基于改进模糊算法的水面无人艇自主避障

为了提高水面无人艇（USV）在未知、复杂环境下的连续避障性能,提出一种具有速度反馈的模糊避障算法。USV利用激光扫描雷达与多路超声波传感器感知周围环境,通过对障碍物信息进行分组并设置权值的方式进行多传感器数据融合,并在模糊控制的基础上根据环境情况自动调整航速;进而提出一种考虑障碍物所有分布情况的更全面的模糊控制规则表,增强了USV对复杂环境的适应能力。实验结果表明,所提方法能通过与环境交互调整USV航速使其成功避障并优化避障路径,具有良好的可行性和有效性。     

水面无人艇模糊近域图避障方法研究

针对复杂海洋环境下水面无人艇(USV)的危险规避问题,介绍一种基于局部环境信息感知的避障算法——近域图(ND)法。结合 USV高速的特性及ND法在速度控制上的跳跃性,采用模糊理论平滑速度输出,对ND法进行改进。在速度控制中加入与周围障碍物距离相关的动态系数,从而减小USV自身惯性带来的危险规避动作误差,提高了其安全性。VxWorks系统下的仿真结果表明,改进的模糊ND法能够使USV在复杂的环境下准确、快速地躲避障碍物并到达目标点。     

基于多智能体强化学习的无人艇协同围捕方法

针对多无人艇对海上逃逸目标的围捕问题,提出一种基于多智能体强化学习的围捕算法.首先,以无人艇协同进攻为背景建立无边界围捕问题的环境和运动学模型,并针对快速性和合围性的需求给出围捕成功的判定条件;然后,基于多智能体近端策略优化(MAPPO)算法建立马尔可夫决策过程框架,结合围捕任务需求分别设计兼具伸缩性和排列不变性的状态空间,围捕距离、方位解耦的动作空间,捕获奖励与步长奖励相结合的奖励函数;最后,采用集中式训练、分布式执行的架构完成对围捕策略的训练,训练时采用课程式学习训练技巧,无人艇群共享相同的策略并独立执行动作.仿真实验表明,在无人艇起始数量不同的测试条件下,所提出方法在围捕成功率和时效性上相较于其他算法更具优势.此外,当无人艇节点损毁时,剩余无人艇仍然具备继续执行围捕任务的能力,所提出方法鲁棒性强,具有在真实环境中部署应用的潜力.     

改进蚁群算法在无人艇路径规划中的应用

为了更好地完成反潜作战、水面作战等军事任务,水面无人艇需要具备灵活自主的障碍规避能力、适应环境和任务变化的应变能力以及自主有效的路径规划能力。目前,蚁群优化算法经常被引入到无人艇路径规划问题中进行求解,但算法存在易陷入局部最优值、在迭代过程中不易收敛等弊端,此外,随着实际路径规划问题的维数不断增加,蚁群算法在迭代过程中可能陷入停滞状态,导致求解过程被迫中断。为了优化性能,提出一种改进的蚁群算法（BACO算法）,将蚁群算法与贝叶斯网络相结合,并引入最大关联长度参数,根据构建的贝叶斯网络结构对传统的转移概率公式进行改进;同时为了提高算法的收敛性,改变了信息素浓度的更新策略。最后,在三种维度的栅格化地图中进行无人艇路径规划应用的仿真实验,实验结果表明,相较于传统蚁群优化算法,BACO算法具有更好的有效性和更稳定的收敛性。     

一种基于深度强化学习的无人小车双层路径规划方法

随着智能无人小车的广泛应用,智能化导航、路径规划和避障技术成为了重要的研究内容。文中提出了基于无模型的DDPG和SAC深度强化学习算法,利用环境信息循迹至目标点,躲避静态与动态的障碍物并且使其普适于不同环境。通过全局规划和局部避障相结合的方式,该方法以更好的全局性与鲁棒性解决路径规划问题,以更好的动态性与泛化性解决避障问题,并缩短了迭代时间;在网络训练阶段结合PID和A^*等传统算法,提高了所提方法的收敛速度和稳定性。最后,在机器人操作系统ROS和仿真程序gazebo中设计了导航和避障等多种实验场景,仿真实验结果验证了所提出的兼顾问题全局性和动态性的方法具有可靠性,生成的路径和时间效率有所优化。     

