动态环境下基于多人工鱼群算法和避碰规则库的机器人路径规划

为了提高机器人路径规划的速度、环境适应能力和高效动态避碰问题,提出了一种基于多人工鱼群的机器人路径规划算法和基于避碰规则库的动态避障算法.该算法中,人工鱼以其与目标点的距离为食物浓度,两个邻近栅格的距离为步长,其觅食行作为默认行为,在一定条件下执行聚群或追尾动作,并采用两鱼群双向搜索机制在静态环境下规划出较优路径.在此基础上,机器人查询动态避障规则库获得避碰方法,从而实现与动态障碍的避碰.大量仿真实验结果表明,该方法具有较高的收敛速度和较强的搜索能力,能在非常复杂的动静态障碍环境中,迅速规划出一条安全避碰的优化路径.     

基于粒子群算法和航行规则的分步多船避碰路径规划

针对宽水域多船避碰过程中路径规划难与航行规则结合的问题,提出一种分步多船避碰路径规划算法。首先将障碍船视为静态障碍物,利用极坐标空间的粒子群路径规划算法结合船舶安全领域进行静态路径规划,得到船舶避碰转向点;然后利用航行规则对转向点的转向角度进行动态修正。通过对算法进行仿真验证,能够很好地解决多船避碰路径规划的问题,为解决多船避碰问题提供一种新的思路。     

多移动机器人编队算法研究与实验验证

本文对目前常用的几种多机器人编队算法进行了分析和研究,设计并提出一种将领航跟随法、人工势场法和基于行为法等常用多机器人编队算法优点相融合的新算法。搭建了用来进行新算法的实物仿真验证的群体智能移动机器人系统,实现了群体机器人搜索目标、驶向目标、动态跟踪和实时避碰等一系列功能,验证了新算法的有效性。     

紫外非均匀虚拟势场下无人机编队重构避碰算法

针对复杂电磁环境下无人机编队重构过程中的路径规划和机间避碰问题,该文在传统紫外虚拟势场基础上,利用距离因子对斥力函数进行了改进,构建了一种紫外非均匀虚拟势场来协助无人机进行机间避碰。改进的紫外非均匀虚拟势场可以使得无人机避碰路径更加平滑,相同时间内,无人机可以飞行更远的距离。此外,通过无线紫外光测距方法计算无人机机间距离,并结合紫外非均匀势场对传统的人工势场法进行改进,实现无人机编队重构。仿真结果表明,该文算法可以有效解决传统算法下路径振荡和局部最小值问题,同时避碰效率相比传统人工势场算法有明显提升,在预设环境中该文算法路程缩短6%,到达目标点的时间提前40%。最后在两种不同的队形重构场景下,对该文算法进行了验证,结果表明该文算法可以有效实现无人机队形重构中预期的机间避碰效果。     

基于生长神经网络的进化机器人行为研究

提出了一个基于生长神经网络的进化机器人行为算法,新算法的主要特点是:1、通过自然选择对神经网络进行进化,并能自主实现机器人避碰、移动、复制和攻击等行为;2、开发了一个自主机器人模拟环境,对所提出的算法进行运行测试.模拟结果证明,生长神经网络系统是研究渐增进化的有效工具,新算法能够有效地实现机器人创新行为.     

基于专家系统的机器人高层规划

本文介绍一个基于专家系统的机器人高层规划系统,阐述几个潜在应用子系统,并应用专家系统方法进行多机器人协调避碰运动规划。本系统具有良好的规划性能。     

航海技术对船舶避碰自动化的影响

船舶之所以出现了这么多的碰撞和搁浅触礁的事故,很大一部分的原因主要针对的是人为因素的影响,从而导致了国内船员队伍至今的现状,本文主要从船舶防碰自动化的严重性与必要性去进行阐述,指出船舶自动避碰的关键是在于实现航海的自动化,并重点分析船舶自动避碰的研究情况、新的航海技术对其自动化产生的影响以及船舶避碰自动化需要解决的一些问题。     

一种基于统计的多智能体Q学习算法

针对非确定马尔可夫环境下的多智能体系统,提出了一种新的基于统计的多智能体Q学习算法,该算法将统计学习与增强学习有机结合,有效地解决了智能体环境部分感知、信息不确定以及其他智能体行为策略学习的问题,经RoboCup仿真实验证明该算法具有较强的自适应能力和学习效率。     

煤矿井下基于Q—learning算法的移动机器人路径规划

机器人的路径规划一直是机器人研究领域的难点问题。针对煤矿井下环境的不确定性,环境的复杂使机器人很难得到好的规划结果。采用强化学习算法中的Q-learning算法实现井下移动机器人的局部路径规划,并对Q函数中的即时回报进行加权修正,使算法更有效地利用环境特征信息,进一步提高了避障能力。最后通过VC 进行仿真和模拟。仿真实验说明该方法的有效性和可行性。     

基于AIS的船舶避碰系统研究

船舶自动识别系统AIS的诞生为船舶避碰提供了一种新方法,研究了船舶自动识别系统AIS的关键技术及其组成,设计了基于AIS的船舶避碰系统.该系统对AIS等设备采集的数据进行变换与接收,以DSP为信息处理和控制元件,采用FPGA以解决多接口的问题.AIS技术的引入,使船舶碰撞危险系数的计算更为精确,船舶与船舶之间、船舶与岸台之间的通信更加迅速.     

一种改进RRT的多机器人编队路径规划算法

多机器人路径规划是机器人领域的一个热点问题,相比于单机器人路径规划,其算法难度和复杂度都有所增加,在规划时需要兼顾多机避障、相互协作等难点问题.本文提出一种改进快速扩展随机树的多机器人编队路径规划算法,用于解决多机器人在复杂环境下的编队路径规划问题.针对多机器人在编队规划中的位置约束问题,定义机器人之间的领航-跟随结构,并对机器人队形建模.针对规划过程中编队朝向变化问题,建立搜索树扩展方向与队形方向之间的联系,通过调整队形方向改变规划时的编队朝向.针对具有质点模型和非完整约束动力学模型两种不同模型的多机器人系统,分别进行了仿真实验.仿真结果表明该算法在处理多机器人编队路径规划问题时可以取得良好的效果.     

不确定性环境下基于进化算法的强化学习

不确定性和隐状态是目前强化学习所要面对的重要难题.本文提出了一种新的算法MA-Q-learning算法来求解带有这种不确定性的POMDP问题近似最优策略.利用Memetic算法来进化策略,而Q学习算法得到预测奖励来指出进化策略的适应度值.针对隐状态问题,通过记忆agent最近经历的确定性的有限步历史信息,与表示所有可能状态上的概率分布的信度状态相结合,共同决策当前的最优策略.利用一种混合搜索方法来提高搜索效率,其中调整因子被用于保持种群的多样性,并且指导组合式交叉操作与变异操作.在POMDP的Benchmark实例上的实验结果证明本文提出的算法性能优于其他的POMDP近似算法.     

数字集群中信道争用问题的ALOHA协议研究

目前在数字集群通信系统中采用时分多址技术,通过信道共用的方法,较好的解决了频率资源紧张的问题.然而信道共用必须要解决好信息"碰撞"问题.ALOHA算法是运用比较普遍的一种解决信道争用算法,文中对ALOHA算法及其衍生算法进行研究,并提出优化的防碰撞算法,采用动态估算碰撞时隙数,满足在呼叫时以最大吞吐量进行工作.     

多机器人系统中的信息融合技术综述

对各种适用于多机器人系统的信息融合拓扑结构、融合方法进行了系统的综述,重点分析了适用于分布式多机器人协作系统及强化学习的信息融合结构,以及近年来神经网络、模糊系统、遗传算法、粗糙集理论等信息融合算法相互融合的发展趋势,并提出了若干多机器人系统信息融合目前存在的问题和发展方向。     

基于强化学习的交叉口交通低排放信号控制研究

交叉口车辆排放较为复杂,尤其是在考虑初始排队长度的情况下,更是难以建立明确的数学模型。Q学习是一种无模型的强化学习算法,通过与环境的试错交互学习最优控制策略。本文提出了一种基于Q学习的交通排放信号控制方案。利用仿真平台USTCMTS2.0,通过不断地试错学习找到在不同相位排队长度下最优配时。在Q学习中添加了模糊初始化Q函数的方法以改进Q学习的收敛速度,加速了学习过程。仿真实验结果表明:强化学习算法取得较好的效果。相比较Hideki的方法,在车流量较高时,车辆平均排放量减少了13.9%,并且对Q函数值的模糊初始化大大加速了Q函数收敛的过程。     

区域多任务安全隐患排除的机器人调度策略

针对灰狼优化算法易陷入局部最优且单一算法不易解决障碍物空间多机器人隐患搜排的调度问题,提出了一种分步引导式多机器人安全隐患协同排除调度策略。首先引入非线性收敛因子调整策略和静态加权平均权重策略改进灰狼优化算法以避免算法陷入局部最优;随后通过改进的灰狼优化算法先后两次求解遍历顺序,引导机器人规划搜索路径与排除隐患点路径;最后在领航者-跟随者模型的基础上多机器人编队与队形变换避障,逐一到达隐患点位置实现多机器人的调度策略。通过国际通用6个基准函数进行测试,改进的灰狼优化算法在收敛速度、搜索精度及稳定性上均有明显提高,验证了区域多任务安全隐患排除的分步引导式多机器人协同调度策略的有效性。     

基于改进烟花算法的多目标多机器人任务分配

多机器人任务规划是多机器人系统研究的主要问题之一,多目标多机器人任务规划是指同时对多机器人系统的多个指标进行优化。近年来,启发式算法越来越多地被用来解决多目标问题。本文提出了一种基于改进烟花算法的多目标多机器人任务分配方法,并详细讨论了多目标解的排序方法和选择策略。为了验证该方法的性能,对7个实例进行了实验,并对该方法和其他四种多目标算法,Non-dominated Sorting Genetic Algorithm II (NSGA-II), Strength Pareto Evolutionary Algorithm 2 (SPEA2),Pareto Envelope-based Selection Algorithm (PESA ) 和一种改进的Strength Pareto Genetic Algorithm 2 (SPGA2)在S-metric指标上进行了比较。实验结果表明,在解集质量、解集覆盖度方面,基于改进烟花算法的多目标多机器人任务分配方法具有明显的优势。      

基于GRU和LSTM组合模型的车联网信道分配方法

针对车联网中高通信需求和高移动性造成的车对车链路(Vehicle to Vehicle, V2V)间的信道冲突及网络效用低下的问题,提出了一种基于并联门控循环单元(Gated Recurrent Unit, GRU)和长短期记忆网络(Long Short-Term Memory, LSTM)的组合模型的车联网信道分配算法。算法以降低V2V链路信道碰撞率和空闲率为目标,将信道分配问题建模为分布式深度强化学习问题,使每条V2V链路作为单个智能体,并通过最大化每回合平均奖励的方式进行集中训练、分布式执行。在训练过程中借助GRU训练周期短和LSTM拟合精度高的组合优势去拟合深度双重Q学习中Q函数,使V2V链路能快速地学习优化信道分配策略,合理地复用车对基础设施(Vehicle to Infrastructure, V2I)链路的信道资源,实现网络效用最大化。仿真结果表明,与单纯使用GRU或者LSTM网络模型的分配算法相比,该算法在收敛速度方面加快了5个训练回合,V2V链路间的信道碰撞率和空闲率降低了约27%,平均成功率提升了约10%。