CN107272705B - 一种智能环境下机器人路径的多神经网络控制规划方法 - Google Patents
一种智能环境下机器人路径的多神经网络控制规划方法 Download PDFInfo
- Publication number
- CN107272705B CN107272705B CN201710643365.XA CN201710643365A CN107272705B CN 107272705 B CN107272705 B CN 107272705B CN 201710643365 A CN201710643365 A CN 201710643365A CN 107272705 B CN107272705 B CN 107272705B
- Authority
- CN
- China
- Prior art keywords
- global
- path
- bat
- point
- obstacle avoidance
- 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.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 59
- 230000003068 static effect Effects 0.000 claims abstract description 29
- 238000012706 support-vector machine Methods 0.000 claims description 30
- 238000013461 design Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 18
- 238000004891 communication Methods 0.000 claims description 6
- 230000004069 differentiation Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 125000006850 spacer group Chemical group 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims 1
- 230000007935 neutral effect Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 36
- 230000006399 behavior Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 241000288673 Chiroptera Species 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种智能环境下机器人路径的多神经网络控制规划方法，该方法包括：步骤1：对运载机器人运载区域构建全局地图三维坐标系，获取在全局地图三维坐标系下的可行走区域坐标；步骤2：获取训练样本集；步骤3：构建运载机器人的全局静态路径规划模型；步骤4：将运输任务中的起点和终点坐标输入至基于模糊神经网络的全局静态路径规划模型，获得对应的运载机器人最优规划路径。本发明通过分别建立全局静态路径规划模型和局部动态避障规划模型，利用神经网络的非线性拟合特性，快速的找到全局最优解，避免了常见的路径规划中陷入局部最优的问题。
Description
技术领域
本发明属于机器人路径规划领域，特别涉及一种智能环境下机器人路径的多神经网络控制规划方法。
背景技术
随着中国制造2025的深入发展，机器人在智能医疗、智能工厂、智能实验室等智能环境下的应用越来越多，机器人的智能化程度决定了生产科研活动的自动化水平，生产力的发展水平。其中，机器人路径规划问题是提高机器人运载效率的关键，如何高效、最优的解决机器人的路径规划问题一直是该领域的难点。
前人已经提出许多优秀的路径规划方法，有早期的可视图法、人工势场法、栅格法以及后来的蚁群算法、遗传算法、神经网络算法等。例如中国专利CN101604166B公开了一种基于粒子群优化算法的移动机器人路径规划方法，该方法优点在于具有相当快的逼近最优解的速度，简单且易于实现，具有鲁棒性，但是也容易由于过早收敛而陷入局部最优。又如中国专利CN105116902A中公开一种移动机器人避障导航的方法和系统，其利用的A*算法是机器人路径规划中最有效的直接搜索方法，搜索速度快，效率高，但是也易陷于局部最优，无法得到全局最优解。
发明内容
本发明提供了一种智能环境下机器人路径的多神经网络控制规划方法，其目的在于，克服上述现有技术中存在的问题，通过分别建立全局静态路径规划模型和局部动态避障模型，利用神经网络的非线性拟合特性，快速的找到全局最优解，避免了常见的路径规划中陷入局部最优的问题。在全局静态路径规划中使用蝙蝠算法优化的模糊神经网络模型，局部动态避障规划中使用思维进化算法优化的多核支持向量机模型，保证了路径规划中路径的最优特性。
一种智能环境下机器人路径的多神经网络控制规划方法，包括以下步骤：
步骤1：对运载机器人运载区域构建全局地图三维坐标系，获取在全局地图三维坐标系下的可行走区域坐标；
运载区域地面中心点为原点，正东方向为X轴，正北方向为Y轴，垂直地面方向为Z轴；
所述运载机器人运载区域为一个楼栋内所有的地板连通区域，所述可行走区域是指从所有的地板连通区域中删除楼栋内的障碍物所在区域；
在全局地图三维坐标系中，每个楼层的地板连通区域的二维平面坐标相同，z坐标不同；
步骤2：获取训练样本集；
在全局地图三维坐标系中，设计至少200组可行走区域中不同的点到点的最优设计全局路径，以每条最优设计全局路径作为一个训练样本；
步骤3：构建运载机器人的全局静态路径规划模型；
利用全局训练样本集中每个全局样本的起点-终点坐标和对应的最优设计全局路径分别作为输入数据和输出数据，对模糊神经网络进行训练，得到基于模糊神经网络的全局静态路径规划模型；
其中，在全局训练过程中，模糊神经网络所使用的权值、隶属函数均值以及方差采用蝙蝠算法进行寻优获得；
步骤4：将运输任务中的起点和终点坐标输入至基于模糊神经网络的全局静态路径规划模型，获得对应的运载机器人最优规划路径。
运载机器人依据得到的最优规划路径前行，完成运输任务。
从初始待命点出发前往取物点，得到运输物品后前往放物点，放下物品后返回初始待命点。
进一步的，所述基于模糊神经网络的全局静态路径规划模型中模糊神经网络所使用的权值、隶属函数均值以及方差采用蝙蝠算法进行寻优获得的过程如下：
步骤2.1：以蝙蝠个体的位置作为模糊神经网络的权值、隶属函数均值以及方差，设置蝙蝠种群参数；
