基于动态规划算法的机器人避障路径研究

为了使复杂的移动机器人路径规划问题得到简化。并减少可行路径的计算量．对避障路径规划问题进行了比较深入的研究．在以可视图法所建的求解环境为基础上,将避障路径规划转化为多阶段决策问题,对每一个阶段的子问题应用改进可视图法和几何逼近算法进行求解,得出各阶段的最短路径．验证表明：该算法是一种正确、高效,实用的算法．     

HEV电机辅助能量管理控制策略优化研究

混合动力电动汽车(Hybrid Electric Vehicle,HEV)中基于规则的电机辅助(Motor Assist,MA)能量管理策略控制效率偏低,为了优化发动机效率,提高车辆燃油经济性,根据给定的行驶工况,首先运用动态规划(DP)算法离线计算出全局最优化结果,然后从优化结果中提取最优控制规则并运用于基于规则的能量管理控制策略中,提出了改进的MA控制算法,并在高级车辆仿真器ADVISOR软件平台下进行仿真,结果表明新的控制策略能有效提高车辆的燃油经济性.     

基于RBF和BP网络的机器人逆运动学求解

针对传统的求逆运动学方法相当复杂以及一般的神经网络收敛速度慢、精度不高的缺陷,提出一种由1个RBF(Radial Basis Function)网络和2个BP(Back Propagation)网络组成的系统来解决运动学逆问题,输入数据分别通过3个并行的神经网络,对输出分别求正运动学解,计算误差,选择误差最小的作为系统的输出,其中BP网络运用LM(Levenberg-Marquardt)方法进行训练.仿真表明:该方法可以有效的解决运动学逆问题,避免了传统解法中的一些棘手问题.     

基于三个并行BP神经网络的机器人逆运动学求解

针对传统的求逆运动学方法相当复杂,一般的神经网络收敛速度慢、精度不高的缺陷,提出一种由3个并行的BP(BackPropagation)神经网络组成的系统来解决运动学逆问题,输入数据分别通过3个并行的BP神经网络,再对输出分别求正运动学解,然后计算误差,最后选择误差最小的作为系统的输出;仿真表明,该方法可以有效地解决运动学逆问题,使用3个并行的BP神经网络可以使整个系统的误差更小,BP神经网络使用Levenberg-Marquardt训练方法,可以使学习收敛速度更快。