我国的机器人研究和发展

综述了国内外机器人研究的现状、趋势及机器人产业的发展情况。根据国内外机器人发展的经验及近几年的动态 ,探讨了我国机器人发展的方向及策略。     

基于综合导向的车式移动机器人轨迹跟踪控制

分析了具有不确定性和非完整约束的车式移动机器人系统的轨迹跟踪问题.基于运动学模型分析,提出一种自适应的轨迹跟踪控制方法.通过引入状态微分反馈实现系统的镇定.同时引入人工场,使其和位姿误差一起作用于控制系统,从而改善了对车式移动机器人的导航控制.运用Lyapunov稳定性理论证明了控制器的稳定性.直线和圆周两种轨迹跟踪的仿真实验表明,该控制方法能够使四轮车式移动机器人在导航中具有理想的跟踪轨迹.     

基于模型的工业机器人误差参数标定技术研究进展

 为提高机器人末端控制精度,围绕基于模型的工业机器人误差参数标定技术,总结了其应用在高精度机械加工制造领域时存在的误差参数不完整、标定成本高和标定精度不满足工业需求等关键问题;综述了误差参数标定模型建模方法、机器人末端位姿测量技术、误差参数辨识技术和误差补偿技术4个方面的进展,分析了处理复杂标定任务时基于模型的误差参数模型标定技术的主要难点进行总结,针对传统建模方法不再满足标定需求、现有自标定技术测量精度不够、传统线性辨识算法在辨识矩阵奇异或存在冗余参数时无法得到准确的辨识结果、如何高效获得和处理测量得到的误差数据等难题,提出了可行性解决方案及发展方向。     

移动机器人自主越障反应控制行为组合方法

介绍了关节式移动机器人运动系统的元(基本)行为,提出了用模糊逻辑组合方法将原子行为(动作)组合生成高层复杂行为的行为模糊逻辑组合方法;描述了模糊逻辑组合方法组合生成的移动机器人自主越障行为.通过凸台、凹坑和楼梯等典型障碍的越障实验证明,该方法所生成的行为控制自主越障动作协调性好,具有较高的实时性、快速性和可靠性.解决了关节式移动机器人在城区和建筑内运动的越障稳定性和移动性问题.     

基于案例学习的排球机器人运动规划及其支持向量回归实现

针对混合型控制问题,以排球任务为例研究机器人的运动规划.模拟人类球员通过经验积累而采取相应动作的行为学习模式,采取案例学习的方式解决球的初始状态微小变化(仅发球速度和角度变化)时的运动规划问题.由于支持向量回归(SVR)在处理小样本问题的优越性并受局部学习思想的启发,采用局部加权SVR(LW-SVR)实现案例学习.结果证明,LW-SVR的学习精度较RBF神经网络和SVR明显提高.     

基于Mobile-C移动代理的移动机器人的控制

本文提出一种使用Mobile-C移动代理控制移动机器人的方法,详细介绍了Mobile-C的结构和报文格式,以及与Ch结合的优势.机器人通过Mobile-C移动代理的控制,可以在运行中动态地切换成新的算法,来处理意料之外的情况.文章最后用一个分布式应用的实验说明了Mobile-C移动代理控制机器人的方法.     

基于被动行走原理的双足机器人步态规划

为解决四连杆双足机器人的平面步态规划问题, 提出基于被动行走的平面步态规划。基于3毅向下坡面完全被动行走的动力学方程, 利用角度不变控制方法施加控制力矩, 得到机器人在水平面上的动力学模型。结合常数时间放缩方法对平面参考轨迹进行时间放缩, 得到机器人在水平面上步幅不变, 周期可变的行走步态。通过Matlab 软件数值仿真结果表明, 该研究方法是可行、有效的。     

一种基于凸壳的智能服务机器人路径规划算法

将一种基于凸壳的路径规划算法应用于体育场智能服务机器人,首先采用基于Haar特征分类器的方法确定球的坐标,采用基于颜色模型的方法确定机器人的位置及航向,并根据机器人的自身特点,将一定范围内的多个球视为一个目标点处理;然后以目标点坐标作为算法输入,采用基于凸壳的路径规划算法得到一条较优的捡球路径.该算法可以降低机器人的捡球运动代价,有效提高机器人的捡球效率.     

管道机器人弯管运动转体原因分析

为避免管道机器人弯管内运行时发生转体现象而影响管内任务的执行,对机器人转体的原因进行了深入研究.以建立的管道机器人弯管运行的位姿模型为基础,对机器人的受力状况进行了分析,建立了机器人过弯时的转体力矩模型.通过对转体力矩的分析,揭示了管道机器人弯管运行时发生转体的根本原因,并指出了管道机器人弯管运行的最佳姿态角.理论计算表明:当机器人以最佳姿态角运行时,机器人转体力矩几乎为0,不发生转体;当机器人以其他姿态角运行时,将出现一个不为0的转体力矩,该力矩使机器人向平衡姿态角方向转体,直至机器人姿态稳定为止.在实际应用时,使机器人在平衡姿态角运行为最佳.仿真结果与理论计算基本一致,该研究为人弯管内的姿态稳定运行提供了一定的理论依据.     

巡线机器人在人造环境中的博弈行为研究

在人造环境中,利用博弈论中的Nash均衡和Nash讨价还价模型,研究两个利益冲突的巡线机器人群体通过不同策略获得收益的行为。