CN106647808A - 一种基于模糊控制算法的AUVs搜索和围捕任务分配控制方法 - Google Patents
一种基于模糊控制算法的AUVs搜索和围捕任务分配控制方法 Download PDFInfo
- Publication number
- CN106647808A CN106647808A CN201710006979.7A CN201710006979A CN106647808A CN 106647808 A CN106647808 A CN 106647808A CN 201710006979 A CN201710006979 A CN 201710006979A CN 106647808 A CN106647808 A CN 106647808A
- Authority
- CN
- China
- Prior art keywords
- layer
- auvs
- auv
- seize
- fuzzy
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000013528 artificial neural network Methods 0.000 claims abstract description 24
- 239000006185 dispersion Substances 0.000 claims abstract description 7
- 230000002265 prevention Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 230000004888 barrier function Effects 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 abstract description 7
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 3
- 230000001537 neural effect Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009189 diving Effects 0.000 description 1
- 239000000686 essence Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/10—Simultaneous control of position or course in three dimensions
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/12—Target-seeking control
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Feedback Control In General (AREA)
- Manipulator (AREA)
Abstract
本发明公开了一种基于模糊控制算法的AUVs搜索和围捕任务分配控制方法，本方法采用四层模糊神经网络来实现对于AUVs的控制，所使用的模糊神经网络自上而下为输入层、模糊化层、规则层与解模糊层，采用搜索、围捕、避障与分散四个阶段子任务，通过S型模糊神经网络实现对于水下机器人的非线性时变的动力控制，根据输入输出的样本来自动设计和调整模糊系统的设计参数，实现模糊系统的自学习和自适应功能，结合混合分层式体系结构，使得AUVs能够适应不同的复杂环境，加大了AUVs的协作效率，值得推广。
Description
技术领域
本发明涉及机器人控制技术领域，具体为一种基于模糊控制算法的AUVs搜索和围捕任务分配控制方法。
背景技术
移动目标围捕就是追捕者对移动目标进行包围，使得移动目标无路可逃，进而采取下一步行动。这就需要多追捕者之间不能是单纯的独立追捕，而是要进行协作，从而高效地完成围捕任务。这种多追捕者之间的协作在机器人学中被作为一个机器人系统，成为一个具有挑战性的关键问题，产生了很多研究成果。目前对多机器人围捕问题的研究大体可以分为两个模型基于传感器的模型和已知定位模型。在基于传感器的模型中，常见的控制方法是在未知环境中进行捕获，通过引入传感器数据的方法进行引导和控制。在已知定位模型中，逃避者的位置是已知的，通常用一些人工智能的方法。水下机器人（AUVs）也称无人遥控潜水器，是一种工作于水下的极限作业机器人。水下环境恶劣危险，人的潜水深度有限，所以水下机器人（AUVs）已成为开发海洋的重要工具。无人遥控潜水器主要有：有缆遥控潜水器和无缆遥控潜水器两种，其中有缆遥控潜水器又分为水中自航式、拖航式和能在海底结构物上爬行式三种。目前水下环境多变，很多的水下机器人在搜索围捕的时候都会遇到困难，因此设计了一种基于模糊控制算法的AUVs搜索和围捕任务分配控制方法。
发明内容
