RoboCup中型组比赛中动态阵型选择

针对机器人足球世界杯RoboCup中型组比赛提出的动态阵型选择算法．建立了动态协作模型,将多个智能体组合成一个拥有共同目标的团队。完成给定的任务分配和站位配合,实现了基于动态阵型变换的多智能体动态协作．通过实现各种阵型之间的动态变换．满足了不同情况的协作要求．显著提高了球队的整体竞赛能力．     

分层模型下的多Agent系统协作机制在RoboCup3D的应用

为了提高多智能体协作的效率,让机器人足球队取得更好的成绩,以RoboCup3D机器人足球仿真系统为应用背景,提出了一种基于分层模型的多Agent系统协作机制。分层模型主要包括用来保证Agent通信的通信层,完成Agent角色分配的技术层和负责Agent阵型定位等决策的控制层。实验结果表明,团队协作能力往往是机器人足球比赛得分的关键,基于分层模型的协作机制对于提高机器人球队的整体对抗能力起到了明显作用。     

模式识别在RoboCup中的应用

在RoboCup仿真比赛中,球员的个体技术是比赛成功的重要因素,在充分分析RoboCup比赛个人技术中的两类技术,即判别函数、动作函数的确定方法的基础上,将模式识别的理论应用于RoboCup仿真比赛的个体技术中,分别使用判别域代数界面方程法确定判别函数,神经网络法确定动作函数,以射门和截球为例,详细叙述了设计过程,最后,使用传统方法和使用模式识别方法的球队在RoboCup仿真比赛中进行比赛,试验证明使用模式识别方法的球队,在比赛中个体技术显著提高。     

对抗环境下足球机器人路径规划

在RoboCup中型组足球机器人比赛环境下,实现机器人实时、有效的路径规划是赢得比赛的重要前提.充分考虑到足球机器人比赛中实时性和对抗性的特点,采用具有实时性优势的人工势场法,并综合考虑障碍物、目标点以及机器人之间相对位置和相对速度的关系,提出一种相对威胁系数的概念.该系数能够反映比赛中双方机器人实际对抗的强弱程度.将相对威胁系数应用到传统的人工势场中,形成一种新的改进型人工势场法,较好地解决了对抗环境下机器人路径规划中一些实时性、有效性的问题.仿真实验验证了所提出算法在足球机器人比赛系统中具有可行性.将该算法应用于交龙足球机器人上,在实际比赛中取得了较好的成绩.     

基于改进熟人模型的多智能体协作

对RoboCup3D智能体仿真系统内的多智能体协作问题进行了研究和分析,并针对RoboCup3D具体的系统特性,提出了改进熟人模型来解决多机器人协作问题,通过对智能体的熟人类型进行分类,对系统目标最关键的信息进行求解,降低通讯和计算开销,给出了熟人评价体系及策略触发方式,使之能够应用在层次化的整体策略框架。在RoboCup3D仿真平台中对改进熟人模型进行了测试。     

基于主智能体的群体学习算法GLBMA

以机器人足球比赛（RoboCup）为背景,基于主智能体和辅助智能体概念,提出了基于主智能体群体强化学习算法（GLBMA）,该算法通过主智能体和辅智能体的角色切换来实现整个团队的学习,改进了传统的群体强化学习算法。RoboCup仿真比赛试验表明,传统群体强化学习算法中的行为学习状态空间过大,连续状态空间的行为选择及多智能体合作求解等问题得到了解决．     

仿真足球比赛中的射门策略研究

根据RoboCup 2D仿真足球比赛仿真环境,详细分析了影响球员智能体射门成功率的主要要素:kick_rand属性、球运动噪声和对方守门员智能体,并综合其效果,得到较好的射门成功率估计.通过将球门离散化成许多个点,然后对每个点进行射门成功率评估,选择最佳射门点,从而得到一个新的射门策略.实验表明:新的射门策略明显提高了射门的成功率,达到预期效果.     

多智能体的竞争合作策略

以RoboCup(机器人世界杯足球锦标赛)中的仿真组作为平台,研究复杂环境中的多智能体的竞争和合作问题。首先通过对手建模的方法,分析对手的弱点或漏洞,并采取相应的策略,可以使智能体团队更加有效地自主决策,使其行动具有高度的针对性和目的性;接着分析多智能体之间的信息共享,通过压缩编码和选择性信息共享提高智能体之间的合作;最后对基于战术的局部合作策略进行分析,通过对战术的设计来实现智能体之间的局部配合,并根据场上局势的变化做出相应的调整。将该方法应用到2004年中国机器人大赛中,取得了冠军的好成绩,证明该方法确实有效。     

HfutEngine2005仿真机器人足球队设计

文章从进攻和防守的角度描述了RoboCup仿真机器人足球队球员Agent决策策略的设计;提出了基于Advisor-Evaluator进攻决策模型,详述其各个组成部分,并进行性能分析;设计基于防守对象-绑定-防守动作的防守模型来进行防守方案设计,实战结果表明,以此为基础的HfutEngine2005具有较强的比赛能力。     

RoboCup中基于效果操作的动态行为规划模型

如何提高agent的学习能力、对手建模能力以及多agent团队运作能力是目前RoboCup研究所面临的3项挑战，在上述的挑战中，行为规划起了非常重要的作用。agent如何能够在动态实时的复杂环境中根据场景变化来动态规划自己的行为是RoboCup目前急需解决的问题。提出一种面向效果操作方法的动态行为规划模型，使队员能够在场景分析的基础上，根据经验动态选择和执行行为策略，且具有持续学习的能力，采用贝叶斯信念网络和基于示例推理相结合的方法来实现。实验结果表明，该方法有效提高了队员适应环境的能力。     

改进的Q学习算法及在其RoboCup中的应用

传统的Q学习已被有效地应用于处理RoboCup中传球策略问题,但是它仅能简单地离散化连续的状态、动作空间。文章提出一种改进的Q学习算法,提出将神经网络应用于Q学习,系统只需学习部分状态—动作的Q值,即可进行Q学习,有效的提高收敛的速度。最后在RoboCup环境中验证这个算法,对传球成功率有所提高。     

基于进攻关键区域的RoboCup2D球队防守策略的优化

在RoboCup仿真2D足球比赛中,防守模型是关键技术之一,加强在对方进攻关键区域上的防守可以有效阻止对手进球,针对RoboCup仿真2D球队防守策略难以优化的问题提出一种基于球队进攻关键区域优化防守策略的方法;方法通过对比赛过程中的日志文件进行解析,使用数据挖掘方法提取动作链和传球热力图解释了球队进攻有侧重点的合理性,利用比赛过程中球的位置分布对球场进行了更合理的动态的离散划分,在每个离散区域中采用自适应参数的密度聚类算法来计算球队进攻关键区域,并且依据这些区域和进攻过程中的重点球员设计了防守策略;实验部分依据防守策略优化了底层代码,结果表明:对进攻关键区域进行重点防守能有效阻止对方的进攻,同时也验证了进攻关键区域计算的正确性。     

一种基于支持向量回归方法在RoboCup中的应用

对RoboCup中截球问题引入了支持向量回归方法,通过采集样本训练预测模型来预测Agent成功截到球时球运动过的距离。为了达到更好的预测效果,对此模型的参数选择问题进行了相应的研究,最后将此预测模型与广义回归神经网络等传统方法相比较,结果表明,在截球距离的预测精度方面要优于传统的广义回归神经网络。     

基于模糊推理的踢球技术在足球机器人中的实现

提出一种基于模糊规则作为先验知识的启发式搜索算法，解决足球机器人中的踢球问题．算法借助球员控球空间的离散化，采用模糊规则对离散后的动作进行评价，成功地描述了球在状态空间任意一对离散点间移动的代价值．以此作为路径寻找的启发性知识，通过启发式搜索算法可寻找到最优的解决方案。     

轴承陶瓷球研磨加工技术研究进展

轴承陶瓷球是陶瓷球轴承中的关键元件,对于轴承陶瓷球的研磨加工,球体的研磨方式和研磨液是影响陶瓷球加工质量和加工效率的关键因素。简述了陶瓷球成球原理,总结了陶瓷球研磨方式的研究进展,对不同的陶瓷球研磨方式进行了比较分析,并提出了一种满足批量加工的变曲率沟槽研磨方式;介绍了陶瓷球研磨液的成分及作用,综述了轴承陶瓷球研磨液的发展现状。从加工精度、批量加工和绿色制造等方面对轴承陶瓷球研磨加工技术的发展进行了展望。     

Mirosot机器人足球比赛中的多人协作射门策略

通过对传统射门策略和几种改进策略的优缺点进行分析,提出一种新的基于多人协作和最佳射门区的战术传球及配合进攻的射门策略.实验结果表明,采用该射门策略后,由于更加注重球员之间的战术传球,使得控球时间明显增加,丢球率显著降低,且射门成功率明显提高.     

清华机器人足球队的结构设计与实现

为建立一套新型的机器人系统 ,以满足机器人足球比赛的要求 ,设计并实现了清华机器人足球队。在介绍国际机器人足球比赛 (Robo Cup)环境的基础上 ,按照智能程度由低到高的顺序 ,论述了从动作层到决策层的实现方法。包括机器人的整体结构 ,运用多层前馈神经元网络学习个人技术 ,运用优先级方法设计机器人的顶层决策算法来实现多个机器人的合作与对抗。机器人系统完全满足 Robo Cup比赛的要求 ,并在中国 Robo Cup2 0 0 0锦标赛中取得了好成绩。对国内相关领域的研究以及兄弟院校开发机器人足球队具有重要意义