【摘 要】
:
随着机器人技术在诸多方面的应用,单个机器人的应用局限性逐渐暴露。多机器人协同系统凭借其效率高、鲁棒性强等优点受到广泛关注,在军事、工业、民用等领域有着极大的发展空间。随着相关理论研究的不断完善,编队控制及避障问题成为了多机器人协同领域的热门方向,其难点主要体现为在复杂的动态障碍物环境下,多机器人编队队形的形成、保持以及避障。为此,论文以多移动机器人的编队与避障问题进行研究。首先,介绍了差分轮式移动
论文部分内容阅读
随着机器人技术在诸多方面的应用,单个机器人的应用局限性逐渐暴露。多机器人协同系统凭借其效率高、鲁棒性强等优点受到广泛关注,在军事、工业、民用等领域有着极大的发展空间。随着相关理论研究的不断完善,编队控制及避障问题成为了多机器人协同领域的热门方向,其难点主要体现为在复杂的动态障碍物环境下,多机器人编队队形的形成、保持以及避障。为此,论文以多移动机器人的编队与避障问题进行研究。首先,介绍了差分轮式移动机器人的运动学特点,设计了一种跟随者能够自适应调节跟随速度的领航—跟随编队模型,并通过三维仿真平台GAZEBO进行验证,实验结果表明,编队中的跟随者可以自适应的调节跟随速度,达到较好的编队效果。其次,论文提出了一种融合全局路径规划和局部动态避障的路径规划方法。该方法通过集成启发式A*算法和局部路径规划DWA算法的优势,通过扩展DWA的评价函数对局部路径和全局路径进行实时约束,优化了移动机器人的自主导航功能,并通过MATLAB平台对所提融合算法进行仿真验证,实验结果表明,优化后的算法可以很好的完成机器人的自主导航功能。再次,以领航—跟随编队系统作为研究对象,提出了一种编队与自主导航相结合的自适应编队避障方案,并建立了同构整体避障和异构独立避障两种避障方式,通过三维仿真平台GAZEBO进行验证。实验结果表明,论文设计的编队与导航相结合的方法,可以很好的完成多机器人的编队避障功能。最后,设计了基于ROS的差分轮式移动机器人实验平台。经过调试,机器人可以按照预期设定完成编队避障任务,验证了论文算法的可行性和实用性。论文针对多移动机器人系统的编队避障问题进行研究,借助MATLAB、GAZEBO平台进行融合算法和编队避障方法的可行性和有效性验证,最后通过自行设计的实物平台展开验证。结果表明论文优化后的导航算法和自适应编队避障方案具备较高的可行性和稳定性,该方案在编队巡逻、协同抓捕、搜索救援、以及协同作战等方面具备广泛的应用空间。
其他文献
情感分类是自然语言处理领域内的基本任务之一,情感分类又分为粗粒度和细粒度情感分类。随着时代的发展,粗粒度情感分类已逐渐无法满足人类的需求,所以细粒度情感分类逐渐成为了研究重点。细粒度情感分类又称为方面级情感分类,旨在判断句子中某个具体方面的情感极性。本文的核心研究内容就是使用基于深度学习的方法进行方面级情感分类。本文的主要创新与工作如下:(1)大多数基于传统的循环神经网络和注意力机制的方面级情感分
轨迹规划与轨迹优化一直是备受存眷的研究热门,轨迹规划是轨迹优化的前提。仅使工业机器人完成指定任务,已不能满足目前需求,需要尽可能缩短运行时间来提高工作效率和减少冲击以延长使用寿命。本文以六自由度工业机器人为研究对象,在关节空间中采用五次非均匀B样条进行插值,对已规划好的轨迹,以改进的自适应遗传模拟退火算法为优化手段,将时间-冲击作为优化目标,通过改变权重获得时间、冲击以及综合最优轨迹。本文主要研究
