能力。详细研究了模糊RBF神经网络的五层结构以及Q学习算法,给出了算法设计的流程图,所提算法对移动机器人在未知环境的自主导航,在未知环境中的自学习和自适应具有重要的应用价值。     

基于深度强化学习的智能频谱分配策略研究

随着无线网络被广泛使用,频谱资源变得越来越稀缺,高效的频谱分配策略对无线通信至关重要。动态频谱接入是一个动态时变优化问题,基于固定编码的算法无法自适应复杂的网络环境。本文将深度强化学习算法引入到认知无线电系统中,使智能体在未知频谱环境下不断与环境进行交互,学习到最佳频谱选择策略,提高频谱资源利用效率。实验结果表明:该算法在复杂的网络环境下能有效学习到最佳策略,且当网络环境发生变化时,算法能自动调整,实现二次收敛。     

基于深度强化学习的智能决策方法

针对传统深度强化学习算法难以快速解决长时序复杂任务的问题,提出了一种引入历史信息和人类知识的深度强化学习方法,对经典近端策略优化(Proximal Policy Optimization, PPO)强化学习算法进行改进,在状态空间引入历史状态以反映环境的时序变化特征,在策略模型中基于人类认知增加无效动作掩膜,禁止智能体进行无效探索,提高探索效率,从而提升模型的训练性能。仿真结果表明,所提方法能够有效解决长时序复杂任务的智能决策问题,相比传统的深度强化学习算法可显著提高模型收敛效果。     

基于深度强化学习的网络切片资源管理算法

随着第五代通信技术(5G)的发展,各种应用场景不断涌现,而网络切片可以在通用的物理网络上构建多个逻辑独立的虚拟网络来满足移动通信网络多样化的业务需求。为了提高移动通信网络根据各切片业务量实现资源按需分配的能力,本文提出了一种基于深度强化学习的网络切片资源管理算法,该算法使用两个长短期记忆网络对无法实时到达的统计数据进行预测,并提取用户移动性导致的业务数据量动态特征,进而结合优势动作评论算法做出与切片业务需求相匹配的带宽分配决策。实验结果表明,相较于现有方法,该算法可以在保证用户时延和速率要求的同时,将频谱效率提高约7.7%。     

基于深度强化学习的物联网传输数据实时调度方法

针对传统物联网传输数据实时调度方法的调度时间长,存在数据缺失的现象,提出了基于深度强化学习的物联网传输数据实时调度方法.采用深度强化学习采集物联网传输数据的特征序列样本,通过计算物联网传输数据的自适应转发特征量,建立了数据调度的频域均衡控制模型.根据模型判定物联网传输数据安全性,采用深度强化学习判别了物联网传输数据安全...     

试论移动机器人导航技术现状与展望

在科学技术发展速度不断加快的今天,移动机器人也开始一点点融入我们的日常生活之中,而对于移动机器人来说,先进的导航技术决定着其能否较好为为人类提供服务,为此本文就移动机器人导航技术现状与展望展开了具体研究,希望这一研究能够使更多人深入了解移动机器人。     

基于深度强化学习的多域联合干扰规避

无线通信系统的信道开放性使其极易受到外部恶意干扰、通信链路质量难以保证,针对以上问题,本文设计了一种基于深度强化学习的多域联合干扰规避决策方法。该方法联合频域、功率域、调制编码域三个域的抗干扰手段进行干扰规避,在考虑系统性能的同时实现可靠通信。首先,将联合智能干扰规避问题建模为一个马尔可夫决策过程（MDP, Markov Decision Process）,动作空间包含切换信道、功率控制、改变调制编码方式。然后,采用基于剪裁的近端策略优化算法（PPO-Clip, Proximal Policy Optimization-Clip）求解获得系统的最优联合干扰规避策略。PPO-Clip算法在多回合训练中以小数量样本迭代更新,避免了策略梯度算法中步长难以确定和更新差异过大的问题。最后,分别在扫频干扰、随机扫频干扰和智能阻塞干扰环境下验证了所提算法的有效性和可靠性。     

基于深度强化学习的智能网络安全防护策略研究

深度强化学习作为统计学习常见算法,将其应用于智能网络安全防护设计环节将取得显著效果,以此规避智能网络安全风险。文章简要分析智能网络安全常见问题,根据对问题的分析研究,总结智能网络安全防护优化设计具体目标,经由设计网络状态集合、细化网络动作集合、规范设计回报函数、强化数据分析功能等设计步骤的落实,智能网络将充分发挥安全服务作用,由此维护网络安全。本文提出了可行性措施,期待提升网络安全防护的有效性。     

基于深度强化学习的认知车联网频谱接入算法

先前的研究仅考虑仅仅存在认知车联网单一通信环境的问题,这样不能充分利用频谱资源。为了提高频谱利用率,提出一种适用于同时存在多个认知车辆的认知车联网环境的方法。同时为了提高认知车辆频谱接入的成功率,通过结合不同情况下的授权车辆和认知车辆的吞吐量设计了不同的反馈函数提出了一种改进的深度强化学习方法。所提出方法的性能明显优于传统的Q学习算法,能够更明显地提高频谱利用率,满足日益增长的车联网通信需求。