飞行器与机器人的区域目标搜索最优控制

描述了飞行器导航或移动机器人的区域搜索控制问题.为了使该问题得到优化解决,首先建立了基于区域搜索控制问题的模型,将最优控制原理运用于此模型上,得到其伴随方程和控制方程,后基于此分析了该问题,且讨论了此方法的可行性.然后,通过解出问题的规范方程,使飞行器导航或移动机器人的区域搜索控制问题最终得以解决,进而推导得到了飞行器导航或移动机器人的区域目标搜索最优控制以及最优轨线.最后,通过计算仿真结果表明,该方法是有效的,故为飞行器导航与移动机器人的区域目标搜索最优控制提供了依据.     

仿生眼的研究现状与发展趋势

首先,在分析人眼眼球运动的特点和形式的基础上,详细介绍了国内外仿生眼研究对扫视性眼球运动、平滑性眼球运动、异向眼球运动、前庭动眼反射、视动反射等的模仿,最后总结了仿生眼研究的特点和发展趋势．     

双关节机器人操作臂控制系统设计

本设计针对工业现场使用的双关节机器人,主要完成了硬件系统平台构建和软件系统的设计。应用单片机技术,设计一款主从操作的控制器,能够根据旋转编码器的控制指令精确的控制电机的速度、位置、正反转等物理量,从而满足机器人操作臂精确位置伺服驱动的要求。     

串联机器人的双模糊自适应滑模控制

提出了一种串联机器人的改进控制算法。采用一自适应模糊控制器,根据滑模到达条件对滑模切换增益进行估算,消除滑模控制中输出力矩的抖振现象,增强其对不确定性因素的适应能力。采用另一自适应模糊控制器对指数趋近律系数进行修正,改善由于大范围初始位姿产生的偏差而引起的大力矩和速度跳变问题。该方法无需确定被控对象的具体数学模型,具有强鲁棒性和高跟踪精度。基于Lyapunov方法进行了稳定性证明,保证控制系统的稳定性与收敛性。实验结果表明,该方法应用于串联机器人,跟踪效果良好并产生了平滑的力矩输出和速度输出。     

一种动态未知环境下的机器人路径搜索方法

提出了一种新的路径搜索算法——"触觉感知法"来实现机器人在未知静态与动态环境情况下的路径搜索。该方法不需要提供地图信息,机器人仅收集目标点的距离和方位信息以及通过自带传感器作为触觉器收集周围局部环境信息。机器人以BP神经网络作为决策器,经过训练,可以在静态和动态环境中搜索出一条光滑无碰撞且便捷并能有效避开动态障碍物的运动轨迹。对所提出的方法进行了仿真实验,仿真结果表明算法在静态和动态环境下均能有高效率的路径搜索表现。     

基于模糊力控制算法的移动机器人避障控制

根据机器人的末端执行器和外界环境表面接触与移动机器人避障控制的相似点,将力/位置控制成功应用到移动机器人的避障控制领域内.对新颖的移动机器人避障控制算法是通过在移动机器人和障碍物之间形成虚拟力场,且对其进行整定以使两者之间能保持期望的距离.因为机器人动力学模型和障碍物的不确定性会对避障控制性能造成影响,为避免碰撞,采用模糊PD的智能混合力/位置控制来整定机器人和障碍物精确距离的力场.通过仿真研究证明了算法的有效性,可为机器人设计提出可靠依据.     

基于改进蚁群算法的机器人路径规划

提出了一种复杂静态环境下的移动机器人避碰路径规划的改进蚁群算法,基于栅格法的工作空间模型,模拟蚂蚁的觅食行为;针对路径规划的需要,搜索过程采用了蚂蚁回退策略、目标吸引策略、参数自适应调整和路径优化策略;利用蚂蚁回退策略和惩罚函数使得蚂蚁能够顺利跳出陷阱,并且在下一次搜索中不再选择此路径,从而避免了遇到陷阱时形成的路径死锁情况,同时也提高了最优路径的搜索效率;仿真试验结果表明,该算法能迅速规划出最优路径。     

基于SPCE061A单片机移动机器人导航系统硬件设计

采用了凌阳公司所生产的一款SPCE061A单片机和超声波测距模组结合,分别在移动机器人的前方、左侧、右侧安装超声波测距传感器,来实现对移动机器人周围环境的探测.着重给出该导航系统的硬件设计与实现,同时将搭建的硬件系统应用于未知环境下进行实时探测,从而验证系统的完整性、有效性.     

3-RRRT并联机器人鲁棒自适应模糊滑模控制

针对3-RRRT型搬运并联机器人提出了一种直接自适应模糊滑模控制方法.根据机器人的系统动力学模型特点,基于Lyapunov函数的综合设计方法和滑模控制理论,利用模糊逻辑系统与自适应技术相结合,提出了一种控制律,然后进行了系统控制仿真实验.结果表明,采用这种直接自适应模糊滑模控制方法的3-RRRT型并联机器人在周期干扰状况下达到了较高的轨迹控制精度,其闭环系统具有较强的自适应性和鲁棒稳定性.     

一种基于ROS 的分布式安防巡逻机器人系统

针对目前安防巡逻机器人系统中对机器人主控机负载能力要求较高的问题,设计一种基于机器人操作系 统(robot operating system,ROS)的分布式安防巡逻机器人系统。将同时定位与建图(simultaneous localization and mapping,SLAM)节点以及视觉识别节点分布于局部ROS 网络中的机器人主控机和远程监控端,SLAM 方面采用 gmapping 算法实现动态环境中的地图构建以及机器人的定位;视觉识别方面采用TensorFlow 深度学习框架,利用 TensorFlow Object Detection API 实现场景里多个物体的识别。结果表明,该系统为基于ROS 的分布式安防巡逻机器 人系统的设计提供了参考。