蝙蝠种群规模M的取值范围为[120,300]，蝙蝠个体最大脉冲频度R0，取值范围为[0.45,0.55]，最大脉冲声音强度A0的取值范围为[0.40,0.6]，蝙蝠搜索频度增加系数的取值范围为[0.03,0.05]，声音强度衰减系的取值范围为[0.90,0.95]，适应度方差阈值的取值范围为[0.01,0.05]，搜索脉冲频率的取值范围为[0,0.15]，最大迭代次数的取值范围为[300,1000]，最大搜索精度的取值范围为[0.001,0.01]；
步骤2.2：随机初始化蝙蝠种群中每个蝙蝠个体的位置、速度和频率；
步骤2.3：设定适应度函数，并确定初始最优蝙蝠个体位置x*和迭代次数t，t＝1；
将蝙蝠个体位置对应的权值、隶属函数均值以及方差参数代入基于模糊神经网络的全局静态路径规划模型中，并利用蝙蝠个体位置确定的基于模糊神经网络的全局静态路径规划模型输出全局训练样本集中每个全局训练样本起点和终点对应的规划路径，将所有全局训练样本的规划全局路径和最优设计全局长度作商后，再取均值，作为第一适应度函数F1；
其中，M为训练样本数，n为输出的全局规划路径所经历的坐标点的个数，xi,j和xi,j-1为第i个全局训练样本使用该蝙蝠确定的模糊神经网络得到的路径中第j点和第j-1点的X轴坐标，类似的，yi,j和yi,j-1分别为第j点和第j-1点的标Y轴坐标，第j点和第j-1点为相邻两点，L为人工设置的样本对应最优设计全局路径的长度；
模型输出的路径越短，蝙蝠个体的适应度F越大，个体越优秀。
步骤2.4：利用设定的脉冲频率更新蝙蝠的搜索脉冲频率、位置和速度；
步骤2.5：若R1<Ri，则更新蝙蝠当前位置，否则对蝙蝠当前位置进行扰动，扰动后位置代替蝙蝠当前位置；
其中，R1为在[0,1]上均匀分布的随机数，Ri为第i只蝙蝠的脉冲频度；
步骤2.6：若R2<Ai且F1(xi)<F1(x*)，则利用步骤2.5得到的扰动后位置，对第i只蝙蝠的脉冲频度和脉冲声音强度进行更新，否则，不对蝙蝠进行更新；
其中，R2为在[0,1]上均匀分布的随机数，Ai为第i只蝙蝠的声音强度；
步骤2.7：根据适应度函数对新的蝙蝠群体进行评估判定，找出当前位置最佳蝙蝠个体及对应的最优位置；
步骤2.8：判断是否达到最大搜索精度或者t达到最大迭代次数，若达到，则输出最优蝙蝠个体位置对应的模糊神经网络的权值、隶属函数均值以及方差，若未达到，则令t＝t+1，返回步骤2.4。
进一步的，运载机器人依据得到的最优规划路径前行，执行运输任务时，在前行过程中，利用Kinect传感器实时获取的新增障碍物所在区域的起点和终点输入局部动态避障规划模型进行避障；
利用局部避障训练样本集中每个样本的起点和终点坐标作为输入数据，对应的最优设计避障路径为输出，对多核支持向量机进行训练，得到基于多核支持向量机的局部避障模型；
其中，在训练过程中，多核支持向量机的惩罚系数c、核参数g和核函数权值d采用蝙蝠算法进行思维进化算法寻优确定；
所述Kinect传感器获取的新增障碍物所在区域的起点和终点是通过Kinect传感器发出测量信号与接收到的设置在天花板的定位片位置信息计算获得；
所述局部避障训练样本集是在全局地图三维坐标系中，设计至少200组可行走区域中新增障碍物所在区域中不同的点到点的最优设计避障路径构成，每条最优设计避障路径作为一个避障训练样本。
进一步的，所述基于多核支持向量机的局部避障模型中多核支持向量机所使用的惩罚系数c、核参数g和核函数权值d采用思维进化算法进行寻优获得的过程如下：
步骤4.1：以思维进化算法中的个体作为多核支持向量机的惩罚系数c、核参数g和核函数权值d，设置个体种群参数；
个体种群规模N的取值范围为[100,400]，最大迭代次数范围[400,1000]；
随机初始化种群中的个体，在解空间中随机生成M个个体；
步骤4.2：设定适应度函数，并确定初始最优个体和迭代次数t，t＝1；
将个体位置对应的变量惩罚系数c、核参数g和核函数权值d代入基于多核支持向量机的局部避障模型，并利用个体确定的基于多核支持向量机的局部避障模型输出避障训练样本集中每个避障训练样本起点和终点对应的规划局部路径，将所有避障训练样本的规划局部路径和最优设计避障长度作商后，再取均值，作为第二适应度函数F2；
其中，M为训练样本数，n为输出的避障规划路径所经历的坐标点的个数，xi,j和xi,j-1为第i个避障训练样本使用该个体确定的基于多核支持向量机的全局静态路径规划模型得到的路径中第j点和第j-1点的X轴坐标，类似的，yi,j和yi,j-1分别为第j点和第j-1点的标Y轴坐标，第j点和第j-1点为相邻两点，L为人工设置的避障规划样本对应最优设计全局路径的长度；
思维进化算法优化MKSVM模型输出的路径越短，个体的适应度F2越大，个体越优秀。
步骤4.3：子群体生成
选择得分最高的前M/10个个体作为优胜个体，前M/10到M/5个个体作为临时个体，以所选优胜个体和临时个体为中心，生成N个优胜子群体和U个临时子群体，每个种群数目为5；
步骤4.4：子群体趋同操作
趋同操作指各个子群体内部个体竞争选出胜者，直到不再产生新的胜者，所有子群体不再产生新的胜者，趋同操作结束；
步骤4.5：子群体异化操作
异化操作是在成熟子群体间的全局竞争行为，以不断探索新的解空间；若某一临时子群体的得分大于任一成熟优胜子群体的得分，则该优胜子群体被临时子群体替代；而若一成熟临时子群体的得分小于任意优胜子群体的得分，则临时子群体被放弃，重新进行的趋同和异化操作，最终得到全局最优个体及其得分；
步骤4.5：收敛条件为得分最高优胜子群体得分不再提高或者达到t最大迭代次数，如不满足收敛条件，则令t＝t+1，返回并重复步骤4.3和步骤4.4步骤，直到满足收敛条件，输出全局最优个体及其得分，得到多核支持向量机中最优的惩罚系数c、核参数g和核函数权值d。
进一步的，利用运载机器人自带的Kinect传感器与设置在天花板的定位片，通过Kinect传感器发出的测量信号与接收到的定位片位置信息，获取运载机器人的实时位置，将实时位置与规划路径位置之间的误差进行比较，对实时前行中的运载机器人进行坐标校准。
进一步的，当运载机器人需要从一个楼层运动至另外一个楼层时，将全局路径规划分解成在两个楼层中的局部路径规划，每个局部路径规划均采用基于模糊神经网络的全局静态路径规划模型；
第一个局部路径规划的起点为运输任务起点，终点为第一个楼层的电梯所在位置；
第二个局部路径规划的起点为第二个楼层的电梯所在位置，终点为运输任务终点；
第一个楼层的电梯和第二个楼层的电梯为同一电梯。
根据实际任务的起点和终点使用路径规划算法模型进行路径规划，如果起点和终点跨楼层，那么路径规划的输入改为起点坐标和起点楼层电梯路径点坐标，终点和终点楼层电梯路径点坐标，输出两个楼层中的最优线路，并将其与电梯模块进行连接，构成完整路径轨迹。没有跨楼层情况发生的情况下，直接输入起点和终点坐标，使用算法模型进行路径规划。
运输过程中，机器人开启安装于头部的Kinect，并实时监测路径前方的道路通畅情况，一旦发现有障碍物，通过头部Kinect的深度传感器将障碍物的轮廓位置扫描并传输到车载计算机，计算机开启局部动态避障模型，将障碍物轮廓位置，对应为不可行区域添加在地图中，计算最优避障路径，并根据最优避障路径通过障碍物；
