一种多机器人围捕策略

以多机器人的围捕为研究对象,分析了成功围捕目标机器人的临界条件,即围捕机器人和目标机器人速度比的临界值,给出了该临界值的计算公式.设计了当围捕机器人的速度小于目标机器人的速度时多围捕机器人的伏击围捕方案:即先将目标机器人驱入最佳围捕区,然后再实施智能围捕策略完成围捕任务.采用Matlab的仿真结果验证了临界条件的正确性以及伏击围捕方案的有效性.     

一种多帆器人协作围捕策略的研究

在二维受限环境中,研究多机器人对移动目标的协作围捕问题,结合追捕者与逃逸者的相对位姿,对多机器人围捕的初始状态条件进行划分,针对多机器人群体规模、速度、成功围捕条件进行讨论,并对目标机器人的逃逸策略和围捕机器人的围捕策略进行协调性动态调整,提出了采用夹角最大原则的逃逸策略,确定了迎面对角阻截与虚拟势点相结合的围捕策略。课题对分别将新提出的逃逸策略和围捕策略与原有逃逸策略和围捕策略相比较进行仿真实验,结果表明所提出的动态调整策略的有效性。     

一种多移动机器人协作围捕策略

提出一种在连续未知环境中实现多移动机器人协作围捕移动目标的整体方案.围捕包括包围目标和靠近目标,包围目标行为由强化学习算法实现.用状态聚类减小状态空间,利用Q学习算法获得Q值表,根据学习后的Q值表选择动作.对各种行为的输出进行加权求和获得综合行为,实现对移动目标的围捕.仿真实验获得了在不同条件下的围捕结果.结果表明,环境、hunter与prey的速度关系以及prey的逃跑策略对围捕效果都有影响.     

多机器人围捕的人工力矩方法

针对多机器人协作围捕问题,提出了一种基于人工力矩的自组织方法.给出了个体机器人的自由运动模型的数学描述和同盟、围捕曲线、吸引点的概念,并且围捕者根据局部信息对吸引点进行了适当的调整.同时设计了围捕者和入侵者的人工力矩运动控制器,使得围捕者在仅知道局部信息的情况下也能相互协调并最终形成理想的围捕队形.最后用Matlab仿真,结果表明,本文给出的自组织围捕方法是行之有效的.     

基于NEAT方法的多机器人追捕-逃跑问题

针对连续环境下的多机器人追捕-逃跑问题,提出一种基于人工神经网络的方法,利用增强拓扑神经演化(NEAT)方法自动生成并优化控制单个机器人行为的神经网络,并通过联合单个机器人之间的行为实现多机器人协调控制.该方法避免了传统的人工设计神经网络所存在的缺陷.仿真实验显示:迭代50代后即可实现有效的围捕行为,其结果证明了该方法...     

基于模糊控制的机器人视觉伺服系统

将模糊控制应用于机器人视觉伺服系统,利用模糊控制不依赖于对象模型和鲁棒性强的优点来克服机器人视觉伺服系统的时变性、强耦合和非线性等因素的影响。实验结果表明基于模糊控制的机器人视觉伺服系统具有较快的响应速度和较强的鲁棒性。     

基于共识主动性的群体机器人目标搜索与围捕

群体机器人系统的目标搜索和围捕任务是智能机器人领域一个典型的复杂问题,大多数现有的解决这一问题的方法依赖于一些不现实的假设,如可靠的通信链接、全局坐标信息、已知的环境信息以及机器人之间的中央协调控制. 为此,本文提出了一种基于共识主动性的群体机器人目标搜索与围捕框架. 该框架对反蚁群算法进行了改进,加入了多种信息素来帮助群体机器人协作探索环境,并生成信息素地图. 同时,该框架把在前一阶段生成的信息素地图和分层基因调控网络(hierarchical gene regulatory network,H-GRN)模型相结合,完成了群体机器人在环境信息未知且通信受限的场景中对动态目标的搜索和围捕任务. 仿真实验表明,该方法相较于传统方法具有更好的性能表现.      

机器人模糊控制规则的建立

本文提出了一种建立机器人模糊控制规则的方法。针对缺少实际专家知识和人工操作经验的机器人操作手,应用模拟计算机模拟单臂机器人。操作者通过长时间的学习、训练,在取得了稳定且满意的操作水平后,采集了单臂机器人控制的大量数据。对这些数据应用本文提出的加权动态聚类分析方法进行处理,从而建立了机器人的模糊控制规则。经实验验证,应用效果是令人满意的。     

基于模糊控制的足球机器人同步协调控制研究

在比赛中，足球机器人一直处于高速运动状态，因而对其运动协调性和响应的快速性要求较高。为此，本文分析了影响足球机器人运动协调性差的原因，针对其运动的特点，提出了利用模糊系统调节PID控制器的增益的方法。实验表明，本方法在改善足球机器人动态协调性方面还是可行的。     

空间机器人自主视觉伺服控制策略

针对传统的空间机器人遥操作控制方法受时延影响严重的问题,基于最新研制的4自由度空间机器人,提出一种基于多目相机的自主复合控制策略.该策略包含了眼在手和眼到手2种相机配置结构,每个相机均具有独立的位姿计算能力,前者保证了伺服控制的精度以及操作的灵活性,后者能够在观察到全局视景的情况下做出伺服控制.为满足机器人视觉实时控制的需求,对视觉处理算法进行了特别考虑.首先,设计了基于多边形形状拟合的特征识别方法,提出曲线矢量数据贪婪算法来处理图像遍历拟合过程中计算密集的问题;其次,结合特征识别结果和模型目标的空间信息,提出基于弱透视模型的单目位姿估算及优化算法;最后,依据所提策略在实验室环境中完成了自主导航及捕获任务,验证了在较低层次进行这种复合控制的可行性和有效性.     