无人船安全目标追踪与自动避障算法

设计了无人船安全目标追踪算法和双回路追踪以及自动避障控制策略,内回路是控制无人船安全目标追踪并与目标保持一定安全距离,通过Lyapunov函数证明了该控制算法的渐近稳定性;外回路是无人船在安全距离内发现障碍,将目标点虚拟化,运用模糊控制原理,实现自动避障;优化传统的Dijkstra算法,设计了无人船实时最短路径算法;仿真结果表明,提出的综合算法能够实现无人船以合理速度通过最短距离,顺利避障,兼顾了时间效率。     

深度强化学习算法在智能军事决策中的应用

深度强化学习算法能够很好地实现离散化的决策行为,但是难以运用于高度复杂且行为连续的现代战场环境,同时多智能体环境下算法难以收敛。针对这些问题,提出了一种改进的深度确定策略梯度（DDPG）算法,该算法引入了基于优先级的经验重放技术和单训练模式,以提高算法收敛速度;同时算法中还设计了一种混合双噪声的探索策略,从而实现复杂且连续的军事决策控制行为。采用Unity开发了基于改进DDPG算法的智能军事决策仿真平台,搭建了蓝军步兵进攻红军军事基地的仿真环境,模拟多智能体的作战训练。实验结果显示,该算法能够驱动多作战智能体完成战术机动,实现绕过障碍物抵达优势区域进行射击等战术行为,算法拥有更快的收敛速度和更好的稳定性,可得到更高的回合奖励,达到了提高智能军事决策效率的目的。     

智能避障拐杖设计

为了满足盲人的出行需求,本文提出了一种智能避障拐杖的系统设计方案。系统基于PyAI-K210单片机,由超声波模块、激光测距模块、线性振动马达模块以及蜂鸣器报警模块组成。主控PyAI-K210具备人脸识别和物体识别的能力,可探测出多种类型的障碍物。实验结果表明,本次设计的智能避障拐杖,可基本解决大部分盲人在出行过程中的所遇到的问题。     

喷水推进无人艇的基础运动控制系统设计

针对欠驱动无人艇开展了其基础运动控制策略设计的研究. 首先详细地介绍了喷水推进无人艇的运动控制系统的构成, 并根据喷水推进器推进原理的特点, 可得出该无人艇系统是欠驱动的、快变的非线性耦合系统; 然后根据人类小脑的运动协调功能, 提出基于倒车斗、喷嘴转角和发动机转速协调控制的仿人智能控制策略, 实现了对无人艇的完全运动控制, 提高了其操纵性和灵活性; 并根据该思想设计了无人艇的基础运动控制系统的软件体 系结构. 最后进行了无人艇在各种航行状态下的运动控制仿真试验, 仿真结果表明了该仿人智能运动控制策略的有效性.     

改进SSD算法的无人喷雾机避障路径规划

传统无人喷雾机避障路径规划算法存在规划路径规划精准度与规划效率无法平衡的问题,导致在高精度规划设定下,算法寻优过程较为复杂,整体规划效率偏低;设定高效率寻优条件下,所得路径偏差较大,严重影响正常农业生产。为了解决精度与效率的平衡问题,引入改进的SSD算法,对无人喷雾机避障路径规划过程进行全程优化;通过建立改进的SSD算法卷积模型、创建障碍目标注意力机制、避障路径规划;实现提升模型特征影响程度,优化路径障碍分析能力,增强障碍路径规划计算能力的效果。通过对比实验数据表明,经过提出算法优化后的无人喷雾机避障路径规划精准度与规划效率均有所提升,能够更好地平衡障碍规避精度与路径规划效率,具有较高的研究价值。     

基于DDPG算法的海上无人救援技术研究

针对海上无人救援过程中遇险目标的漂移及如何快速靠近的问题,提出一种基于深度强化学习理论的目标追踪算法,使无人搜救船在与环境交互的过程中学习到自主驾驶追踪漂移遇险目标的最优驾驶决策.在SART的辅助下,通过自主学习能够使搜救船以最短的时间追踪到漂移遇险目标.在Gazebo物理仿真器中建立三维仿真环境,基于ROS系统分别设...     

