基于多機器人系統(tǒng)的K近鄰增強學習與運動控制.pdf

1、隨著計算機技術、控制理論、傳感器技術、人工智能的不斷發(fā)展，機器人技術在研究與應用的雙重驅動下得到迅速發(fā)展，其應用在諸如工業(yè)、軍事、航空航天、醫(yī)療、服務行業(yè)等領域全面拓展。在機器人能力不斷的提升同時，單靠個體機器人應對一些時間、空間、功能上呈現(xiàn)分布式特性的復雜任務有時難以勝任。自然界已經(jīng)將大量高效、自適應、具有故障容錯能力的分布式多智能體系統(tǒng)展現(xiàn)出來。從群體的角度，深入研究機器人個體之間的相互作用、協(xié)調配合與控制，實現(xiàn)對目標、資源的有效配

2、置與調度，進而提升系統(tǒng)的整體性能，極具現(xiàn)實意義。鑒于多機器人系統(tǒng)的巨大潛在的應用價值，引起國內外廣泛研究興趣和關注。
　　 由于資源分配和使用不合理出現(xiàn)的沖突和死鎖，機器人之間協(xié)作難度大等是多機器人系統(tǒng)研究面臨的挑戰(zhàn)和難題。多機器人系統(tǒng)研究目標就是盡量發(fā)揮系統(tǒng)的優(yōu)勢，解決系統(tǒng)中存在的問題，使多機器人能夠更加靈活、更加快速的響應環(huán)境和任務的變化，從而在復雜環(huán)境中高效且可靠地完成控制任務。而且，由于機器人面臨的環(huán)境動態(tài)變化、難以建模

3、等諸多復雜的不確定因素，傳統(tǒng)機器人控制模式已不能很好滿足實際作業(yè)環(huán)境的需要，從而通過機器人在線學習來提高對未知動態(tài)復雜環(huán)境的適應性變得非常重要。而增強式學習方法無需建立環(huán)境模型，它通過試錯與環(huán)境交互來獲得策略的改進和完善，使其成為機器人學習技術的一個重要方向。本碩士論文針對多機器人系統(tǒng)的學習算法和運動控制策略進行了較為深入的研究，具有很好的理論價值和應用前景。
　　 本碩士論文主要研究工作有:
　　 1、考慮未知動態(tài)環(huán)境

4、下機器人系統(tǒng)的運動規(guī)劃問題，提出了一種新的避障規(guī)劃策略。針對一類圓形動態(tài)障礙，機器人通過激光傳感器采樣獲得障礙邊緣，采用最小二乘法對障礙邊緣進行擬合;經(jīng)過多次估計動態(tài)中心位置和大小，獲取障礙物的相對速度和方向。綜合考慮機器人、動態(tài)障礙以及目標點間的相對關系，確定機器人的最優(yōu)運動方向，以保證機器人安全運行和任務完成。在此基礎上，進一步給出了多機器人系統(tǒng)在未知動態(tài)環(huán)境下的編隊控制策略。
　　 2、學習能力是個體機器人不可或缺的能力，

5、它為復雜環(huán)境下的理解、運動規(guī)劃與決策提供了一條有效解決途徑。由于系統(tǒng)中環(huán)境狀態(tài)、機器人自身狀態(tài)等，導致了系統(tǒng)狀態(tài)數(shù)目幾何級別的增長。針對機器人運動控制，提出了一種基于環(huán)境感測和任務信息狀態(tài)描述的局部加權K近鄰狀態(tài)選擇方法。在此基礎上，結合TD增強式學習算法提出了基于局部加權K近鄰TD增強學習策略，從而減小kNN-TD方法狀態(tài)誤分類率，提高機器人的學習效率。
　　 3、針對多機器人系統(tǒng)，為加快單體機器人的學習速度，提出了一種基于局