移动机器人路径识别与跟踪的计算机仿真

该文介绍了利用面向对象的可视化编程技术设计移动机器人路径识别与跟踪动画仿真系统的方法,该仿真系统包括移动机器人运动学实现、真实化处理、决策系统等,该系统能够非常真实地反映移动机器人进行路径识别和跟踪的过程,利用该系统可以很好地对移动机器人路径识别和跟踪的控制方案进行研究和优化.     

一种3自由度移动机器人的跟踪新策略

在证明了3自由度移动机器人系统具有可逆性的前提下，利用神经网络α-阶积分逆系统线性化解耦能力，将严重非线性及耦合的3自由度移动机器人系统解耦成3个SISO(single input—single output)的子系统，采用线性控制理论设计了路径跟踪控制器，实现了位置和方位的独立跟踪，同时提高了控制算法的实时性。最后通过路径跟踪仿真实例验证了算法的可行性和有效性。     

一种自适应鲁棒跟踪模糊控制新算法

针对一类非线性不确定系统 ,在用T S模糊系统对未知聚拢不确定函数进行逼近的基础上 ,利用系统的耗散理论 ,系统地提出了一种自适应鲁棒跟踪模糊控制新算法。该算法基于一个新的Lyapunov函数 ,不仅可以使控制算法避免其它自适应控制算法中时常存在的奇异问题 ,而且还可以使自适应学习参数的数目减至最少 ,便于工程实现 ,并可确保闭环系统渐近稳定 ,系统的跟踪误差为零。经仿真研究表明 ,所提出的算法是有效的     

一种移动机器人自适应轨迹跟踪控制算法研究

针对轮式移动机器人的轨迹跟踪问题,提出了一种基于运动学模型的自适应轨迹跟踪控制算法。在分析经典轨迹跟踪控制律缺点的基础上,算法中引入了机器人位姿误差的纵坐标误差以加速机器人的轨迹逼近速度,并采用人工场和位姿误差协同作用来共同完成机器人的导向控制。该控制律结构简单,鲁棒性强。仿真实验表明该方法使移动机器人具有更理想的逼近轨迹。     

基于观测器设计的移动小车自适应轨迹跟踪控制研究

提出了一种基于观测器设计的自适应轨迹跟踪控制算法，在无法准确测量移动机器人位姿的情况下，基于其完整动力学模型，实现机器人轨迹跟踪控制问题。方法考虑了实际参数的移动机器人完整动力学模型，将位姿观测器和自适应控制策略相结合，设计了一种移动机器人完整的自适应观测器轨迹跟踪控制策略。仿真结果表明该控制策略的正确性和有效性。     

基于能量最优的无人驾驶汽车路径跟踪控制

动力总成控制对无人驾驶汽车的动态性能和经济性起着重要的作用。为了提高车辆在路径跟踪过程中的动力性和经济性,提出了一种基于能量最优化的路径跟踪控制策略。控制策略分为两部分,在上层控制器中使用非线性模型预测控制来计算所需要的动力参数和前轮转角。下层控制器采用基于电机能耗数值最优的方法进行设计。该方法可以确保电机一直运行在效率最优状态,并可根据电机状态动态调节无级变速器以满足车辆动力需求。仿真结果表明,控制方案具有良好的跟踪性能和节能潜力。     

非完整移动机器人的自适应滑模轨迹跟踪控制

针对动力学模型描述的非完整移动机器人系统，研究了其在未知参数和不确定性干扰下的轨迹跟踪控制问题，基于反演技术和自适应滑模控制的思想设计了具有全局渐近稳定的轨迹跟踪控制律。谊控制律将系统分解为低阶子系统来处理，利用中间虚拟控制量和部分Lyapunov函数简化了控制器设计，并具有直观的稳定性分析．满足了移动机器人的轨迹跟踪要求，且具有设计方法简单、鲁棒性强的特点。仿真结果验证了所设计控制器的有效性和正确性。     

一种基于多传感器数据融合的目标跟踪算法

论述了目标跟踪的原理和数据融合技术,为了解决移动机器人系统中的传感器存在大量不确定性问题,提出了一种交叉传感器交叉特征(CSCM)数据融合算法,这种算法基于粒子滤波技术,融合多个传感器的信息,合并不同的状态空间模型,以此减弱系统和测量噪声,来估计移动机器人的位置和角度.在仿真实验中,我们分别比较了单一传感器和多传感器数据融合的不同情况,结果表明了这种算法的有效性,并展现了良好的跟踪性能.     