针对以上问题，本发明提供了一种基于模糊控制算法的AUVs搜索和围捕任务分配控制方法，通过S型模糊神经网络实现对于水下机器人的非线性时变的动力控制，根据输入输出的样本来自动设计和调整模糊系统的设计参数，实现模糊系统的自学习和自适应功能，结合混合分层式体系结构，使得AUVs能够适应不同的复杂环境，加大了AUVs的协作效率，值得推广。
为实现上述目的，本发明提供如下技术方案：一种基于模糊控制算法的AUVs搜索和围捕任务分配控制方法，本方法采用四层模糊神经网络来实现对于AUVs的控制，所使用的模糊神经网络自上而下为输入层、模糊化层、规则层与解模糊层，对应的阶段子任务为：
（1）搜索：AUVs采用分区随机搜索方式对水下工作区域进行初步搜索，在工作的时候，根据传感器的信息进行避碰与路径规划，其中各个AUVs单独完成搜索，自主执行规划；
（2）围捕：单个AUV在工作区域中发现了规划执行目标之后，通知混合分层式体系中其他AUVs，并且第一个发现目标的AUV成为当前leader，本leader 基于成员和目标航行器的位置信息分配围捕任务，并将各子任务发布给相应的围捕成员。各成员收到任务后迅速向目标点运动，对入侵者实施围捕；
（3）避障：确定目标之后，AUV在自身行进转轮的驱动下进行接近，基于传感器感知到的障碍信息选择避碰路线，其中障碍包括静态障碍物、团队成员与敌方AUV；
（4）分散：搜索和围捕目标完成之后，自动分散AUVs回到规划执行的工作区域内，准备下一次目标的搜索和围捕。
作为本发明一种优选的技术方案，搜索策略：
某个AUV设定当前位置为（xi,yi）, 搜索范围为xil≤xi≤xir，yid≤yi≤yiu，则当前的AUV随机选取搜索点（x'i,y'i）满足式子：
其中l 为一常值，表示AUV 的下一个目标点离所有AUV当前位置的最小距离不能低于此值，可以定义为工作的规划区域；
围捕策略：
H1、H2、H3、H4、H5为当前参与搜索和围捕的AUV，α表示当前目标与AUV之间的夹角，则目标运动势点坐标表示需满足式子：
然后将各个航行器按照极角从小到大排序，与势点坐标集合匹配，按序排列之后得出最优化的围捕分配方式；
避障策略：
基于蚂蚁算法，应用人工势场法，使得障碍物对AUV产生斥力，基于已有的AUV六自由度运动模型和PID 控制器。
作为本发明一种优选的技术方案，模糊神经网络中：
第一层：输入节点层，一共设置有两个节点，其中分别表示控制过程中的偏差与偏差变化率，不对信号进行任何非线性处理；
第二层：输入隶属度函数节点层，每个输入节点对应13个模糊分区，为保持水下机器人控制的多对称性，对应输入变量隶属度函数的位置；
第三层：模糊规则节点层，每一节点完成一条模糊规则的蕴含关系计算，对每一规则进行AND运算；
第四层：输出节点层，输出AUV各个行动主轴上的控制力力矩，偏差和偏差变化率的隶属度函数采用相同的分布方式。
作为本发明一种优选的技术方案，模糊神经网络中，开始加速与基于高斯函数的模糊神经网络相差不大，由于S型隶属函数自身的特征，基于S 型隶属函数的模糊神经网络必然比基于高斯型隶属函数的模糊神经网络更快地跟上速度规划器，向目标点靠近，同样由于前面分析的原因，速度一旦达到一个相对稳定的值后，则不容易随位置偏差的变化重新调整。
作为本发明一种优选的技术方案，混合分层式体系包括各个AUV内设置有任务规划层，任务规划层与行为控制层之间相互联系，行为控制层则通过传感模块接收环境信息反馈，通过控制器来控制AUV运动模型，在环境中进行移动。
与现有技术相比，本发明的有益效果是：
本发明通过S型模糊神经网络实现对于水下机器人的非线性时变的动力控制，根据输入输出的样本来自动设计和调整模糊系统的设计参数，实现模糊系统的自学习和自适应功能，结合混合分层式体系结构，使得AUVs能够适应不同的复杂环境，加大了AUVs的协作效率，值得推广。
附图说明
图1为本发明围捕过程中的任务分配示意简图；
图2为本发明模糊神经网络拓扑结构示意简图；
图3为本发明避障规划示意简图；
图4为本发明混合分层式体系结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例：
请参阅图1至图4，本发明提供一种技术方案：
本发明的一种基于模糊控制算法的AUVs搜索和围捕任务分配控制方法，本方法采用四层模糊神经网络来实现对于AUVs的控制，所使用的模糊神经网络自上而下为输入层、模糊化层、规则层与解模糊层，对应的阶段子任务为：
（1）搜索：AUVs采用分区随机搜索方式对水下工作区域进行初步搜索，在工作的时候，根据传感器的信息进行避碰与路径规划，其中各个AUVs单独完成搜索，自主执行规划；
（2）围捕：单个AUV在工作区域中发现了规划执行目标P之后，通知混合分层式体系中其他AUVs，并且第一个发现目标的AUV成为当前leader，本leader 基于成员和目标航行器的位置信息分配围捕任务，并将各子任务发布给相应的围捕成员H n(n=1.2.3.4.5……)。各成员收到任务后迅速向目标点Tn(n=1.2.3.4.5……)运动，对入侵者实施围捕；
（3）避障：确定目标之后，AUV在自身行进转轮的驱动下进行接近，基于传感器感知到的障碍信息选择避碰路线，其中障碍包括静态障碍物、团队成员与敌方AUV；