定位片布置方法如下：
在机器人工作环境中布置定位片，用以机器人在运行中实时校准自身坐标在全局坐标系中的位置。
首先保证全局环境内部能够被定位片覆盖，在室内环境下定位片密度为一个定位片控制1.5m2范围的环境，在楼道中每隔3m设置一个定位片。
其次在机器人的待命处，取物处，放物处，电梯门前，门禁前等地点布置定位片，有利于机器人在保证自身位置精度的基础进行取物、放物、门禁交互、电梯交互操作。
在前行过程中，利用运载机器人自带的Kinect传感器获取障碍物所在区域信息，将新增障碍物所在的区域从可行区域中删除，更新可行区域范围。
运载机器人从初始待命点出发前往取物点，得到运输物品后前往放物点，放下物品后返回指定待命点。
有益效果
本发明提供了一种智能环境下机器人路径的多神经网络控制规划方法，使用混合神经网络计算方法，从全局和局部的角度对路径规划分别建立模型，利用神经网络的较强的非线性拟合，可映射任意复杂的非线性关系能力，而且学习规则简单，便于计算机实现。具有很强的鲁棒性、记忆能力，能有效解决机器人路径规划中的局部最优、动态避障问题，大幅提升运载机器人在智能环境下的运载效率和安全性。
附图说明
图1为本发明所述方法的路径规划流程图。
具体实施方式
下面将结合附图和实施例对本发明做进一步的说明。
运载机器人路径规划流程图如图1所示。
一种智能环境下机器人路径的多神经网络控制规划方法，包括以下步骤：
步骤1：对运载机器人运载区域构建全局地图三维坐标系，获取在全局地图三维坐标系下的可行走区域坐标；
运载区域地面中心点为原点，正东方向为X轴，正北方向为Y轴，垂直地面方向为Z轴；
所述运载机器人运载区域为一个楼栋内所有的地板连通区域，所述可行走区域是指从所有的地板连通区域中删除楼栋内的障碍物所在区域；
在全局地图三维坐标系中，每个楼层的地板连通区域的二维平面坐标相同，z坐标不同；
步骤2：获取训练样本集；
在全局地图三维坐标系中，设计200组可行走区域中不同的点到点的最优设计全局路径，以每条最优设计全局路径作为一个训练样本；
步骤3：构建运载机器人的全局静态路径规划模型；
利用全局训练样本集中每个全局样本的起点-终点坐标和对应的最优设计全局路径分别作为输入数据和输出数据，对模糊神经网络进行训练，得到基于模糊神经网络的全局静态路径规划模型,其中隶属函数选取高斯函数；
其中，在全局训练过程中，模糊神经网络所使用的权值、隶属函数均值以及方差采用蝙蝠算法进行寻优获得；
所述基于模糊神经网络的全局静态路径规划模型中模糊神经网络所使用的权值、隶属函数均值以及方差采用蝙蝠算法进行寻优获得的过程如下：
步骤2.1：以蝙蝠个体的位置作为模糊神经网络的权值、隶属函数均值以及方差，设置蝙蝠种群参数；
蝙蝠种群规模M的取值为200，蝙蝠个体最大脉冲频度R0，取值为0.5，最大脉冲声音强度A0的取值为0.5，蝙蝠搜索频度增加系数的取值范围为0.04，声音强度衰减系的取值范围为0.94，适应度方差阈值的取值为0.01，搜索脉冲频率的取值范围为[0,0.15]，最大迭代次数的取值范围为800，最大搜索精度的取值为0.001；
步骤2.2：随机初始化蝙蝠种群中每个蝙蝠个体的位置、速度和频率；
步骤2.3：设定适应度函数，并确定初始最优蝙蝠个体位置x*和迭代次数t,t＝1；
将蝙蝠个体位置对应的权值、隶属函数均值以及方差参数代入基于模糊神经网络的全局静态路径规划模型中，并利用蝙蝠个体位置确定的基于模糊神经网络的全局静态路径规划模型输出全局训练样本集中每个全局训练样本起点和终点对应的规划路径，将所有全局训练样本的规划全局路径和最优设计全局长度作商后，再取均值，作为第一适应度函数F1；
其中，M为训练样本数，n为输出的全局规划路径所经历的坐标点的个数，xi,j和xi,j-1为第i个全局训练样本使用该蝙蝠个体确定的模糊神经网络得到的路径中第j点和第j-1点的X轴坐标，类似的，yi,j和yi,j-1分别为第j点和第j-1点的标Y轴坐标，第j点和第j-1点为相邻两点，L为人工设置的样本对应最优设计全局路径的长度；
模型输出的路径越短，蝙蝠个体的适应度F越大，个体越优秀。
步骤2.4：利用设定的脉冲频率更新蝙蝠的搜索脉冲频率、位置和速度；
步骤2.5：若R1<Ri，则更新蝙蝠当前位置，否则对蝙蝠当前位置进行扰动，扰动后位置代替蝙蝠当前位置；
其中，R1为在[0,1]上均匀分布的随机数，Ri为第i只蝙蝠的脉冲频度；
步骤2.6：若R2<Ai且F1(xi)<F1(x*)，则利用步骤2.5得到的扰动位置，对第i只蝙蝠的脉冲频度和脉冲声音强度进行更新，否则，不对蝙蝠进行更新；
其中，R2为在[0,1]上均匀分布的随机数，Ai为第i只蝙蝠的声音强度；
步骤2.7：根据适应度函数对新的蝙蝠群体进行评估判定，找出当前位置最佳蝙蝠个体及对应的最优位置；
步骤2.8：判断是否达到最大搜索精度或者t最大迭代次数800，若达到，则输出最优蝙蝠个体位置对应的模糊神经网络的权值、隶属函数均值以及方差，否则，令t＝t+1，返回步骤2.4。
步骤4：将运输任务中的起点和终点坐标输入至基于模糊神经网络的全局静态路径规划模型，获得对应的运载机器人最优规划路径。
运载机器人依据得到的最优规划路径前行，完成运输任务。
从初始待命点出发前往取物点，得到运输物品后前往放物点，放下物品后返回初始待命点。
运载机器人依据得到的最优规划路径前行，执行运输任务时，在前行过程中，利用Kinect传感器实时获取的新增障碍物所在区域的起点和终点输入局部动态避障规划模型进行避障；
所述Kinect传感器获取的新增障碍物所在区域的起点和终点是通过Kinect传感器发出测量信号与接收到的设置在天花板的定位片位置信息计算获得；
利用局部避障训练样本集中每个样本的起点和终点坐标作为输入数据，对应的最优设计避障路径为输出，对多核支持向量机进行训练，得到基于多核支持向量机的局部避障模型；
所述MKSVM采用线性核函数(Kline)和多项式核函数(Kpoly)形成混合核函数：
Kmix＝dKline+(1-d)Kpoly
其中，核函数权值d得取值范围为[0,1]，d的取值为思维进化算法优化结果；
所述局部避障训练样本集是在全局地图三维坐标系中，设计200组可行走区域中新增障碍物所在区域中不同的点到点的最优设计避障路径构成，每条最优设计避障路径作为一个避障训练样本。
其中，在训练过程中，多核支持向量机的惩罚系数c、核参数g和核函数权值d采用蝙蝠算法进行思维进化算法寻优确定；
所述基于多核支持向量机的局部避障模型中多核支持向量机所使用的惩罚系数c、核参数g和核函数权值d采用思维进化算法进行寻优获得的过程如下：
步骤4.1：以思维进化算法中的个体作为多核支持向量机的惩罚系数c、核参数g和核函数权值d，设置个体种群参数；
个体种群规模N的取值为200，最大迭代次数800；
随机初始化种群中的个体，在解空间中随机生成200个个体；
步骤4.2：设定适应度函数，并确定初始最优个体和迭代次数t，t＝1；
将个体位置对应的变量惩罚系数c、核参数g和核函数权值d代入基于多核支持向量机的局部避障模型，并利用个体确定的基于多核支持向量机的局部避障模型输出避障训练样本集中每个避障训练样本起点和终点对应的规划局部路径，将所有避障训练样本的规划局部路径和最优设计避障长度作商后，再取均值，作为第二适应度函数F2；
其中，M为训练样本数，n为输出的避障规划路径所经历的坐标点的个数，xi,j和xi,j-1为第i个避障训练样本使用该个体确定的多核支持向量机得到的路径中第j点和第j-1点的X轴坐标，类似的，yi,j和yi,j-1分别为第j点和第j-1点的标Y轴坐标，第j点和第j-1点为相邻两点，L为人工设置的避障规划样本对应最优设计全局路径的长度；
思维进化算法优化MKSVM模型输出的路径越短，个体的适应度F越大，个体越优秀。
步骤4.3：子群体生成
选择得分最高的前20个个体作为优胜个体，前21到40个个体作为临时个体，以所选优胜个体和临时个体为中心，生成N个优胜子群体和U个临时子群体，每个种群数目为5；
步骤4.4：子群体趋同操作
趋同操作指各个子群体内部个体竞争选出胜者，直到不再产生新的胜者，所有子群体不再产生新的胜者，趋同操作结束；
步骤4.5：子群体异化操作
异化操作是在成熟子群体间的全局竞争行为，以不断探索新的解空间。若某一临时子群体的得分大于任一成熟优胜子群体的得分，则该优胜子群体被临时子群体替代；而若一成熟临时子群体的得分小于任意优胜子群体的得分，则临时子群体被放弃，重新进行的趋同和异化操作，最终得到全局最优个体及其得分；
步骤4.5：收敛条件为得分最高优胜子群体得分不再提高或者t达到最大迭代次数800，如不满足收敛条件，则令t＝t+1，返回并重复步骤4.3和步骤4.4步骤，直到满足收敛条件，输出全局最优个体及其得分，得到多核支持向量机中最优的惩罚系数c、核参数g和核函数权值d。
利用运载机器人自带的Kinect传感器与设置在天花板的定位片，通过Kinect传感器发出的测量信号与接收到的定位片位置信息，获取运载机器人的实时位置，将实时位置与规划路径位置之间的误差进行比较，对实时前行中的运载机器人进行坐标校准。
当运载机器人需要从一个楼层运动至另外一个楼层时，将全局路径规划分解成在两个楼层中的局部路径规划，每个局部路径规划均采用基于模糊神经网络的全局静态路径规划模型；
第一个局部路径规划的起点为运输任务起点，终点为第一个楼层的电梯所在位置；
第二个局部路径规划的起点为第二个楼层的电梯所在位置，终点为运输任务终点；
第一个楼层的电梯和第二个楼层的电梯为同一电梯。
根据实际任务的起点和终点使用路径规划算法模型进行路径规划，如果起点和终点跨楼层，那么路径规划的输入改为起点坐标和起点楼层电梯路径点坐标，终点和终点楼层电梯路径点坐标，输出两个楼层中的最优线路，并将其与电梯模块进行连接，构成完整路径轨迹。没有跨楼层情况发生的情况下，直接输入起点和终点坐标，使用算法模型进行路径规划。
运输过程中，机器人开启安装于头部的Kinect，并实时监测路径前方的道路通畅情况，一旦发现有障碍物，通过头部Kinect的深度传感器将障碍物的轮廓位置扫描并传输到车载计算机，计算机开启局部动态避障MEA-MKSVM模型，将障碍物轮廓位置，对应为不可行区域添加在地图中，计算最优避障路径，并根据最优避障路径通过障碍物；
所述路径点定位片布置方法如下：
在机器人工作环境中布置定位片，用以机器人在运行中实时校准自身坐标在全局坐标系中的位置。
首先保证全局环境内部能够被定位片覆盖，在室内环境下定位片密度为一个定位片控制1.5m2范围的环境，在楼道中每隔3m设置一个定位片。
其次在机器人的待命处，取物处，放物处，电梯门前，门禁前等地点布置定位片，有利于机器人在保证自身位置精度的基础进行取物、放物、门禁交互、电梯交互操作。
在前行过程中，利用运载机器人自带的Kinect传感器获取障碍物所在区域信息，将新增障碍物所在的区域从可行区域中删除，更新可行区域范围。
运载机器人从初始待命点出发前往取物点，得到运输物品后前往放物点，放下物品后返回指定待命点。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (5)
1.一种智能环境下机器人路径的多神经网络控制规划方法，其特征在于，包括以下步骤：
步骤1：对运载机器人运载区域构建全局地图三维坐标系，获取在全局地图三维坐标系下的可行走区域坐标；
运载区域地面中心点为原点，正东方向为X轴，正北方向为Y轴，垂直地面方向为Z轴；
所述运载机器人运载区域为一个楼栋内所有的地板连通区域，所述可行走区域是指从所有的地板连通区域中删除楼栋内的障碍物所在区域；
步骤2：获取训练样本集；
在全局地图三维坐标系中，设计至少200组可行走区域中不同的点到点的最优设计全局路径，以每条最优设计全局路径作为一个训练样本；
步骤3：构建运载机器人的全局静态路径规划模型；
利用全局训练样本集中每个全局样本的起点-终点坐标和对应的最优设计全局路径分别作为输入数据和输出数据，对模糊神经网络进行训练，得到基于模糊神经网络的全局静态路径规划模型；
其中，在全局训练过程中，模糊神经网络所使用的权值、隶属函数均值以及方差采用蝙蝠算法进行寻优获得；
步骤4：将运输任务中的起点和终点坐标输入至基于模糊神经网络的全局静态路径规划模型，获得对应的运载机器人最优规划路径；
所述基于模糊神经网络的全局静态路径规划模型中模糊神经网络所使用的权值、隶属函数均值以及方差采用蝙蝠算法进行寻优获得的过程如下：
步骤2.1：以蝙蝠个体的位置作为模糊神经网络的权值、隶属函数均值以及方差，设置蝙蝠种群参数；
蝙蝠种群规模M的取值范围为[120,300]，蝙蝠个体最大脉冲频度R0，取值范围为[0.45,0.55]，最大脉冲声音强度A0的取值范围为[0.40,0.6]，蝙蝠搜索频度增加系数的取值范围为[0.03,0.05]，声音强度衰减系的取值范围为[0.90,0.95]，适应度方差阈值的取值范围为[0.01,0.05]，搜索脉冲频率的取值范围为[0,0.15]，最大迭代次数的取值范围为[300,1000]，最大搜索精度的取值范围为[0.001,0.01]；
步骤2.2：随机初始化蝙蝠种群中每个蝙蝠个体的位置、速度和频率；
步骤2.3：设定适应度函数，并确定初始最优蝙蝠个体位置x*和迭代次数t，t＝1；
将蝙蝠个体位置对应的权值、隶属函数均值以及方差参数代入基于模糊神经网络的全局静态路径规划模型中，并利用蝙蝠个体位置确定的基于模糊神经网络的全局静态路径规划模型输出全局训练样本集中每个全局训练样本起点和终点对应的规划路径，将所有全局训练样本的规划全局路径和最优设计全局长度作商后，再取均值，作为适应度函数F1；
<mrow>
<msub>
<mi>F</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>M</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>2</mn>
</mrow>
<mi>n</mi>
</munderover>
<mfrac>
<mi>L</mi>
<msqrt>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，M为训练样本数，n为输出的全局规划路径所经历的坐标点的个数，xi,j和xi,j-1为第i个全局训练样本使用该蝙蝠确定的基于模糊神经网络的全局静态路径规划模型得到的路径中第j点和第j-1点的X轴坐标，yi,j和yi,j-1分别为第j点和第j-1点的标Y轴坐标，第j点和第j-1点为相邻两点，L为人工设置的样本对应最优设计全局路径的长度；
步骤2.4：利用设定的脉冲频率更新蝙蝠的搜索脉冲频率、位置和速度；
步骤2.5：若R1<Ri，则更新蝙蝠当前位置，否则对蝙蝠当前位置进行扰动，扰动后位置代替蝙蝠当前位置；
其中，R1为在[0,1]上均匀分布的随机数，Ri为第i只蝙蝠的脉冲频度；
步骤2.6：若R2<Ai且F1(xi)<F1(x*)，则利用步骤2.5得到的扰动后位置，对第i只蝙蝠的脉冲频度和脉冲声音强度进行更新，否则，不对蝙蝠进行更新；
其中，R2为在[0,1]上均匀分布的随机数，Ai为第i只蝙蝠的声音强度；
步骤2.7：根据适应度函数对新的蝙蝠群体进行评估判定，找出当前位置最佳蝙蝠个体及对应的最优位置；
步骤2.8：判断是否达到最大搜索精度或者t最大迭代次数，若达到，则输出最优蝙蝠个体位置对应的模糊神经网络的权值、隶属函数均值以及方差，若未达到，则令t＝t+1，返回步骤2.4。
2.根据权利要求1所述的方法，其特征在于，运载机器人依据得到的最优规划路径前行，执行运输任务时，在前行过程中，利用Kinect传感器实时获取的新增障碍物所在区域的起点和终点输入局部动态避障规划模型进行避障；
利用局部避障训练样本集中每个样本的起点和终点坐标作为输入数据，对应的最优设计避障路径为输出，对多核支持向量机进行训练，得到基于多核支持向量机的局部避障模型；
其中，在训练过程中，多核支持向量机的惩罚系数c、核参数g和核函数权值d采用蝙蝠算法进行思维进化算法寻优确定；
所述Kinect传感器获取的新增障碍物所在区域的起点和终点是通过Kinect传感器发出测量信号与接收到的设置在天花板的定位片位置信息计算获得；
所述局部避障训练样本集是在全局地图三维坐标系中，设计至少200组可行走区域中新增障碍物所在区域中不同的点到点的最优设计避障路径构成，每条最优设计避障路径作为一个避障训练样本。
3.根据权利要求2所述的方法，其特征在于，所述基于多核支持向量机的局部避障模型中多核支持向量机所使用的惩罚系数c、核参数g和核函数权值d采用思维进化算法进行寻优获得的过程如下：
步骤4.1：以思维进化算法中的个体作为多核支持向量机的惩罚系数c、核参数g和核函数权值d，设置个体种群参数；
个体种群规模N的取值范围为[100,400]，最大迭代次数的取值范围[400,1000]；
随机初始化种群中的个体，在解空间中随机生成M个个体；
步骤4.2：设定适应度函数，并确定初始最优个体和迭代次数t，t＝1；
将个体位置对应的变量惩罚系数c、核参数g和核函数权值d代入基于多核支持向量机的局部避障模型，并利用个体确定的基于多核支持向量机的局部避障模型输出避障训练样本集中每个避障训练样本起点和终点对应的规划局部路径，将所有避障训练样本的规划局部路径和最优设计避障长度作商后，再取均值，作为适应度函数F2；
步骤4.3：子群体生成
选择得分最高的前M/10个个体作为优胜个体，前M/10到M/5个个体作为临时个体，以所选优胜个体和临时个体为中心，生成N个优胜子群体和U个临时子群体，每个种群数目为5；
步骤4.4：子群体趋同操作
趋同操作指各个子群体内部个体竞争选出胜者，直到不再产生新的胜者，所有子群体不再产生新的胜者，趋同操作结束；
步骤4.5：子群体异化操作
异化操作是在成熟子群体间的全局竞争行为，以不断探索新的解空间；若某一临时子群体的得分大于任一成熟优胜子群体的得分，则该优胜子群体被临时子群体替代；而若一成熟临时子群体的得分小于任意优胜子群体的得分，则临时子群体被放弃，重新进行的趋同和异化操作，最终得到全局最优个体及其得分；
步骤4.5：收敛条件为得分最高优胜子群体得分不再提高或者t达到最大迭代次数，如不满足收敛条件，则令t＝t+1，返回并重复步骤4.3和步骤4.4步骤，直到满足收敛条件，输出全局最优个体及其得分，得到多核支持向量机中最优的惩罚系数c、核参数g和核函数权值d。
4.根据权利要求3所述的方法，其特征在于，利用运载机器人自带的Kinect传感器与设置在天花板的定位片，通过Kinect传感器发出的测量信号与接收到的定位片位置信息，获取运载机器人的实时位置，将实时位置与规划路径位置之间的误差进行比较，对实时前行中的运载机器人进行坐标校准。
5.根据权利要求4所述的方法，其特征在于，当运载机器人需要从一个楼层运动至另外一个楼层时，将全局路径规划分解成在两个楼层中的局部路径规划，每个局部路径规划均采用基于模糊神经网络的全局静态路径规划模型；
第一个局部路径规划的起点为运输任务起点，终点为第一个楼层的电梯所在位置；
第二个局部路径规划的起点为第二个楼层的电梯所在位置，终点为运输任务终点；
第一个楼层的电梯和第二个楼层的电梯为同一电梯。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710643365.XA CN107272705B (zh) | 2017-07-31 | 2017-07-31 | 一种智能环境下机器人路径的多神经网络控制规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710643365.XA CN107272705B (zh) | 2017-07-31 | 2017-07-31 | 一种智能环境下机器人路径的多神经网络控制规划方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107272705A CN107272705A (zh) | 2017-10-20 |
| CN107272705B true CN107272705B (zh) | 2018-02-23 |
Family
ID=60075571
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710643365.XA Active CN107272705B (zh) | 2017-07-31 | 2017-07-31 | 一种智能环境下机器人路径的多神经网络控制规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107272705B (zh) |
