双足自平衡移动机器人全覆盖搜索任务轨迹优化

考虑双足自平衡移动机器人执行搜索任务时,仅仅以物体轮廓特征作为路径计算的基础,没有考虑可能对路径造成影响的边缘细节特征,易出现采集图像信息较少的问题,且由于搜索环境复杂,同时需要躲避障碍物,导致搜索路径较长、效率偏低。提出双足自平衡移动机器人全覆盖搜索任务轨迹择优方法。优化机器人视觉图像采集结果,并采用灰度变换函数对图像展开灰度变换,将双边滤波函数应用于Retinex算法中,取代传统算法中的高斯滤波,获得环境图像的反射分量,并通过下述公式加权融合处理R、G、B灰度值,获得双足机器人全覆盖搜索任务时保留了边缘且增强细节的图像,并将其输入至支持向量机,识别环境中的目标与障碍物。根据获取的环境信息建立模拟地图,构建机器人搜索任务的路径,通过蚁群算法获取最优路径。实验结果表明,所提方法能够躲避障碍物到达目标位置,且路径距离短、规划效率高。

复杂可交互场景下基于异策略分层强化学习的搜救机器人自主决策

机器人在搜救任务中的自主决策能力对降低救援人员的风险具有重大意义.为了使机器人在面对复杂多解的搜救任务时能自主形成决策和合理的路径规划,设计了一种异策略分层强化学习算法.该算法由两层Soft Actor-Critic(SAC)智能体组成,高层智能体可以自动生成低层智能体所需的目标并提供内在奖励指导其直接与环境进行交互.在分层强化学习的框架下,首先将复杂可交互场景下的机器人搜救任务描述为高层半马尔可夫决策过程与低层马尔可夫决策过程的双层结构,并针对不同层级设计不同的状态空间、动作空间与奖励函数等.其次,针对传统强化学习算法中目标与奖励函数需要人工设计且缺乏通用性的问题,应用基于SAC的异策略分层强化学习算法训练双足移动机器人与复杂场景交互,通过数据的高效利用和目标空间的调整实现救援机器人的自主决策.仿真结果验证了所设计的算法在解决复杂多路径搜救任务中的有效性和通用性.

人体步行规律与仿人机器人步态规划

从仿生学角度分析了人体的步行运动规律,提出了一种基于人体运动规律的仿人机器人步态参数设定方法.首先对人体步行运动数据进行捕捉并分析,得出人体各步态参数间的函数关系,以人体步行相似性作为评价指标,提出仿人机器人步态参数的设定方法.其次,通过分析人体在步行过程中的补偿支撑脚偏航力矩的基本原理,提出了基于双臂及腰关节协调运动的仿人机器人偏航力矩补偿算法,以提高仿人机器人行走的稳定性.最后通过仿真及实验验证了所提出的步态规划方法的正确性及有效性.