CN101604167B - 一种基于几何特征辅助和混沌感知的机器人自主定向方法 - Google Patents
一种基于几何特征辅助和混沌感知的机器人自主定向方法 Download PDFInfo
- Publication number
- CN101604167B CN101604167B CN2009100318598A CN200910031859A CN101604167B CN 101604167 B CN101604167 B CN 101604167B CN 2009100318598 A CN2009100318598 A CN 2009100318598A CN 200910031859 A CN200910031859 A CN 200910031859A CN 101604167 B CN101604167 B CN 101604167B
- Authority
- CN
- China
- Prior art keywords
- robot
- chaos
- state
- perception
- geometric properties
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000008447 perception Effects 0.000 title claims abstract description 38
- 230000033001 locomotion Effects 0.000 claims description 16
- 230000000306 recurrent effect Effects 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 10
- 230000007246 mechanism Effects 0.000 claims description 7
- 229920006395 saturated elastomer Polymers 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 230000010429 evolutionary process Effects 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 230000008054 signal transmission Effects 0.000 claims description 2
- 210000005036 nerve Anatomy 0.000 abstract description 4
- 230000008901 benefit Effects 0.000 abstract description 3
- 230000004936 stimulating effect Effects 0.000 abstract 3
- 238000004804 winding Methods 0.000 abstract 3
- 230000000638 stimulation Effects 0.000 abstract 1
- 230000000739 chaotic effect Effects 0.000 description 11
- 230000005284 excitation Effects 0.000 description 8
- 230000006399 behavior Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 230000001953 sensory effect Effects 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 2
- 230000005465 channeling Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 210000004126 nerve fiber Anatomy 0.000 description 2
- 238000005086 pumping Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000000059 patterning Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
Images
Landscapes
- Feedback Control In General (AREA)
- Manipulator (AREA)
Abstract
本发明公开了一种基于几何特征辅助和混沌感知的机器人自主定向方法。在机器人迷失方向阶段，机器人感知模式用一个二维多卷混沌吸引子来代表。当机器人借助已设置的具有一定几何特征的外围参照物进行重定向时，每接收到一个激励信号，混沌轨迹就迅速收敛到一个代表外部激励信号物理含义的平衡点或单卷循环状态。而机器人进行的是360°旋转扫描步骤，并定时采集来自外围参照物的激励信息。机器人内嵌计算机根据单卷循环状态的中心坐标和机器人在状态空间中的坐标，计算机器人与外围参照物的激励在状态空间中的距离。通过比较，确定获得的最小距离所对应的方向为机器人前进的正方向，实现自主定向。这种方法的优点在于，在复杂的移动环境下，机器人借助几何特征自主定向，机器人的感知系统具有更准确的神经反应信号表达能力。
Description
一、技术领域
本发明属于机器人智能控制技术领域，涉及一种机器人自主定向方法，更具体涉及一种基于几何特征辅助和混沌感知的机器人自主定向方法，可以用于机器人在无磁场、无电磁波(或强电磁干扰)、无光线、无明显标志物的复杂环境下和无训练前提下的智能定向与导航。
二、背景技术
人类学与实验心理学研究学者通过长期的实验研究发现，人在移动过程中，一旦迷失方向，就会利用周围环境的暗示重新定向。学者们把能够辅助人们进行空间定向的暗示分为两大类：几何暗示与特征暗示。几何暗示通常为周边环境的几何表面，如房间内墙的形状或街道的交叉路口等。特征暗示包括了一些非几何的暗示，如颜色和非几何的标志物等。进一步研究发现，人类利用几何暗示进行空间定向几乎无处不在，但利用特征暗示却与人的年龄、环境范围等因素有关。因此，几何(特征)暗示对于各种受限制环境下进行自主空间定向更为重要。
机器人移动定向与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定向与导航方式，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、GPS、电磁等传感器进行引导，但这些方式都只能在某些特定环境下对机器人进行引导控制。实际中有些环境十分复杂，如在无磁场的环境下磁传感器无法完成辅助定向；在无电磁波或强电磁干扰的环境下GPS传感器将会失效；在无光线的环境下视觉传感器将会失效；在无明显标志物的环境下声纳、雷达也将采集不到足够的有效数据，这些都将影响到机器人的空间定向与自主导航性能。而几何特征却几乎无处不在，且不受环境变化的干扰，充分利用这些几何特征是有可能在复杂环境下辅助实现机器人自主定向的。
此外，在复杂环境下，通过人的指令去引导机器人进行定向与移动已不可能，机器人自主感知、控制与决策是非常关键的问题。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，完成自主定向与导航。特别是机器人自主定向问题，一般的神经网络方法是无法解决的。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，但是在实际应用中普遍存在可靠性差、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，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”做周期性振动，而这个特定的“卷”恰好反映了外部激励信号的特征。将这种生物学机理应用于机器人行为控制器的设计，则可以通过适当的方式，将周边环境的几何(特征)暗示以这些“卷”的模式存储起来，并借助这些暗示最终实现自主空间定向。
三、发明内容
1、技术问题
受实验心理学研究成果与混沌现象产生的生物学机理的启发，本发明公开了一种基于几何特征辅助和混沌感知的机器人自主定向方法，并应用于实现机器人在复杂环境下的自主定向。在机器人迷失方向阶段，机器人感知模式用一个二维多卷混沌吸引子来代表。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。当机器人借助已设置的具有一定几何特征的外围参照物进行重定向时，开始接收来自外围参照物的激励信息。每接收到一个激励信号，混沌轨迹就迅速收敛到一个代表外部激励信号物理含义的平衡点或单卷循环状态。而机器人进行的是360°顺时针(或逆时针)旋转扫描步骤，并定时采集来自外围参照物的激励信息。因此，经过360°扫描后，有一组反映外围参照物几何特征的激励信息将存储在机器人内嵌的计算机存储卡中。机器人内嵌计算机根据单卷循环状态的中心坐标和机器人在状态空间中的坐标，计算机器人与外围参照物的激励在状态空间中的距离。通过比较，确定获得的最小距离所对应的方向为机器人前进的正方向，实现自主定向。这种方法的优点在于，在复杂的移动环境下，机器人借助几何特征自主定向，其中所使用的混沌感知系统具有更准确的神经反应信号表达能力。本发明要解决的问题是提供一种基于几何特征辅助和混沌感知的机器人自主定向方法，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，并借助几何特征进行辅助，有利于在复杂环境下实现实时自主定向。
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几何特征辅助和混沌感知的机器人自主定向方法，该方法包括下列步骤：
第一步骤：机器人移动轨迹规划步骤；根据预定目标，规划机器人101的移动轨迹102，并每隔一定距离设置具有一定几何特征的外围参照物103。这里的“几何特征”是指外围参照物的形状。机器人轨迹规划与几何参照物设置如图1所示；
第二步骤：机器人负载传感器步骤；在机器人上负载1个距离传感器201，机器人上安装有360°转盘202，并接有步进电机203用于控制转盘旋转和数据采集，机器人内嵌的计算机存储卡204用于存储接收的激励信息。机器人及传感器配置结构图如图2所示。没有接收到任何外部激励信息前，用二维多卷混沌状态模拟机器人的思维状态，机器人处于方向迷失阶段，不进行移动。这里的“外部激励信息”是指外围参照物的位置信息以及对应的扫描时间信息，“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”形结构所组成的轨迹；
第三步骤：机器人360°旋转扫描步骤；机器人开始顺时针或逆时针旋转，每隔一定时间把距离传感器201采集到的具有一定几何特征的外围参照物的以上第二步骤所述外部激励信息存储到机器人内嵌的计算机存储卡204中；
第四步骤：混沌感知步骤；用混沌演化过程模拟机器人控制器的决策过程，根据每次采集到的以上第二步骤所述外部激励信息对应进入一个单卷循环状态，并得到该单卷循环状态的中心坐标。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”是指当接收到以上第二步骤所述外部激励信息后，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”，该轨迹的形状为一个椭圆；
第五步骤：几何特征提取，即距离计算步骤；根据单卷循环状态的中心坐标和机器人在状态空间中的坐标，计算机器人与外围参照物在状态空间中的距离；
第六步骤：感知动力学反馈控制步骤；根据状态空间中计算出的距离大小，判决单元把360°旋转后获得最小距离所对应的方向确定为机器人前进的正方向，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，执行机构实现转向行为，完成自主定向，进而向确定的方向移动。
第七步骤：重新定向步骤；当机器人再次迷失方向后，又进入以上第二步骤所述的二维多卷混沌状态，如果机器人负载距离传感器又搜索到以上第二步骤所述外部激励信息，依次转入以上第三、四、五、六步骤，并再次完成自主定向。
如前所述的基于几何特征辅助和混沌感知的机器人自主定向方法，其特征在于，第一步骤中的具有一定几何特征的外围参照物设置的准则为规划机器人移动轨迹的前进方向与参照物的对称轴方向一致。
如前所述的基于几何特征辅助和混沌感知的机器人自主定向方法，其特征在于，第二步骤还包括一个生成二维多卷混沌状态的步骤。具体包括下列步骤：
步骤一：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；
