一种基于强化学习的自适应变步长路径规划算法

在基于神经网络结构的机器人全局路径规划算法中，利用强化学习的思想，引进评价预测学习的自适应变步长算法，实现了步长的在线自动调节，加快了路径规划的计算速度。仿真试验表明，该算法能有效实现步长参数的在线自动调节，并使路径规划收敛速度平均提高了10倍以上。     

一种基于神经网络的机器人路径规划算法

研究已知障碍物形状和位置环境下的全局路径规划问题。给出了一个路径规划算法 ,其能量函数的定义利用神经网络结构 ,根据路径点位于障碍物内外的不同位置选取不同的动态运动方程。规划出的路径达到了折线形的最短无碰路径。仿真研究表明 ,本文提出的算法计算简单 ,收敛速度快 ,方法可行     

变步长自适应滤波算法的谐波检测

为提高自适应滤波算法的收敛速度,并降低其稳态误差,建立了LMS算法理论最优步长值与误差信号和输入信号之间的关系,提出了一种新的变步长LMS自适应谐波检测算法。该算法的优点是:根据误差信号的平方时间均值估计来调节步长因子,克服了以往算法在自适应稳态阶段步长调整过程中的不足。即使待检测信号的信噪比较低,检测过程也具有较快的动态响应速度和保持较小的稳态失调噪声。计算机仿真表明,该算法具有更好的收敛精度。     

基于自适应模糊神经网络的机器人路径规划方法

为了解决传统反应式导航中的复杂陷阱问题,优化导航控制,减少计算复杂度,提出了基于自适应模糊神经网络的机器人导航控制及改进型虚目标路径规划方法.首先根据移动机器人运动学模型,融合神经网络的自主学习功能与模糊控制的模糊推理能力,提出了基于自适应模糊神经网络的机器人导航控制器,将生成的Takagi-Sugeno型模糊推理系统作为机器人局部反应控制的参考模型.该自适应模糊神经网络控制器实时输出扰动角度,在线调整移动机器人的预瞄准方向,使移动机器人能够无碰撞趋向目标.然后,提出了一种改进型虚目标方法,优先选择机器人可能逃脱陷阱状态的路径,简化了设计难度,改变了虚目标切换方式,避免了大量复杂计算.实验结果表明,提出的方法可以帮助机器人在全局信息未知的复杂环境中导航,在趋近目标点的过程中能有效避障,无冗余路径产生,且轨迹平滑.     

一种改进的变步长LMS自适应滤波算法

在分析传统LMS(Least Mean Square)算法及其改进算法的基础上,提出了一种新的改进的变步长LMS算法。新算法利用误差信号以及误差信号相关值共同调整步长,克服了一般变步长LMS算法低信噪比环境下抗噪较差以及高信噪比环境下收敛较慢的缺点。计算机仿真结果表明,与传统LMS算法和VSSLMS算法相比,该算法收敛速度更快,均方误差更小,同时也具有良好的抗噪性能。     

动态环境中基于模糊神经网络的机器人路径规划的一种新方法

动态环境中，移动机器人的动态路径规划是一个较难解决的课题，提出了一种基于模糊要领的动态环境模型和在此模型基础上结合模糊神经网络的机器人路径规划方法。这种方法利用动态环境中物体的信息动态调整模糊神经网络的权值，加快整个神经网络的收敛速度，以达到对机器人的下一步动作进行动态控制的目的。该方法充分挖掘了应用人工神经网络、模糊推理解决移动机器人动态路径规划的潜力，通过计算机仿真表明该控制方法具有良好的动态路径规划能力。     

一种新的变步长LMS自适应滤波算法

对变步长自适应滤波算法进行了讨论,提出了一种新的变步长LMS算法。新算法用误差信号的自相关及均方误差的时域平均来调节自适应滤波算法的步长。由于不需要指数运算,新算法的运算量大大降低,收敛速度快,且消除了不相关噪声的干扰。将该算法用于码间干扰比较严重的大气激光通信系统中,仿真结果验证了算法的优越性。     

BP小波神经网络自适应调节步长的改进算法

在BP小波神经网络的训练过程中,自适应调节步长是对算法效率起重要作用的步骤之一,深入讨论了自适应调节步长的改进算法,从而得到更加方便合理的实时步长调整方法,进一步提高了局部搜索速度。多种情况下的仿真结果表明,该算法能够提高局部搜索速度,具有较广泛的应用价值。     

一种时域变步长BLMS自适应算法

在块最小均方LMS自适应滤波算法(BLMS)的基础上,提出了一种新的变步长的BLMS算法,该算法中的步长随着块平均误差增加或减小而相应地变大或变小,并引入补偿因子,使得自适应滤波器在调节权值的过程中块均方误差在接近零处具有缓慢变化的特性。理论分析和实验仿真表明,该新算法具有比BLMS算法较快的收敛速度,较小的稳态误差,有较好的抑制噪音的能力,有利于实时数字信号处理。     

一种新的变步长LMS自适应滤波算法及其仿真

针对变步长自适应滤波算法收敛速度和稳态误差相矛盾的不足,建立了步长μ(n)与误差信号e(n)之间的一种新的非线性函数关系.该函数具有初始阶段和未知系统时变阶段步长自动增大而稳态时步长很小的特点,且能克服输入端不相关噪声对步长μ(n)的影响.由此函数,得出了一种新的变步长自适应算法,理论分析和计算机仿真结果表明该算法的性能优于文中所述其他算法.     

一种改进的MNVS自适应滤波算法

提出一种改进的归一化变步长自适应滤波算法（ＡＮＶＳ）,它对归一化变步最小均方误差自适应乍法（ＭＮＶＳ）作了进一步的改进,使之既具有愉收敛速度,又有快速跟踪能力,计算机仿真结果表明,该算法的性能明显优于ＭＮＶＳ算法,而其计算量与ＭＮＶＳ算法相当。     

一种基于模型逼近度的变步长BP算法

从步长选择的角度出发，提出了一个基于模型逼近度的变步长ＢＰ神经网络学习算法。数值结果表明该算法具有良好的收敛速度。     

基于自适应遗传算法的无人机航路规划

在规划区域内随机产生一系列威胁点和相应威胁半径来量化无人机(UAV)任务环境,通过纵向剖分目标区,将航路点的表示由二维缩减到一维,采用实值编码以提高运算精度.针对遗传算法(GA)早收敛和收敛慢的问题,在交叉和变异中设计了自适应算子.计算仿真表明该控制算法能使无人机在复杂环境中回避威胁,快速选择最短路径,提高了规划效率.     

好奇心驱动的深度强化学习机器人路径规划算法

针对采用深度强化学习算法实现机器人路径规划任务中,训练前期随机性高导致奖励难获取问题,提出内在好奇心驱动的深度确定性策略梯度算法对连续型动作输出的端到端机器人路径规划进行研究。将环境获取的感知信息作为输入状态,输出机器人动作(线速度、角速度)的连续型控制量,在Gazebo仿真平台进行训练并验证。实验结果表明,基于内在好奇心驱动的深度确定性策略梯度路径规划算法可以较好地实现端到端的机器人路径规划,并且有利于解决训练前期奖励难获取问题,与离散型动作输出的深度Q学习网络模型进行了对比分析,结果表明本文算法决策控制效果更优越。在真实环境中进行了验证,在静态障碍和动态障碍的场景下,所提出算法可成功到达目标点。     

自主车辆路径规划算法研究

在自主车辆的路径规划是否经过特定点的两种实际情况下,提出了不同的解决方案。当车辆不需要经过特定点时,引入A*算法,较传统算法将启发函数改为欧几里得函数(Euclidean Distance),并引入一个权值以降低启发函数的权重。当车辆需要经过特定点时,应用Hopfield神经网络思想优化算法,以达到理想的路径规划。仿真实验表明,改进后的算法使得路径规划寻优得到明显提高,并验证了算法的有效性。     

基于神经网络路径规划的硬件设计

传统路径规划算法在实时系统中存在速度慢等缺陷,笔者给出了路径规划算法的神经网络模型,并通过硬件描述语言在FPGA中得以实现.该算法充分发挥了FPGA的并行运算功能,稳定性好.     

基于神经网络的移动机器人路径规划算法的仿真

研究一种基于神经网络的移动机器人路径规划算法，充分利用神经网络的融合性和并行性提高移动机器人路径规划算法的运算速度．此算法也可以解决机器人的全局路径规划和局部路径规划问题．仿真结果表明这种算法可以快速可行地实现无碰撞优化路径规划，并且对动态环境具有较好的适应性．     

“机器人”路径改进型单亲遗传算法规划及其仿真

在中国机器人大赛"机器人游中国"比赛项目的路径规划基础上,为克服遗传算法在有约束组合优化问题中计算效率不高的问题,提出了改进的单亲遗传算法.该算法在传统单亲遗传算法的计算步骤中,引入了交换算子、提前算子和修复算子,较大程度地提高了单亲遗传算法的搜索效率.Matlab仿真试验表明,改进的单亲遗传算法计算效率和路径规划能力得到大幅度提高.     

改进Q-Learning 算法在路径规划中的应用

针对Q-Learning 算法在离散状态下存在运行效率低、学习速度慢等问题,提出一种改进的Q-Learning 算法。改进后的算法在原有算法基础上增加了一层学习过程,对环境进行了深度学习。在栅格环境下进行仿真实验,并成功地应用在多障碍物环境下移动机器人路径规划,结果证明了算法的可行性。改进Q-Learning 算法以更快的速度收敛,学习次数明显减少,效率最大可提高20%。同时,该算法框架对解决同类问题具有较强的通用性。