CN101554725A - 一种基于混沌机理的机器人自主导航方法 - Google Patents
一种基于混沌机理的机器人自主导航方法 Download PDFInfo
- Publication number
- CN101554725A CN101554725A CNA2009100304557A CN200910030455A CN101554725A CN 101554725 A CN101554725 A CN 101554725A CN A2009100304557 A CNA2009100304557 A CN A2009100304557A CN 200910030455 A CN200910030455 A CN 200910030455A CN 101554725 A CN101554725 A CN 101554725A
- Authority
- CN
- China
- Prior art keywords
- robot
- chaos
- barrier
- target
- autonomous navigation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000007246 mechanism Effects 0.000 title claims abstract description 32
- 230000033001 locomotion Effects 0.000 claims abstract description 11
- 238000009826 distribution Methods 0.000 claims abstract description 4
- 230000004888 barrier function Effects 0.000 claims description 36
- 230000006870 function Effects 0.000 claims description 13
- 230000008447 perception Effects 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 12
- 230000015572 biosynthetic process Effects 0.000 claims description 6
- 229920006395 saturated elastomer Polymers 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 230000000306 recurrent effect Effects 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 3
- 238000011217 control strategy Methods 0.000 claims description 2
- 230000008054 signal transmission Effects 0.000 claims description 2
- 230000005284 excitation Effects 0.000 abstract description 14
- 230000000739 chaotic effect Effects 0.000 abstract description 5
- 230000008901 benefit Effects 0.000 abstract description 4
- 230000001537 neural effect Effects 0.000 abstract 2
- 238000005086 pumping Methods 0.000 description 24
- 230000006399 behavior Effects 0.000 description 10
- 210000004027 cell Anatomy 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 210000005036 nerve Anatomy 0.000 description 3
- 230000001953 sensory effect Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 210000004126 nerve fiber Anatomy 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000005465 channeling Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010429 evolutionary process Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
Images
Landscapes
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Feedback Control In General (AREA)
- Manipulator (AREA)
Abstract
受混沌现象产生的这种生物学机理的启发,本发明公开了一种感知动力学环路结构,并应用于实现机器人自主导航。其中机器人感知阶段用一个完全抽象的多卷混沌吸引子来代表,它受到负载传感器接收信号的控制。通过对混沌信号施加适当控制(包括增益、频率和相位等参数的控制),使得当负载传感器接收到信号以后,混沌轨迹迅速收敛到一个代表外部激励信号物理含义的平衡点或循环单卷。在状态空间中,状态变量的演化轨迹代表了在实际物理空间中机器人的运动轨迹。这种方法的优点在于机器人自主导航所使用的感知系统具有更准确的神经反应信号表达手段,在未知的移动环境下,同时考虑了机器人的物理结构(包括传感器的几何分布)以及外部障碍物和目标的位置信息。本发明要解决的问题是提供一种基于混沌机理的机器人自主导航方法,该方法采用一个完全抽象的“多卷混沌吸引子”来代表机器人感知思维活动,使机器人感知系统具有更准确的神经反应信号表达手段,有利于未知环境下实现实时自主导航。
Description
一、技术领域
本发明属于智能控制以及机器人导航技术领域,涉及一种机器人自主导航方法,更具体涉及一种基于混沌机理的机器人自主导航方法,可以用于机器人在未知环境下和无训练前提下的智能导航。
二、背景技术
机器人移动导航问题最初是依靠遥控操作来解决,这是一种被动的机器人导航方式,主要靠人为控制。后来有些机器人可针对事先设置好的轨迹,辅助以视觉、声纳、雷达等传感器进行引导,但这类方式只是一种辅助导航方式,也没有完全摆脱人的参与。近年来针对仿人机器人的研究,开始有学者关注人工神经网络方法应用于机器人的控制,并设计了各种人工神经网络模拟机器人的思维活动,开拓了机器人自主导航相关研究领域。但人工神经网络方法并没有考虑到实际生物体神经网络的复杂的思维机制,并且人工神经网络是需要训练和存储记忆的,一方面机器人需要大量的时间学习和训练,不利于实时控制和导航;另外,在许多未知的复杂环境下,这种机器人也不能够适应不断变化的环境,完成自主导航。
其它如模糊控制、遗传算法等理论也被引入到机器人行为控制器的设计或行为协调、融合策略的研究,但是在实际应用中存在可靠性差、自适应能力弱等问题。
混沌现象自提出以来,吸引了很多数学领域学者的注意。混沌现象的本质在于对所谓“混沌吸引子”的理解。“混沌吸引子”是一个抽象的数学概念,描述了运动的收敛类型。简而言之,“混沌吸引子”是指这样的一个集合,当时间趋于无穷大时,在任何一个有界集上出发的非定常流的所有轨道都趋于它。目前,已经可以用各种数学手段设计并产生混沌信号,并在模拟或数字电路上设计实现。混沌现象最初的应用为保密通信领域,并逐步推广到控制方面,形成了混沌控制学理论。
近年来,有许多生物领域的学者开始关注混沌现象的生物学机理,他们通过大量的实验,在某些动物神经系统活动过程中发现了存在混沌动力学现象,因此他们推断混沌现象的机理和具备高级思维能力的人的思维活动有许多相似之处,并设想可以用混沌动力学机理来代替人的感知动力学行为。特别的是,在对某些混沌吸引子的研究中发现,这些高维混沌吸引子存在一些类似“卷”的结构,而这些结构可以认为代表了通过脑的神经组织长时间自主学习形成的记忆轨迹,值得注意的是,这种学习不需要训练而产生,而是生物体神经组织在生命过程中本能产生的。在没有外部刺激的情况下,系统处于高维迭代搜索模式,搜索轨迹为不同的“卷”。但一接收到激励信号后,系统的动力学行为就表现为约束在某一个“卷”作周期性振动,而这个特定的“卷”恰好反映了外部激励信号的特征。如果输入系统的激励信号停止,系统立刻又会切换到高维迭代搜索模式。
三、发明内容
1、技术问题
受混沌现象产生的这种生物学机理的启发,本发明公开了一种感知动力学环路结构,并应用于实现机器人自主导航。其中机器人感知阶段用一个完全抽象的多卷混沌吸引子来代表,它受到负载传感器接收信号的控制。通过对混沌信号施加适当控制(包括增益、频率和相位等参数的控制),使得当负载传感器接收到信号以后,混沌轨迹迅速收敛到一个代表外部激励信号物理含义的平衡点或循环单卷。在状态空间中,状态变量的演化轨迹代表了在实际物理空间中机器人的运动轨迹。这种方法的优点在于机器人自主导航所使用的感知系统具有更准确的神经反应信号表达手段,在未知的移动环境下,同时考虑了机器人的物理结构(包括传感器的几何分布)以及外部障碍物和目标的位置信息。本发明要解决的问题是提供一种基于混沌机理的机器人自主导航方法,该方法采用一个完全抽象的“多卷混沌吸引子”来代表机器人感知思维活动,使机器人感知系统具有更准确的神经反应信号表达手段,有利于未知环境下实现实时自主导航。其中的“多卷混沌吸引子”是一种特殊的“混沌吸引子”,它具有一般“混沌吸引子”的特征,即当时间趋于无穷大时,在任何一个有界集上出发的非定常流的所有轨道都趋于它。同时,它在状态空间的形状是有多个“卷”形结构所组成的。
2、技术方案
为了达到上述的发明目的,本发明的技术方案为一种基于混沌机理的机器人自主导航方法,该方法包括下列步骤:
第一步骤:在机器人101上负载4个距离传感器104,105,106,107和1个全向方位角传感器103,机器人传感器配置结构图如图1所示。在没有接收到任何外部激励信号前,用多卷混沌状态模拟机器人的思维状态,机器人保持探索未知环境,匀速移动且不改变运动方向。这里的“多卷混沌状态”,是指在状态空间中,当时间趋于无穷大时,在任何一个有界集上出发的非定常流的所有轨道都趋于由多个“卷”形结构所组成的“多卷混沌吸引子”轨迹;
第二步骤:当机器人负载的4个距离传感器104,105,106,107和1个全向方位角传感器103接收到外部激励信号后,机器人开始处理以上1个全向方位角传感器103接收到的目标的角度信息,同时开始处理4个距离传感器104,105,106,107接收到的障碍物的距离信息,用混沌演化过程模拟机器人的思维变化过程,并进入一个单卷循环状态,根据循环单卷的中心特征给出状态反馈信号。这里的“混沌演化过程”,是指在状态空间中,随着时间的推移,状态变量随时间的运动轨迹;“单卷循环状态”是指当接收到外部激励信号后,状态变量的运动轨迹迅速收敛到一个循环的轨迹中,该轨迹的形状为一个类似于椭圆的“卷”,例如,这个卷为一椭圆;该“循环单卷”的中心特征是指这个类似于椭圆的“卷”的中心坐标;
第三步骤:根据状态反馈信号,确定目标和障碍物的位置信息,通过感知动力学反馈控制回路对机器人进行控制,并向机器人执行机构发出指令,执行机构实现转向、变速行为,机器人向目标移动,同时躲避障碍物;
第四步骤:当外部激励信号消失时,又进入以上第一步骤所述的多卷混沌状态,如果机器人负载传感器又搜索到外部激励信号,转入第二、三步骤,并最终避开所有障碍物,到达目标位置。
如前所述的基于混沌机理的机器人自主导航方法,其特征在于,第二步骤具体包括:
步骤一:针对目标和障碍物对多卷混沌吸引子的不同作用,设置不同的控制增益,其特征在于,障碍物对多卷混沌吸引子的控制增益大于目标对多卷混沌吸引子的控制增益。这样设置的目的是使得躲避障碍物的优先级高于向目标移动;
步骤二:障碍物到机器人的距离测定;通过4个距离传感器采集障碍物到机器人的距离,并通过4个距离传感器104,105,106,107的几何分布间接确定障碍物的方向角;
步骤三:目标与机器人前轴构成的方位角测定;通过1个全向方位角传感器103采集目标与机器人前轴构成的方位角,并且把目标作为机器人移动方向反方向上对称位置的一个障碍物考虑;
步骤四:给出状态反馈信号;引入目标和障碍物对多卷混沌吸引子的控制增益,结合采集的障碍物到机器人的距离以及目标与机器人前轴构成的方位角,确定状态变量循环单卷的中心特征,并据此中心特征最终确定对机器人的控制策略,即给出状态反馈信号。
如前所述的基于混沌机理的机器人自主导航方法,其特征在于,第三步骤具体包括:
步骤一:反馈信号传递;将以上第二步骤中得到的状态反馈信号传递给控制单元,并对原有状态变量进行补偿和修正。相应的系统控制方程如下:
其中i为自然数,表明有i个传感器敏感到外部激励信号。(x,y)为机器人位置状态变量的坐标。f函数为一个饱和分段函数,k1,h1,p1,q1是当变量为x时决定f函数的一组参数;k2,h2,p2,q2是当变量为y时决定f函数的一组参数。a,b,c,λ1,λ2都是系统控制方程中的系数。kxi和kyi分别代表了x和y两个方向上第i个外部激励对机器人行为的控制增益。和分别代表了x和y两个方向上施加的第i个总的激励信号。由于这里仅考虑机器人的二维运动,所以z方向并没有施加激励信号。第i个激励信号的状态变量(xsi,ysi)可以用一对周期振荡信号表示:
其中(xcenter,ycenter)为激励后形成的状态单元的中心,t表示激励的时间,Axsi、ωxsi和分别表示第i个激励信号x方向上状态变量的幅度、频率和相位,Aysi、ωxsi和分别表示第i个激励信号y方向上状态变量的幅度、频率和相位。通过调整这些参数可以控制激励后形成的状态单元的几何特征。有两个激励下的反馈控制系统框图如图2所示;
步骤二:控制单元通过感知动力学反馈控制回路发出指令,执行机构实现转向、变速行为。感知动力学反馈控制回路结构框图如图3所示。
如前所述的基于混沌机理的机器人自主导航方法,其特征在于,第一步骤还包括一个生成多卷混沌吸引子的步骤。具体包括下列步骤:
第一步骤:生成一个饱和分段函数:
其中,x表示状态变量,k表示以上f函数的斜率,h表示以上f函数的延迟时间,正整数p和q决定了以上f函数的非线性段的范围;
第二步骤:把以上第一步骤中生成的饱和分段函数加到一个线性差分方程组中,构成一个非线性差分方程组:
其中,(x,y)为状态变量的坐标,f函数为以上第一步骤中描述的饱和分段函数,a,b,c,λ1,λ2都是以上线性差分方程组中的系数,且均为正常数。其中,系数a,b,c用于控制循环单卷的形状和大小,系数λ1,λ2用于控制演化过程的收敛性;
第三步骤:用龙格-库塔数值计算方法求解以上第二步骤中生成的非线性差分方程组,求解出的y关于x的关系,即以状态变量x为横坐标,状态变量y为纵坐标作图,随着时间的推移,在这样的平面内形成的轨迹曲线就构成了一个多卷混沌吸引子。
如前所述的基于混沌机理的机器人自主导航方法,其特征在于,第二步骤中障碍物到机器人的的距离由机器人负载的4个距离传感器104,105,106,107获得,目标与机器人前轴构成的方位角由机器人负载的1个全向方位角传感器103获得。
如前所述的基于混沌机理的机器人自主导航方法,其特征在于,第三步骤中的执行机构为机器人足及其转向轴102。
3、有益效果
与现有技术相比,本发明的优点在于,这种机器人自主导航方法可以在未知环境且没有训练的情况下完成自主导航。在实际物理空间中机器人的运动轨迹可以由状态变量在状态空间中的演化轨迹来代表。图4表示机器人在没有接收到任何信号时的状态变量演化轨迹,这时处于一种混沌状态;图5表示机器人在接收到一个激励信号时的状态变量演化轨迹,这时处于一种收敛状态;图6表示机器人在接收到该激励信号持续激励时的状态变量演化轨迹,这时处于一种单卷循环状态;图7表示机器人在失去激励信号后的状态变量演化轨迹,这时又恢复到一种混沌状态。这种方法的优点在于机器人自主导航所使用的感知系统具有更准确的神经反应信号表达手段,对复杂环境具有更好的自适应能力。
四、附图说明
图1机器人传感器配置结构图;
图2两个激励下的反馈控制系统框图;
图3感知动力学反馈控制回路结构框图;
图4状态变量在状态空间中的演化轨迹(无激励);
图5状态变量在状态空间中的演化轨迹(开始激励);
图6状态变量在状态空间中的演化轨迹(持续激励);
图7状态变量在状态空间中的演化轨迹(失去激励);
图8不同激励条件下状态变量演化轨迹图(无激励);
图9不同激励条件下状态变量演化轨迹图(单个激励);
图10不同激励条件下状态变量演化轨迹图(两个同等激励);
图11不同激励条件下状态变量演化轨迹图(两个不同等激励);
图12不同激励条件下状态变量演化轨迹图(四个激励)。
五、具体实施方式
以下结合实施例对本发明的技术方案进行进一步说明:
实施例一:本实施例涉及一种基于混沌机理的机器人自主导航方法,具体包括如下步骤:
第一步骤:设置传感器分布,使得4个距离传感器104,105,106,107对应的状态空间位置分别为(150,250),(250,150),(250,-150),(150,-250);1个全向方位角传感器103对应的4个状态空间位置分别为(250,250),(-250,250),(-250,-250),(250,-250)。在没有接收到任何外部激励信号前,用多卷混沌状态模拟机器人的思维状态,机器人保持探索未知环境,匀速移动且不改变运动方向。本例中非线性差分方程组中参数的选取如下:
a=b=c=λ1=λ2=0.8,k1=k2=50,h1=h2=100,p1=p2=1,q1=q2=2
此时机器人的控制状态变量的轨迹如图8所示,处于混沌状态;
第二步骤:当仅有机器人负载距离传感器105接收到激励信号,激励信号的控制增益kxi和kyi都为2,激励信号的状态变量(xsi,ysi)中,(xcenter,ycenter)为(250,150),A、ω和分别为30、1和0。机器人的控制状态变量的轨迹立刻收敛到如图9所示的循环单卷。根据循环单卷的中心(250,150)给出状态反馈信号;
第三步骤:根据状态反馈信号,确定障碍物位于传感器105所探测的距离区域,通过感知动力学反馈控制回路对机器人进行控制,并向机器人执行机构发出指令,执行机构实现减速行为,转向避开由原点指向循环单卷中心(250,150)的方向,机器人成功躲避该方向发现的障碍物;
第四步骤:当外部激励信号消失时,又进入以上第一步骤所述的混沌状态,机器人保持探索未知环境,匀速移动且不改变运动方向。
实施例二:本实施例涉及一种基于混沌机理的机器人自主导航方法,具体包括如下步骤:
第一步骤和第四步骤同以上实施例一。此外,可替代地,用以下步骤作为第二、三步骤:
第二步骤:当机器人负载距离传感器105和106同时接收到激励信号,激励信号的控制增益kxi和kyi都为2,激励信号的状态变量(xsi,ysi)中,(xcenter,ycenter)分别为(250,150)和(250,-150),A、ω和分别为30、1和0。机器人的控制状态变量的轨迹立刻收敛到如图10所示的循环单卷。根据循环单卷的中心(250,0)给出状态反馈信号;
第三步骤:根据状态反馈信号,确定障碍物位于传感器105和106所探测的距离区域交汇处,通过感知动力学反馈控制回路对机器人进行控制,并向机器人执行机构发出指令,执行机构实现减速行为,转向避开x正方向,机器人成功躲避该方向发现的障碍物。
实施例三:本实施例涉及一种基于混沌机理的机器人自主导航方法,具体包括如下步骤:
第一步骤和第四步骤同以上实施例一。此外,可替代地,用以下步骤作为第二、三步骤:
第二步骤:当机器人负载距离传感器105和106和全向方位角传感器103同时接收到激励信号,激励信号的控制增益kx1和ky1都为2.4,kx2和ky2都为0.8。激励信号的状态变量中心(xcenter,ycenter)分别为(250,150)和(250,250),A、ω和分别为30、1和0。机器人的控制状态变量的轨迹立刻收敛到如图11所示的循环单卷。根据循环单卷的中心(250,175)给出状态反馈信号;
第三步骤:根据状态反馈信号,确定障碍物位于传感器105所探测的距离区域,目标位于传感器103所探测的方位角区域。由于障碍物的控制增益大于目标的控制增益,因此机器人优先考虑避开障碍物,通过感知动力学反馈控制回路对机器人进行控制,并向机器人执行机构发出指令,执行机构实现减速行为,转向避开由原点指向循环单卷中心(250,150)的方向,机器人成功躲避该方向发现的障碍物;此外,考虑到(250,250)方向的目标,综合考虑后,机器人作出的最终判断为避开由原点指向循环单卷中心(250,175)的方向,并向目标(250,250)方向加速。
实施例四:本实施例涉及一种基于混沌机理的机器人自主导航方法,具体包括如下步骤:
第一步骤和第四步骤同以上实施例一。此外,可替代地,用以下步骤作为第二、三步骤:
第二步骤:当机器人负载距离传感器104、105和106以及全向方位角传感器103同时接收到激励信号,距离传感器接收到的激励信号控制增益kxi和kyi都为2.4,全向方位角传感器接收到的激励信号控制增益kxi和kyi都为1.2。距离传感器接收到的激励信号的状态变量中心(xcenter,ycenter)分别为(150,250)、(250,150)和(250,-150),全向方位角传感器接收到的激励信号的状态变量中心(xcenter,ycenter)为(250,250)。A、ω和分别为30、1和0。机器人的控制状态变量的轨迹立刻收敛到如图12所示的循环单卷。根据循环单卷的中心(200,100)给出状态反馈信号;
第三步骤:根据状态反馈信号,确定障碍物位于传感器104、105和106所探测的距离区域,目标位于传感器103所探测的方位角区域。由于障碍物的控制增益大于目标的控制增益,因此机器人优先考虑避开障碍物;此外,考虑到(250,250)方向的目标,综合考虑后,机器人作出的最终判断为避开由原点指向循环单卷中心(200,100)的方向,并向目标(250,250)方向加速。
Claims (6)
1.一种基于混沌机理的机器人自主导航方法,包括:
第一步骤:在机器人上负载4个距离传感器和1个全向方位角传感器,在没有接收到任何外部激励信号前,用多卷混沌状态模拟机器人的思维状态,机器人保持探索未知环境,匀速移动且不改变运动方向;
第二步骤:当机器人负载的4个距离传感器和1个全向方位角传感器接收到外部激励信号后,机器人开始处理以上1个全向方位角传感器接收到的目标的角度信息,同时开始处理4个距离传感器接收到的障碍物的距离信息,用混沌演化过程模拟机器人的思维变化过程,并进入一个单卷循环状态,根据循环单卷的中心特征给出状态反馈信号;
第三步骤:根据状态反馈信号,确定目标和障碍物的位置信息,通过感知动力学反馈控制回路对机器人进行控制,并向机器人执行机构发出指令,执行机构实现转向、变速行为,机器人向目标移动,同时躲避障碍物;
第四步骤:当外部激励信号消失时,又进入以上第一步骤所述的多卷混沌状态,如果机器人负载传感器又搜索到外部激励信号,转入第二、三步骤,并最终避开所有障碍物,到达目标位置。
2.如权利要求1所述的基于混沌机理的机器人自主导航方法,其特征在于,第二步骤具体包括:
步骤一:针对目标和障碍物对多卷混沌吸引子的不同作用,设置不同的控制增益,其特征在于,障碍物对多卷混沌吸引子的控制增益大于目标对多卷混沌吸引子的控制增益;
步骤二:障碍物到机器人的距离测定;通过4个距离传感器采集障碍物到机器人的距离,并通过4个距离传感器的几何分布间接确定障碍物的方向角;
步骤三:目标与机器人前轴构成的方位角测定;通过1个全向方位角传感器采集目标与机器人前轴构成的方位角,并且把目标作为机器人移动方向反方向上对称位置的一个障碍物考虑;
步骤四:给出状态反馈信号;引入目标和障碍物对多卷混沌吸引子的控制增益,结合采集的障碍物到机器人的距离以及目标与机器人前轴构成的方位角,确定状态变量循环单卷的中心特征,并据此中心特征最终确定对机器人的控制策略,即给出状态反馈信号。
3.如权利要求1所述的基于混沌机理的机器人自主导航方法,其特征在于,第三步骤具体包括:
步骤一:反馈信号传递;将以上第二步骤中得到的状态反馈信号传递给控制单元,并对原有状态变量进行补偿和修正;
步骤二:控制单元通过感知动力学反馈控制回路发出指令,执行机构实现转向、变速行为。
4.如权利要求1所述的基于混沌机理的机器人自主导航方法,其特征在于,第一步骤还包括一个生成多卷混沌吸引子的步骤,具体包括下列步骤:
第一步骤:生成一个饱和分段函数;
第二步骤:把以上第一步骤中生成的饱和分段函数加到一个线性差分方程组中,构成一个非线性差分方程组;
第三步骤:用龙格-库塔数值计算方法求解以上第二步骤中生成的非线性差分方程组,求解出多卷混沌吸引子。
5.如权利要求1所述的基于混沌机理的机器人自主导航方法,其特征在于,第二步骤中障碍物到机器人的的距离由机器人负载的4个距离传感器获得,目标与机器人前轴构成的方位角由机器人负载的1个全向方位角传感器获得。
6.如权利要求1所述的基于混沌机理的机器人自主导航方法,其特征在于,第三步骤中的执行机构为机器人足及其转向轴。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2009100304557A CN101554725A (zh) | 2009-04-21 | 2009-04-21 | 一种基于混沌机理的机器人自主导航方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2009100304557A CN101554725A (zh) | 2009-04-21 | 2009-04-21 | 一种基于混沌机理的机器人自主导航方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101554725A true CN101554725A (zh) | 2009-10-14 |
Family
ID=41173083
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNA2009100304557A Pending CN101554725A (zh) | 2009-04-21 | 2009-04-21 | 一种基于混沌机理的机器人自主导航方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101554725A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106125732A (zh) * | 2016-07-26 | 2016-11-16 | 深圳中盛智兴科技有限公司 | 一种基于红外线的自动避障跟随方法及系统 |
CN106779132A (zh) * | 2016-10-11 | 2017-05-31 | 山东科技大学 | 基于混沌特性的水下探测装置 |
CN109350510A (zh) * | 2018-08-27 | 2019-02-19 | 重庆市中医院 | 一种自动火针治疗仪及其操作方法 |
CN117901122A (zh) * | 2024-03-19 | 2024-04-19 | 成都信息工程大学 | 基于Logistic-Tent混沌映射Levenberg Marquardt的机器人定位方法及系统 |
-
2009
- 2009-04-21 CN CNA2009100304557A patent/CN101554725A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106125732A (zh) * | 2016-07-26 | 2016-11-16 | 深圳中盛智兴科技有限公司 | 一种基于红外线的自动避障跟随方法及系统 |
CN106779132A (zh) * | 2016-10-11 | 2017-05-31 | 山东科技大学 | 基于混沌特性的水下探测装置 |
CN109350510A (zh) * | 2018-08-27 | 2019-02-19 | 重庆市中医院 | 一种自动火针治疗仪及其操作方法 |
CN109350510B (zh) * | 2018-08-27 | 2021-06-22 | 重庆市中医院 | 一种自动火针治疗仪及其操作方法 |
CN117901122A (zh) * | 2024-03-19 | 2024-04-19 | 成都信息工程大学 | 基于Logistic-Tent混沌映射Levenberg Marquardt的机器人定位方法及系统 |
CN117901122B (zh) * | 2024-03-19 | 2024-05-17 | 成都信息工程大学 | 基于Logistic-Tent混沌映射Levenberg Marquardt的机器人定位方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101691037B (zh) | 一种基于主动视觉感知和混沌演化的移动机器人定位方法 | |
Wu et al. | CPG-based control of serpentine locomotion of a snake-like robot | |
CN102147592B (zh) | 一种控制四足机器人运动的模糊控制器 | |
CN101916071B (zh) | 仿生机器鱼运动的cpg反馈控制方法 | |
CN113478486B (zh) | 基于深度强化学习的机器人运动参数自适应控制方法和系统 | |
CN107168324A (zh) | 一种基于anfis模糊神经网络的机器人路径规划方法 | |
CN104199287B (zh) | 一种光电跟踪器视轴稳定回路的模糊控制方法 | |
CN103203746A (zh) | 两足机器人cpg控制网络拓扑结构构建方法 | |
CN101554725A (zh) | 一种基于混沌机理的机器人自主导航方法 | |
Kozma et al. | Computational aspects of cognition and consciousness in intelligent devices | |
Cai et al. | A combined hierarchical reinforcement learning based approach for multi-robot cooperative target searching in complex unknown environments | |
Kamanditya et al. | Elman recurrent neural networks based direct inverse control for quadrotor attitude and altitude control | |
CN105182754B (zh) | 仿生机器人运动控制神经网络的构建方法 | |
Zhang et al. | Design of an artificial bionic neural network to control fish-robot's locomotion | |
CN113391633A (zh) | 一种面向城市环境的移动机器人融合路径规划方法 | |
CN116225055A (zh) | 一种复杂环境下基于状态分解的无人机自主航迹规划算法 | |
Cao et al. | Dynamic task assignment for multi-AUV cooperative hunting | |
CN114037050B (zh) | 一种基于脉冲神经网络内在可塑性的机器人退化环境避障方法 | |
Yan et al. | Path Planning for Mobile Robot's Continuous Action Space Based on Deep Reinforcement Learning | |
Wang et al. | A fuzzy logic based bio-inspired system for mobile robot navigation | |
CN103886367A (zh) | 一种仿生智能控制方法 | |
Qiao et al. | Application of reinforcement learning based on neural network to dynamic obstacle avoidance | |
TWI363546B (en) | Real-time control system of dynamic petri recurrent-fuzzy-neural-network | |
CN101532804A (zh) | 一种基于混沌演化机理的导弹制导方法 | |
Liu et al. | FPGA implementation of family service robot based on neural network PID motion control system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Open date: 20091014 |