（4）分散：搜索和围捕目标完成之后，自动分散AUVs回到规划执行的工作区域内，准备下一次目标的搜索和围捕。
其中，搜索策略：
某个AUV设定当前位置为（xi,yi）,搜索范围为xil≤xi≤xir ，yid≤yi≤yiu，则当前的AUV随机选取搜索点（x'i,y'i）满足式子：
其中l 为一常值，表示AUV 的下一个目标点离所有AUV 当前位置的最小距离不能低于此值，可以定义为工作的规划区域；
围捕策略：
H1、H2、H3、H4、H5为当前参与搜索和围捕的AUV，α表示当前目标与AUV之间的夹角，则目标运动势点坐标表示需满足式子：
然后将各个航行器按照极角从小到大排序，与势点坐标集合匹配，按序排列之后得出最优化的围捕分配方式；
避障策略：
基于蚂蚁算法，应用人工势场法，使得障碍物对AUV产生斥力，基于已有的AUV六自由度运动模型和PID控制器。
模糊神经网络中：
第一层：输入节点层，一共设置有两个节点，其中分别表示控制过程中的偏差与偏差变化率，不对信号进行任何非线性处理；
第二层：输入隶属度函数节点层，每个输入节点对应13个模糊分区，为保持水下机器人控制的多对称性，对应输入变量隶属度函数的位置；
第三层：模糊规则节点层，每一节点完成一条模糊规则的蕴含关系计算，对每一规则进行AND运算；
第四层：输出节点层，输出AUV各个行动主轴上的控制力力矩，偏差和偏差变化率的隶属度函数采用相同的分布方式。
模糊神经网络中，开始加速与基于高斯函数的模糊神经网络相差不大，由于S型隶属函数自身的特征，基于S型隶属函数的模糊神经网络必然比基于高斯型隶属函数的模糊神经网络更快地跟上速度规划器，向目标点靠近，同样由于前面分析的原因，速度一旦达到一个相对稳定的值后，则不容易随位置偏差的变化重新调整。
混合分层式体系包括各个AUV内设置有任务规划层，任务规划层与行为控制层之间相互联系，行为控制层则通过传感模块接收环境信息反馈，通过控制器来控制AUV运动模型，在环境中进行移动。
本发明通过S型模糊神经网络实现对于水下机器人的非线性时变的动力控制，根据输入输出的样本来自动设计和调整模糊系统的设计参数，实现模糊系统的自学习和自适应功能，结合混合分层式体系结构，使得AUVs能够适应不同的复杂环境，加大了AUVs的协作效率，值得推广。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于模糊控制算法的AUVs搜索和围捕任务分配控制方法，其特征在于：本方法采用四层模糊神经网络来实现对于AUVs的控制，所使用的模糊神经网络自上而下为输入层、模糊化层、规则层与解模糊层，对应的阶段子任务为：
（1）搜索：AUVs采用分区随机搜索方式对水下工作区域进行初步搜索，在工作的时候，根据传感器的信息进行避碰与路径规划，其中各个AUVs单独完成搜索，自主执行规划；
（2）围捕：单个AUV在工作区域中发现了规划执行目标之后，通知混合分层式体系中其他AUVs，并且第一个发现目标的AUV成为当前leader，本leader基于成员和目标航行器的位置信息分配围捕任务，并将各子任务发布给相应的围捕成员。各成员收到任务后迅速向目标点运动，对入侵者实施围捕；
（3）避障：确定目标之后，AUV在自身行进转轮的驱动下进行接近，基于传感器感知到的障碍信息选择避碰路线，其中障碍包括静态障碍物、团队成员与敌方AUV；
（4）分散：搜索和围捕目标完成之后，自动分散AUVs回到规划执行的工作区域内，准备下一次目标的搜索和围捕。
2.根据权利要求1所述的一种基于模糊控制算法的AUVs搜索和围捕任务分配控制方法，其特征在于：搜索策略：
某个AUV设定当前位置为（xi,yi）,搜索范围为xil≤xi≤xir ，yid≤yi≤yiu，则当前的AUV随机选取搜索点（x' i,y' i）满足式子：
其中l 为一常值，表示AUV 的下一个目标点离所有AUV当前位置的最小距离不能低于此值，可以定义为工作的规划区域；
围捕策略：
H1、H2、H3、H4、H5为当前参与搜索和围捕的AUV，α表示当前目标与AUV之间的夹角，则目标运动势点坐标表示需满足式子：
然后将各个航行器按照极角从小到大排序，与势点坐标集合匹配，按序排列之后得出最优化的围捕分配方式；
避障策略：
基于蚂蚁算法，应用人工势场法，使得障碍物对AUV产生斥力，基于已有的AUV六自由度运动模型和PID控制器；
3.根据权利要求1所述的一种基于模糊控制算法的AUVs搜索和围捕任务分配控制方法，其特征在于：模糊神经网络中：
第一层：输入节点层，一共设置有两个节点，其中分别表示控制过程中的偏差与偏差变化率，不对信号进行任何非线性处理；
第二层：输入隶属度函数节点层，每个输入节点对应13个模糊分区，为保持水下机器人控制的多对称性，对应输入变量隶属度函数的位置；
第三层：模糊规则节点层，每一节点完成一条模糊规则的蕴含关系计算，对每一规则进行AND运算；
第四层：输出节点层，输出AUV各个行动主轴上的控制力力矩，偏差和偏差变化率的隶属度函数采用相同的分布方式。
