多机器人编队的人工势场法控制

针对多机器人编队控稍中的队形形成问题进行研究.利用控制算法中的人工势场法解决多机器人队形形成问题,结构简单、易于计算,方便对多机器人实时控制.首先,针对多机器人的队形位置用目标点搜索算法,寻找到正确的队形位置点,防止多机器人在空间内绕路,减少编队时间;然后,通过人工势场算法规划各机器人的路径,在机器人行进过程中,利用优先级蔽障方法避免与其他机器人碰撞;最后,对多机器人的队形形成进行仿真,实验证明队形形成的有效性,算法简单易于实现.     

基于人工势场和虚拟领航者的智能车辆编队控制

为提高交通效率和道路安全,对公路环境中的智能车辆编队控制问题进行了研究.采用人工势场和虚拟领航者相结合的方法进行车辆控制,考虑公路环境约束和编队纵横向安全距离,以理想公路编队为目标,提出虚拟领航者椭圆势场作用域,建立编队单元模型,并通过Lyapunov函数证明了模型的稳定性.为提高编队单元模型的应用灵活性,消除多车编队车辆位置误差问题,将分解-迭代思想引入到多车辆编队控制中,依据道路条件设立编队单元的纵横向迭代.以六车辆编队为例进行仿真验证,结果表明:所建立的车辆编队模型可以稳定有效地控制车辆,实现理想公路编队行为.     

基于行为的多机器人编队控制的仿真研究

多机器人的编队问题是多机器人协作中的一个典型问题,编队包括队形形成和编队控制。针对多机器人的编队控制问题,本文采用基于行为法和基于leader的协调策略相结合的方法。首先根据Motor Schema的反应式控制结构,设计了五种基本行为,即奔向目标行为（move-to-goal）,保持队形行为（keep-formation）,躲避静态障碍物行为（avoid-stastic-obstacle）,躲避机器人行为（avoid-robot）和随机行为（random）,对各行为进行加权形成局部控制器来控制机器人的局部行为。然后利用基于leader的协调策略来协调各个机器人的行为,形成全局控制器来控制机器人的最终的行为。通过仿真,验证了该方法的可行性和有效性。     

改进人工势场法的机器人路径规划

目的解决复杂环境中存在大型障碍物导致路径规划失败的问题。方法基于改进人工势场法的基础上结合边缘探测法,引入沿边走行为。结果移动机器人能够顺利到达目标点。结论改进后的人工势场法结合边缘探测法确保移动机器人快速走出局部极值点且能躲避大型障碍物。仿真结果验证了该方法的有效性。     

改进人工势场算法的路径规划

人工势场法是一种适用于局部路径规划的算法,针对人工势场法存在的目标不可达、局部极小值等固有缺陷,提出了一种改进后的人工势场法。首先针对目标不可达问题,将引力影响因子添加到斥力场的生成中,改进斥力场函数,从而避免引力与斥力合力为零的情况。针对局部极小值问题,通过设立虚拟目标点来引入额外外力,打破机器人的平衡问题。通过与其他算法的对比实验,仿真结果显示,改进人工势场法规划的路径长度和消耗时间都更短,稳定性更强。     

基于人工势场的机器人动态路径规划新方法

针对传统机器人路径规划方法仅考虑静态环境的问题,建立了一种基于人工势场的移动机器人动态路径规划新方法.移动机器人运动环境通常是复杂多变的,在动态环境下,目标点、障碍物可能都是运动的,另外,存在运动轨迹未知的随机障碍物等,针对移动环境的动态情况,在传统人工势场法相对位置势场的基础上引入相对速度势场,充分利用量子粒子群算法,对引力势场和斥力势场的增益系数进行一定的优化.以量子粒子群的优化算法进行快速全局搜索,结合人工势场操作,对引力场和斥力场增益系数进行优化,该方法易于实时快速地对机器人进行控制.仿真结果表明,基于量子粒子群算法的人工势场法的路径规划模型能够得到平滑、安全的路径,具有较高的性能.该方法可以有效地实现机器人的动态路径规划.     

基于领航者模式的多机器人行星式编队运动

根据行星系公转与自转的运行规则,提出了基于领航者模式的行星式多机器人编队方法.在该模型中,领航者机器人相当于行星系中的恒星,而跟随者机器人相当于行星系中的行星,领航者机器人和跟随者机器人之间依靠万有引力实现编队的聚合与稳定前行,实现跟随者机器人围绕领航者机器人运转,编队半径可以随时改变,以适应环境的变化;同时,群体机器...     

基于改进人工势场法的机织机器人避障路径规划

针对机织机器人自动化作业时的避障问题,提出基于改进人工势场法的三维避障路径规划算法。利用改进人工势场法中斥力势场函数,引入修正系数,在机织机器人陷入局部极小值点时增加虚拟障碍物,破坏其在虚拟力下的平衡状态,解决了人工势场法无法到达目标位置和局部极小值点的问题。通过体素化网格方法和快速凸包算法处理障碍物点云数据,重建实际障碍物模型,提高了碰撞检测效率。仿真结果表明,以点云数据重建障碍物模型并采用改进人工势场算法规划出的避障路径使机织机器人成功到达目标位置,末端位置精度平均提高37%,并避免陷入局部极小值点。     

基于PSO的多机器人编队控制

提出了一种新的编队算法。该算法针对不同的编队形状,根据机器人的位置信息,构造不同的函数,利用群体智能优化算法中的微粒群算法进行函数优化,优化过程中的最优解作为机器人的运动方向。最后利用该算法实现了线形、三角形、六边形和圆形编队,仿真结果表明了该算法的有效性。     

基于势场函数的多智能体编队避障控制

势场函数方法广泛应用在避障与目标追击控制中,但是大多应用在静态环境中,即障碍物与目标是静止的。通过扩展势场函数,并结合图论与领航者方法,设计出新的控制算法。障碍物与目标的速度都考虑在势场函数定义中。基于这种新的控制算法,研究了多智能体群集控制,所提方法不仅保证智能体追击上运动的目标,同时确保能安全躲避障碍。由于所提方法是基于智能体行为,因此方法的一个优点就是容易升级。最后,仿真表明所提方法的有效性。     

基于混沌人工势场法的机器人路径规划

本文以人工势场法为基础,提出了一种基于混沌人工势场法的机器人路径规划方法,该方法解决了传统人工势场法存在局部最优点问题、在相近障碍物间不能发现路径、在障碍物前震荡、在狭窄通道中摆动等缺陷。仿真试验表明,该方法能有效的实现机器人路径规划。     

基于人工蜂群算法的现场服务调度问题研究

现场服务调度问题是一类极为复杂的NP难题,是影响现场服务效率的关键问题。针对现有研究中未考虑客户满意度的问题,综合运用前景理论与模糊理论,以降低客户平均不满意度为目标,建立了有时间窗约束的现场服务调度问题模型;并借助改进的最廉价插入法与人工蜂群算法结合的方法对该问题进行优化求解。最后,通过算例仿真发现,与传统的贪婪算法相比,人工蜂群算法在优化质量和鲁棒性方面的优势更为明显。     

基于人工势场和元胞自动机的人员疏散系统仿真

基于元胞自动机模型对公众场合火灾中人员疏散进行研究,通过对火灾中疏散个体微观建模,结合人工势场将影响人行为的火、门和障碍物等各种因素量化,构建出元胞的移动规则,从而确定元胞下一时间步长的移动路径.仿真结果显示,该系统能够较真实地模拟人员疏散过程.     

基于人工势场环境模型的布局定位设计优化方法

为了获得布局性能最优的设计方案,提出以人工势场方法为基础的布局定位模型表示方法.通过建立不同影响因素下的引力势场和斥力势场以及总势场叠加模型,把布局定位问题转化为在人工势场中搜索势能极值位置问题.采用栅格模型对布局空间的环境信息进行描述,得到布局环境状态数字势场模型.提出一种基于改进连续蚁群算法的布局定位算法,进行布局定位方案求解.通过对几种算法求得的布局设计方案对比分析,验证了所提出的人工布局势场模型构建以及优化算法的有效性.     

人工神经网络理论在控制领域中的应用综述

力图从人工神经网络的研究历史出发,在对人工神经网络在控制系统中的应用现状作出概述之后,针对当前的自动控制领域所遇到的难点问题,说明为什么人工神经网络理论能在其中获得如此广泛的关注,并详细论述其适用于控制工程领域应用的主要特征。     

基于改进的人工势场法的机器人避障控制及其MATLAB实现

针对传统人工势场法存在局部极小点,而且容易导致路径规划失效的问题,通过改进的人工势场法,可以解决局部极小问题,使机器人尽快跳出局部极小点.从而有效地克服了机器人在障碍物附近出现的反复震荡或停止不前等问题,使机器人运动轨迹更平滑,从而更接近最优路径.仿真实验结果说明此方法有效.     

基于神经网络的地层损害识别研究

地层损害问题广泛存在于现场作业的各个环节，严重影响地下油气的采收，是石油工业难以对付的问题之一，因此如何正确识别出地层损害类型，是选择恰当处理措施的关键所在．本文将人工神经网络用于识别地层损害类型这一研究中，获得了成功．神经网络由于具有强大的学习能力和容错能力，因此能根据现象准确地推断出地层损害类型来，使得这一研究具有快而准、使用方便的特点．     

基于人工神经网络的地下矿山岩层移动研究

提出了采用人工神经网络方法进行地下金属矿山岩层移动预测，结合模糊数学对选取的地表移动影响因素进行了处理．计算结果表明，所选取的各因素之间及其与岩层的移动角之间存在着较强的非线性关系，移动角的大小与选取因素有着密切的联系，进而从理论上证明可以预测由于开挖引起的岩层和地表移动的范围问题．     

人工冻土温度场的智能方法预测

通过对两淮地区新建十几个冻结法施工井筒温度场的实测数据样本分析,较全面地考虑影响人工冻土温度场发展的诸因素,利用智能方法对大量样本的学习,形成了一个大型的能预测温度场的开放式网络结构。并与实测数据比较,表明该方法对未知温度场的发展能进行较好地预测,对井筒开挖时间、开挖方式及井壁结构的确定有重要意义。     

基于独特型网络动力学模型的人工免疫算法

针对传统人工免疫算法中相似度、浓度以及抗体现有评价方式存在的缺陷，采用独特型网络动力学模型，通过改进亲和力计算方法，使之综合表达函数值和抗体相似程度的信息，以抗体的浓度作为适应值，提出了一种基于独特型网络动力学模型的人工免疫算法．仿真结果表明，这种算法对多模态函数优化是有效的，其搜索效率及收敛速度均优于常见的人工免疫网络算法Opt—aiNet．