基于MAPSO的混合式多机器人编队控制

为了解决目前编队控制中队形不稳及复杂环境适应性差等问题,针对全局环境中含有动/静态障碍物的复杂环境,提出一种将Leasder-Follower法及人工势场法改进结合的混合式多机器人编队控制新方法;同时,引入多智能体粒子群优化(MAPSO)算法对多机器人编队控制相关参数进行在线优化,能有效避免机器人陷入局部最优,增强其抗干扰能力.对该方法进行仿真分析,并和Leasder-Following法与基于行为法相结合的混合编队控制方法进行比较.结果表明:MAPSO的混合式多机器人编队控制方法能更好地完成多机器人在复杂环境下的编队控制任务,验证了其有效性和可行性.     

一种基于障碍物群的移动机器人数据融合方法

首先给出了一种通过融合多个超声波传感器和一台激光全局定位系统的数据建立机器人环境地因的方法，并在此基础上，首次提出了机器人在非结构环境下识别障碍物的一种新方法，即基于障碍物群的方法．该方法的最大特点在于它可以更加简洁、有效地提取和描述机器人的环境特征，这对于较好地实现机器人的导航、避障，提高系统的自主性和实时性是至关重要的．大量的实验结果表明了该方法的有效性．     

基于领导者的群体机器人编队及导航控制

介绍了基于领导者的群体机器人一致性方法,在此基础上提出一种群体机器人编队及导航控制方法。该方法采用分层控制策略,即控制系统分为目标层、领导层和跟随层。将目标层中目标点的位置信息发送给领导者,采用位置一致性算法使领导者朝目标运动;与此同时,领导者将其状态信息发送给跟随层中的跟随者,采用基于领导者的群体机器人编队控制方法,使跟随者与领导者保持一定的队形朝着目标运动。该方法可针对由多个子集构成的群体机器人系统进行导航。通过计算机仿真和群体机器人实验平台验证了所提方法的有效性。     

基于行为的多机器人编队控制的仿真研究

多机器人的编队问题是多机器人协作中的一个典型问题,编队包括队形形成和编队控制。针对多机器人的编队控制问题,本文采用基于行为法和基于leader的协调策略相结合的方法。首先根据Motor Schema的反应式控制结构,设计了五种基本行为,即奔向目标行为（move-to-goal）,保持队形行为（keep-formation）,躲避静态障碍物行为（avoid-stastic-obstacle）,躲避机器人行为（avoid-robot）和随机行为（random）,对各行为进行加权形成局部控制器来控制机器人的局部行为。然后利用基于leader的协调策略来协调各个机器人的行为,形成全局控制器来控制机器人的最终的行为。通过仿真,验证了该方法的可行性和有效性。     

基于学习自动机的移动机器人导航行为协调控制

针对移动机器人导航控制中的行为协调问题,提出了一种学习速率可控的学习自动机。该方法将机器人与障碍物之间的接触时间变化作为奖惩信号,通过主动控制机器人线速度来调节学习决策时间,根据环境动态特性调整行为动机,并通过学习决策时间和行为动机控制共同控制学习速率,保证机器人在学习决策时间内完成导航行为的协调执行。仿真证实提出的学习自动机应用于移动机器人导航控制是可行的,与动力学分岔控制方法对比,在未知动态环境中进行导航行为协调控制,提出方法的安全性更高。     

基于强化学习的机器人路径规划算法

提出了一种基于强化学习的机器人路径规划算法,该算法将激光雷达所获取的移动机器人周围障碍物信息与目标点所在方位信息离散成有限个状态,进而合理地设计环境模型与状态空间数目;设计了一种连续的报酬函数,使得机器人采取的每一个动作都能获得相应的报酬,提高了算法训练效率.最后在Gazebo中建立仿真环境,对该智能体进行学习训练,训练结果验证了算法的有效性;同时在实际机器人上进行导航实验,实验结果表明该算法在实际环境中也能够完成导航任务.     

