CN103604591B - 一种轮式移动机器人故障检测方法 - Google Patents
一种轮式移动机器人故障检测方法 Download PDFInfo
- Publication number
- CN103604591B CN103604591B CN201310567411.4A CN201310567411A CN103604591B CN 103604591 B CN103604591 B CN 103604591B CN 201310567411 A CN201310567411 A CN 201310567411A CN 103604591 B CN103604591 B CN 103604591B
- Authority
- CN
- China
- Prior art keywords
- detector
- self
- population
- selection algorithm
- wheeled
- 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
Landscapes
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Manipulator (AREA)
Abstract
一种轮式移动机器人故障检测方法,其特点是:1.收集实体机器人正常运行状态及运动机构异常状态下的做右轮转速、相对位移、相对偏转角度;2.应用收集得来的正常数据构造由超球体组成的自体空间;3.生成负选择算法所需的用于运动机构异常检测的非自体检测器,覆盖非自体空间,其检测器分为两个等级,采用克隆选择算法进行生成整个检测系统;4.将生成的非自体检测器应用于检测实体轮式机器人是否发生移动机构异常;5.将异常数据进一步分类。本发明可以使用数量较少的检测器达到较高的检测率,并且可以区分出爆胎、打滑、车轮受阻等故障类型,并且可以满足实体轮式机器人的移动机构异常在军事、工业、农业等领域现实环境中的需求。
Description
技术领域:本发明涉及一种轮式移动机器人故障检测方法,特别是涉及一种应用克隆选择算法进行二级负选择进而检测轮式机器人是否发生移动机构异常的方法,属于机器人故障检测、智能技术应用领域。本发明可以广泛应用于工业机器人、农业机器人、军事机器人、服务机器人的故障检测。
背景技术:轮式移动机器人的移动机构异常是指打滑、爆胎、车轮受阻等情况。在复杂环境中,轮式移动机器人极易出现移动机构异常,同时人类难以对其进行直接干预,如果故障没有检测出来或者没有及时处理,移动机器人将会以一种不可预测和危险的方式工作,不仅缩短其使用寿命,严重时不能进行正常的探测活动,甚至可能导致灾难性的后果。目前已有大量学者致力于轮式移动机器人移动机构异常检测,但是传统方法存在着收敛速度慢、检测率低等问题,因此,本发明公开了使用负选择算法检测轮式移动机器人的移动机构异常。
负选择算法由New Mexico大学的Forrest教授等人提出,其自然免疫学基础是对自体/非自体的划分。其工作原理是首先产生初始非自体检测器集,随后在负选择过程中删除与自体存在交集的非自体检测器,最终保留的非自体检测器则只能对非自体发挥免疫作用。根据负选择算法的特性,可以将其应用于检测轮式机器人是否发生移动机构异常,但是使用负选择算法检测机器人是否发生移动机构异常时,仍存在着较为显著的问题,其中包括非自体检测器数量难以控制,占用较多资源;非自体检测器生成过程中,将难以避难的形成空洞等等。
为克服上述缺点,本发明公开了一种将克隆选择算法与二级负选择算法相结合的方法用于检测轮式机器人是否发生移动机构异常现象,在结合过程中二级负选择算法用于生成非自体检测器,克隆选择算法保障以概率1收敛至全局最优解,算法结合后可以得出较高的检测率,其检测结果可以满足实体轮式机器人在现实环境中的应用。经申请人检索:本发明给出的将克隆选择算法与二级负选择算法相结合用于检测轮式机器人是否发生移动机构异常现象的方法在国内外尚未有公开出版物进行披露。
发明内容:
发明目的:本发明提供一种轮式移动机器人故障检测方法,其目的在于解决现有方法的不足,公开了一种将克隆选择算法与二级负选择算法相结合的方法,用于检测轮式机器人是否存在移动机构异常的现象,本发明可以保障得出较高的检测率,进而将检测出的异常数据分类,并且可以满足实体轮式机器人在现实环境中的应用。
技术方案:本发明是通过以下技术方案实施的:
一种轮式移动机器人故障检测方法,其特征在于:该方法包括有以下步骤:
步骤(1):应用实体轮式机器人收集正常运行状态下以及发生移动机构异常状态下的数据,包括左轮转速、右轮转速、相对位移、相对偏转角度;