基于混合模糊P+ID控制的欠驱动AUV路径跟踪控制及仿真

针对欠驱动自主水下机器人(AUV)水平面路径跟踪控制问题进行研究。基于解析形式描述的单输入模糊控制器,提出了一种混合模糊P+ID控制算法。将其应用于欠驱动AUV路径跟踪控制中的趋近角跟踪控制,研究了控制器设计和参数调节方法,并采用小增益定理对基于混合模糊P+ID控制的趋近角跟踪控制系统的稳定性进行了分析。最后,采用欠驱动AUV非线性动力学模型进行仿真研究,结果表明基于提出的混合模糊P+ID控制的欠驱动AUV路径跟踪控制系统具有很好的鲁棒性和适应性,AUV能够精确跟踪预规划的航行路径。     

液压伺服并联机器人的自适应鲁棒跟踪控制

针对液压伺服并联机器人存在参数不确定性及外界干扰的特点，通过构造一合适的储能函数，设计了一种自适应鲁棒跟踪控制器，利用所选取的评价函数，可以将外界干扰有效地抑制在任意希望的给定指标以下。所设计的闭环系统对参数变化具有完全的自适应性，并实现了系统轨迹的渐近跟踪，仿真结果表明了该方法的有效性。     

移动机器人路径规划技术的现状与展望

移动机器人技术研究中的一个重要领域是路径规划技术。它分为基于模型的环境已知的全局路径规划和基于传感器的环境未知的局部路径规划。综述了移动机器人路径规划技术的发展现状，指出了各种方法的优点与不足。最后对移动机器人路径规划技术的发展趋势进行了展望。     

未知环境下改进的基于BUG算法的移动机器人路径规划

对未知环境下移动机器人路径规划的方法和发展现状进行了概述总结,指出了各种方法的优点和不足.同时研究了环境未知情况下的移动机器人实时路径规划问题,将Bug算法与基于滚动窗口的路径规划相结合,提出了一种改进的移动机器人路径规划方法.规划时只考虑当前状态下所必须的传感数据,不必计算障碍物的边线解析式,节省了存储空间,提高了规划效率,保证了算法的实时性.算法采用两种行为模式,为了保证路径规划的完备性和全局收敛,同时给出了全局收敛标准.由于算法的固有原理,在陷阱区域移动机器人容易左右徘徊,无法达到目标点.针对算法的这个问题,利用虚拟障碍的概念提出了基于局部切线图算法的移动机器人路径规划.最后对本算法的收敛性和完备性给予了证明.仿真实验验证了该方法的有效性.     

基于二进制编码QPSO算法的移动机器人路径规划

在分析量子粒子群算法的基础上,针对离散搜索空间的问题,提出了二进制编码的量子粒子群算法.在算法中,重新定义了粒子的位置距离矢量,调整了搜索空间的迭代方程,并引入了多点交叉和精英保留的策略,保证全局收敛的同时加快粒子的收敛速度.并使用De Jong's测试函数对本算法和二进制粒子群算法进行了比较,最后使用二进制编码量子粒子群算法对机器人路径规划进行了仿真实验.     

基于混合人工势场-遗传算法的移动机器人路径规划仿真研究

分析了人工势场模型存在的目标不可到达问题(GNRON)和由于局部最优解的存在而产生的死锁问题,提出了一种建立在改进人工势场模型上的基于遗传算法的最优路径搜索方法。仿真结果验证了本模型的有效性,能有效的解决由于人工势场模型缺陷而带来的路径规划问题。     

神经网络在移动机器人路径规划中的应用

对于环境信息完全已知的移动机器人的全局路径规划问题,应用了一种并联的神经网络结构与模拟退火算法相结合的方法,并提出了一种局部路径修正算法,最终得到一条最优的平滑路径。计算机仿真研究表明,该算法计算简单,收敛速度快,规划的路径为一条最短无碰且安全的平滑路径。在计算机仿真验证的基础上,以P3-AT型轮式移动机器人为平台,通过机器人模拟实验验证了该算法的有效性。     

机器人模糊神经网络阻抗控制

提出一种以位置控制为基础的模糊神经网络阻抗控制结构,它根据力误差修正参考位置,使机器人与环境的实际接触力跟踪期望力。利用模糊神经网络学习参考位置,不需要环境位置和刚度的先验知识。这种方法有误差补偿作用,对干扰和环境等不确定因素具有鲁棒性,仿真结果表明了控制方案的有效性。     

爬壁机器人路径规划研究

研究爬壁机器人在三维工作环境中的全局路径规划.给出了一种基于人工神经网络结构能量函数的路径规划算法.可根据机器人吸附物体的形状设定各边界面对应的不等的模拟退火初始温度;并且可根据路径点位于物体内部与否的不同位置采用不同的运动方程.仿真结果表明,该算法可规划出最短的可行路径,为提高爬壁机器人的实用性,提供了一种有效的路径规划算法.     

基于Backstepping的机器人鲁棒跟踪控制

针对机器人跟踪控制问题，提出了基于Backstepping方法下的滑模变结构控制律，并利用低通滤波器(LPF）削弱了滑模控制中出现的抖振现象，该控制律能保证轨迹跟踪误差的快速收敛性及对外部扰动和参数不确定性的鲁棒性。仿真实例证实了理论分析结果的正确性。