基于Bezier曲线的自主移动机器人最优路径规划

以自主移动机器人为研究对象,以足球机器人为研究平台,针对足球机器人运动轨迹的实际特点,提出了一种基于3次Bezier曲线的最优路径规划方法.该方法以足球机器人实际比赛时的速度、加速度和有效躲避运动轨迹上的障碍物作为路径规划的约束条件,以所规划路径和机器人到达目标点花费时间最短为规划目标.同时将Bezier曲线规划方法与粒子群优化算法相结合,通过粒子群优化方法对产生轨迹的各粒子进行选择更新,并调整各约束条件的权重系数,从而增强了路径规划的有效性和精度.最后通过仿真实验验证该方法有效可行.     

智能算法在足球机器人定向运动中的应用

实时决策和运动精确控制是机器人足球赛中最为重要的能力,为了优化传统的机器人运动控制能力,提出了一种基于智能算法的运动控制方式,将粒子群算法融入到足球机器人定向运动的控制中去;仿真结果显示,此方法相比于传统的运动控制方法,在保证较高的控制精度的前提下,大大提高了实时决策和运动控制的速度;研究结果表明:此新型的运动控制算法可以使足球机器人速度更快,对抗能力提高。     

混合离散粒子群算法求解机器人装配线平衡问题

以最小化总成本为目标，将一组工序和机器人分配至工作站上的问题称为面向成本的机器人装配线平衡问题(cRALBP),为了解决此NP难问题，提出一种混合离散粒子群优化(HDPSO)算法.首先，对于给定工序，设计动态规划方法直接获取工序对应的最优机器人分配方案，从而缩小搜索空间，提高算法的全局寻优能力.然后，提出一种新的算法框架，其通过融合路径重连加强算法的局部搜索能力，并通过汉明距离评估解之间的差异，选择采用多片段交叉算子或者片段变异算子进行粒子更新，取代随机选择算子的方法，从而实现算法全局搜索和局部搜索的平衡.将所提出的HDPSO算法与最新的粒子群、人工鱼群算法在144个算例上进行对比，验证了HDPSO算法的有效性和优越性.     

发育学习在足球机器人基本动作技能中的应用

研究了发育学习算法及其在机器人足球比赛技术动作学习问题中的应用。结合发育学习算法的优点,选用合适的强化学习算法,并将其应用于足球机器人动作技能的学习中。无需任何先验知识和环境模型,通过不断与环境交互获得知识,自主地进行动作选择,具有自主学习能力,在自主机器人行为学习中受到广泛重视。最后,给出了试验结果分析,并验证了该算法的优越性和有效性,并且能够满足高水准机器人足球比赛的需要。     

基于随机权重粒子群算法的SCARA机器人动力学参数辨识

针对SCARA机器人在负载条件下末端动力学参数难以辨识的问题,在分析负载对各关节力矩影响的基础上,对SCARA机器人进行了结构简化,利用Lagrange法建立带负载机器人的动力学数学模型,确定了需要辨识的机器人末端动力学参数。在传统粒子群算法的基础上,提出一种随机权重粒子群算法对机器人动力学参数进行辨识,并编写了相应的程序。仿真辨识结果表明:随机权重粒子群算法的收敛速度与参数粒子搜索范围得到明显提升,辨识出的机器人力矩与实际输出力矩基本吻合,说明该算法对机器人动力学参数的辨识具有较高的精度;与遗传算法、基本粒子群算法相比,随机权重粒子群算法辨识得到的适应度函数最优值最小,不易陷入局部最优,便于全局搜索,参数辨识精确更高。     

基于克隆思维进化算法的机器人足球协作策略

针对足球机器人比赛系统的实时性要求,采用了一种克隆思维进化算法对足球机器人比赛系统的高层策略系统进行优化。克隆思维进化算法集免疫机制与进化机制于一体,在发挥思维进化算法优势的基础上增加了克隆(复制)、克隆重组、克隆变异和克隆选择等算子,既保持了种群的多样性,又提高了算法的收敛速度。足球比赛场上的瞬时信息作为抗原,待选策略作为抗体,二者均采用二进制编码方式。用克隆思维进化算法对抗体群进行优化,实验结果表明,采用该算法能快速找到最佳策略,简化了足球机器人决策系统,提高了决策效率。     

基于粒子滤波的仿人机器人跟踪算法研究

针对RoboCup标准组仿人足球机器人NAO的特点,在研究传统粒子滤波跟踪算法基础上,提出基于颜色特征和改进的粒子滤波相结合的机器人跟踪算法。改进的粒子滤波算法在传统采样重要性重采样(SIR)算法重采样过程中有选择地增加一组随机粒子,解决了传统采样重要性重采样(SIR)算法因被跟踪运动目标运动不规则而出现跟丢的问题。实验结果表明,该算法增强了基于SIR的粒子滤波跟踪算法的适应性和有效性。     

粒子群优化的多机器人协作定位方法

针对异质多机器人具有不同的感知能力和处理能力的特点,提出一种基于粒子群优化的多机器人协作相对定位方法.该方法将常规粒子滤波方法与粒子群优化算法有机结合,通过粒子群优化方法对预估粒子进行更新,同时利用多机器人之间的相对观测信息,调整粒子的提议分布和粒子权重,增强多机器人位置预测的有效性,提高多机器人定位的精度.实时数据实验结果表明:该方法正确、可行.     

双焊接机器人避障路径规划

针对白车身双机器人同步焊接路径规划问题,采用栅格法建立双机器人同步焊接模型。首先通过改进蚁群算法和粒子群算法实现焊接机器人与工件之间的避障;其次通过C空间法实现两个焊接机器人无碰撞,求解出局部和全局最优焊接路径较好的近似解,并与标准蚁群和粒子群算法进行仿真对比实验。仿真结果表明,采用改进蚁群算法和带有交叉因子的粒子群算法,收敛速度较快,较其他算法更能缩短焊接工时。仿真结果验证了笛卡尔空间和C空间结合路径规划方法的可行性,对于双焊接机器人的路径规划具有指导意义。     

基于粒子群优化算法的机器人FastSLAM研究

机器人同时定位与地图构建(SLAM)问题是机器人研究领域的一个重要课题。针对传统的FastSLAM算法具有粒子退化带来的问题,将粒子群优化的思想应用到传统的FastSLAM算法——粒子滤波算法中。在预估过程中,每个粒子综合考虑个体粒子和群体粒子共同的影响,不断优化更新粒子的位置和权重值,在不需要增加粒子数量的情况下,逼近系统的真实后验概率分布,进而使机器人更接近真实系统状态分布。实验结果表明优化后的算法减小了生成地图与实际地图的误差,机器人预测的路径更优化,验证了改进方法的有效可行性。     

足球机器人决策系统推理模型

介绍了足球机器人系统的组成及决策系统的六步推理模型和四层决策结构,并用人工智能的状态空间表示方法将比赛场上瞬息万变的态势,通过选择少量的有代表性的离散状态构成状态空间,根据系统完成的任务,为机器人确定有限的动作集合,使积累的知识程序化;通过决策系统的正向推理,使每个机器人选择合适的动作,以命令的形式输出机器人的左右轮速,实现对系统的实时控制·     

基于免疫机理的足球机器人协作控制研究

针对Robocup中型组全自主足球机器人自主协作任务,基于人工免疫机理对机器人个体及群体体系结构进行优化,采用个体混合式体系结构与群体分布式体系提高系统性能。构建适用于比赛环境的足球机器人免疫系统模型,充分考虑模型中抗体与抗原及其他抗体间的激励和抑制作用,给出在动态环境下面临复杂协作任务时的足球机器人协调控制算法及流程,改善多足球机器人冲突的混乱局面,增强足球机器人策略行为的有效性,提高足球机器人系统的智能协作性。实验结果验证:该算法可以有效的增强足球机器人的协作能力,提高规定时间内的平均成功进功率与平均成功进球率。     

仿人智能算法在足球机器人路径规划中的应用

足球机器人比赛是一个动态时变非线性的环境,各运动对象难以建立精确的数学模型,仿人智能算法以人的思维方式、行为和直觉推理为基础,在足球机器人路径规划过程中避开了求解繁琐的对象模型时遇到的问题,显示出了其独特的优势。文中讲述了仿人智能算法在足球机器人路径规划中的应用方法,并通过实例仿真表明了算法的可行性和有效性。     

基于一种改进RRT算法的足球机器人路径规划

针对足球机器人运用传统快速扩展随机树(RRT)算法进行路径规划时随机性大的问题,提出了一种目标引力式的RRT路径规划算法。该算法在RRT算法的基础上引入了一个目标引力函数,避免了扩展随机树向目标点以外的方向生长,改进了快速扩展随机树缺乏确定性的问题,提高了足球机器人在路径规划方面的效率。仿真实验结果表明,该算法能够得到最佳路径,同时可以有效提高路径的规划速度。     

多智能足球机器人系统的关键技术

以NEWNEU参加机器人足球世界杯赛(FIRARWC99)的基于视觉型微型足球机器人系统MIROSOT为背景,详细介绍了机器人足球的关键应用技术·采用模糊神经网络和自学习专家系统的分层智能控制系统是当前机器人足球系统的研究方向·具有人工智能的自主型步行足球机器人是足球机器人的长远发展目标·     

基于多优化快速扩展随机树算法的足球机器人路径规划

研究RoboCup比赛未知环境中足球机器人的路径规划问题。提出一种多优化设计快速扩展随机树(rapidly exploring random tree,RRT)的足球机器人路径规划算法,解决了足球机器人在路径规划中存在的速度慢、效果差的问题。依据基本RRT算法原理,针对其随机性强、收敛速度慢以及路径平滑效果差的缺点,提出了随机采样点处增加引力分量、多步扩展逼近目标点以及冗余节点的剪裁与路径平滑等优化方式。在不同障碍物地图中的仿真实验表明,优化的规划路径长度比基本快速扩展随机树算法所得路径缩短约20%～30%,采样点数量减少45%～65%。最终将优化算法移植到SimRobot仿真平台,结果表明多优化设计RRT算法在未知环境中具备良好的实时性和鲁棒性,能够满足机器人在赛场上的路径规划要求。     

基于强化学习的全自主机器人足球系统协作研究

从人工智能的角度上说,机器人足球比赛主要研究了多智能体系统要解决的分布的多机器人在复杂的动态环境下,如何通过相互协商完成某一复杂任务。全自主机器人足球是机器人足球发展的一个趋势,在完全未知的环境中,通过自身学习来了解和积累外部信息,对于传统强化学习,存在容易出现死锁,学习速度慢,要求外部条件是静态等缺陷。本文提出了一种基于蚁群算法的强化学习模型,即蚁群算法与Q学习相结合的思想。随着赛场上态势的渐趋复杂,传统的Q学习速度会变得很慢且交互困难。通过对新算法的分析,实验数据显示：新算法不仅提高了Q学习的学习速率,在解决状态空间维数的灾难问题上,也是可行的。     

正弦曲线的足球机器人路径规划

为了提高机器人足球比赛中的成功率,在分析基本算法不足的基础上,利用正弦曲线具有光滑、可微的特性,解决机器人小车在到达目标点位置和姿态的运动过程中,所遇到障碍物及保持最佳姿态的路径规划问题.仿真试验表明,提出的方法具有较强的路径规划能力,对机器人初始条件可不加限制,计算量非常小,具有较高的实用价值.     

动态环境中基于遗传算法的机器人路径规划

为解决动态环境中足球机器人的路径规划问题,采用栅格法对机器人工作空间进行划分,用序号标识栅格,并以此序号作为机器人路径规划参数编码,建立了以路径最短、避障为优化目标的遗传算法个体评价函数.采用轮盘赌选择、重合点交叉、多种变异结合等方法完成了遗传操作.针对遗传算法易陷入局部最优的不足,在标准遗传算法基础上加入了复原操作和重构操作,使改进后的遗传算法收敛于全局最优.仿真结果表明:该算法能够成功地在动态环境里规划出一条近似最优的路径,算法是有效的.