步骤(2):应用收集得来的正常数据构造由超球体组成的自体空间,该自体空间用于生成负选择算法中的非自体检测器;
步骤(3):生成负选择算法所需的非自体检测器系统,用于覆盖非自体空间,系统中的检测器分为两个等级,采用克隆选择算法生成整个系统;
步骤(4):将生成的非自体检测器系统应用于检测实体轮式机器人是否发生移动机构异常,并统计检测率随非自体检测器系统中检测器数量变化的趋势;
步骤(5):将检测到的异常数据使用神经网络进行分类,进一步区分出爆胎、车轮受阻、打滑等故障。
所述步骤(3)中负选择算法生成两个等级的非自体检测器,并且使用克隆选择算法生成非自体检测器系统。
生成两个等级的非自体检测器是指:公开了一种二级负选择的方法,即生成两种等级的检测器,其中,一级检测器主要针对解空间中“整块”的区域,使用数量较少的检测器覆盖大面积的空间;二级检测器则主要针对解空间中“零散”的区域,保障非自体空间以较大的概率被检测器覆盖。
使用克隆选择算法生成非自体检测器系统,包含如下步骤:
(1)初始化:随机生成一级或者二级检测器,其初始偏移半径根据检测器等级而定,对于与自体匹配的检测器,则将其删除并重新生成,直至检测器数量达到N1,由此构成种群G0;
(2)判断:计算父代种群中进化代数及种群整体亲和度,若满足终止条件则终止运算并输出结果,否则继续;
(3)排序:根据各个检测器的整体适应度,将检测器按照整体适应度从高到低排列;
(4)选择:应用式退火选择求出的概率在种群Gk(k=1,2,3,4,…)中选择优秀检测器克隆到下一代种群;
(5)变异:对未被选择的个体进行高斯变异操作,高斯变异中若出现与自体匹配的检测器,则重新对其进行变异;
(6)种群重组:将第k代克隆而来的优秀个体与经过变异而产生的新个体组合,形成第Gk+1代种群,并返回(2)。
优点及效果:本发明的有益效果是通过对传统的负选择算法进行改进,将非自体检测器划分等级,使得负选择算法可以以较少数量的非自体检测器尽可能有效的覆盖非自体空间;将克隆选择算法与二级负选择算法相结合,保障了算法以概率1收敛至全局最优解,有效提高了算法的检测率;最终本发明可以准确检测出各类实体轮式机器人是否出现移动机构异常现象,并且可以将故障进一步分类,如爆胎、车轮受阻、打滑等,能够满足军事、工业、农业、服务等领域中实体轮式机器人在现实环境中的移动机构异常检测的需求。
附图说明:
图1为轮式移动机器人故障检测方法实施流程图;
图2为二维空间中自体空间与非自体检测器示意图;
图3为使用克隆选择算法生成非自体检测器的流程图;
图4为检测率随非自体检测器数量变化关系图。
具体实施方式:下面结合附图对本发明加以具体描述:
如图1所示,本发明一种轮式移动机器人故障检测方法,包括如下步骤:
步骤一:应用实体轮式机器人收集正常运行状态下以及发生移动机构异常状态下的数据,包括左轮转速(VL)、右轮转速(VR)、相对位移(RS)、相对偏转角度(RA)。
该步骤使用实体机器人在已知环境中进行正常运行操作,该实体机器人由计算机模块、传感器模块、电源及驱动模块、运动底盘模块构成,其尺寸为480*460*440mm,在机器人的驱动模块中,使用90wFaulhaber空心杯伺服电机,运动底盘模块包含两个驱动轮和两个万向轮,其中两个驱动轮直径为18cm,间距30cm,在其前方和后方,各有三组红外及超声传感器,用于感知环境信息。
在运行过程中,左轮转速(VL)和右轮转速(VR)由系统直接给出,通过对超声波返回数据的处理,可得出此时刻机器人的即时位置和即时角度,再将其与前一时刻的位置和角度进行对比,即可得出机器人的相对位移(RS)和相对偏转角度(RA)。
在具体操作过程中,由机器人在正常运动状态下所产生的数据,即认为正常数据;通过人为的对轮式移动机器人添加干扰,使其发生移动机构异常,进而产生异常数据。
步骤二:应用收集得来的正常数据构造由超球体组成的自体空间。该自体空间用于生成负选择算法中的非自体检测器
在构造过程中,提取数据集中正常的模式,根据近似匹配元原理,凡是与正常模式偏移小于r0的模式均视为正常,如图2所示,在二维空间中,o为数据集中提取的正常模式,阴影部分表示近似匹配的正常模式,阴影部分的集合即为系统构造的自体空间。
在本发明中,构造自体空间时需创建四维空间中的超球体,即O=(VL,VR,RS,RA),表示超球体的球心,r0为欧几里德距离,表示偏移半径。
步骤三:生成负选择算法所需的非自体检测器系统,用于覆盖非自体空间,其非自体检测器分为两个等级,采用克隆选择算法生成整个检测系统。