基于干扰观测器的多移动机器人编队鲁棒控制

针对多移动机器人存在模型参数不确定性和外部扰动的编队控制问题,提出了一种多移动机器人编队的鲁棒控制方法。在运动学层面依据领航机器人和跟随机器人位姿的偏差,建立领航机器人和跟随机器人的编队误差动态模型,在此基础上为跟随机器人设计镇定编队误差的辅助速度控制器。以辅助速度控制器的输出作为跟随机器人动力学模型的速度给定信号,并在动力学层面设计基于干扰观测器的自适应滑模控制算法,从而改善普通滑模控制中抖振突出的问题,保证编队控制的稳定性和鲁棒性。对编队控制系统进行仿真验证,结果表明了所提控制方法的有效性。     

基于通信的多移动机器人编队控制系统

论述了一类通用的经过通信信道进行协调的多移动机器人编队控制系统.在分别获取自身位姿信息的前提下,各个机器人通过通信信道交换和共享同组成员的位姿信息,然后通过计算得到各机器人之间的相对位姿,进而完成编队协调任务.利用此技术,可实现一种不受环境限制的多机器人编队,其特点在于编队的完成主要依赖于通信系统,不论编队中各机器人是否能够彼此感知,编队都能进行,从而提高了多机器人编队对环境的适应性.采用闭环l-ψ编队控制算法验证此设计方法的有效性,在三台移动机器人上进行了实验,实验结果证明了该方案的可行性.     

多自主水下航行器的有限时间无碰撞协调控制方法

研究了多自主水下航行器有限时间协调控制问题,提出一种基于多智能体控制思想的有限时间跟踪一致性控制律。为实现多AUV系统间的避碰,引入一种虚拟力,并且与所设计的有限时间一致性跟踪控制律进行向量合成, 构成总的控制律来实现对多AUV系统无碰撞的协调控制。仿真验证了所提出控制策略的有效性。     

基于开放式网络环境的模糊自主信任模型

为解决开放式网络环境中主观信任的模糊性和主体之间信任关系的动态性,提出了模糊自主信任模型。在该模型中,引入模糊理论的隶属度概念来描述信任的模糊性,解决了模糊信任的建模问题;以图论为基础,将网络环境模型化为一个无向图G(V,E),定义了基于本地信息交互的信任评价规则,建立了自主信任建立策略及建立完全可信网络的实现机制及条件。通过仿真实验,讨论了网络拓扑结构对自主信任建立的影响,并以小世界网络模型(-m ode l)为基础,分析了自主信任建立的速度问题。该研究也为开放式网络环境中信任管理的研究提供了一个有价值的新思路。     

基于多智能体的智能机器人分布式控制系统

在研究多智能体技术基础上，提出了一种基于分布式黑板和多智能体系统的类人智能机器人控制系统体系结构，并根据系统要求规划出具有不同功能的多个智能体，系统地分析了该控制系统中各个智能体的功能特点以及它们之间的协作关系，以运动控制接口的编制为例，介绍了CORBA技术在实现该软件系统中的方法，轴孔装配作业实验结果表明，本文提出的体系结构是可行的，采用CORBA技术和多智能体技术能有效地实现预定的装配任务。     

基于模糊控制的TCP拥塞避免算法

TCP（Transmission Control Protocol）使用基于延迟的拥塞避免算法DCA（Delay based Congestion Avoidance）提高了网络系统的吞吐量.但很多因素影响了DCA算法的效率.为此提出了一种基于模糊控制的DCA算法FDCA（Fuzzy Control Based DCA）,有效降低了这些因素带来的影响.仿真试验表明,该算法更加及时和准确地监测到网络拥塞,提高了网络的吞吐量.     

一种基于模糊控制的DCA算法

在因特网上,变化的传输延迟和延迟确认将给使用RTT指示拥塞带来明显误差;此外,具有大带宽时延积的链路可能会出现突发拥塞.这些因素都影响了DCA算法的准确性.为此提出了一种基于模糊控制的DCA算法(FDCA),有效降低了这些因素带来的影响.仿真实验表明,该算法能更加准确地监测到网络拥塞,提高了网络的吞吐量.     

自主环境认知的发育机器人发育模型

发育模型是目前具有自主认知能力的发育机器人研究的热点,为解决发育模型问题,定义了发育机器人的体系结构,以及信息处理流程中的算法问题,并针对现有模型不能解决机器人“诱拐”问题,给出了一个任务驱动的发育模型。该模型结构将具有自主环境感知能力的发育机器人结构分为3层：物理层、信号处理层以及发育层。其中,物理层由传感系统、执行机构以及机器人本体组成;信号处理层主要负责实现传感信号的处理;发育层是发育机器人的核心,由特征提取与发育体组成,特征提取可以将大量的传感数据压缩到很少的几维以方便处理,发育体是整个系统的决策机构,负责感知与动作的匹配。