动态环境中的无人机路径规划方法

为了解决动态环境中的路径规划问题,提出了一种引入时间轴的方法.在构型空间的基础上引入时间轴,将构型空间扩展为构型-时间空间,在构型-时间空间中可以表示动态障碍物所有时刻的位置.在路径生成阶段,提出了一种改进的蚁群算法,将方向信息作为启发信息引入蚁群算法中,使蚂蚁在初始搜索路径时更有针对性.仿真结果表明:构型-时间空间可以解决动态环境的表示问题,改进蚁群算法可以更快地收敛到全局最优解.      

基于改进蚁群算法的月面机器人的路径规划及虚拟仿真

针对月面机器人在复杂地形下的路径规划问题，提出了一种改进的蚁群算法。算法构建了栅格化地形图，基于人工势场法改进了蚁群算法的启发函数，加快了算法收敛速度；引入空间信息素划分方法，提高了蚁群在最短路径附近区域的搜索能力；实验证明，改进后的蚁群算法，路径规划成功率显著提高，收敛速度加快。在算法规划出月面机器人的最短路径后，采用虚拟仿真技术，基于unity3D构建虚拟月面环境和月球车，直观地展示了月面机器人在月面环境下的路径规划效果。     

基于深度强化学习的机器人推拨优化装箱问题研究

三维装箱问题是指在满足容积限制、稳定性限制等条件下,将一定数量的物体放入较大容量的箱子中并使空间利用率最大的组合优化问题.三维装箱问题是典型的NP完全问题,通常采用启发式算法规划物体放置的位姿.在使用机器人完成装箱任务时,还要额外考虑机器人操作限制,如机械臂或末端执行器与物体或箱子之间的碰撞、机械臂运动轨迹的规划等,使得部分最优位姿不可行,只能将物体从更高处落下或者将物体放在最优位姿的附近.机器人在抓取、识别和放置时的不确定性也会导致最终放置位置与规划产生偏差.因此,本文提出基于深度强化学习的机器人三维装箱推拨优化方法,以最小化包装箱中物体放置位置的启发式算法分数为目标,通过推拨动作对于已放置的物体位置进行调整、归集,将物体朝角落中压缩,以腾出更多空间,提高装箱空间利用率,减小由于机器人操作不确定性对装箱结果的影响.     

基于深度强化学习的机器人推拨优化装箱问题研究

三维装箱问题是指在满足容积限制、稳定性限制等条件下,将一定数量的物体放入较大容量的箱子中并使空间利用率最大的组合优化问题.三维装箱问题是典型的NP完全问题,通常采用启发式算法规划物体放置的位姿.在使用机器人完成装箱任务时,还要额外考虑机器人操作限制,如机械臂或末端执行器与物体或箱子之间的碰撞、机械臂运动轨迹的规划等,使得部分最优位姿不可行,只能将物体从更高处落下或者将物体放在最优位姿的附近.机器人在抓取、识别和放置时的不确定性也会导致最终放置位置与规划产生偏差.因此,本文提出基于深度强化学习的机器人三维装箱推拨优化方法,以最小化包装箱中物体放置位置的启发式算法分数为目标,通过推拨动作对于已放置的物体位置进行调整、归集,将物体朝角落中压缩,以腾出更多空间,提高装箱空间利用率,减小由于机器人操作不确定性对装箱结果的影响.     

室内多移动机器人协同建图与路径规划

多机器人协同定位与路径规划是协同侦察、作战等场景中的首要问题，其难点在于如何在未知环境下完成自主定位。提出了将多机器人同步定位与构图(Simultaneous Localization and Mapping，SLAM)系统应用于室内环境，，以解决此问题。针对机器人定位存在的相关定位误差，采用了增加惯性测量单元的方法，以进行修正。为解决单个机器人在构建地图时速度较慢的问题，将基于坐标变换的方法用于多机器人的地图融合。此外，基于冲突检测和冲突规避思想，对多机器人路径规划方法进行了研究，并将其部署在了多机器人系统中。实验结果表明，采用多机器人协作进行环境探测，在确保全局地图信息完备的同时，可以提高构图效率。基于冲突规避的多机路径规划方法，可以为机器人个体规划出无碰撞路径，机器人可以根据该路径到达目标位置。     