4.根据权利要求1所述的一种基于模糊控制算法的AUVs搜索和围捕任务分配控制方法，其特征在于：模糊神经网络中，开始加速与基于高斯函数的模糊神经网络相差不大，由于S型隶属函数自身的特征，基于S型隶属函数的模糊神经网络必然比基于高斯型隶属函数的模糊神经网络更快地跟上速度规划器，向目标点靠近，同样由于前面分析的原因，速度一旦达到一个相对稳定的值后，则不容易随位置偏差的变化重新调整。
5.根据权利要求1所述的一种基于模糊控制算法的AUVs搜索和围捕任务分配控制方法，其特征在于：混合分层式体系包括各个AUV内设置有任务规划层，任务规划层与行为控制层之间相互联系，行为控制层则通过传感模块接收环境信息反馈，通过控制器来控制AUV运动模型，在环境中进行移动。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710006979.7A CN106647808B (zh) | 2017-01-05 | 2017-01-05 | 一种基于模糊控制算法的AUVs搜索和围捕任务分配控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710006979.7A CN106647808B (zh) | 2017-01-05 | 2017-01-05 | 一种基于模糊控制算法的AUVs搜索和围捕任务分配控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106647808A true CN106647808A (zh) | 2017-05-10 |
| CN106647808B CN106647808B (zh) | 2020-02-14 |
Family
ID=58844222
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710006979.7A Active CN106647808B (zh) | 2017-01-05 | 2017-01-05 | 一种基于模糊控制算法的AUVs搜索和围捕任务分配控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106647808B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107562074A (zh) * | 2017-07-24 | 2018-01-09 | 哈尔滨工程大学 | 一种面向mauvs围捕的任务分配方法 |
| CN110764518A (zh) * | 2019-10-31 | 2020-02-07 | 五邑大学 | 水下清淤机器人路径规划方法、装置、机器人和存储介质 |
| CN110826703A (zh) * | 2019-06-06 | 2020-02-21 | 西安交通大学 | 一种基于协作式时变双向循环神经网络的通信系统信号序列检测方法 |
| CN112034121A (zh) * | 2020-07-30 | 2020-12-04 | 中国农业大学 | 基于水下机器人的深水网箱水质三维检测方法及系统 |
| CN113268078A (zh) * | 2021-04-20 | 2021-08-17 | 四川大学 | 一种无人机群自适应环境的目标追踪围捕方法 |
| CN113325857A (zh) * | 2021-06-08 | 2021-08-31 | 西北工业大学 | 基于质心与浮力系统的仿蝠鲼水下航行器定深控制方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2251820A1 (en) * | 2009-05-14 | 2010-11-17 | BAE Systems PLC | Object classification |
| CN104942807A (zh) * | 2015-04-16 | 2015-09-30 | 上海大学 | 基于扩展式合作博弈的多机器人围捕目标方法 |
| CN105182973A (zh) * | 2015-09-08 | 2015-12-23 | 郑州大学 | 多机器人追捕者围捕单移动目标的自适应围捕装置与方法 |
| CN105487544A (zh) * | 2016-01-18 | 2016-04-13 | 沈阳工业大学 | 基于模糊推理系统的多机器人角度控制围捕方法 |
| CN105843227A (zh) * | 2016-04-15 | 2016-08-10 | 上海大学 | 一种基于任务密集度动态调整的多机器人协作围捕任务分配方法 |
-
2017
- 2017-01-05 CN CN201710006979.7A patent/CN106647808B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2251820A1 (en) * | 2009-05-14 | 2010-11-17 | BAE Systems PLC | Object classification |