多智能体编队避障算法研究

利用势函数方法,研究了多智能体在障碍物环境下的追击编队控制.为解决单个智能体在势场中存在局部极小点与动态性能不好问题,引入速度势场建立新的势场函数.并研究了多智能体在不同环境下的编队控制,其中包括无障碍物环境,静态障碍物环境,以及静态障碍物和动态障碍物并存的复杂环境.通过选择与目标,障碍物和编队队形相关的势场函数,提出一种新的分布式编队避障控制算法.仿真结果表明所提算法能有效地解决多智能体编队避障问题.     

基于实际误差函数和隶属函数机器人避障算法

介绍一种机器人在不确定环境下，通过探障传感器，在探测过程中采用一种模糊神经网络来躲避障碍物的方法。该模糊控制采用有明确意义的模糊隶属函数，由采用有明确物理意义误差评价函数的神经网络来实现，以避免模糊控制的死点从而完成避障路径规划。计算机仿真实验的结果验证了该方法的有效性和实用性。     

基于相邻矩阵的多机器人编队容错控制

针对基于leader-follower模式的多机器人编队运动中可能出现的机械故障和网络故障,提出了一种基于相邻矩阵的容错控制方法,利用相邻矩阵表示编队中多机器人的相互位置关系,一旦在编队运动过程中出现故障,则利用调整队形搜索算法找到需要进行队形调整的机器人编号,根据相邻矩阵更新算法,这些编号所代表的机器人的相邻关系在相邻矩阵中得以调整,新的理想编队所对应的相邻矩阵产生,编队队形就可以依赖相邻矩阵重新得以恢复。从而实现多机器人编队的容错控制,仿真实验证明了该方案的有效性和可行性。     

基于ROS的室内导航机器人设计研究

采用基于机器人操作系统（ROS）的设计方案开展了机器人在自主导航中的应用研究,设计了一款集定位、SLAM建图、路径规划、驱动控制于一体的机器人综合系统。系统利用激光雷达扫描获取环境实时数据和里程采集信息,通过Gmapping算法对数据进行融合,以及采用自适应蒙特卡洛定位（AMCL）方法实现了环境地图绘制与定位。通过matlab对路径规划算法进行对比研究发现,路径规划任务中Djakarta算法更适应在室内多障碍物场景。而实验结果显示在模拟环境中利用Dijkstra算法和DWA算法进行避障更加有效。仿真实验结果也表明,该系统可构建高精度环境地图,并对机器人进行定位和导航,实现了在实时路径规划中成功避开障碍物到达目标点。以上研究表明在室内定位和导航任务中该机器人系统框架具有良好的可行性和稳定性。     

基于强化学习的多机器人合作行为获取

研究了基于强化学习的多机器人学习社会合作行为的问题。通过定义的分配布尔矩阵,对参与任务者进行奖励回报,并综合基础行为,生成状态到行为的新的映射,形成高级的群体合作行为,使得团队作为一个整体受益。讨论了学习社会行为的可行性和必要性,并采用强化学习方法,给出了多机器人传接合作搬运的详细算法实现。     

基于自适应动态规划算法的小车自主导航控制策略设计

小车自主导航系统是路径规划领域研究的难点问题。本文利用自适应动态规划算法对小车自主寻路、避障的控制策略进行了设计。介绍了仿真过程中小车检测环境状态量的方法,提出了小车通过连续型奖励/惩罚信号自主学习寻路、避障的控制策略,并结合虚拟现实技术创建了不同路径和不同障碍物状态的仿真环境。通过不同路径状态的仿真实验,验证了自适应动态规划算法在解决小车自主导航避障控制策略问题上的可靠性和稳定性。     

Design of evolvable hardware for robotic navigation

This paper presents an integrated on-line learning system to evolve programmable logic array (PLA) controllers for navigating an autonomous robot in a two-dimensional environment. The integrated online learning system consists of two learning modules: one is the module of reinforcement learning based on temporal-difference learning based on genetic algorithms, and the other is the module of evolutionary learning based on genetic algorithms. The control rules extracted from the module of reinforcement learning can be used as input to the module of evolutionary learning, and quickly implemented by the PLA through on-line evolution. The on-line evolution has shown promise as a method of learning systems in complex environment. The evolved PLA controllers can successfully navigate the robot to a target in the two-dimensional environment while avoiding collisions with randomly positioned obstacles.     

