小型移动水质在线监测船避障方法研究

针对小型移动水质监测船在自主导航中遇到移动障碍物的问题,提出了一种将障碍物运动状态预测模型结合速度避障碰撞模型的动态避障新方法。该方法通过小型移动水质监测船上的超声波测距模块和图像采集模块测量小型移动水质监测船与障碍物的距离和相对方位角,采用坐标系转换的方法计算出障碍物的速度和运动方向,然后利用极大似然估计法建立障碍物运动状态预测模型,通过该模型得到下一个采样时刻障碍物速度和运动方向范围,最后利用速度避障的碰撞模型,计算出下一时刻的小型移动水质监测船的航向角,进行航行。经过现场测试,所提的避障方法能够规划出一条较优路径,该避障方法能提高动态避障的成功率。

移动在线水质监测平台动态避障方法

针对移动水质监测平台在自主导航中遇到移动障碍物的问题,提出了一种将障碍物运动状态预测模型结合速度避障碰撞模型的动态避障新方法。首先,通过移动水质监测平台上的超声波测距模块和图像采集模块测量移动水质监测平台与障碍物的距离和相对方位角,采用坐标系转换的方法计算出障碍物速度和运动方向;其次,利用极大似然估计法建立障碍物运动状态预测模型,通过该模型得到下一个采样时刻障碍物速度和运动方向范围;最后,利用速度避障的碰撞模型,计算出下一时刻的移动水质监测平台的航向角。实验结果证明,所提的避障方法能够规划出一条更为真实的较优路径。与无障碍物运动状态预测模型的避障方法相比,该避障方法能提高动态避障的成功率。

基于最先策略增强学习的ART2神经网络

提出一种基于最先策略增强学习的 ART2神经网络 FPRL-ART2(Foremost-Policy Reinforcement Learn-ing based ART2 neuraI network),并介绍其学习算法.为了达到在线学习的目的.在 FPRL-ART2中,从状态到行为值之间的映射中,选择第一个得到奖励的行为,而不是选择诸如1-step Q-Learning 中具有最优行为值的行为.ART2神经网络用于存储分类模式,其权重通过增强学习增强或减弱,达到学习的目的.并将 FPRL-ART2运用到移动机器人避碰撞问题的研究中.仿真实验表明,引入 FPRL-ART2后减少移动机器人与障碍物发生碰撞的次数,具有良好的避碰效果.

一种基于强化学习的ART2神经网络--RL-ART2

提出一种基于强化学习的 ART2神经网络(RL-ART2),使其利用强化学习的特性通过与环境交互而无需训练样本即可进行在线学习,同时给出该神经网络的学习算法.当 ART2神经网络运行时,通过内部竞争学习得到输出的分类模式,随后通过与环境交互得到神经网络分类模式的运行效果并对其进行评价.通过这种不断与环境的交互学习,当经过在线学习足够的时间和次数后,ART2神经网络即具有相当的识别率.移动机器人路径规划仿真实验表明,使用 RL-ART2后与未使用前相比大大减少了机器人与障碍物的碰撞次数,实践证明该方法的合理性和有效性.