基于贪心策略的直角坐标机器人动态分拣规划

针对直角坐标机器人在动态分拣过程中顺序规划算法效率低下的问题,提出了一种适用于机器人连续分拣作业的改进贪心策略规划算法。建立直角坐标机器人的运动学模型,确保物体被准确拾取。设计时间窗口,对传送带上的连续运动物体进行区域划分,并应用贪心策略对同一时间窗口内的物体规划分拣顺序。考虑物体存在分拣遗漏的风险,设计评价函数对贪心策略进行改进,增强了所提算法的实用性。设计模拟程序对所提算法进行仿真,并利用搭建的机器人平台开展分拣实验,验证了算法的可行性和有效性。实验表明:所提算法可在机器人实际分拣作业中规划出有效的分拣路径,平均分拣距离和分拣时间均小于顺序规划算法,提高了机器人对平面随机分布的连续运动物体的分拣效率,实时性好,实用性强,对机器人动态分拣场景下的分拣路径优化研究具有一定的指导意义。      

空间机器人操作：一种多任务学习视角

利用空间机器人辅助、代替航天员完成在轨服务操作是近年的技术发展趋势。基于学习的空间机器人操作以深度神经网络为控制器载体,对非结构化太空环境适应能力强,在高轨、地外、深空等场景具有良好应用前景。目前,无论是空间机器人操作,还是地面机器人操作,多数研究只关注单一任务学习问题。立足一种多任务学习新视角,针对空间机器人操作面临的多任务适应性要求高、精细化要求高、不确定性强问题,首先分析了在轨服务的多样化任务需求。其次,全面综述了机器人操作多任务学习算法与应用相关工作,分析了开展空间机器人操作多任务学习的难点挑战,给出了关键技术发展建议。相关关键技术的突破将有助于提升空间机器人系统的自主性、鲁棒性,进而助力中国在轨服务技术向无人全自主方向推进。     

基于Safe-PPO算法的安全优先路径规划方法

现有的路径规划算法对路径规划过程中的路径安全性问题考虑较少，并且传统的近端策略优化(PPO)算法存在一定的方差适应性问题。为解决这些问题，提出一种融合进化策略思想和安全奖励函数的安全近端策略优化(Safe-PPO)算法，所提算法以安全优先进行路径规划。采用协方差自适应调整的进化策略(CMA-ES)的思想对PPO算法进行改进，并引入危险系数与动作因子来评估路径的安全性。使用二维栅格地图进行仿真实验，采用传统的PPO算法和Safe-PPO算法进行对比；采用六足机器人在搭建的场景中进行实物实验。仿真实验结果表明：所提算法在安全优先导向的路径规划方面具有合理性与可行性：在训练时Safe-PPO算法相比传统的PPO算法收敛速度提升了18%，获得的奖励提升了5.3%；在测试时采用融合危险系数与动作因子的方案能使机器人学会选择更加安全的道路而非直观上最快速的道路。实物实验结果表明：机器人可以在现实环境中选择更加安全的路径到达目标点。     

基于深度学习的航天器组合体惯性参数在轨智能辨识

针对在轨服务过程形成新组合体的动力学参数未知的问题,借助深度学习在多参数寻优上的优势,提出了一种基于卷积神经网络的智能参数辨识算法,实现在外力作用下,线动量和角动量不守恒条件下的航天器组合体多参数辨识。利用卷积神经网络权值共享的特点,设计4层卷积神经网络,通过短时间内对大量特定存储形式的状态数据的训练,实现航天器组合体多参数快速高精度辨识。利用数学仿真试验对算法的可行性进行验证,结果表明：在24s内,质量与质心位置收敛;1190s内,惯量参数收敛,辨识精度在3%以内。说明所提方法在外界随机干扰力和力矩影响下能准确快速辨识出航天器组合体质量、质心位置和惯量矩阵。     

基于目标导向的连续型机器人路径规划

采用连续型机器人对空间约束严格的飞机油箱进行检查,研究了其在类似凸体空间内的路径规划问题,提出一种基于目标导向的规划算法.针对空间盲目搜索算法时间复杂度高问题,研究降维和区域划分策略.引入目标导向角,建立目标点与变量搜索范围的关系,优化搜索过程并设计评价函数对搜索结果寻优.进行仿真实验,结果验证了算法的可行性和有效性.     

