未知环境中移动机器人导航控制研究

《未知环境中移动机器人导航控制研究》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、未知环境中移动机器人导航控制研究ResearchonNavigationControlofMobileRobotsinUnknownEnvironment中南大学智能科学研究中心蔡自兴MyLuckinesswithDonghua我与东华之缘•1993年访问中国纺织大学，参观实验室，受到邵世煌校长的热情接待；从此成为好朋友。•近年来，与丁永生教授等在人工智能研究领域有所交流，互相学习。•长期以来，我们的著作和教材得到很好的交流。•2007年，我指导的龚涛博士来东华大学工作，进一步密切了联系。我和龚涛都是宝钢全国教育基金特等奖获得者。October7,20212近年来

2、主要科研工作ScientificResearchinrecentYears•未知环境中移动机器人导航控制的理论和方法研究，国家自然科学基金重点项目，2003－2006•异质多移动体的协同xx与重构技术的基础研究，国家国防基础研究项目，2006－2008•高速公路车辆智能驾驶的关键科学问题研究，国家自然科学基金重大专项，2008－2011October7,20213提纲1、研究要点2、代表性成果3、成果统计4、实验平台本成果由中南大学、国防科大和吉林大学共同完成October7,202141研究要点•研究具有良好可扩展性的移动机器人体系结构•研究未知环境中基于概率和

3、多传感器融合的移动机器人地图建模和定位方法•与移动机器人导航相关的机器学习方法及其应用研究•研究考虑动力学特性的局部轨迹规划及路径跟踪理论和方法•研究移动机器人故障诊断及容错控制方法•研制一个验证上述理论和方法的移动机器人原型实验系统及其软件平台October7,20215October7,20216(1)四层递阶式智能导航控制体系结构ü提出一种移动机器人自主导航系统四层递阶式结构。具有时间和空间上的多分辨率特点，从而使得控制系统的实时性和控制精度能够同时得到满足。用户接口其它环境信息任务任务规划子任务行为决策环境感知行为与处理行为规划规划轨迹系统监控操作控制动作

4、机器人运行环境机器人机器人状态与定位信息图1四层模块化的移动机器人自主导航体系结构October7,20217(1)四层递阶式智能导航控制体系结构图2HQ3无人驾驶汽车以及“丰越4500”无人越野车vHQ3无人驾驶系统在高速公路正常交通情况下的稳定自主驾驶速度达到130km/h,最高速度达160km/h；该车将参加2007年举办的俄罗斯“中国年”展览。v“丰越4500”无人越野车在中等起伏的地形中进行了实时绕障等行驶试验。October7,20218(1)四层递阶式智能导航控制体系结构月球车中南移动1号(MORCS-1)图3月球车以及中南移动1号October7,

5、20219(2)导航控制的自学习和自优化理论与方法ü在基于核的策略迭代增强学习、多目标进化学习等机器学习理论方面取得了重要研究进展，提高了机器学习求解复杂优化决策问题的效率。ü提出了基于学习的控制器设计与自优化框架，并应用于汽车倒车与侧向控制、移动机器人六轮协调控制。为解决未知环境中移动机器人控制器性能自优化问题提供了新方法。October7,202110(2)导航控制的自学习和自优化理论与方法ü提出基于核的策略迭代增强学习算法,通过将核函数方法引入到增强学习的值函数与策略逼近问题中，有效提高了策略迭代增强学习求解大规模空间Markov决策问题的学习效率，并且在理

6、论上对算法的收敛性进行了分析。相关成果得到IEEETrans.***:5次策略迭代后的误差曲线针on对非Ne线ur性al对象Ne的tw仿o真rk结s的…:初始控制器的误差曲线“果神表经明网，经络过反较馈少控次制数专的辑”学习迭代，控制器的性能可以评得审到较专大家优的化好，评并。且学习算法能够收敛到近似最优解。图4仿真实验结果October7,202111(2)导航控制的自学习和自优化理论与方法ü针对移动机器人导航控制中的约束优化问题，提出了约束优化进化学习算法，包括：v基于多目标优化的约束处理技术，该方法在13个基准测试函数上得到了目前求解约束优化问相题关的研最究

7、好成结果已果被。IEEETrans.onEvolutionaryComputation(2篇)，v提出了一种处理约束优化问题的三阶段均IEEETrans.onSystemsManand衡模型，能够自适应地调节优化参数。Cybernetics,PartB和EngineeringOptimization接收和发表。October7,202112(2)导航控制的自学习和自优化理论与方法ü提出了一种结合统计学习和增强学习的控制器设计与自优化框架，采用了如下两种自优化机制：v利用SVM技术实现了数据驱动的控制器优化v利用增强学习算法实现了模型驱动的控制器优化初始控制基于SV

8、M的基于增