| CN104942807A (zh) * | 2015-04-16 | 2015-09-30 | 上海大学 | 基于扩展式合作博弈的多机器人围捕目标方法 |
| CN105182973A (zh) * | 2015-09-08 | 2015-12-23 | 郑州大学 | 多机器人追捕者围捕单移动目标的自适应围捕装置与方法 |
| CN105487544A (zh) * | 2016-01-18 | 2016-04-13 | 沈阳工业大学 | 基于模糊推理系统的多机器人角度控制围捕方法 |
| CN105843227A (zh) * | 2016-04-15 | 2016-08-10 | 上海大学 | 一种基于任务密集度动态调整的多机器人协作围捕任务分配方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张旭等: "关于多机器人围捕协调路径策略研究", 《计算机仿真》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107562074A (zh) * | 2017-07-24 | 2018-01-09 | 哈尔滨工程大学 | 一种面向mauvs围捕的任务分配方法 |
| CN107562074B (zh) * | 2017-07-24 | 2020-05-22 | 哈尔滨工程大学 | 一种面向mauvs围捕的任务分配方法 |
| CN110826703A (zh) * | 2019-06-06 | 2020-02-21 | 西安交通大学 | 一种基于协作式时变双向循环神经网络的通信系统信号序列检测方法 |
| CN110826703B (zh) * | 2019-06-06 | 2022-06-07 | 西安交通大学 | 一种基于协作式时变双向循环神经网络通信信号检测方法 |
| CN110764518A (zh) * | 2019-10-31 | 2020-02-07 | 五邑大学 | 水下清淤机器人路径规划方法、装置、机器人和存储介质 |
| CN110764518B (zh) * | 2019-10-31 | 2021-05-11 | 五邑大学 | 水下清淤机器人路径规划方法、装置、机器人和存储介质 |
| CN112034121A (zh) * | 2020-07-30 | 2020-12-04 | 中国农业大学 | 基于水下机器人的深水网箱水质三维检测方法及系统 |
| CN113268078A (zh) * | 2021-04-20 | 2021-08-17 | 四川大学 | 一种无人机群自适应环境的目标追踪围捕方法 |
| CN113325857A (zh) * | 2021-06-08 | 2021-08-31 | 西北工业大学 | 基于质心与浮力系统的仿蝠鲼水下航行器定深控制方法 |
| CN113325857B (zh) * | 2021-06-08 | 2022-08-05 | 西北工业大学 | 基于质心与浮力系统的仿蝠鲼水下航行器定深控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106647808B (zh) | 2020-02-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106647808A (zh) | 一种基于模糊控制算法的AUVs搜索和围捕任务分配控制方法 | |
| Zhu et al. | Biologically inspired self-organizing map applied to task assignment and path planning of an AUV system | |
| Cao et al. | Multi-AUV cooperative target search and tracking in unknown underwater environment | |
| Zhu et al. | Task assignment and path planning of a multi-AUV system based on a Glasius bio-inspired self-organising map algorithm | |
| US8583286B2 (en) | Hybrid control device | |
| Ailon | Simple tracking controllers for autonomous VTOL aircraft with bounded inputs | |
| Oleiwi et al. | Integrated motion planning and control for multi objectives optimization and multi robots navigation | |