基于混合整数线性规划的爬壁机器人路径规划

为研究City-Climber爬壁机器人在3D建筑物环境中的路径规划问题,基于混合整数线性规划(MILP, Mixed Integer Linear Programming),提出了一种适用于City-Climber的路径规划方法.为了用MILP方法解决避障问题,首先用限制机器人控制输入的方法对City-Climber的数学模型进行解耦和线性化,再介绍了用MILP方法对控制输入进行描述的数学表达式,并提出了适用于爬壁机器人的新型代价函数,最后以一个方形房间为运动环境,用AMPL和CPLEX优化软件,以及Matlab软件解算路径规划问题.仿真结果表明:MILP方法较好地解决了City-Climber在3D环境下的路径规划和避障问题.     

基于混合整数线性规划的爬壁机器人路径规划

为研究City-Climber爬壁机器人在3D建筑物环境中的路径规划问题,基于混合整数线性规划(MILP,Mixed Integer Linear Programming),提出了一种适用于City-Climber的路径规划方法.为了用MILP方法解决避障问题,首先用限制机器人控制输入的方法对City-Climber的数学模型进行解耦和线性化,再介绍了用MILP方法对控制输入进行描述的数学表达式,并提出了适用于爬壁机器人的新型代价函数,最后以一个方形房间为运动环境,用AMPL和CPLEX优化软件,以及Matlab软件解算路径规划问题.仿真结果表明:MILP方法较好地解决了City-Climber在3D环境下的路径规划和避障问题.     

基于粒子群算法的航天器姿态机动路径规划

研究航天器在星载设备受多种几何约束情况下,大角度姿态机动时的姿态路径规划问题.采用罗德里格斯参数描述姿态,将姿态机动路径规划问题转化为点机器人的三维路径规划问题.基于粒子群优化技术设计了航天器复杂约束下大角度姿态机动的路径规划算法.数值仿真结果表明,该方法对于复杂约束下航天器姿态机动的运动规划是有效的.     

基于DDPG算法的变体飞行器自主变形决策

针对变体飞行器的自主变形决策问题，提出了一种基于深度确定性策略梯度(DDPG)算法的智能二维变形决策方法。以可同时变展长及后掠角的飞行器为研究对象，利用DATCOM计算气动数据，并通过分析获得变形量与气动特性之间关系；基于给定的展长和后掠角变形动力学方程，设计DDPG算法学习步骤；针对对称和不对称变形条件下的变形策略进行学习训练。仿真结果表明:所提算法可以快速收敛，变形误差保持在3%以内，训练好的神经网络提高了变体飞行器对不同飞行任务的适应性，可以在不同的飞行环境中获得最佳的飞行性能。      

基于深度强化学习的高超声速飞行器动态面控制方法

针对高超声速飞行器控制问题,通过将深度强化学习与动态面控制方法相结合,设计了智能姿态控制算法。首先,利用模型先验知识,采用传统的动态面控制方法设计控制器结构。然后,考虑跟踪误差和控制量幅值约束的指标情况下,采用深度学习算法完成对控制器参数的智能寻优,代替传统设计中的人工调参试错过程。为提升训练效果,在奖励函数中引入了控制量变化率。最后,通过数值仿真验证了本文所设计控制方法的有效性与鲁棒性。     