多无人艇协同围捕算法设计与仿真

为了实现对水面目标进行围捕的功能,提出了一种基于多无人艇的协同围捕算法。算法根据围捕无人艇的数量分配不同的目标相位,把整个围捕过程划分为编队前行、实施包围和靠近合拢三个阶段进行全局路径规划。算法设计简单实用,支持任意数量的围捕无人艇,路径节点数可调整,速度计算简单,具有防碰撞的特点。仿真实验验证了该算法的有效性。     

基于模糊贝叶斯网络算法的智能轮椅避障

对传统BP神经网络模糊逻辑的智能轮椅避障方法在训练过程中存在的过拟合和避障路径不够优化的问题,提出了一种模糊贝叶斯网络避障算法以降低神经网络的复杂度;该算法利用模糊神经网络对隶属度函数的参数进行自主学习调整,同时为增强神经网络的泛化能力和计算能力,在网络目标函数中加入权衰减项,利用贝叶斯原理优化神经网络的结构和权值;仿真和实机实验表明,该算法在训练结果和避障效果上均优于传统BP神经网络,提高了智能轮椅避障的实时性,优化了避障路径,可满足用户对智能轮椅安全性和舒适性的需求。      

强化学习算法研究

针对智能Agent运动中普遍存在的避障问题,结合强化学习具有的试错和环境交互获得在莱状态下选择动作的策略以及无导师在线学习等特性.在介绍强化学习的原理、分类以及主要算法(TD(λ)、Q_learning、Dyna,Prioritized Sweeping、Sarsa)的基础上,对TS(λ)、Q_learning的算法进行分析,并将其应用到实验中.实验结果表明,强化学习中的TS(λ)、Q_learning等算法在不同情况下都能高效地解决避障等问题.     

基于对手动作预测的智能博弈对抗算法

智能博弈对抗场景中,多智能体强化学习算法存在“非平稳性”问题,智能体的策略不仅取决于环境,还受到环境中对手（其他智能体）的影响。根据对手与环境的交互信息,预测其策略和意图,并以此调整智能体自身策略是缓解上述问题的有效方式。提出一种基于对手动作预测的智能博弈对抗算法,对环境中的对手进行隐式建模。该算法通过监督学习获得对手的策略特征,并将其与智能体的强化学习模型融合,缓解对手对学习稳定性的影响。在1v1足球环境中的仿真实验表明,提出的算法能够有效预测对手的动作,加快学习收敛速度,提升智能体的对抗水平。     

基于Dubins路径的无人艇运动规划算法

针对无人艇运动规划问题,通过Dubins路径的理论分析,提出一种利用纯粹几何方法的Dubins路径计算方法。该方法中没有出现解方程组的运算,而是首先根据无人艇运动状态计算转向圆,然后利用几何方法计算转向圆间的公切线,最后通过公切线连接得到Dubins路径。通过5组仿真实验验证了所提方法的有效性。前4组仿真实验分别设计了计算Dubins路径过程中可能出现的各种情形,以验证算法适用于多种情况的Dubins路径计算。最后一组仿真实验用于无人艇的路径规划及运动状态调整,仿真结果表明,基于Dubins路径的无人艇运动规划算法是可行的。     

基于深度强化学习的自主避障技术研究

针对变电站自动巡检这一场景,研究机器人的自主避障。当机器人的感知仅限于单目视觉时,由于缺乏3D信息,避障将变得更具挑战性。传统的路径规划等避障技术难以适用新场景。对此,提出一种基于策略迭代(DPPO)的自主避障深度强化学习模型,该模型仅以原始的RGB图像为训练数据,实现机器人的快速灵活控制。仿真实验表明,相比于基于值迭代的方法,该模型避障性能更佳。