机器人足球学习机制的研究现状与发展

对机器人足球球员如何实现复杂任务中的行为学习理论、方法、技术和应用进行评述,指出其存在的局限性,以及在机器人足球领域的学习策略.机器人足球系统作为多智能体系统研究的测试床,许多研究者从不同的侧面对该项技术进行了研究并取得了一定的成果.对机器人足球系统的研究,目前包括足球机器人体系结构、多机器人的协作、动态环境下的推理和行动、传感器数据融合、复杂任务中的行为学习、对手建模等内容.     

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。     

微型机器人足球系统研究

文章对系统中的足球机器人小车子系统、无线通讯子系统等关键技术进行了细致阐述。机器人足球系统作 为一个多学科交叉研究结合点为综合科学技术研究提供了一个优秀的测试平台。     

微型机器人足球系统研究

章对系统中的足球机器人小车子系统、无线通讯子系统等关键技术进行了细致阐述。机器人足球系统作为一个多学科交叉研究结合点为综合科学技术研究提供了一个优秀的测试平台。     

多机器人系统形成联合协作的综合评价算法

多机器人协作是多机器人系统研究中的核心问题.为建立某种机制使机器人稳定地组织起来完成某一不能由单机器人完成的任务并达到全局最优,提出了综合评价算法.从机器人个体的自私利益出发,以经费和报酬的驱动,通过包含环境知识、历史经验、信用3个方面的综合评价值进行选举和谈判,自发地建立联合协作,完成复杂任务.算法通过调整权值,能够适应于不同的全局最优目标.该法运用到机器人足球这一典型的多机器人系统平台表现出良好的效果.     

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。     

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。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。     

基于神经网络和模糊推理的移动机器人行为决策与控制

以足球机器人系统为实验平台 ,针对移动机器人智能决策中的实际问题 ,提出了一种基于径向基函数神经网络的机器人行为决策方法 ,通过神经元学习和训练以及自身的泛化能力 ,可以很好地利用多源信息进行机器人行为决策 ,以提高行为决策的有效性 .同时为了保证行为决策的实施效果 ,将模糊推理技术与传统的PID控制相结合 ,既保证了移动机器人系统运动控制的准确性和稳定性 ,又缩短了动态调整时间 ,取得了较好的控制效果 .     

基于视觉的足球机器人决策规划研究进展

机器人足球比赛的核心系统是决策规划。对整个机器人足球决策子系统分层加以论述，主要介绍了国内外关于机器人足球决策的一些主要研究成果和最新进展。既介绍了传统的基于规则的方法，也讨论了基于模糊逻辑、遗传算法、强化学习等智能方法的决策技术。并就关键问题进行了分析和探讨，同时对机器人足球的发展趋势做了展望。     

不悔步方式在微型足球机器人系统中的应用

研究了不悔步方式搜索策略在微型机器人足球系统中的应用．微型足球机器人通过积极地辨识当前所处的状态和实时地利用当前的有效信息，采用神经网络对机器人的一般特性和有限的记忆进行不悔步方式搜索策略的执行。     

NDSocTeam仿真机器人足球队的设计和实现

机器人足球(RoboCup)是研究多agent系统的体系结构、多agent团队合作理论以及机器学习方法的理想测试平台。介绍了开发的仿真球队NDSocTeam系统的设计原理和实现技术。系统设计了以机器学习技术为核心的球员agent结构，并建立了一种分层学习以及多种学习技术相结合的机器学习系统．重点描述了NDSocTeam系统的总体结构、球员agent的结构以及机器学习的实现技术。     

基于双层决策模型的足球机器人决策系统

设计并实现了基于行为的足球机器人系统：主要包括基本行为器和进攻、防守模块的设计与实现。采用双层的决策系统,主动完成知识提取并确定机器人协同任务的特性,使整个系统具有智能体的特征。计算机仿真技术给机器人球队提供“学习”能力,在计算机上建立模型、开发比赛策略,反复试验后可将成功的策略移植到实际的机器人球队上进行比赛。     

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·     

足球机器人决策子系统设计

机器人足球是一个极富挑战性的高技术密集型项目,其研究内容包括智能感知、智能思维、智能学习和智能行为等方面,同时也是机器人足球比赛的竞争焦点。要在比赛中取得好成绩,不仅要有好的运动性能,还要有好的策略,这就涉及到决策对策、多机器人配合以及运动轨迹规划等问题。本文就以全自主足球机器人为例,阐述足球机器人决策子系统设计步骤。     

基于区域的微型足球机器人行为产生方法

构建良好的策略子系统是足球机器人研究中的重点问题．提出了一种新的微型足球机器人行为产生方法．在分析了机器人各种可能的反应行为基础上,将比赛场地化分为10个区域,针对每个区域的具体特点确定了相应的反应行为及条件．深入分析了攻、防争夺区域的不同情况,给出了各种情况下的有利目标点和反应条件,建立了机器人行为触发机制．该行为产生方法将角色分配和行为产生相结合,使场上每个机器人随时都有明确的目标和行为,蛄构层次分明,实时性强,便于升级．     

并联微动机器人的研究现状

阐述了微／纳米技术的发展对微动机器人进行研究的意义，分析了国内外微动机器人尤其是并联微动机器人的研究现状．对并联机器人的机构类型、运动学性能、静力学和静刚度性能、动力学、精度、运动学标定以及微动机器人的系统检测和测试进行了分析研究．提出了进一步研究的内容和任务，得出了新型结构并联微动机器人系统开发的研究方法和技术路线．     

多机器人系统的关键技术研究

由于机器人的应用越来越广，机器人也从单一机器人系统应用到多机器人系统应用．阐述了多机器人系统的特点以及设计多机器人系统需考虑的基本问题，着重讨论了多机器人的特点、所能完成的任务、社会特征、个体应具备的能力、通讯问题及学习问题。     

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。     

基于行为的多机器人对手意图识别二次估计方法

在动态对抗性环境下竞争的多机器人系统,对于对手的意图进行有效而准确的识别,从而有针对性地提出对策,是获得优势的必要条件。该文针对多机器人系统的对手意图识别提出了基于行为的行为序列估计和行为规则拟合的二次估计方法,引入环境约束、危险评价和行为概率作为判据对多个意图进行排序,避免单一行为结果的推断,实时准确地为决策提供支持。通过机器人足球这一典型的对抗性多机器人系统平台进行了验证,证明该方法在实时性和准确性上均比现有方法有很大提高。     

多Agent技术的研究进展

多Agent技术主要研究一组自治的Agent在分布式开放的动态环境下,通过相互的交互、协商等智能行为完成复杂的控制或任务求解。本文从多Agent技术的系统理论及其应用两方面评述了多主体技术的研究现状和存在的问题,其内容包括多Agent技术中的系统体系结构、各Agent之间的协作机制、学习机制及多Agent技术应用等,并探讨了将来的发展方向。