强化学习在足球机器人基本动作学习中的应用

主要研究了强化学习算法及其在机器人足球比赛技术动作学习问题中的应用.强化学习的状态空间和动作空间过大或变量连续,往往导致学习的速度过慢甚至难于收敛.针对这一问题,提出了基于T-S模型模糊神经网络的强化学习方法,能够有效地实现强化学习状态空间到动作空间的映射.此外,使用提出的强化学习方法设计了足球机器人的技术动作,研究了在不需要专家知识和环境模型情况下机器人的行为学习问题.最后,通过实验证明了所研究方法的有效性,其能够满足机器人足球比赛的需要.

基于权值模板匹配算法的全自主足球机器人目标识别

提出了一种基于权值模板匹配的全自主足球机器人目标识别方法.首先通过动态窗口、权值变换、图像索引和动态模板等方法提高了目标的识别率,降低了识别时间;然后在足球机器人视觉系统中进行了仿真实验和实地测试.实验结果表明,在原图像含有30%白噪声情况下,其识别率仍能达到99.7%,且识别时间不超过30 ms,这种方法既在一定程度上降低了噪声干扰的影响,又提高了目标识别的速度和准确性,从而提高了系统的实时性和鲁棒性.

基于多传感器的全向足球机器人自定位

随着对足球机器人智能水平的要求进一步提高,机器人足球委员会将比赛场地的立柱、球门颜色取消.这使以前的基于球门、立柱地标的足球机器人自定位方法失效了.本文提出了一种利用了里程计、罗盘和全景摄像头多种传感器信息的视觉图像特征匹配的足球机器人自定位方法.首先,机器人通过里程计和罗盘取定一个可能位姿.然后,由视觉处理系统把机器人的可能位姿当作变换因子对实时拍摄到的场景图像作旋转、平移变换.最后,将变换后的图像中的白线与参考图像中的白线相比较,选择使图像匹配程度最大的变换因子作为机器人自定位的结果.实验结果表明该自定位方法达到了较高定位精度并能满足比赛的高实时性要求.

足球机器人视觉子系统的分析与设计

本文以MiroSot机器人足球比赛的视觉子系统为研究平台,探讨了视觉子系统的硬件构成,提出的基于颜色表的图像分割算法和目标定位算法,处理速度快,能满足系统的实时性要求。

关于足球机器人系统工作模式及RoboCup仿真比赛机制的研究

机器人足球比赛是一个有趣且复杂的新兴人工智能研究领域,他融合了实时视觉系统、机器人控制、无线通讯、多机器人控制等多个领域的技术,为人工智能和智能控制的理论学习与研究及多种技术的集成应用提供了相当好的实验平台。对足球机器人系统的2种主要工作模式进行了比较和分析,并讨论了RoboCup仿真比赛的机制,对于分布式人工智能理论的研究具有重要意义。

四腿机器人足球赛中的角色分配策略

介绍了RoboCup四腿机器人足球赛事及其决策子系统的结构。以SONY公司推出的机器狗AIBO为试验开发平台,详细介绍了基于该机器人足球赛事的多智能体协作角色分配问题,提出DKD方法用于解决局部合作问题,使决策冲突减到最小,任务分配更加明确。

二分图最佳匹配算法在中型组Robpcup角色分配中的应用

在中型组足球机器人的决策模型中,用状态自动机模型实现了Robocup中机器人各个角色的决策过程,形成了决策知识库。根据比赛场上的信息,调用知识库,利用二分图最佳匹配算法的思想来实现角色分配,提高队伍的成绩。

基于遗传算法的机器人自定位

为了解决中型组比赛环境下的足球机器人自定位、绑架和跟踪问题,提出一种基于遗传算法的机器人连续自定位方法.首先,从全景图像中提取出场上黑线与机器人辐射线的交点;然后,把该交点与环境地图对应黑线间距离之和的最小值做为适应度函数;最后,以机器人中心坐标做为个体,进行选择、交叉和变异操作,收敛到机器人的自定位坐标.另外,针对绑架和连续定位,在遗传算法全局自定位基础上利用梯度优化算法局部修正主位姿,提高了自定位精度和算法的鲁棒性.仿真结果和场地环境机器人自定位试验说明了该定位方法的有效性.