对抗性多智能体系统中的规划识别方案

针对当前规划识别限于协作多智能体领域的问题,提出了一种适用于对抗环境下智能体的基于Bayesian网络模型的规划识别方案以识别其他智能体的动作目标．研究了机器人足球的几个典型规划,并利用机器人足球比赛仿真系统进行了测试,仿真结果表明该方案有效地增强了智能体间的协作,提高了球队的获胜率。     

智能机器人的基本功能及其构成

本文提出要想制造“象人似的机械”,即智能机器人,必须具备感觉功能与识别、判断功能的必要性。然后论述智能机器人基本功能及其构成。     

一种异质多移动机器人系统及其基于MAS的协作机制

目前的多移动机器人系统在运行状态下,网络结构一般是静态的,很难做到成员机器人的动态增减,且系统在启动时需要复杂配置。本文设计了一种支持异质移动机器人合作的多机器人系统UMRS-1,采用分布式组织结构,支持机器人动态、自动配置地加入或退出系统。分析了组成系统的成员机器人的体系结构以及UMRS-1的组织结构。采用基于KQML实现的合同网作为协作协议,最后对多机器人协作围捕问题进行了初步探讨以说明UMRS-1的通信与协作机制。     

软件实现的程序控制流校验方法研究进展

在太空环境中,由于宇宙射线的存在,计算机系统的硬件经常发生各种故障,致使软件系统的执行流程产生错误.对于这种由硬件引入的控制流错误,软件实现的运行时校验可提供一种低价、高效的在线错误探测方法.本文以国外近年来有关文献为依据,对由软件实现的控制流校验方法进行了综述与分类,介绍了它们的实现原理并阐明了它们之间的联系与区别,最后指出了软件控制流探测方法目前存在的问题以及发展前景.     

多简单机器人协作覆盖规划研究

研究了多简单机器人协作覆盖的问题．针对简单机器人只能用接触传感器感知外部环境的局限性,提出了基于栅格地图表示法的多机器人内螺旋覆盖算法进行在线覆盖规划．该方法通过对部分区域的重复覆盖和设置GATE栅格实现了对环境的完全覆盖,同时该方法保证了只要有一个机器人不出现故障就可以完成覆盖,提高了系统稳定性．最后用仿真试验验证了该方法的可行性．     

一种固体火箭发动机燃烧室内流场的仿真研究

给出了一种基于小火舌模型的固体火箭发动机燃烧室内复杂压缩流场中湍流扩散的数值仿真方法.该方法将κ-ε两方程湍流模型与扩展层流小火舌模型和并在一起对火焰进行数学描述,使用聚丁二烯AP/HTPB推进剂的8组份3反应式模型描述了湍流与非平衡化学反应之间的耦合.计算结果表明:燃烧室内漩涡运动呈现出一定的时间与空间分布,轴向加质导致燃烧室截面上流场轴向速度分布的不均衡.     

一种鲁棒移动机器人自主定位方法

针对出现机器人“绑架”现象时,由于在后验密度分布取值较大区域中的采样数较少,利用蒙特卡罗定位方法(Monte Carlo Localization)进行定位需要大量的采样才能取得较好效果的问题,提出了一种遗传蒙特卡罗定位方法(Genetic Monte Carlo Localization)．GMCL将进化计算中的交叉与变异操作引入到MCL中,对采样进行优化,使采样朝后验密度分布取值较大的区域移动,从而更好地表达系统的后验密度分布．实验结果表明：GMCL可以显著减少所需的采样数,具有更高的精度和更好的鲁棒性．     

一种基于栅格扩展的机器人路径规划方法

提出一种机器人的路径规划方法;这一路径规划方法是在机器人的位姿空间中进行的,采用栅格扩展的策略,即从初始位姿和终止位姿的栅格进行扩展。扩展一方的栅格前,先从这一方欲扩展栅格的第一个栅格向另一方欲扩展栅格的第一个栅格作一直线,沿这一直线首先进行扩展。最后在机器人的仿真系统中运用这一方法进行路径规划,大大地提高了路径规划的效率。     

一种仿人机器人跑步状态分析模型

依据仿人机器人跑步的动力学特性,通过对仿人机器人虚拟加速度传感器输出的信号进行分析,建立了仿人机器人跑步相关特征值的概率模型.针对仿人机器人的结构,分析了在整个跑步过程中惯性力和弯矩的作用,对跑步状态的影响,获取虚拟加速度传感器输出的信号,采用小波变换分析动态信号,同时进行快速傅里叶变换,在频域上提取能量特征值.使用马氏距离作为稳定跑步的判定标准,并给出了定量描述,在ADAMS软件中搭建仿人机器人,虚拟加速度传感器设置在质心处,进行跑步仿真实验,仿真实验结果表明,该模型能够反映仿人机器人的跑步特性,仿人机器人能够在跑步状态发生改变时,根据跑步特征及时调整步态,保证其稳定性.     

基于BDI框架的多Agent动态协作模型与应用研究

近年来,多Agent学习已经成为人工智能和机器学习研究方向发展最迅速的领域之一．将强化学习和BDI思维状态模型相结合,形成针对多Agent的动态协作模型．在此模型中,个体最优化概念失去其意义,因为每个Agent的回报,不仅取决于自身,而且取决于其它Agent的选择．模型采用AFS神经网络对输入状态空间进行压缩,提高强化学习的收敛速度．与此同时,利用模拟退火算法启发性地指明动作空间搜索方向,使其跳出局部最小点,避免迭代步数的无限增长．理论分析和在机器人足球领域的成功应用,都证明了基于BDI框架的多Agent动态协作模型的有效性。