步骤二：把以上步骤一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；
步骤三：求解以上步骤二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二维多卷混沌状态。
如前所述的基于几何特征辅助和混沌感知的机器人自主定向方法，其特征在于，第五步骤中的距离计算公式为：
其中，(x0，y0)是机器人在状态空间中的坐标，(xcenter，ycenter)是单卷循环状态的中心坐标，Range为机器人与外围参照物在状态空间中的距离。
如前所述的基于几何特征辅助和混沌感知的机器人自主定向方法，其特征在于，第六步骤具体包括：
步骤一：反馈信号传递；将以上第六步骤中所述的“最小距离”所对应的方向信息作为状态反馈信号传递给控制单元；
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。
如前所述的基于几何特征辅助和混沌感知的机器人自主定向方法，其特征在于，第六步骤中的执行机构为机器人足及转向轴205。
3、有益效果
与现有技术相比，本发明的优点在于，这种机器人自主定向方法可以在无磁场、无电磁波(或强电磁干扰)、无光线、无明显标志物的复杂环境下和无训练前提下实现智能定向与导航。这种方法的优点还在于机器人的感知系统具有更准确的神经反应信号表达能力，通过借助外围参照物的几何特征，对复杂环境具有更好的感知和自适应反应能力。
四、附图说明
图1机器人轨迹规划与几何参照物设置示意图；
图2机器人及传感器配置结构图；
图3感知动力学反馈控制回路结构框图；
图4机器人处于迷失方向(混沌)状态下控制状态变量轨迹图；
图5设置矩形几何参照物下机器人360°部分状态混沌感知图；
图6设置矩形几何参照物下机器人360°扫描距离图；
图7设置矩形几何参照物下机器人自主定向后确定的方向；
图8设置梯形几何参照物下机器人360°部分状态混沌感知图；
图9设置梯形几何参照物下机器人360°扫描距离图；
图10设置梯形几何参照物下机器人自主定向后确定的方向。
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几何特征辅助和混沌感知的机器人自主定向方法，具体包括如下步骤：
第一步骤：机器人移动轨迹规划步骤；根据预定目标，规划机器人的移动轨迹(如图1所示)，并设置了7个具有一定几何特征的外围参照物，这里选择的参照物几何特征为矩形；
第二步骤：机器人负载传感器步骤；机器人中心所对应的状态空间位置为(50，50)。没有接收到任何外部激励信息前，用二维多卷混沌状态模拟机器人的思维状态，机器人处于方向迷失状态。本例中非线性差分方程组(2)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4所示，处于混沌状态；
第三步骤：机器人360°旋转扫描步骤；机器人201开始顺时针旋转，每隔1秒把距离传感器202采集到的以上第二步骤所述外部激励信息存储到机器人内嵌的计算机存储卡205中；
第四步骤：混沌感知步骤；用混沌演化过程模拟机器人控制器的决策过程，根据每次采集到的具有一定几何特征的外围参照物的以上第二步骤所述外部激励信息对应进入一个单卷循环状态，并得到该单卷循环状态的中心坐标。360°扫描结束后机器人的部分状态混沌感知图如图5所示；
第五步骤：几何特征提取，即距离计算步骤；根据单卷循环状态的中心坐标和机器人在状态空间中的坐标，计算机器人与外围参照物在状态空间中的距离。360°扫描结束后机器人的扫描距离图如图6所示；
第六步骤：感知动力学反馈控制步骤；根据状态空间中计算出的距离大小，判决单元把360°旋转后获得最小距离所对应的方向(如图7所示)确定为机器人前进的正方向，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，执行机构实现转向行为，完成自主定向。
第七步骤：重新定向步骤；当机器人再次迷失方向后，又进入以上第二步骤所述的二维多卷混沌状态，如果机器人负载距离传感器又搜索到以上第二步骤所述外部激励信息，依次转入以上第三、四、五、六步骤，并再次完成自主定向。
注意到，机器人重定向后的正方向指向状态空间位置(50，150)所代表的激励方向。但由于矩形的旋转对称性，机器人有可能会将重定向后的正方向错误的指向状态空间位置(50，-50)所代表的激励方向。因此，如果设置矩形参照物，会有一定的定向错误概率存在，而且这种错误概率仅依靠几何特征辅助是无法避免的。
实施例二：本实施例涉及一种基于几何特征辅助和混沌感知的机器人自主定向方法，具体包括如下步骤：
第一步骤：机器人移动轨迹规划步骤；根据预定目标，规划机器人的移动轨迹(如图1所示)，并设置了7个具有一定几何特征的外围参照物，这里选择的参照物几何特征为梯形；
第二步骤至第七步骤同以上实施例一。
于是，360°扫描结束后机器人的部分状态混沌感知图如图8所示；360°扫描结束后机器人的扫描距离图如图9所示；设置梯形几何参照物下机器人自主定向后确定的方向如图10所示。
注意到，机器人重定向后的正方向指向状态空间位置(50，150)所代表的激励方向。但由于梯形的旋转对称性，机器人有可能会将重定向后的正方向错误的指向状态空间位置(50，-50)所代表的激励方向。但是，由图9可知，如果把360°旋转后获得最小距离周边的几何(距离)特征也列入感知动力学反馈控制步骤，完全可以避免这种错误定向的发生。因此，如果设置梯形参照物，定向错误依靠几何特征辅助是可以避免的。
Claims (6)
1.一种基于几何特征辅助和混沌感知的机器人自主定向方法，包括：
第一步骤：机器人移动轨迹规划步骤；根据预定目标，规划机器人的移动轨迹，并每隔一定距离设置具有一定几何特征的外围参照物，这里的“几何特征”是指外围参照物的形状；
第二步骤：机器人负载传感器步骤；在机器人上负载1个距离传感器，没有接收到任何外部激励信息前，用二维多卷混沌状态模拟机器人的思维状态，机器人处于方向迷失状态，不进行移动，这里的“外部激励信息”是指外围参照物的位置信息以及对应的扫描时间信息，“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”形结构所组成的轨迹；
第三步骤：机器人360°旋转扫描步骤；机器人开始顺时针或逆时针旋转，每隔一定时间把距离传感器采集到的具有一定几何特征的外围参照物的以上第二步骤所述外部激励信息存储到机器人内嵌的计算机存储卡中；
第四步骤：混沌感知步骤；用混沌演化过程模拟机器人控制器的决策过程，根据每次采集到的以上第二步骤所述外部激励信息对应进入一个单卷循环状态，并得到该单卷循环状态的中心坐标，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”是指当接收到以上第二步骤所述外部激励信息后，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椭圆；
第五步骤：几何特征提取，即距离计算步骤；根据单卷循环状态的中心坐标和机器人在状态空间中的坐标，计算机器人与外围参照物在状态空间中的距离；
第六步骤：感知动力学反馈控制步骤；根据状态空间中计算出的距离大小，判决单元把360°旋转后获得最小距离所对应的方向确定为机器人前进的正方向，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，执行机构实现转向行为，完成自主定向，进而向确定的方向移动;
第七步骤：重新定向步骤；当机器人再次迷失方向后，又进入以上第二步骤所述的二维多卷混沌状态，如果机器人负载距离传感器又搜索到以上第二步骤所述外 部激励信息，依次转入以上第三、四、五、六步骤，并再次完成自主定向。
2.如权利要求1所述的基于几何特征辅助和混沌感知的机器人自主定向方法，其特征在于，第一步骤中的具有一定几何特征的外围参照物设置的准则为规划机器人移动轨迹的前进方向与参照物的对称轴方向一致。
3.如权利要求1所述的基于几何特征辅助和混沌感知的机器人自主定向方法，其特征在于，第二步骤还包括一个生成二维多卷混沌状态的步骤，具体包括下列步骤：
步骤一：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；
步骤二：把以上步骤一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，z为一计算变量，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；
步骤三：求解以上步骤二中生成的非线性差分方程组，求解出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二维多卷混沌状态。
4.如权利要求1所述的基于几何特征辅助和混沌感知的机器人自主定向方法， 其特征在于，第五步骤中的距离计算公式为：
其中，(x0，y0)是机器人在状态空间中的坐标，(xcenter，ycenter)是单卷循环状态的中心坐标，Range为机器人与外围参照物在状态空间中的距离。
5.如权利要求1所述的基于几何特征辅助和混沌感知的机器人自主定向方法，其特征在于，第六步骤具体包括：
步骤一：反馈信号传递；将以上权利要求1第六步骤中所述的“最小距离”所对应的方向信息作为状态反馈信号传递给控制单元；
步骤二：控制单元通过感知动力学反馈控制回路发出指令，执行机构实现转向行为。
6.如权利要求1所述的基于几何特征辅助和混沌感知的机器人自主定向方法，其特征在于，第六步骤中的执行机构为机器人足及转向轴。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2009100318598A CN101604167B (zh) | 2009-07-15 | 2009-07-15 | 一种基于几何特征辅助和混沌感知的机器人自主定向方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2009100318598A CN101604167B (zh) | 2009-07-15 | 2009-07-15 | 一种基于几何特征辅助和混沌感知的机器人自主定向方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN101604167A CN101604167A (zh) | 2009-12-16 |
| CN101604167B true CN101604167B (zh) | 2011-05-25 |
Family
ID=41469928
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN2009100318598A Expired - Fee Related CN101604167B (zh) | 2009-07-15 | 2009-07-15 | 一种基于几何特征辅助和混沌感知的机器人自主定向方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN101604167B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105867370A (zh) * | 2016-04-05 | 2016-08-17 | 山东理工大学 | 一种移动机器人全覆盖遍历混沌路径规划方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101049693A (zh) * | 2006-04-04 | 2007-10-10 | 三星电子株式会社 | 控制系统、具有该控制系统的移动机器人装置及控制方法 |
| CN101100061A (zh) * | 2006-07-03 | 2008-01-09 | 发那科株式会社 | 测量装置以及校准方法 |
| CN101320251A (zh) * | 2008-07-15 | 2008-12-10 | 华南理工大学 | 基于确定学习理论的机器人行走控制方法 |
-
2009
- 2009-07-15 CN CN2009100318598A patent/CN101604167B/zh not_active Expired - Fee Related
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101049693A (zh) * | 2006-04-04 | 2007-10-10 | 三星电子株式会社 | 控制系统、具有该控制系统的移动机器人装置及控制方法 |
| CN101100061A (zh) * | 2006-07-03 | 2008-01-09 | 发那科株式会社 | 测量装置以及校准方法 |
| CN101320251A (zh) * | 2008-07-15 | 2008-12-10 | 华南理工大学 | 基于确定学习理论的机器人行走控制方法 |
Non-Patent Citations (1)
| Title |
|---|
| 丁伟.基于免疫进化与混沌变异的移动机器人路径规划.<哈尔滨理工大学学位论文>.2007,33-38. * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105867370A (zh) * | 2016-04-05 | 2016-08-17 | 山东理工大学 | 一种移动机器人全覆盖遍历混沌路径规划方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN101604167A (zh) | 2009-12-16 |
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 | |
| Yang et al. | Real-time collision-free motion planning of a mobile robot using a neural dynamics-based approach | |
| Sun et al. | Mapless motion planning system for an autonomous underwater vehicle using policy gradient-based deep reinforcement learning | |
| Singh et al. | Path optimisation of a mobile robot using an artificial neural network controller | |
| CN110750096B (zh) | 静态环境下基于深度强化学习的移动机器人避碰规划方法 | |
| Wang et al. | Target tracking control of a biomimetic underwater vehicle through deep reinforcement learning | |
| Zheng et al. | The communication and stability evaluation of amphibious spherical robots | |
| CN109240279B (zh) | 一种基于视觉感知和空间认知神经机制的机器人导航方法 | |
| CN106338919A (zh) | 基于增强学习型智能算法的无人艇航迹跟踪控制方法 | |
| Tang et al. | Mobile robot SLAM method based on multi-agent particle swarm optimized particle filter | |
| Kazem et al. | Modified vector field histogram with a neural network learning model for mobile robot path planning and obstacle avoidance. | |
| Kozma et al. | Computational aspects of cognition and consciousness in intelligent devices | |
| Zhu et al. | AUV dynamic obstacle avoidance method based on improved PPO algorithm | |
| Lan et al. | Path planning for underwater gliders in time-varying ocean current using deep reinforcement learning | |
| Bing et al. | End to end learning of a multi-layered snn based on r-stdp for a target tracking snake-like robot | |
| Yan et al. | Real-world learning control for autonomous exploration of a biomimetic robotic shark | |
| Bi et al. | A waypoint-tracking controller for a bionic autonomous underwater vehicle with two pectoral fins | |
| CN103792846A (zh) | 基于Skinner操作条件反射原理的机器人避障导航方法 | |
| CN112212867B (zh) | 一种机器人自定位与导航的方法及系统 | |
| CN101604167B (zh) | 一种基于几何特征辅助和混沌感知的机器人自主定向方法 | |
| Song et al. | Surface path tracking method of autonomous surface underwater vehicle based on deep reinforcement learning | |
| CN101554725A (zh) | 一种基于混沌机理的机器人自主导航方法 | |
| CN114609925B (zh) | 水下探索策略模型的训练方法及仿生机器鱼水下探索方法 | |
| Zou et al. | A neurobiologically inspired mapping and navigating framework for mobile robots | |
| Cuperlier et al. | Transition cells for navigation and planning in an unknown environment |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20110525 Termination date: 20140715 |
|
| EXPY | Termination of patent right or utility model |