面向车路耦合的6×6轮式机器人动力学分析

为了准确地描述采用6个轮边电机独立驱动的双减震轮式机器人的响应特性以及轮胎的动载荷,通过构造适合不同等级路面的6×6轮整车13自由度垂向动力学模型进行仿真.该模型包含了双边6个车轮垂向位移,车身质心垂向位移,车身四角垂向位移,车身俯仰运动以及车身侧倾运动,并且将左右轮在行驶过程中的相干性以及行驶过程中左右轮地面信号输入的不同的情况考虑在内;同时利用三角级数法构造并验证了仿真所需的各级路面时域信号,可以模拟在任何等级路面下的运动情况;建立了利用MATLAB/Simulink平台求解该动力学模型以获得响应特性及轮胎动载荷的研究方法.结果表明,在F级路面下的整车13自由度垂向动力学模型的可行性以及准确性.可见,该动力学模型可为以后6×6双减震轮式机器人相关参数(例如悬架优化,有限元分析,轻量化设计)的优化提供参考.

基于改进深度强化学习的三维环境路径规划

提出一种改进深度强化学习算法(NDQN),解决传统Q-learning算法处理复杂地形中移动机器人路径规划时面临的维数灾难。提出一种将深度学习融于Q-learning框架中,以网络输出代替Q值表的深度强化学习方法。针对深度Q网络存在严重的过估计问题,利用更正函数对深度Q网络中的评价函数进行改进。将改进深度强化学习算法与DQN算法在同样的三维环境下进行仿真实验,从最优路径长度、损失函数值、得到稳定的奖励值、收敛速度等方面进行对比,改进深度强化学习算法比DQN算法得到很大的改善,说明改进的算法比DQN算法寻得了更优的策略。

轮式机器人路径规划的改进蚁群算法

针对轮式机器人在多窟障碍地形图中的路径规划问题,为了克服基本蚁群算法的局部最优问题,提高算法的收敛速度,以及节约找寻最优路径的时间,提出了一种基于多维信息素及模糊集的改进蚁群算法。在栅格化地图上,通过模糊集将某一点距离障碍物以及接受目标的信息程度表达出来,重新更新栅格化地图,从而减少地图中搜索空间,节约搜索时间。其次把传统蚁群算法中的一维信息素改进为多维信息素,得到满足多个约束条件下的路径。通过多组仿真实验的结果表明,验证了改进算法的可行性和有效性,提高了基本蚁群算法对最优路径问题的优化性能与收敛速度。与现有算法相比较,迭代次数节约了70%左右,缩小了20%的蚁群数量。