随着城市化进程的不断加快,城市路网内部结构也更加复杂,路网中发生的紧急事件很大程度地危及到人们的生命财产安全。紧急事件发生时,城市应急中心会派出特殊授权车辆到达事故发生地实施救援工作,车辆到达时间越短,突发事件造成的损失就会越小。虽然特殊授权车辆具有道路优先通行权,但是实际行驶过程中也会受到车辆拥堵的影响,难以实现优先通行造成极大的延误。因此,在减少对普通车辆产生影响的前提下,本文围绕如何使特殊授
随着成像技术的普及与发展,数字图像逐渐成为了一种重要的信息传递媒介。但是,在实际的应用场景中,由于成像条件及外界干扰等因素的影响,存在着分辨率低、数据缺失等质量退化问题,图像恢复旨在研究如何从退化图像恢复出来理想图像,从而达到改善图像质量的目的。深度卷积神经网络通过卷积运算的层级化处理能够有效获取图像的层级特征表示,为图像恢复带来了新的建模方法,带来了图像恢复算法性能的有效提升,使其研究进展有了实
随着城市化进程的不断推进,我国公共建筑能耗随着面积的增加而大幅上涨。在这种背景下,目前市面上常见的公共建筑用电监控系统,大多采用智能电表配合总线的方式进行现场数据采集,存在布线工程量大、维护不便等问题。同时,一些现有建筑用电监控系统对异常用电的行为不能进行有效的管控,无法及时排除安全隐患,并且容易造成电能的浪费,制定相关政策以及进一步推进公共建筑节能工作较为困难。本文在研究现有建筑用电监控系统的基
近年来,海洋科学研究越来越多地依赖自主水下航行器和遥控水下航行器拍摄的水下图像。然而,由于复杂的水下成像环境,自然光在水下会发生吸收及散射效应,导致水下图像出现严重的可视性问题,具体表现为色偏效应、对比度不足、清晰度低。严重的失真不仅影响水下图像的质量,而且限制了水下视觉任务的进展。目前,水下图像处理方法主要包括传统方法和基于深度学习的方法,其中,传统方法由于水下复杂的物理和光学因素,在不同的水下
随着航天、航空以及核能电站等领域的设备集成度不断提高,其内部工作空间越来越狭小,环境越来越复杂,内部作业要求越来越高。而蛇形机器人因其较强的灵活性与柔韧性,能够较好地完成在狭小空间下的检修等任务。考虑到绳驱方式可以减少机器人体积与重量,本文提出了一种面向狭小空间作业的绳驱式蛇形机器人设计方案,并研究了其控制策略。本文主要工作如下:(1)本文提出了一种绳驱式蛇形机器人设计方案。对蛇形机器人的关节、连
视频目标分割旨在自动分离视频中的前景和背景区域,是一种能够对视频进行精确像素级分类的技术。根据测试阶段是否利用初始帧掩膜标注,该技术可分为无监督和半监督两大类别。视频目标分割在视频编码、智能监控和人机交互等领域有重要意义。近年来,随着深度学习的发展,视频目标分割也取得了重大的进展。但是,高精度的算法仍然非常匮乏,其原因在于所学模型难以有效应对复杂视频场景的变化,如严重遮挡、剧烈形变、快速运动、相似
青海高原(简称“高原”)海拔高且地形复杂,致灾性对流频发。但是,针对高原上强对流的研究较少,对卫星和雷达的应用水平有限,特别是对强对流的发生发展及其云团参数特征研究更少。为做好高原防灾减灾工作和提高遥感监测资料的应用及研究水平,本文使用2005年—2018年常规气象资料、地面观测和灾情公报资料、静止气象卫星一级数据和天气雷达体扫基数据等,选择致灾性对流天气过程,开展高原对流机理模型、对流特征识别和
现如今,卷积神经网络在图像分类、语义分割、目标检测等计算机视觉的各个领域中掀起了研究热潮,而且取得了重大成功。随着卷积神经网络的研究发展,模型的参数规模越来越膨胀,它的计算代价也越来越大。因此,过参数化的深度模型难以在硬件资源受限的环境(比如嵌入式传感器、无人机、移动设备、自动化机器人等)中实际部署工作。研究人员提出了网络剪枝技术来减少模型的参数量和计算量,能够对深度网络进行压缩和加速。针对深度卷