基于速度障碍和行为动力学的动态路径规划

针对基本行为动力学在解决多机器人动态路径规划中存在的问题,充分考虑运动障碍物和其他机器人的速度信息,利用速度障碍为机器人规划了避障和避碰区域.根据路径规划的要求,利用行为动力学设计了奔向目标行为、避障行为和避碰行为3个基本行为,并提出利用粒子群优化方法对基本行为进行融合.利用Matlab对所提出的算法进行仿真,结果表明利用速度障碍、行为动力学和粒子群相结合的方法可以实现多机器人系统的动态路径规划,且方法简单,路径光滑.     

变电站巡检机器人避障方法研究与应用

为提升变电站巡检机器人的导航避障能力,将深度学习技术应用于变电站场景识别中,提出了一种基于深度卷积神经网络的避障方法.该方法联合图像分类和语义分割两个分支来共同辅助机器人导航避障,分类分支通过获取图像全局信息,保证机器人正确行驶方向;而语义分割支路则根据图像局部信息以及机器人前方目标类别,指导机器人准确避障.实验结果表明,避障方法可以高效地对图像进行分类和分割,同时,在实际变电站环境中,该方法也能为巡检机器人提供有效的避障信息,实现实时自主避障.     

深海履带机器车的实时导航和避障

针对深海底履带机器车的未知、复杂工作环境,提出一种履带机器车导航和避障算法。该算法先用声纳传感器实时检测障碍物的位置,再用D-S理论推算出障碍物的更准确位置,然后运用改进势场法进行行走方向决策,规划出履带机器车的作业路径,实现对深海履带机器车的导航和避障。仿真和试验结果表明,此算法适应于动态未知复杂环境下的深海履带机器车实时导航和避障,且在目标附近存在障碍物时也能达到目标。     

基于Petri网的多机器人协作任务分配与导航研究

研究了基于Petri网理论的多移动机器人任务分配和导航策略问题.针对有限空间环境下的物科收集协作任务,提出了一种机器人路径选择方法,并建立了基本路口单元和工作空间的Petri网模型.通过任务分配模型实时规划物科仓库内的机器人,并对具有拐角特征的多机器人路径冲突给出了消解方法,建立了机器人冲突协调模型.通过分析任务冲突协调模型,避免了多机器人运动路径冲突.最后仿真实验验证了提出的多机器人任务规划方法的有效性.     

Software framework for off-road autonomous robot navigation system

This paper presents a software framework for off-road autonomous robot navigation system. With the requirements of accurate terrain perception and instantaneous obstacles detection, one navigation software framework was advanced based on the principles of "three layer architecture" of intelligence system. Utilized the technologies of distributed system, machine learning and multiple sensor fusion, individual functional module was discussed. This paper aims to provide a framework reference for autonomous robot navigation system design.     

多移动机器人保持队形路径规划

将多移动机器人的运动控制和路径规划有机结合,提出了多移动机器人的队形模型和保持队形的定义.在此基础上,以基于行为的导航算法为基础,将机器人队列的运动过程划分为正常运动、避障和恢复队形3个阶段.在避障阶段,引入虚拟机器人使队形保持部分完整;当队形被严重打乱时,规划机器人的局部目标位姿使队列快速恢复队形.仿真实验表明,该控制方法不仅使多移动机器人安全避障,而且队形保持较完好.     

弱通信条件下多机器人编队控制及稳定性分析

为消除弱通信因素给多机器人编队控制系统带来的影响,基于一致性理论,提出了一种时延依赖的分布式编队控制算法.利用编队图描述机器人群体内部的网络拓扑结构,通过图的矩阵表示,基于矩阵论和控制理论研究具有通信时延的多机器人系统形成稳定的期望编队的条件.根据Lyapunov稳定性定理,得到了线性矩阵不等式(LMI)形式的时延独立和时延依赖的稳定条件,并在此基础上进一步证明采用的控制方法能够保证多机器人系统全局渐近地收敛至期望队形和期望速度.最后,通过一个多机器人编队实例对控制算法和结论进行验证.结果表明在满足系统稳定条件下,所采用的编队控制算法能够保证多机器人系统形成稳定的期望编队.