基于路径评价模型的自适应轨迹跟踪控制

针对现有移动机器人轨迹跟踪控制主要考虑自身位姿误差,未考虑路径曲率对跟踪控制的影响,为了进一步提高智能移动放线机器人的跟踪精度,提出了一种基于路径评价模型的控制方法(trajectory evaluation model controller,TEMC)。建立移动机器人运动学相关模型;为了描述参考路径与机器人之间的几何关系建立了路径评价模型(trajectory evaluation model,TEM),并引入曲率及曲率变化率对路径复杂度进行定义,同时综合路径复杂度与位姿误差因素设计了路径评价函数;借助BP神经网络,提出了一种基于路径评价模型的控制器,并给出了稳定性证明;通过仿真实验证明了路径评价模型的有效性,并通过实验法给出了路径评价模型中核心参数的取值范围,同时TEMC跟踪精度相较于传统自适应反演控制器提升了48%以上。

群体仿真中基于决策树的路径自动评价研究

针对群体仿真中大量粒子的运动路径评价中存在评价速度慢、准确率低、缺乏依据特征等不足,提出基于决策树算法的路径自动评价模型。在群体粒子自动聚集过程中,通过分析,提取出影响其运动行为的属性,应用于决策树算法中进行路径好坏的判断评价。仿真结果表明,该算法的评价模型能够有效地提高评价速度、建立评价依据并提高评价的准确率。