在此步骤中,对传统的负选择算法提出改进,即在生成非自体检测器系统的过程中,将非自体检测器分为两个等级,以此保障以较少的非自体检测器系统覆盖尽量多的解空间,有效减少“空洞”的出现。
对负选择算法提出改进后,使用克隆选择算法分别生成两个等级的非自体检测器,其中,一级非自体检测器的生成如图3所示,具体过程如下:
(1)初始化:随机生成一级非自体检测器,其初始偏移半径取5*r0,对于与自体匹配的非自体检测器,则将其删除并重新生成,直至非自体检测器数量达到N1,由此构成种群G0。
(2)判断:计算父代种群中进化代数及种群整体亲和度,若满足终止条件则终止运算并输出结果,否则继续。
(3)排序:求出各个非自体检测器的整体适应度(F(Di)),并将非自体检测器按照整体适应度从高到低排列。
对于任意一级非自体检测器Di,其亲和度可由下式计算得出f(Di)=g1(ri)式中ri表示非自体检测器Di的偏移半径,函数g1(·)表示正比例函数,即一级非自体检测器的偏移半径越大,其亲和度越高。
对于任意一级非自体检测器Di,其浓度可由下式计算得出
式中g2(·),g3(·),均为其对应自变量的正比例函数,ri为抗体Di的偏移半径,ri'为抗体Di与其他所有抗体重叠部分,在这里使用重叠的半径表示,即如下所示:
式中dij的计算方法如下所示:
上式中,ri,rj分别表示抗体Di与Dj的偏移半径,lij表示Di与Dj中心之间的欧氏距离。
一级非自体检测器的整体适应度应由亲和度和浓度共同决定,如下式所示:
式中f(Di)和h(Di)分别表示一级非自体检测器的亲和度及浓度,w1和w2表示加权系数。
(4)选择:使用退火选择概率在种群Gk(k=1,2,3,4…)中选择优秀非自体检测器克隆到下一代种群。
退火选择的概率按照下式进行计算
式中Tk为退火控制序列,其初始值应充分大,从而保证种群的多样性,随着进化代数的增加,Tk逐渐趋近于0,以保证进化后期种群的稳定性。
(5)变异:对未被选择的个体进行高斯变异操作,高斯变异中若出现与自体匹配的非自体检测器,则重新对其进行变异。
本发明采用的变异方法为高斯变异,对于非自体检测器Di={VL,VR,RS,RA,ri},其中前四项表示非自体检测器位置,ri表示抗体偏移半径,从中任取一个属性,以为例,对其进行高斯变异可令ηi服从高斯分布可由下式计算得出
式中函数t1(·)为对应自变量的反比例函数,即抗体的适应度越低,对其进行高斯变异的幅度越大。
(6)种群重组:将第k代克隆而来的优秀个体与经过变异而产生的新个体组合,形成第Gk+1代种群,并返回(2)。
经过上述六步操作,即可完成对一级非自体检测器的生成,继而需要生成二级非自体检测器,其生成过程与一级非自体检测器大致相同,不同之处主要体现在三点:一是初始化半径不同,二是有效非自体检测器评价标准不同,三是非自体检测器整体适应度计算方式不同。
在本发明中一级非自体检测器主要应对“整块”的非自体空间,而二级非自体检测器主要应对“零散”的非自体空间,因此,在本发明中,二级非自体检测器的初始偏移半径取r0,以适应本发明的需求。
在一级非自体检测器中,匹配自体空间的非自体检测器被认为是无效的,而在二级非自体检测器中,需要考虑两方面来判断非自体检测器是否有效:一是是否匹配自体空间,二是是否与一级非自体检测器完全匹配,如图2所示,图中带有阴影圆形部分表示自体空间,空心圆形表示非自体检测器,其中共有D1,D2,D3,D4,D5五个二级非自体检测器,其中D1与自体空间匹配,D2与一级非自体检测器完全匹配,均属于无效非自体检测器,D3,D4,D5属于有效非自体检测器。
计算一级非自体检测器的整体适应度时,只考虑非自体检测器的大小与浓度两方面因素,二级非自体检测器的整体适应度由下式计算得出
式中前两项与一级非自体检测器的整体适应度计算公式前两项含义相同,后两项中si表示当前非自体检测器与距离最近的一级非自体检测器之间超球体圆心的欧氏距离,si'表示当前非自体检测器与距离最近自体之间超球体圆心的欧氏距离,t2(·),t3(·)为对应自变量的反比例函数,w'1、w'2、w'3、w'4表示加权系数。
二级非自体检测器的生成过程可参考一级非自体检测器的生成过程,其数量与一级非自体检测器相同,具体过程只需注意上述三点异同即可,生成完成的非自体检测器系统如图2中的空白圆形区域所示。
步骤四:将生成的非自体检测器系统应用于检测实体轮式机器人发生移动机构异常所产生的数据,并统计非自体检测率随检测器数量变化的趋势。
该步骤中,使用实体轮式机器人生成正常运行及移动机构异常时所产生的数据,进而使用非自体检测器系统检测异常数据,检测率为检测出的异常数据与全部异常数据的比值,如下式所示:
在图4中展示了种群数量与非自体检测器系统中检测器数量之间的关系,其中横坐标表示非自体检测器数量,纵坐标表示检测率,由图可见,本发明公开的应用克隆选择算法进行二级负选择进而检测轮式机器人是否发生移动机构异常的方法可以以较少数量的非自体检测器达到较高的检测率,并且可以满足实体轮式机器人的检测是否出现移动机构异常现象的需求。
步骤五:将检测到的异常数据使用神经网络进行分类,进一步区分出爆胎、车轮受阻、打滑等故障。
在该步骤中,神经网络有四个输入节点,五个中间节点,三个输出节点,在输入节点中,分别输入左轮转速、右轮转速、相对位移、相对偏转角度,该神经网络可区分爆胎、车轮受阻、打滑等故障。
Claims (2)
1.一种轮式移动机器人故障检测方法,其特征在于:该方法包括有以下步骤:
步骤(1):应用实体轮式机器人收集正常运行状态下以及发生移动机构异常状态下的数据,包括左轮转速、右轮转速、相对位移、相对偏转角度;
步骤(2):应用收集得来的正常数据构造由超球体组成的自体空间,该自体空间用于生成负选择算法中的非自体检测器;
步骤(3):生成负选择算法所需的非自体检测器系统,用于覆盖非自体空间,系统中的检测器分为两个等级,采用克隆选择算法生成整个系统;
负选择算法生成两个等级的非自体检测器,并且使用克隆选择算法生成非自体检测器系统;生成两个等级的非自体检测器是指:公开了一种二级负选择的方法,即生成两种等级的检测器,其中,一级检测器主要针对非自体空间中“整块”的区域,使用数量较少的检测器覆盖大面积的空间;二级检测器则主要针对非自体空间中“零散”的区域,保障非自体空间以较大的概率被检测器覆盖;
步骤(4):将生成的非自体检测器系统应用于检测实体轮式机器人是否发生移动机构异常,并统计检测率随非自体检测器系统中检测器数量变化的趋势;
步骤(5):将检测到的异常数据使用神经网络进行分类,进一步区分出爆胎、车轮受阻、打滑等故障。
2.根据权利要求1所述的轮式移动机器人故障检测方法,其特征在于:使用克隆选择算法生成非自体检测器系统,包含如下步骤:
(1)初始化:随机生成一级或者二级检测器,其初始偏移半径根据检测器等级而定,对于与自体匹配的检测器,则将其删除并重新生成,直至检测器数量达到N1,由此构成种群G0;
(2)判断:计算父代种群中进化代数及种群整体亲和度,若满足终止条件则终止运算并输出结果,否则继续;
(3)排序:根据各个检测器的整体适应度,将检测器按照整体适应度从高到低排列;
(4)选择:应用式退火选择求出的概率在种群Gk(k=1,2,3,4,…)中选择优秀检测器克隆到下一代种群;
(5)变异:对未被选择的个体进行高斯变异操作,高斯变异中若出现与自体匹配的检测器,则重新对其进行变异;
(6)种群重组:将第k代克隆而来的优秀个体与经过变异而产生的新个体组合,形成第Gk+1代种群,并返回(2)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310567411.4A CN103604591B (zh) | 2013-11-14 | 2013-11-14 | 一种轮式移动机器人故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310567411.4A CN103604591B (zh) | 2013-11-14 | 2013-11-14 | 一种轮式移动机器人故障检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103604591A CN103604591A (zh) | 2014-02-26 |
CN103604591B true CN103604591B (zh) | 2018-11-20 |
Family
ID=50122836
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310567411.4A Expired - Fee Related CN103604591B (zh) | 2013-11-14 | 2013-11-14 | 一种轮式移动机器人故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103604591B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3372977A4 (en) * | 2015-10-28 | 2019-09-11 | Siemens Aktiengesellschaft | METHOD AND DEVICE FOR DETECTING ANOMALIES |
