基于IBES优化的三维无人机自主避障

针对三维空间环境复杂，航迹规划计算量较大，而现有BES算法受路径搜索能力不足等因素制约，无人机易在低空自主避障时陷入局部最优、难以完成复杂任务等缺陷的情况，提出了一种基于IBES算法的三维无人机自主避障方法。首先，构建威胁源模型、无人机物理约束模型以及三维山地模型，建立代价函数；其次，设计了随机Tent映射来初始化种群，提高初始化种群的质量；然后，针对BES算法在第一阶段——选择搜索空间阶段过早收敛，易陷入局部极值点的情况，引入Levy飞行策略修订此阶段更新公式，跳出局部最优；再后，设计了融合自适应指数权重的黄金正弦指引机制，提高秃鹰在既定空间全面探索并利用搜索空间的能力，解决了BES算法在既定空间内搜索猎物能力不足的问题；最后，设计了动态选择自适应t分布变异算子，提高了全局能力，同时，利用样条插值随机取点解决了路径点过于密集的问题，进一步提升了算法精度。仿真实验结果表明，提出的IBES算法规划的路径相比灰狼算法、改进的飞蛾扑火算法、麻雀算法及秃鹰搜索算法，航程分别降低了23.05、10.55、13.44和3.20 km,代价相比其他4种算法分别降低了7.26、9.51、8.27和4....     

基于神经网络的强化学习在避障中的应用

为了提高移动机器人的自学习能力,在基于行为控制结构的基础上设计了智能控制结构,该结构引入了强化学习模块.神经网络具有很好的泛化能力,该文提出了基于神经网络的强化Q学习算法,克服了表格式Q学习算法只能应用到离散的状态中并需要大量存储空间的不足,最后结合智能控制结构应用到移动机器人的避障中.实验结果表明,该方法能够使移动机器人通过自学习实现自主避障.     

基于改进人工势场模型的无人机局部避障方法

针对无人机在追踪目标的过程中实时避障的问题,利用激光传感器获得的障碍物在无人机所处高度的二维位置信息,提出了一种改进人工势场局部实时避障方法.由于无人机始终对视野中的目标进行追踪,因此不存在唯一且固定的目标点,通过结合激光雷达数据,重新构造人工势场模型并对障碍物产生排斥矢量,引导无人机在快速追踪目标的同时躲避空中障碍物...     

基于深度学习的无人机单目视觉避障算法

针对基于单目视觉的无人机(UAV)避障问题,本研究提出基于单目深度估计和目标检测的四旋翼自主避障方法。其中,单目深度估计模型提供障碍物像素级别的深度信息,目标检测模型提供障碍物的位置信息。单张红绿蓝(RGB)图像的深度图和目标检测结果由卷积神经网络(CNN)获得;图像的区域划分以目标检测结果为依据,区域深度以深度估计结果为计算依据;规划算法依据区域深度和区域划分结果计算无人机的线速度和角速度,实现无人机的自主避障。为验证算法的自主避障性能,采用Parrot Bebop2无人机对本研究提出的算法与直飞算法进行实飞对比实验。结果表明:本研究提出的算法可用于四旋翼无人机的低速自主避障。     

基于启发式搜索算法的水面自主无人艇避障策略

针对水面自主无人艇静态路径规划全局最优的问题,以提高全局路径规划算法精度为目标,提出了一种基于改进启发函数的全局路径规划方法。该方法采用栅格法对已知环境地形图进行建模,基于A~*算法设计了一种新型的启发函数,通过改变导航控制器的增益系数来对路径进行优化。考虑到水面障碍物漂移作用对水面自主无人艇路径规划产生的影响,通过设置不同的障碍物形态、大小来模拟水面障碍物漂移作用产生的漂移增量。采用MATLAB仿真平台进行多次实验测试,测试结果证明了改进避障策略算法的可靠性。     

基于CM-Q学习的自主移动机器人局部路径规划

针对多障碍物未知环境下,自主移动机器人局部路径规划过程中出现的路径冗余和避障问题,提出了基于坐标匹配的Q学习算法(Coordinate Matching-Q learning算法,CM-Q算法)。首先建立自主移动机器人栅格地图运行环境;其次以Q学习算法探索和学习最佳状态-动作对,并利用坐标匹配的CM算法进行避障;最后在未知障碍物环境中进行路径规划,对所提出的算法进行验证。实验结果表明,运用该方法,自主移动机器人能在未知的简单和复杂障碍物环境下规划出一条最优或次优路径,完成避障和路径规划任务。     

基于目标识别与避障的煤矿救援机器人自主行走

煤矿救援机器人是在煤矿井下恶劣环境中完成救援工作的特种机器人,采用双目视觉系统确保对环境信息实时感知以实现目标识别与障碍物识别,进而实现自主行走.与地面环境相比,煤矿井下环境恶劣,特别是灾后环境更加恶劣,为了使煤矿救援机器人实现煤矿井下环境识别和避障以达到自主行走,该文提出基于运动视频的光流场目标视觉识别方法,实现机器...     

基于机器人避障问题的数学模型

研究了移动机器人避障最短路径和最短时间路径问题。根据路障的具体位置和大小确定出机器人可行路径。针对每条可行路径求出其上的最短路径。由于机器人不可折线行走,紧靠着障碍物朝向目标点行走,且只在障碍物的拐角处以弧线行走,这样的以直线和弧线的交替行走的路径即为最短路径。     

基于改进VO算法与动态窗口法的自主避障

针对复杂动态环境下,无人机自主规避动态障碍物的问题,提出了一种改进的速度障碍法,以提高无人机在复杂环境中自主避障的能力。首先,根据速度障碍法原理,构建数学模型,判断无人机与动态障碍物是否存在冲突;然后,加入了自适应安全距离的同时用卡尔曼滤波对动态障碍物的下一时刻的位置进行预测,重构一个速度障碍区;最后,通过改进动态窗口法对可行避障区域进行最优避障策略的求解。通过不同场景和多障碍物连续避障的仿真实验,验证了所提算法的可行性和有效性。     

基于Kinect的目标跟踪与避障

利用Kinect实现室内移动机器人的目标跟踪与避障功能,其中Kinect提供的光学图像用于实现机器人视觉目标跟踪。利用Kinect的人脸识别功能,避免当环境中出现多目标时,机器人对运动目标的识别出现混乱;同时增加了增量子空间对视频信息进行及时更新,避免机器人因目标移动较快而跟丢目标;利用T-S模糊神经网络法实现避障功能,相比传统算法有效改善了其收敛性。在移动机器人CRX10上实验证实了该系统能够较好地完成目标跟踪的同时具有躲避障碍物的功能。     

基于Dubins路径的无人机避障规划算法

研究了一种基于Dubins路径的无人机的避障规划算法. 通过采用遗传算法,结合无人机的飞行性能和最小转弯半径,提出了一种在已知障碍空间位置前提下的无人机路径规划方法,并通过算法改进,将其推广成为在未知障碍位置等先验知识的前提下的无人机实时避障算法. 仿真结果表明,该算法原理正确,对于多障碍环境下无人机避障策略的获取具有较好效果.      

基于凸近似避障原理的自动驾驶集成决策与控制方法

针对结构化道路下自动驾驶汽车的轨迹跟踪问题,提出了一种基于凸近似避障原理的自动驾驶集成决策与控制方法。首先基于凸近似避障原理,对安全约束进行优化,适当缩小轨迹可行域,只保留与特定周车交互相关的部分可行点;然后结合模型预测控制算法,建立低速场景下线性化的自行车运动学模型,以轨迹跟踪误差最小为目标,考虑自车和周车的外形、道路几何约束和安全约束,构造多个与静态路径相关的最优控制问题,使用外罚函数处理约束,基于序列二次规划方法进行求解,选择最优轨迹进行跟踪。在Carla仿真平台上的高速公路仿真实验结果表明提出的基于凸近似避障原理的自动驾驶集成决策与控制方法虽然通过效率有所下降,但是驾驶安全性得到充分保障,并且轨迹跟踪性能未受影响,因此该方法能够有效降低自动驾驶中的决策风险。     

基于障碍物可达区域预测的机器人实时避障算法

针对复杂环境下的机器人路径规划与自主避障问题,提出了基于动态障碍物可达区域预测的实时避障算法.对静态障碍物进行描述和建模,建立动态障碍物状态更新预测方程,实现对动态障碍物质心可达区域的预测.分别面向动态、静态障碍物提出基于可达区域预测的多步椭圆包络势场和基于新型Sigmoid函数的势场,修正目标的对数Lyapunov引力场,给出多类型障碍物空间下的机器人实时避障算法.数值仿真和实验结果表明,与传统方法相比实时避障算法可使机器人避障过程中的路径长度更短、安全性更高及最大行驶角变化幅值更小.     

选择性搜索和多深度学习模型融合的目标跟踪

提出一种基于深度学习的多模型(卷积神经网络和卷积深信度网络)融合目标跟踪算法.该算法在提取候选粒子方面,使用选择性搜索和粒子滤波的方法.CVPR2013跟踪评价指标(50个视频序列、30个跟踪算法)验证了:该算法在跟踪中能有效地缓解目标物体由于遮挡、光照变化和尺度变化等因素造成的跟踪丢失情况的发生.     

基于产生式规则的机器人动态避障

以中型自主足球机器人为对象,研究其动态避障情况.依据传感器输入信息进行特征识别,选择距离机器人最近的为首要躲避障碍,利用产生式规则进行机器人避障控制,对远距离和近距离障碍采用不同的避障策略,并引入虚拟点以躲避碰撞.在仿真和实时环境下进行了实验,分析了障碍位置不同和输入参数不同情况下的避障情况,并与传统人工势场法进行对比,避免了传统人工势场法进行机器人避障时会出现陷入局部极小、抖动等问题.实验结果表明该方法能使机器人快速有效的躲避障碍.     

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。     

基于降级模糊算法的爬壁机器人避障控制

针对罐体表面作业过程中避障的问题,提出了改进模糊避障控制算法。为保证爬壁机器人能够缩短到达目标点的时间,除爬壁机器人与障碍物距离量外,增加爬壁机器人与目标点的角度量作为输入变量,速度、角速度作为输出量,确定了各参数的论域与隶属度,建立了模糊规则表,采用重心法解模糊化;考虑罐体环境的复杂多变性,提出优雅降级避障控制策略,在探测传感器受扰失灵的情况下仍能够越过障碍物到达目标点。通过与人工势场避障法仿真比较,改进模糊控制法可更有效地避开障碍物,并在探测传感器异常情况下,也能保证爬壁机器人到达目标点,体现了该避障算法的优越性与可靠性。最后进行了爬壁机器人避障实验,验证了该算法的可行性。