Families Citing this family (40)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107891423B (zh) * | 2017-11-08 | 2024-01-26 | 石家庄铁道大学 | 基于多传感器融合检测的智能探索机器人及其检测方法 |
| CN108053067A (zh) * | 2017-12-12 | 2018-05-18 | 深圳市易成自动驾驶技术有限公司 | 最优路径的规划方法、装置及计算机可读存储介质 |
| US10802488B1 (en) | 2017-12-29 | 2020-10-13 | Apex Artificial Intelligence Industries, Inc. | Apparatus and method for monitoring and controlling of a neural network using another neural network implemented on one or more solid-state chips |
| US10324467B1 (en) * | 2017-12-29 | 2019-06-18 | Apex Artificial Intelligence Industries, Inc. | Controller systems and methods of limiting the operation of neural networks to be within one or more conditions |
| US10620631B1 (en) | 2017-12-29 | 2020-04-14 | Apex Artificial Intelligence Industries, Inc. | Self-correcting controller systems and methods of limiting the operation of neural networks to be within one or more conditions |
| US10802489B1 (en) | 2017-12-29 | 2020-10-13 | Apex Artificial Intelligence Industries, Inc. | Apparatus and method for monitoring and controlling of a neural network using another neural network implemented on one or more solid-state chips |
| US10795364B1 (en) | 2017-12-29 | 2020-10-06 | Apex Artificial Intelligence Industries, Inc. | Apparatus and method for monitoring and controlling of a neural network using another neural network implemented on one or more solid-state chips |
| CN108247637B (zh) * | 2018-01-24 | 2020-11-24 | 中南大学 | 一种工业机器人手臂视觉防撞操控方法 |
| CN108495263B (zh) * | 2018-04-04 | 2020-07-10 | 南京邮电大学 | 一种基于广义多核函数的室内定位方法 |
| CN108572648B (zh) * | 2018-04-24 | 2020-08-25 | 中南大学 | 一种无人驾驶车辆电源多源融合预测方法及系统 |
| CN108952699B (zh) * | 2018-07-30 | 2021-07-13 | 中国地质大学（武汉） | 一种复杂地质钻进过程地层岩性智能识别方法 |
| CN109062214B (zh) * | 2018-08-22 | 2021-03-09 | 北京云迹科技有限公司 | 一种路径选择方法和送货机器人 |
| DE102018122376B3 (de) * | 2018-09-13 | 2019-11-07 | Pilz Gmbh & Co. Kg | Verfahren und Vorrichtung zur kollisionsfreien Bewegungsplanung eines Manipulators |
| CN109144102B (zh) * | 2018-09-19 | 2021-08-20 | 沈阳航空航天大学 | 一种基于改进蝙蝠算法的无人机航路规划方法 |
| CN109556609B (zh) * | 2018-11-15 | 2020-11-17 | 武汉南华工业设备工程股份有限公司 | 一种基于人工智能的避碰方法及装置 |
| CN109801364B (zh) * | 2019-01-23 | 2022-09-16 | 厦门嵘拓物联科技有限公司 | 一种三维数字建模方法和数字化车间管理系统 |
| CN109839933B (zh) * | 2019-02-20 | 2022-04-29 | 哈尔滨工程大学 | 一种基于vdsom算法的多机器人任务分配方法 |
| CN109976347B (zh) * | 2019-04-11 | 2023-10-13 | 中南大学 | 一种基于快速扩展随机树和势场法的视觉伺服路径规划方法 |
| CN110274607A (zh) * | 2019-05-21 | 2019-09-24 | 深圳壹账通智能科技有限公司 | 智能化路径规划方法、装置及计算机可读存储介质 |
| JP7124797B2 (ja) * | 2019-06-28 | 2022-08-24 | トヨタ自動車株式会社 | 機械学習方法および移動ロボット |
| CN110347161B (zh) * | 2019-07-22 | 2022-12-06 | 浙江华睿科技股份有限公司 | 自动导引运输车的调度方法及装置 |
| CN110488835B (zh) * | 2019-08-28 | 2020-12-08 | 北京航空航天大学 | 一种基于双反向传播神经网络的无人系统智能局部路径规划方法 |
| CN110598835B (zh) * | 2019-09-20 | 2022-06-21 | 福州大学 | 基于高斯变异遗传算法优化神经网络的小车自动寻路方法 |
| 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 |