CN105430650B (zh) * | 2015-10-29 | 2018-11-20 | 浙江工业大学 | 一种基于免疫机制的无线传感器网络攻击协同检测方法 |
CN107563277A (zh) * | 2017-07-20 | 2018-01-09 | 广东科学技术职业学院 | 一种基于余弦相似性的击键动作识别方法 |
CN107643186B (zh) * | 2017-09-15 | 2019-07-19 | 深圳市杉川机器人有限公司 | 机器打滑检测的方法、装置及系统 |
CN107696034A (zh) * | 2017-09-30 | 2018-02-16 | 东北大学 | 一种针对工业机器人的错误自主恢复方法 |
CN107944182A (zh) * | 2017-12-08 | 2018-04-20 | 东北大学 | 转角轨迹失败的判断方法、电子设备和计算机存储介质 |
CN108508886B (zh) * | 2018-02-11 | 2020-10-27 | 浙江科聪智能科技有限公司 | 用于防爆巡检机器人的一体化控制器及其控制系统 |
CN109034470A (zh) * | 2018-07-18 | 2018-12-18 | 国网冀北电力有限公司信息通信分公司 | 一种电力通信现场运维故障预测方法 |
CN109407518B (zh) * | 2018-12-20 | 2019-06-25 | 山东大学 | 家庭服务机器人运行状态自主认知方法及系统 |
CN110370317B (zh) * | 2019-07-24 | 2022-01-11 | 广东工业大学 | 机器人修复方法及装置 |
CN111693066A (zh) * | 2020-03-12 | 2020-09-22 | 重庆大学 | 一种用于矿山掘进机的打滑识别与智能补偿方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20080048785A (ko) * | 2006-11-29 | 2008-06-03 | 한국과학기술원 | 인공면역시스템 기반 블로그 생성 시스템 및 생성 방법 |
CN101299691A (zh) * | 2008-06-13 | 2008-11-05 | 南京邮电大学 | 一种基于人工免疫的动态网格入侵检测方法 |
CN101604408A (zh) * | 2009-04-03 | 2009-12-16 | 江苏大学 | 一种检测器的生成和检测方法 |
CN102467670A (zh) * | 2010-11-08 | 2012-05-23 | 清华大学 | 基于免疫的异常检测方法 |
CN102510388A (zh) * | 2012-01-02 | 2012-06-20 | 西安电子科技大学 | 基于自体半径可变的否定选择入侵检测方法 |
CN102664817A (zh) * | 2012-02-17 | 2012-09-12 | 上海电机学院 | 一种垃圾邮件过滤的方法及系统 |
CN103150501A (zh) * | 2013-03-07 | 2013-06-12 | 东南大学 | 一种基于改进否定选择的入侵检测方法 |
-
2013
- 2013-11-14 CN CN201310567411.4A patent/CN103604591B/zh not_active Expired - Fee Related
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20080048785A (ko) * | 2006-11-29 | 2008-06-03 | 한국과학기술원 | 인공면역시스템 기반 블로그 생성 시스템 및 생성 방법 |
CN101299691A (zh) * | 2008-06-13 | 2008-11-05 | 南京邮电大学 | 一种基于人工免疫的动态网格入侵检测方法 |
CN101604408A (zh) * | 2009-04-03 | 2009-12-16 | 江苏大学 | 一种检测器的生成和检测方法 |
CN102467670A (zh) * | 2010-11-08 | 2012-05-23 | 清华大学 | 基于免疫的异常检测方法 |
CN102510388A (zh) * | 2012-01-02 | 2012-06-20 | 西安电子科技大学 | 基于自体半径可变的否定选择入侵检测方法 |
CN102664817A (zh) * | 2012-02-17 | 2012-09-12 | 上海电机学院 | 一种垃圾邮件过滤的方法及系统 |