| Parhi et al. | Navigation of multiple humanoid robots using hybrid adaptive swarm‐adaptive ant colony optimisation technique | |
| Su et al. | Robot path planning based on random coding particle swarm optimization | |
| Cao et al. | Dynamic task assignment for multi-AUV cooperative hunting | |
| Singh et al. | Navigation in Multi Robot system using cooperative learning: A survey | |
| Kumar et al. | Trajectory planning and control of multiple mobile robot using hybrid MKH-fuzzy logic controller | |
| Sun et al. | Trajectory tracking and obstacle avoidance control of unmanned underwater vehicles based on MPC | |
| Wu et al. | Based on improved bio-inspired model for path planning by multi-AUV | |
| de Oliveira et al. | An evolutionary-cooperative model based on cellular automata and genetic algorithms for the navigation of robots under formation control | |
| von Mammen et al. | OCbotics: an organic computing approach to collaborative robotic swarms | |
| CN117400248A (zh) | 一种基于多智能体深度强化学习的利用障碍物实施围捕方法 | |
| Huang et al. | A cooperative hunting algorithm of multi-AUV in 3-D dynamic environment | |
| CN116360483A (zh) | 基于局部观测信息的多无人机协同攻防对抗方法及系统 | |
| Junkai et al. | Hybrid particle swarm optimisation approach for 3D path planning of UAV | |
| CN116300905A (zh) | 一种基于二维激光观测的带约束多机器人强化学习安全编队方法 | |
| Xin et al. | Formation tracking and transformation control of nonholonomic AUVs based on improved SOM method | |
| Meshram | Motion control of wheeled mobile robots using fuzzy logic | |
| Nazemizadeh et al. | The application of fuzzy-logic method to control of robots: a review study | |
| Tan et al. | Autonomous robot navigation based on fuzzy sensor fusion and reinforcement learning |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20200106 Address after: 317700 No. 3, New Unified District, Hongjia Street, Jiaojiang District, Taizhou City, Zhejiang Province Applicant after: Taizhou Stern Automation Co., Ltd. Address before: Fengxiang 530022 Nanning Road, the Guangxi Zhuang Autonomous Region District No. 2 champs Garden Phase 5 Building 1 unit 50902 room Applicant before: Nanning Jian Jia Network Technology Co., Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |