移动机器人定位方法对比研究

定位问题是移动机器人领域内一个最重要的内容.首先定义了用于移动机器人位置跟踪的系统模型,介绍了基于该系统模型的移动机器人定位方法.在统一的平台上实现了三个滤波估计定位方法,二个贝叶斯估计定位方法,一个地图匹配定位方法,并基于一批实际的测量数据对六种定位方法进行了实验验证,对实验结果进行了深入的分析与比较.基于滤波的定位方法定位更精确,基于贝叶斯估计的定位方法更鲁棒.地图匹配定位虽然简单易行,但不能解决动态或相似环境中的定位问题.     

一种基于BFGS拟牛顿公式的运动目标跟踪方法

提出了一种基于BFGS拟牛顿公式的运动目标跟踪新方法．将跟踪目标描述为特征空间中的直方图概率密度函数，运用Bhattacharyya距离作为相似性度量准则并构造定位目标函数：通过BFGS拟牛顿方法合理确定搜索方向进行目标的定位；采用逐层区域划分搜索策略。有效的避免了目标丢失的问题．实验结果表明该方法在精确性和实时性方面均能满足运动目标跟踪的实用要求。     

基于数据相关的多雷达融合成像相干配准研究

针对多频带雷达融合成像中不同雷达信号间的相干配准问题,提出了一种新的基于雷达测量数据相关的相干配准方法。该方法在相干配准时不需对各雷达数据分别建模,相对于现有文献中采用的基于信号模型的相干配准法,降低算法复杂度的同时消除了建模误差,提高了相位参数估计的精度。对相干配准后的各雷达数据,通过超分辨和最优迭代方法建立全局信号模型,并对空白频带进行数据预测,得到整个频域范围的目标频率响应。仿真结果表明,该方法相干配准时相位参数的估计性能和最终的融合成像性能均优于现有的模型相关方法,且具有良好的抗噪性能。     

基于FastSLAM的RoboCup家庭组机器人自定位方法研究

FastSLAM算法为机器人定位与地图构建开辟了新的研究方向,研究该理论在RoboCup家庭组机器人自定位系统上的应用.从贝叶斯滤波理论,Rao-Blackwellised解耦,粒子滤波器原理等方面论述了FastSLAM的关键技术及基本理论.针对家庭组机器人非结构化场景的特殊情况,提出基于FastSLAM的定位策略.仿真结果表明算法的有效性和鲁棒性,能够为家庭机器人在非结构化场景中的定位问题提供有效地解决方案.     

基于超复数相位相关的彩色图像配准算法

由于数学上的限制,在使用传统相位相关技术对彩色图像进行配准时,必须先将其转化为灰度图像,在此过程中损失了图像的色度信息,导致配准精度的降低。针对此问题,提出了一种具有亚像素精度的彩色图像配准方法。首先通过数学推导得到一种新的超复数相位相关表达式及相关系数与图像位移间的解析表达式,然后使用最小二乘法从相关系数矩阵中,直接估计出图像间存在的位移。该算法能够充分利用彩色图像的灰度和色度信息,提高配准精度。仿真实验结果证明了算法的有效性。     

基于神经网络的移动机器人路径规划方法

针对动态环境下移动机器人路径规划,提出了一种基于递归神经网络的实时路径规划方法。利用神经网络表示机器人的工作空间,每个神经元都只有局部侧连接。目标点位置神经元具有全局最大的正活性值,该活性值通过神经元之间的局部侧连接逐渐衰减地传播到整个状态空间,障碍物及其周围区域神经元活性值则被抑制为零。目标点全局地吸引机器人,障碍物局部地将机器人推开实现避障,从而能够在动态环境下产生最优规划路径。仿真结果表明该方法具有较好的环境适应性和实时性。     

基于SIFT匹配算法的移动机器人单目视觉定位研究

以单目视觉为模型给出基于视觉的移动机器人目标定位系统算法,利用尺度不变特征变换匹配方法(SIFT)求得基本矩阵与本质矩阵,分解本质矩阵后进一步得到相机的运动参数,最后结合立体视觉方法以及运动恢复结构方法获得目标的深度信息,实现目标定位。给出了三维信息获取过程与计算机仿真结果。实验结果表明,算法能满足移动机器人对目标实现定位的精度要求。     

论复杂性的基本特征:自相关性

什么是复杂性?复杂性的基本特征是什么?探讨论述复杂系统自相关性概念,自相关性广泛存在性,比较事物自相关与他相关,分折自相关如何产生复杂性、复杂系统自相关的原因以及复杂系统自相关的方式,从而揭示自相关性是复杂性的基本特征。     

移动机器人网络运动协调的控制与仿真

研究移动机器人网络运动协调的仿真框架与分散控制律的设计。建立了传感范围有限、差速驱动移动机器人网络的数学模型:单个机器人的运动由运动学与动力学方程描述,且驱动力矩和速度有限;有向图和proximity图分别描述机器人间的通信网络和互感网络。设计了基于MATLAB/SIMULINK的运动协调仿真框架,并在此基础上设计了带速度约束的平行运动与自组织编队生成协调控制律。仿真结果证明控制器设计的有效性和仿真框架对不同分散控制律的适用性。     

基于MQNM的双基地雷达目标定位改进算法

针对求解双基地雷达目标定位问题常用的Gauss-Newton法自身固有的缺点,如收敛精度和收敛速度依赖于迭代初值与真实值的接近程度和函数的非线性程度,进一步考虑了目标函数Hessian阵的二阶信息,结合MQNM法(修正拟牛顿法)提出了一种双基地雷达目标定位问题的优化改进算法。计算机仿真结果表明了该算法的可行性和有效性。     

基于模型预测控制的轮式移动机器人轨迹规划

针对轮式移动机器人(Wheeled Mobile Robot-WMR)自身欠驱动的特点,并考虑到实际工作时的各种约束和限制,提出了一种基于模型预测控制(Model Predictive Control -MPC)的多约束轨迹规划方法。可以对车体自身的运动学约束、物理约束以及避障等约束进行集中有效的处理,可以生成符合车体自身模型特点并满足各种约束的可行轨迹,充分保证了轮式移动机器人自主行驶的可行性,安全性,高效性。仿真结果充分验证了该方法的有效性。     

未知环境下改进的基于BUG算法的移动机器人路径规划

对未知环境下移动机器人路径规划的方法和发展现状进行了概述总结,指出了各种方法的优点和不足.同时研究了环境未知情况下的移动机器人实时路径规划问题,将Bug算法与基于滚动窗口的路径规划相结合,提出了一种改进的移动机器人路径规划方法.规划时只考虑当前状态下所必须的传感数据,不必计算障碍物的边线解析式,节省了存储空间,提高了规划效率,保证了算法的实时性.算法采用两种行为模式,为了保证路径规划的完备性和全局收敛,同时给出了全局收敛标准.由于算法的固有原理,在陷阱区域移动机器人容易左右徘徊,无法达到目标点.针对算法的这个问题,利用虚拟障碍的概念提出了基于局部切线图算法的移动机器人路径规划.最后对本算法的收敛性和完备性给予了证明.仿真实验验证了该方法的有效性.     

基于二进制编码QPSO算法的移动机器人路径规划

在分析量子粒子群算法的基础上,针对离散搜索空间的问题,提出了二进制编码的量子粒子群算法.在算法中,重新定义了粒子的位置距离矢量,调整了搜索空间的迭代方程,并引入了多点交叉和精英保留的策略,保证全局收敛的同时加快粒子的收敛速度.并使用De Jong's测试函数对本算法和二进制粒子群算法进行了比较,最后使用二进制编码量子粒子群算法对机器人路径规划进行了仿真实验.     

自主移动机器人中基于强化学习的噪声消解策略

基于行为的自主移动机器人在获取外界信息时不可避免地会引入噪声，给其系统性能造成一定的影响。提出了一种基于过程奖赏和优先扫除(PS-process)的强化学习算法作为噪声消解策略。针对典型的觅食任务，以计算机仿真为手段。并与其它四种算法——基于结果奖赏和优先扫除(PS-result)、基于过程奖赏和Q学习(Q-process)、基于结果奖赏和Q学习(Q-result)和基于手工编程策略(Hand)进行比较。研究结果表明比起其它四种算法，本文所提出的基于过程奖赏和优先扫除的强化学习算法能有效降低噪声的影响，提高了系统整体性能。     

移动机器人导航中噪声影响的仿真研究

基于行为的移动机器人在获取外界信息时不可避免地会引入噪声,给移动机器人的导航造成一定的影响。首先建立了一个考虑了噪声影响的基于行为的移动机器人的仿真实验系统,然后以机器人导航任务为例,定量研究均匀分布噪声和高斯白噪声对机器人导航效率的影响;同时讨论机器人运动模块间的两种组合方式——加权平均方式和加权最大方式在抑制噪声方面的作用。研究结果表明噪声使移动机器人的导航效率降低,完成导航任务所需的行程时间增加;加权平均方式比加权最大方式在抑制噪声方面效率更高,这对机器人运动模块的抑噪设计有良好的指导作用。     

基于COM技术的多移动机器人仿真系统

提出了一种基于COM(ComponentObjectModel,组件对象模型)技术的多移动机器人仿真系统的模型,并通过该模型初步实现了一个将移动机器人控制器组件化的仿真平台。COM规范定义的组件模型所具有的进程透明特性和可重用性很好地对应了多移动机器人系统的分布式特点。采用COM技术的多移动机器人仿真系统,具有良好的分布式运行能力和方便的实时交互能力,极大地方便了多移动机器人系统的研究工作。     

一种移动机器人自适应轨迹跟踪控制算法研究

针对轮式移动机器人的轨迹跟踪问题,提出了一种基于运动学模型的自适应轨迹跟踪控制算法。在分析经典轨迹跟踪控制律缺点的基础上,算法中引入了机器人位姿误差的纵坐标误差以加速机器人的轨迹逼近速度,并采用人工场和位姿误差协同作用来共同完成机器人的导向控制。该控制律结构简单,鲁棒性强。仿真实验表明该方法使移动机器人具有更理想的逼近轨迹。     

基于多次测量更新的移动机器人SLAM仿真

针对移动机器人同时定位与地图构建(SLAM)技术中,非线性系统进行线性化处理所产生的线性化误差问题,从费切尔信息角度分析,提出多次测量更新算法.该算法利用滤波中预测和各次更新阶段状态向量的费切尔信息加权关系,解算每次测量更新后的状态估计,通过多次将更接近于真实状态的估计值融入观测信息,可得到较高精度的后验状态估计,降低线性化误差的同时提高了机器人定位与构图准确性.实验部分实现多次测量更新与一次测量更新算法的仿真与对比,结果表明:所提算法能有效降低机器人位姿误差和地图估计误差.