CN103150501A (zh) * | 2013-03-07 | 2013-06-12 | 东南大学 | 一种基于改进否定选择的入侵检测方法 |
Non-Patent Citations (2)
Title |
---|
Clonal optimization-based negative selection algorithm with applications in motor fault detdction;X.Z.Gao;《Neural Comput & Applic》;20090508;第719-729页 * |
基于生物免疫的检测器分布策略研究;王大伟;《中国优秀硕士学位论文全文数据库 信息科技辑》;20090415;正文第8页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103604591A (zh) | 2014-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103604591B (zh) | 一种轮式移动机器人故障检测方法 | |
CN108828944B (zh) | 基于改进pso及svm的编码器故障诊断系统及方法 | |
CN110322048A (zh) | 一种生产物流输送装备故障预警方法 | |
CN105139072A (zh) | 应用于非循迹智能小车避障系统的强化学习算法 | |
CN106695802A (zh) | 基于多自由度机械臂的改进式rrt*的避障运动规划方法 | |
CN106093724B (zh) | 一种基于混合粒子群的局部放电小波去噪方法 | |
CN108363393B (zh) | 一种智能运动设备及其导航方法和存储介质 | |
CN106647744A (zh) | 一种机器人路径规划方法及装置 | |
CN102999661A (zh) | 基于粒子群优化的并行碰撞检测系统及方法 | |
US20230166397A1 (en) | Method for obstacle avoidance in degraded environments of robots based on intrinsic plasticity of snn | |
CN110188837A (zh) | 一种基于模糊神经的mvb网络故障诊断方法 | |
CN113954069A (zh) | 一种基于深度强化学习的机械臂主动容错控制方法 | |
CN110146108B (zh) | 一种用于无人机蜂群协同导航的故障在线评估方法 | |
CN104386125A (zh) | 一种电动汽车的驱动电机控制方法 | |
CN101901317B (zh) | 一种基于生长型分级自组织映射神经网络的入侵检测方法 | |
Asali et al. | Using Machine Learning approaches to detect opponent formation | |
CN107696034A (zh) | 一种针对工业机器人的错误自主恢复方法 | |
Ma et al. | A noise-excitation generative adversarial network for actuator fault diagnosis of multi-legged robot | |
CN114279728B (zh) | 一种振动筛机体的故障诊断方法及系统 | |
Xu et al. | Indoor multi-sensory self-supervised autonomous mobile robotic navigation | |
CN114594757B (zh) | 一种协作机器人的视觉路径规划方法 | |
CN104503235A (zh) | 基于改进bp神经网络的电厂设备的状态监测方法 | |
CN113741461A (zh) | 一种面向受限通信的复杂场景下多机器人避障方法 | |
Tamilselvi et al. | Optimal path selection for mobile robot navigation using genetic algorithm in an indoor environment | |
CN115808919A (zh) | 一种异形机器人路径规划的方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20181120 Termination date: 20191114 |