【摘 要】
：
随着快递行业的迅速发展,由机器人取代人工进行操作的智能仓储已经成为现代仓储行业发展的主流。多机运动规划是智能仓储系统需要解决的关键问题。以往的研究假定机器人的运动是确定性的,忽略了现实生活中存在的噪声、摩擦、不准确的控制输入等随机干扰对机器人造成的影响,难以应用到实际机器人的控制中,本文在规划多机运动时考虑这种随机行为,借助概率学理论,建立概率运动模型,针对多机器人系统中若干具体的运动规划问题,设
论文部分内容阅读
随着快递行业的迅速发展,由机器人取代人工进行操作的智能仓储已经成为现代仓储行业发展的主流。多机运动规划是智能仓储系统需要解决的关键问题。以往的研究假定机器人的运动是确定性的,忽略了现实生活中存在的噪声、摩擦、不准确的控制输入等随机干扰对机器人造成的影响,难以应用到实际机器人的控制中,本文在规划多机运动时考虑这种随机行为,借助概率学理论,建立概率运动模型,针对多机器人系统中若干具体的运动规划问题,设计相应的运动规划器,并开发了可用于搭建智能仓储系统的小型AGV机器人,具体内容如下:1、针对实际仓储系统中机器人互相异构的特征,扩展了经典CBS算法的冲突检测与约束构建机制,提高了运动规划算法的稳定性。2、针对实际仓储系统中存在的随机干扰,设计概率运动模型,将机器人的运动时间建模为满足一定概率分布的随机变量。使用概率运动模型实现了随机干扰影响下机器人的冲突概率定量计算,将CBS算法与概率运动模型结合,消除了随机干扰的影响。3、针对概率运动模型下运动规划算法求解慢的问题,设计查找表以及在线检测方案。在冲突概率计算的同时将计算结果保存到查找表,重复计算时直接查表以减少计算量;将规划过程分为离线和在线两个阶段,简化离线计算时的冲突检测策略,并开发在线检测方案,实时监测冲突,提高了运动规划算法的效率。4、针对沿给定路径运动的多机器人运动规划问题,研究基于速度区间传播算法的运动控制器。将机器人的运动表示为路径—时间（PT）平面内的曲线,并将动态障碍物表示为PT平面内的几何图形,从而将单机器人运动规划问题转化为最优曲线求解问题,参照CBS算法以及基于优先级的方法的逻辑,将该算法扩展到多机器人领域。5、针对实际仓储中小型不规则货物的搬运问题,设计一种轻型AGV机器人。根据AGV性能需求以及应用环境,设计了AGV的总体结构并给出了驱动解决方案。
其他文献
信息化时代的来临伴随着数据的链式增长,从数据中挖掘分析潜在的高价值信息并用于数据驱动建模引起了科研界和工业界的广泛关注。样本的数量、样本的分布性都在一定程度上对数据挖掘信息产生影响,进而影响数据驱动建模的质量,充足的训练样本和合理的样本分布能够保障模型的鲁棒性和泛化能力。但在某些行业领域例如流程工业中,由于物理传感器本身的限制,使得某些过程数据的采集难度大、获取成本高,并且稳态工艺流程工业得到的数
为了改善多目标哈里斯鹰算法（MOHHO）中非支配解集档案维护过程中搜索效率,本文设计了几种改进方法。通过一系列实验验证了所设计的策略是有效且优于之前策略的,并在解集分布性、收敛快速性、指标优越性三个方面说明了改进的多目标哈里斯鹰算法的优越性,并将改进的算法应用在闭环系统参数辨识上,主要的工作如下:（1）针对MOHHO算法中非支配解集维护过程中收敛速度慢、搜索效率低、易陷入局部最优等缺点,提出了使用
现代过程企业已经广泛应用了计算机控制与管理系统,采集并存储了大量工业过程运行变量的时间序列数据,其中蕴含了丰富的工业过程演变规律和运行知识,可以有效地支持对多变量过程参数进行时间序列预测,建立起保障生产过程安全、稳定和优化的运行环境。常规的工业过程时间序列数据预测通常基于单一的时间尺度,难以兼顾短期、中期和长期预测性能。为此,本论文从多任务学习角度出发,提出了一种利用多时间尺度数据对工业过程多元时
由于生产中常常存在多变量,不确定,强耦合、时滞、非线性等各种问题,常规的控制手段已经无法满足生产过程对控制精度的要求,为了克服传统PID算法的局限,韩京清研究员借鉴传统PID算法的优点,以抗扰作为控制问题的核心,提出了一个全新的控制方案——自抗扰控制系统（Active Disturbance Rejection Control,ADRC）。ADRC以抗扰为核心,通过对系统总扰动进行估计并预先补偿消
强化学习是机器学习领域的一项重要研究方向,近年来与深度学习融合所组成的深度强化学习发展迅速,在多个领域取得了令人振奋的研究成果。其中,策略梯度算法可以被应用于连续动作空间问题的求解,在控制领域具有极大的研究前景。为了平衡强化学习中的探索与开发之间的矛盾,提高策略梯度算法的探索能力,本文课题在“行动器-评判器”框架下,基于最大熵原理,对近端策略优化算法进行了改进。通过对策略网络的目标函数引入熵正则化
报警阈值优化是工业过程智能报警管理的重要内容。由于受到原料及产品调度策略的影响,工业过程会出现多操作工况运行,这对工业过程多变量报警阈值优化提出了挑战。针对此问题论文进行了深入的研究,提出了一种基于流数据聚类的工业过程多工况报警阈值自适应优化方法,它能够在在工业过程出现多工况切换时对多变量报警阈值进行自适应优化,同时,当工业过程监控人因环境发生改变时,也能够对多变量报警阈值进行自适应调整。以下为论
由于大规模工业系统流程复杂,厂级过程监测面临着很大挑战。传感器在工业过程中的应用有助于数据驱动监测方案的实施。传统的集中式方法受制于数据计算量大、建模困难,在厂级过程监测中表现不佳。分布式方法作为一种可行的改善方案,有助于降低建模复杂度,提高处理速度,增强监测性能。通过合适的过程分解可以降低单元之间相互影响,这对保障分布式方法的监测性能非常重要。本文对基于典型相关分析（Canonical Corr
图像去噪问题作为图像处理研究的核心问题,由于噪声分布的复杂性和多样性,以及研究本身的局限性,使得图像去噪问题研究的热度和进展不如识别、分类等其他图像问题。然而,图像去噪问题却具有较高的研究价值,作为其他图像分析任务的基石,获取一幅干净的图像是提取图像信息的关键。依据噪声和图像信息的关系,噪声干扰的存在形式可分为加性噪声和乘性噪声,因此本研究针对普遍存在的加性高斯噪声和乘性斑点噪声,通过深度学习模型
过程监测可以保证工业过程的安全运行和产品质量,受到了学者们的广泛关注。而其中,基于多元统计的过程监测凭借着对过程数据优越的降维和分析能力近年来得到了广泛的应用,现已成为过程监测领域一种常见的应用方法。为了实现关键性能指标（KPI）监测的算法,偏最小二乘（PLS）是多元统计过程监测方法中一种主流的算法。PLS的主要思想是提取过程变量和KPI变量的公共得分,进而最大化两类变量线性变换之间的相关性。然而
植物药材中的有效成分在药品、食品中广泛使用,有效成分的提取有利于植物药材最大程度的利用,因此实用性强且发展前景广阔。在超声波提取药材有效成分的过程中,工艺参数的取值对有效成分提取率有着显著的影响,合适的工艺参数有利于最大效率地提取植物药材的有效成分。如何选择合适的工艺参数,是有效成分提取面临的一个重要问题。目前,智能化的方法成为了工艺参数优化的一大解决方法,通过构建工艺参数的预测模型,在模型基础上