基于迁移学习的卷积神经网络SAR图像目标识别

针对卷积神经网络中因网络参数随机初始化和参数过多导致的收敛速度慢及过拟合的问题,提出了一种基于迁移学习监督式预训练的卷积神经网络。首先,引入迁移学习的思想,采用小规模数据集作为源域的训练样本,针对源域中源任务进行监督式训练得到预训练模型;然后,构建一个多层的卷积神经网络作为目标域中目标任务的待训练网络,将源域中获得的预训练模型作为该网络的初始参数,大规模数据作为目标域的训练样本进行网络的微调,通过这种基于特征选择的迁移学习,实现源域到目标域的特征信息迁移;针对卷积神经网络中全连接层参数过多的问题,采用卷积层替代全连接层。试验使用美国国防高等研究计划署的移动与静止目标搜索识别（Moving and Stationary Target Acquisition and Recognition,MSTAR）数据集中三类目标数据作为源域样本,十类目标数据作为目标域样本,结果表明该算法的十类目标识别精度达到了99.13%,且具有更快的误差收敛速度。     

动力学奇点在漂浮基双臂空间机器人姿态无扰运动规划中的应用

讨论了载体位置、姿态均不受控制的双臂自由浮动空间机器人的无扰运动规划问题．结合系统的动量及动量矩守恒关系，证明了动力学奇点的存在，并导出了动力学奇点的数学解析求解公式．在此基础上，利用动力学奇点给出了双臂自由浮动空间机器人载体姿态无扰运动路径的规划设计方法．该方法有助于空间环境下遥控机械手辅助航天器对接等任务操作的运动规划。     

未知环境下移动机器人单目视觉导航算法

提出了一种未知环境下移动机器人单目视觉导航算法,算法包括障碍物检测、单目视觉测距和局部路径规划3部分.为减小光照等环境因素对基于特征的障碍物检测的影响,对彩色图像在HSI颜色空间中用基于像素的直方图比较进行分割,获取障碍物轮廓序列的图像坐标点集.在单目视觉测距中,通过几何关系推导法建立图像坐标系和机器人坐标系间的变换关系,进而实现由障碍物图像位置计算其与机器人间的实际距离.局部路径规划对摄像机梯形视场区域转换后的矩形区域建立模型划分栅格,由障碍物轮廓序列图像坐标和单目视觉测距计算构建障碍物栅格图,并用提出的栅格搜索算法搜索障碍物栅格图,得到机器人安全行驶路径.实际环境中进行的实验结果表明,算法能有效减小反光、阴影等的影响,在未知环境中正确规划出机器人局部可行路径实现导航.      

基于A2C算法的低轨星座动态波束资源调度研究

巨型低轨星座为载人飞船、空间站、遥感卫星等用户航天器提供低时延、大容量的通信通道存在波束资源分配优化的难题。针对采用离散时间的深度强化学习A2C(advanced actor-critic)的智能优化框架进行了研究，结合遗传算法中个体和基因概念、形成了可有效满足多用户、动态、并发接入需求的波束资源调度算法。基于仿真分析，提出的算法可在多种典型场景下具有适用性，支持在20 s内完成超过3 000个任务的有效规划，任务成功率不低于91%。通过算法优化实现复杂度的降低，相对传统遗传算法可节约时间45%以上。同时对传统A2C算法框架中的收敛问题进行了优化，解决了传统全连接A2C算法无法收敛的难题，同时相比DQN(deep q-network)算法框架收敛速度提升38%以上。     

点样机器人工作路径分析

点样机器人是制备微阵列生物芯片的核心设备.在分析了点样机器人的工作过程以及系统结构组成的基础上,着重对点样机器人制备微阵列生物芯片所消耗的工作路径进行了理论分析和详细分类.在已知样品种类、玻片数量、样品点阵列模式、点样针阵列模式等给定参数的前提下,将工作路径分为z轴点样针路径长度、xy轴点样路径长度,而后采用类似图形树的分类方法给出了详尽的迭加计算方法与公式,对主要影响因素进行了深入研究.实验表明该方法快捷准确可行,可用于工程分析.其对点样机器人的结构设计与路径规划都具有指导意义.