| US11367290B2 (en) | 2019-11-26 | 2022-06-21 | Apex Artificial Intelligence Industries, Inc. | Group of neural networks ensuring integrity |
| US10691133B1 (en) | 2019-11-26 | 2020-06-23 | Apex Artificial Intelligence Industries, Inc. | Adaptive and interchangeable neural networks |
| US11366434B2 (en) | 2019-11-26 | 2022-06-21 | Apex Artificial Intelligence Industries, Inc. | Adaptive and interchangeable neural networks |
| US10956807B1 (en) | 2019-11-26 | 2021-03-23 | Apex Artificial Intelligence Industries, Inc. | Adaptive and interchangeable neural networks utilizing predicting information |
| CN110908384B (zh) * | 2019-12-05 | 2022-09-23 | 中山大学 | 一种分布式多机器人协同过未知随机迷宫的编队导航方法 |
| CN111624997A (zh) * | 2020-05-12 | 2020-09-04 | 珠海市一微半导体有限公司 | 基于tof摄像模块的机器人控制方法、系统及机器人 |
| CN111623778B (zh) * | 2020-05-14 | 2023-09-12 | 成都众树信息科技有限公司 | 一种室内定位轨迹分析的方法及装置 |
| CN111562785B (zh) * | 2020-05-15 | 2021-08-06 | 中南大学 | 一种群集机器人协同覆盖的路径规划方法及系统 |
| CN111930121B (zh) * | 2020-08-10 | 2022-10-25 | 哈尔滨工程大学 | 一种室内移动机器人的混合路径规划方法 |
| CN111874764B (zh) * | 2020-09-28 | 2021-02-02 | 上海木承智能医疗科技有限公司 | 一种机器人的调度方法、服务器和存储介质 |
| CN112333105A (zh) * | 2020-09-30 | 2021-02-05 | 张成林 | 云端机器人的通信方法及装置 |
| CN112378455A (zh) * | 2020-12-05 | 2021-02-19 | 武汉千音科技有限公司 | 一种海洋工程用海洋水质与生态要素监测机器人 |
| CN112650392A (zh) * | 2020-12-23 | 2021-04-13 | 航天时代电子技术股份有限公司 | 构建基于多源生物信息确定控制指令的模型的方法 |
| CN112581026B (zh) * | 2020-12-29 | 2022-08-12 | 杭州趣链科技有限公司 | 一种联盟链上物流机器人联合路径规划方法 |
| CN113848893A (zh) * | 2021-09-14 | 2021-12-28 | 武汉联一合立技术有限公司 | 机器人导航方法、装置、设备及存储介质 |
| CN116797123B (zh) * | 2023-08-28 | 2024-02-23 | 深圳市明心数智科技有限公司 | 一种物流管理与预警方法、系统及介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB2261511A (en) * | 1991-11-16 | 1993-05-19 | British Nuclear Fuels Plc | Ultrasonic ranging device |
| CN101231714A (zh) * | 2007-12-05 | 2008-07-30 | 中原工学院 | 机器人三维路径规划方法 |
| CN101354587A (zh) * | 2008-09-04 | 2009-01-28 | 湖南大学 | 一种未知环境下移动机器人多行为融合自动导航方法 |
| CN102346489A (zh) * | 2010-07-28 | 2012-02-08 | 中国科学院自动化研究所 | 基于脉冲神经网络的机器人跟踪目标的控制方法 |
| CN103218660A (zh) * | 2013-03-11 | 2013-07-24 | 北京航空航天大学 | 一种基于泛化模糊竞争神经网的航路选择方法 |
| CN104571113A (zh) * | 2015-01-20 | 2015-04-29 | 博康智能网络科技股份有限公司 | 移动机器人的路径规划方法 |
| CN105425828A (zh) * | 2015-11-11 | 2016-03-23 | 山东建筑大学 | 基于传感器融合技术的机器人防碰撞冲击双臂协调控制系统 |
| CN105467382A (zh) * | 2015-12-31 | 2016-04-06 | 南京信息工程大学 | 基于svm的多传感器的目标跟踪数据融合算法及其系统 |
| CN106679647A (zh) * | 2016-12-02 | 2017-05-17 | 北京贝虎机器人技术有限公司 | 用于初始化自主移动式设备位姿的方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10343279B2 (en) * | 2015-07-10 | 2019-07-09 | Board Of Trustees Of Michigan State University | Navigational control of robotic systems and other computer-implemented processes using developmental network with turing machine learning |
-
2017
- 2017-07-31 CN CN201710643365.XA patent/CN107272705B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB2261511A (en) * | 1991-11-16 | 1993-05-19 | British Nuclear Fuels Plc | Ultrasonic ranging device |
