一种多帆器人协作围捕策略的研究

在二维受限环境中,研究多机器人对移动目标的协作围捕问题,结合追捕者与逃逸者的相对位姿,对多机器人围捕的初始状态条件进行划分,针对多机器人群体规模、速度、成功围捕条件进行讨论,并对目标机器人的逃逸策略和围捕机器人的围捕策略进行协调性动态调整,提出了采用夹角最大原则的逃逸策略,确定了迎面对角阻截与虚拟势点相结合的围捕策略。课题对分别将新提出的逃逸策略和围捕策略与原有逃逸策略和围捕策略相比较进行仿真实验,结果表明所提出的动态调整策略的有效性。     

一种多机器人围捕策略

以多机器人的围捕为研究对象,分析了成功围捕目标机器人的临界条件,即围捕机器人和目标机器人速度比的临界值,给出了该临界值的计算公式.设计了当围捕机器人的速度小于目标机器人的速度时多围捕机器人的伏击围捕方案:即先将目标机器人驱入最佳围捕区,然后再实施智能围捕策略完成围捕任务.采用Matlab的仿真结果验证了临界条件的正确性以及伏击围捕方案的有效性.     

基于模糊控制协调策略的多自主机器人围捕

为了降低多机器入围捕中的通信量,提高多机器人系统对未知环境的适应性,提出了一种基于模糊控制协调策略的多自主机器入围捕方法.围捕机器人根据感知范围内同伴和目标的分布,从L模糊控制器、R模糊控制器和M模糊控制器中选取合适的一个用以控制和最邻角同伴之间的夹角,进而实现多机器人之间的局部协调,结合基于局部感知的目标跟踪,在围捕...     

合作围捕移动机器人小队中机器人的反馈控制

本文介绍了一种反馈控制方法来协调多主体移动机器人围捕一个目标,并重点讨论了对机器人的反馈控制及稳定性.     

针对逃逸目标的多机协同围捕策略研究

针对多无人机对入侵飞行器的协同追踪围捕控制问题,将自然界中生物群落在捕捉猎物时展现的逃逸-围捕策略引入到多无人机协同作战研究中,设计了一种多无人机协同围捕逃逸目标策略。该策略由2个阶段组成,第1阶段使用基于动态反馈线性化的控制方法准确跟踪逃逸目标,第2阶段使用李雅普诺夫矢量场方法。该方法可以保障多无人机在围捕飞行中躲避敌方防空力量、雷达探测等危险区域。仿真结果验证了所设计的策略在多无人机围捕和阻止目标逃逸场景中的可行性与有效性。     

面向多机协同的Att-MADDPG围捕控制方法设计

多无人机对动态目标的围捕是无人机集群作战中的重要问题.针对面向动态目标的集群围捕问题,通过分析基于MADDPG算法的围捕机制的不足,借鉴Google机器翻译团队使用的注意力机制,将注意力机制引入围捕过程,设计基于注意力机制的协同围捕策略,构建了相应的围捕算法.基于AC框架对MAD-DPG进行改进,首先,在Critic网络加入Attention模块,依据不同注意力权重对所有围捕无人机进行信息处理;然后,在Actor网络加入Attention模块,促使其他无人机进行协同围捕.仿真实验表明,Att-MAD-DPG算法较MADDPG算法的训练稳定性提高8.9％,任务完成耗时减少19.12％,经学习后的围捕无人机通过协作配合使集群涌现出更具智能化围捕行为.     

多模块式移动机器人系统的自组织协作行为

设计了一种新颖的、由4个基本功能模块组成的模块式移动机器人.针对多模块式移动机器人系统在复杂环境下的自组织协作行为,提出了目标趋向控制、多障碍物避障和自组织协调3种运动策略.分析了多机器人目标趋向运动的方向选择规则;描述了基于“感知 动作”的多障碍物避障控制策略,实现了多机器人连续避障并到达指定目标点;研究了多机器人的协调运动策略,通过多机器人协作完成了单机器人无法完成的搬重物、过台阶等任务.三维仿真结果表明了该控制策略对不同环境、多障碍物条件下多机器人协作行为的适应性.     

一种结合Fisher编码的多示例聚类算法

多示例学习中的数据是由包含多个示例的包所组成的,样本之间真实的相似性被正包中大量的假正例所掩盖。为了拟合多示例数据真实的分布情况,提出了一种结合Fisher编码的多示例聚类算法MIFK-means。首先通过Fisher编码在保留数据语义的同时对多示例数据进行归一化降维,然后通过示例层次的K-means聚类算法揭示多示例数据的分布情况。在基准数据集上的实验表明,MIFK-means算法的聚类效果明显好于包层次的多示例K-means聚类算法,分类精度也可以和现有的经典多示例算法相媲美。     

一种基于蚁群算法的多机器人协作方法

设计了一种基于蚁群算法的多机器人协作策略,由此解决多机器人系统在未知环境工作中的自主协作规划问题.针对多机器人系统在未知环境中可能存在任务死锁的问题,对基本的蚁群算法进行了相应改进,通过仿真验证了该改进方法的可行性.     

一种基于聚类的图卷积多示例学习算法

基于图结构的多示例学习可用于解决挖掘包中示例间相关性问题.然而,现有的方法大多随机选择包中示例构建图结构,忽略了包中具有代表性示例对图结构的影响;同时都是间接在包图结构上建立分类器,造成了模型运行效率低下的问题.针对上述问题,提出了一种基于聚类的图卷积多示例学习算法MIL-GCC,首先通过聚类方法获取每个包中的超示例,...     

基于竞标机制的多移动机器人实时编队控制

研究了整体时间最优的多移动机器人实时编队控制问题。由于在多机器人编队围捕等一些任务中,存在任务时间或通信范围有限等约束,提出了基于竞标机制的时间最优控制策略。针对编队过程中机器人可能发生故障等问题,在实时编队控制策略中设置了监督机制,以保证任意时刻编队队形的完整。设计了与竞标和监督机制相适应的机器人编队及运动行为,使得移动机器人的运动时间最少。通过编队形成及编队改变等一系列实时编队仿真实验,结果表明:本文提出的编队控制策略灵活可行,且能满足编队控制中实时性的要求。     

室外区域充满运行机器人导航定位的一种策略

该文根据在室外非结构化环境中实现区域充满运行的一类移动机器人的工作特点，提出了利用组合定位系统和数字地图匹配算法对机器人进行导航定位的一种策略。利用基于环境特征位置探测和数字地图信息匹配相结合对定位误差进行修正的方法来提高机器人导航定位精度。该方法克服了传统导航定位方法存在累积误差和系统复杂、成本高等缺点。经实验验证：该文提出的定位系统和误差修正的方法能满足移动机器人区域充满运行的定位精度要求。     

基于协同聚类的多核学习

针对实际应用中经常出现的异类数据源,采用多核学习的支持向量机受到关注.然而随着核函数数量的增多,计算量也随之大大增加.为了解决这一问题,该提出了一种利用协同聚类对多核支持向量机的训练数据进行简化的方法,可以减少支持向量机的数目,从而减少计算量.实验结果显示,提出的方法可以提高多核支持向量机的效率,同时还不会影响分类精度.     

非完整移动机器人的迭代学习控制

首先针对迭代初态偏移期望初态的情况,利用构造期望轨迹的办法给出了基于相对阶的迭代学习控制算法,然后借助于压缩映射原理与Gronwall-Bellman不等式给出了算法收敛性的证明.最后将得到的迭代学习控制律应用于非完整移动机器人的跟踪控制问题.MATLAB仿真结果表明了所给控制算法的有效性.     

一种基于改进动态联盟算法的多机器人协作捕猎方法

多机器人协作捕猎,不仅需要解决目标搜索、追赶和避障等基本问题,还需要设计最优任务分配机制,构建高效追捕联盟,以便快速地捕获猎物。综合考虑机器人和目标之间的各种相关属性,定义量化标准,构造辅助决策矩阵,建立动态联盟。然后将基于生物刺激神经网络的追赶策略用于联盟形成后的追捕过程中。仿真实验表明该算法具有较高的围捕效率。     

移动机器人的自学习导航策略

针对标准Q学习收敛较慢的缺点,采用多步Q学习算法,为解决连续过程的学习问题,采用CMAC神经网络对连续状态空间进行泛化,讨论了基于CMAC的多步Q学习算法应用于导航系统的实现方法,并与其他方法进行仿真比较,结果了表明了该算法的有效性。     

轮式移动机器人滑移补偿鲁棒控制

提出了滑移补偿鲁棒控制策略. 首先建立包含滑移因素的移动机器人运动学模型,其中滑移量以附加的有界扰动形式引入. 借助链式系统理论,将带有滑移扰动的系统运动学模型转化成为一个标准的受扰链式模型,利用该模型的数学结构可以方便地设计变结构鲁棒控制器. 由稳定性分析可知,滑移补偿鲁棒控制器可以保证法向控制误差的收敛以及姿态误差有界. 仿真实验表明,设计的滑移补偿鲁棒控制器可以有效地消除滑移因素对轨线控制精度的负面影响,提高移动机器人在复杂地形条件下的可操作能力.     

基于多目标优化的移动机器人避障算法

针对移动机器人自主导航过程中由于过多寻求当前时刻最优路径或最优解而产生死锁或震荡现象,提出了一种动态变化权重的移动机器人行为融合避障算法.该算法利用多目标优化方法获得移动机器人最有效解,并把指定目标的移动机器人避障导航过程分解为3个子行为避障系统.通过动态改变子行为函数的权重和优先级,实时获得当前时刻最满意路径或最有效路径.实验结果表明,该算法可在确保避障过程鲁棒性前提下,有效地改善避障导航的安全性和平滑性。     

基于碰撞危险度和运动预测的多移动机器人避碰规划

针对自主移动机器人决策处理的滞后问题，采用预测算法对其它移动机器人的速度信息进行预测，并把速度信息用到碰撞危险度避碰策略中，机器人便可进行下一步的避碰行动决策，最后给出了这种方法的避碰仿真研究，结果表明该方法可行且有效。     

机器人部队运动多目标合作追捕算法

针对现有追捕问题只研究单个逃避者又附加了诸如逃避者的速度慢、视野小、只能随机逃避等使逃避者处于劣势或与追捕者轮流运动等额外条件的问题,研究了相同速度和视野范围的逃避者和追捕者同时智能运动时的机器人部队运动多目标的合作追捕算法．该算法根据入侵者的不同类型,机器人部队首先执行运动目标承诺生成算法,由不同数目的机器人协商动态组成追捕团队,追捕团队再按运动多目标合作追捕算法进行合作追捕．仿真结果表明,机器人部队能够高效地合作捕获智能逃避的入侵者,算法的低复杂性可以在复杂动态环境下实时实现．