两轮直立式自平衡移动机器人的控制系统设计

研究了两轮直立式自平衡机器人的系统组成,并利用动力学原理建立系统的数学模型,在Matlab环境下设计了状态反馈控制器(LQR),并进行了仿真和机器实体的实验,系统具有良好的鲁棒性.表明了系统建模和控制器设计的合理性和有效性.这种机器人两轮共轴、独立驱动,车身重心倒置于车轮轴上方,通过运动保持平衡,可直立行走.由于特殊的结构,其适应地形变化能力强,运动灵活,可以胜任一些复杂的工作.为机器人的自主控制、自学习提供了可靠的实验平台.     

基于内发动机机制的机器人趋光控制

针对移动机器人的趋光问题,提出了一种基于内发动机机制的控制方法.该方法以生物体感觉运动系统的学习机制为基础,通过评价、行为选择以及取向和决策环节的强化实现对机器人最优趋光控制策略的搜索,使机器人在未知环境下,通过自主的学习和训练,逐渐掌握趋光移动技能.采用马尔科夫定理证明了学习过程的收敛性;仿真实验证明了基于内发动机机制趋光控制方法的有效性;通过与人工势场法的比较,说明了该方法的精确性.     

基于OpenGL的六自由度机械臂三维仿真工具的设计

针对六自由度链式机械臂,为了解决运动学分析结果不易验证以及在实际本体上试验成本较高的问题,开发了一套六自由度机械臂三维仿真软件;该仿真软件是在VC++6.0开发平台上.基于MFC框架类和OpcnGL的图形库进行开发的;仿真软件有效地验证了机械臂数学模型以及正、逆运动学求解工程的正确性,并且对4种轨迹规划方式的效果做了直观的比较;结果表明开发出来的仿真软件对机械臂的研究与教学起了相应的作用.     

基于一种生长型神经网络的倒立摆控制

针对倒立摆这样的典型控制问题,提出了一种在结构与规模上可生长的神经网络控制方案。网络利用细胞生长结构算法的生长机制,在工作域中实现对刺激信号的自组织模式分类,并可通过新神经元的插入,实现网络规模的生长演化。在输出域中针对控制任务采用强化Hebb学习机制,实现不同的神经元以最佳方式响应不同性质的信号刺激。最后进行了倒立摆的自学习控制的仿真实验,表明在自治地与环境的交互作用中,通过神经网络自身的发育,该方案有效地控制了倒立摆系统。     

具备偏航能力的独轮机器人

针对现有文献对基于独轮机器人的动力学方程得到的状态空间方程有较多不足, 其为了简化计算忽略了很多耦合因素的影响, 导致系统不可控的问题, 在深入分析独轮机器人动力学方程的基础上得到了其状态空间方程, 并对各耦合项系数进行修正, 确保了系统的可控性.通过设计LQR控制器实现了对独轮机器人的自平衡及偏航控制, 并通过仿真和物理实验进行验证, 设计了抗干扰实验.结果表明:所得出的状态空间方程是正确的.     

智能计算机辅助汉语教学系统的汉语知识表达

本文对智能计算机辅助汉语教学系统中汉语知识的表达进行了研究，提出了汉语知识分层联想网络表达方法。该方法具有网络模型和特征比较模型两种知识表达方法的特点，较好地反映了汉语教学活动中教师的心理过程，使智能计算机辅助汉语教学系统能有效地进行汉语教学，体现出较强的智能特征。     

基于AHMRRT的移动机器人路径规划算法

为解决单向快速探索随机树(rapid exploring random tree,RRT)算法路径规划效率低且易陷入局部极小点的问题,提出了一种自适应启发式多快速探索随机树(adaptive heuristic multiple rapid exploring random tree,AHMRRT)路径规划算法.一方面,基于多随机树构建策略的AHMRRT算法可以在起始点、目标点、子目标点生成4棵随机树,同时进行扩展搜索,从而提高路径规划效率;另一方面,通过在单棵随机树生长过程中添加自适应启发式偏置因子,AHMRRT算法可以根据环境中障碍物的情况自适应地改变新节点的生成策略.探索自由空间时,该算法可以在偏置因子的作用下迅速向目标点扩展以提高搜索效率;探索多障碍物空间时,该算法将调用随机采样函数以防止落入局部最优.在仿真实验中,设计了4种环境下AHMRRT算法与随机概率目标快速探索随机树(probability goal RRT,PGRRT)、双向快速探索随机树(bidirectional RRT,BRRT)算法的对比实验,仿真实验结果证明了该算法的可行性和高效性.     

自学习模糊控制系统的研究与实现

本文通过简化模糊控制算法中的模糊关系，建立了一种运算量少，易于实现实时控制的自学习模糊控制算法，数字仿真结果及其在单片微机温度控制系统中的实时运行情况表明，该算法控制效果良好，具有实际应用价值。     

双足行走机器人发展现状及展望

介绍了双足行走机器人的概念和特点,简要地阐述了国内外双足机器人的发展,结合图文详述了双足机器人的最新研究领域和现状,并对双足机器人的发展趋势作了详细的展望.     

基于高斯混合模型最大期望聚类的同时定位与地图构建数据关联

数据关联是移动机器人同时定位与地图构建(SLAM)中状态估计的前提和基础,针对当前联合兼容分支定界算法存在计算复杂度高、耗时长的问题,提出了基于高斯混合模型(GMM)最大期望聚类分组的SLAM数据关联算法.首先,为减少同一时刻参与关联的观测值数目,在局部区域内采用GMM最大期望聚类算法对当前时刻的观测值进行分组;其次,在各观测小组中采用联合兼容分支定界算法进行数据关联;最后,综合各观测小组的观测值同局部地图特征得到的关联解,得到最优的关联结果.仿真实验结果表明,基于高斯混合模型最大期望聚类分组的SLAM数据关联算法在保证数据关联准确度的前提下,计算复杂度得到了降低,缩短了运行时间.