| CN101231714A (zh) * | 2007-12-05 | 2008-07-30 | 中原工学院 | 机器人三维路径规划方法 |
| CN101354587A (zh) * | 2008-09-04 | 2009-01-28 | 湖南大学 | 一种未知环境下移动机器人多行为融合自动导航方法 |
| CN102346489A (zh) * | 2010-07-28 | 2012-02-08 | 中国科学院自动化研究所 | 基于脉冲神经网络的机器人跟踪目标的控制方法 |
| CN103218660A (zh) * | 2013-03-11 | 2013-07-24 | 北京航空航天大学 | 一种基于泛化模糊竞争神经网的航路选择方法 |
| CN104571113A (zh) * | 2015-01-20 | 2015-04-29 | 博康智能网络科技股份有限公司 | 移动机器人的路径规划方法 |
| CN105425828A (zh) * | 2015-11-11 | 2016-03-23 | 山东建筑大学 | 基于传感器融合技术的机器人防碰撞冲击双臂协调控制系统 |
| CN105467382A (zh) * | 2015-12-31 | 2016-04-06 | 南京信息工程大学 | 基于svm的多传感器的目标跟踪数据融合算法及其系统 |
| CN106679647A (zh) * | 2016-12-02 | 2017-05-17 | 北京贝虎机器人技术有限公司 | 用于初始化自主移动式设备位姿的方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| 基于支持向量机移动机器人避障的研究;谷文成 等;《黑龙江大学自然科学学报》;20131231;第30卷(第6期);第836-840页 * |
| 基于模糊神经网络和遗传算法的机器人三维路径规划方法;陈志军 等;《重庆师范大学学报（自然科学版）》;20170516;第1-7页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107272705A (zh) | 2017-10-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107272705B (zh) | 一种智能环境下机器人路径的多神经网络控制规划方法 | |
| CN107368076B (zh) | 一种智能环境下机器人运动路径深度学习控制规划方法 | |
| Chen et al. | Mobile robot path planning using ant colony algorithm and improved potential field method | |
| Tian et al. | Multi-robot path planning in wireless sensor networks based on jump mechanism PSO and safety gap obstacle avoidance | |
| Liu et al. | Multi-UAV path planning based on fusion of sparrow search algorithm and improved bioinspired neural network | |
| CN112650229B (zh) | 一种基于改进蚁群算法的移动机器人路径规划方法 | |
| CN107436604B (zh) | 一种智能环境下运载机器人路径智能分解控制规划方法 | |
| CN110083165A (zh) | 一种机器人在复杂狭窄环境下路径规划方法 | |
| CN111240319A (zh) | 室外多机器人协同作业系统及其方法 | |
| CN113625716B (zh) | 一种多智能体动态路径规划方法 | |
| CN110926477B (zh) | 一种无人机航路规划及避障方法 | |
| CN112925315A (zh) | 一种基于改进蚁群算法和a*算法的履带车路径规划方法 | |
| CN113156980B (zh) | 一种基于深度强化学习的塔式起重机路径规划方法及系统 | |
| Wang et al. | Efficient autonomous exploration with incrementally built topological map in 3-D environments | |
| Fu et al. | On trajectory homotopy to explore and penetrate dynamically of multi-UAV | |
| Wang et al. | Rank-driven salp swarm algorithm with orthogonal opposition-based learning for global optimization | |
| CN113985888A (zh) | 一种基于改进蚁群算法的叉车路径规划方法及系统 | |
| CN113391633A (zh) | 一种面向城市环境的移动机器人融合路径规划方法 | |
| CN109885082A (zh) | 一种基于任务驱动下的无人机航迹规划的方法 | |
| Che et al. | Research on improved ACO algorithm-based multi-robot odor source localization | |
| Tian | Research on robot optimal path planning method based on improved ant colony algorithm | |
| Bechtsis et al. | Scheduling and Control of Unmanned Ground Vehicles for Precision Farming: A Real-time Navigation Tool. | |
| CN111427368A (zh) | 一种改进的多目标无人智能车避碰行驶方法 | |
| Pu et al. | Improved ant colony algorithm in path planning of a single robot and multi-robots with multi-objective | |
| Xu et al. | Trajectory planning of Unmanned Aerial Vehicle based on A* algorithm |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |