基于多Agent的RoboCup仿真足球比赛通信

足球机器人比赛系统需要机器人团队的合作 .但RoboCup仿真组比赛所提供的通信系统模型是一个低带宽、不可靠通信系统 .为了更好的利用这有限的通信能力 ,提出了对应的解决通信问题的方法 .最后举例说明了若干个在团队合作中使用通信系统的应用 .

RoboCup仿真平台中NAO模型正运动学研究

针对仿人机器人NAO模型提出一种正运动学求解方法。首先分析了NAO模型的下肢拓扑结构,并建立了其前向运动学模型,然后推导出机器人下肢各关节的齐次变换矩阵,并求解末端执行器的位置,最后通过编码实现该算法。实验结果验证了该方法在实际应用中的可行性。

RoboCup仿真比赛中的Multi-Agent层次协作模型

本文针对RoboCup仿真比赛的多智能体协作问题,分析了目前在RoboCup中的几个典型多智能体协作模型,提出一种三层的Multi-Agent层次协作模型,它包括全局层、局部层和个体层。实战证明该模型是合理的、有效的。

RoboCup仿真中多Agents的最优局部配合

为了促进多智能体技术发展,本文提出了一种基于协调图和变量排除算法的局部合作策略体系,协调图用来表现一个系统的协调需求,变量排除算法用来求出最优配合,给出了理论上的证明和实际的应用.在 RoboCup仿真中,该策略体系从微观上对agents的合作行为进行指导,在局部形成最优的合作策略,有效提高了传球的成功率和球队的攻击力,在实际应用中也取得了较好的效果.

RoboCup 2D仿真球员射门技能中智能算法的应用综述

在Robocup仿真比赛中,Agent的动作技能是仿真足球比赛的基础。本文详细分析了robocup2D机器人足球仿真中射门技能存在的问题,论述了智能算法在机器人足球2D仿真球员射门技能中的应用,并提出了进一步的研究方案。

基于模糊神经网络局部强化学习在Robocup中的应用

针对Robocup仿真组比赛中智能体的配合与动作选取,将模糊神经网络(FNN)和局部协调图动态角色分配与传统Q-学习相结合,提出了基于模糊神经网络的局部Q-学习。采用该方法,有效抑制了仿真平台中的噪声干扰,提高了动作选取的精度,解决了传统Q-学习中Q表占用内存空间过大的问题,增强了系统的泛化能力,并进一步缩短了学习时间,更好的满足比赛实时性的要求。将其运用于仿真组比赛的传球和射门模型中,验证了该方法的有效性。

RoboCup中基于神经网络的阵型策略在线学习

在RoboCup仿真2D系统中,智能体很难在实时动态不确定的环境中做出正确的决策,因此研究学习不可预测的对手阵型策略跑位是迫切需要的。本文在RoboCup仿真2D项目程序设计中提出利用神经网络权值直接确定法在线学习对手阵型策略,并设计学习对手阵型策略的神经网络模型,最后利用在线教练实时训练神经网络的模型。实验结果建立学习对手阵型的神经网络模型,并把训练好的模型加入防守策略中,有效提高了智能体的防守能力,增强了球队的整体技能。

基于多Agent Q学习的RoboCup局部配合策略

针对Robo Cup(Robot World Cup)中,多Agent之间的配合策略问题,采用了一种局部合作的多Agent Q-学习方法:通过细分球场区域和Agent回报值的方法,加强了Agent之间的协作能力,从而增强了队伍的进攻和防守能力。同时通过约束此算法的使用范围,减少了学习所用的时间,确保了比赛的实时性。最后在仿真2D平台上进行的实验证明,该方法比以前的效果更好,完全符合初期的设计目标。

基于CMAC网络Sarsa(λ)学习的RoboCup守门员策略

针对RoboCup仿真组足球比赛场上状态复杂多变、同时供决策的信息大多为连续变量、智能体利用现有信息通常无法判断当前状态下最优动作的问题,以守门员为例,首先利用CMAC神经网络对连续状态空间泛化,然后在泛化后的状态上,采用Sarsa(λ)学习算法获取守门员的最优策略.通过在RoboCup仿真平台上进行仿真,实验结果表明,采用基于CMAC的Sarsa(λ)学习算法的守门员,经过一定时间的学习后,防守时间显著增长,防守效果明显优于其他算法,验证了本文所提方案的有效性.

基于蒙特卡洛树搜索的仿真足球防守策略研究

针对Robocup仿真足球比赛中本位点区域化跑位的局限性,在三角剖分的阵型设计基础上将蒙特卡洛树搜索算法引入2D仿真中,将球员智能体在球场上的状态定义为博弈树节点,将双方球员的动作选择视为节点间的状态转移,对于球队的防守任务建立蒙特卡洛树模型。利用极坐标方式对球场进行区域分割,结合Q学习与蒙特卡洛树搜索中的信心上限树算法(Upper Confidence Bound Apply to Tree of Monte Carlo)进行球队训练,将训练结果的动作评估值用于优化比赛代码,使得球队的防守能力得到了较大程度的提升。

实时解析法在NAO模型运动学求逆解中的应用

为了提高RoboCup3D仿真平台中球员在运动过程中的精确性和稳定性,提出一种针对仿人机器人NAO模型的运动学实时求逆解方法。首先,分析了NAO模型的下肢拓扑结构,并且建立了其前向运动学模型;然后,通过实时的逆运动学解析法推导出机器人下肢关节各个关节角的求解方程;最后,通过编码实现该算法。实验结果验证了该方法的求解数值稳定性和在线实施的可行性,提升了RoboCup3D仿真球队的整体竞技水平。

多智能体团队合作在机器人足球赛中的应用

Robocup机器人足球比赛是近年来人工智能和机器人学迅速发展的一个重要的研究领域,通过这个平台,可以来评价各种理论和算法。但由于机器人足球比赛系统固有的动态性、不确定性及实时性,这就要求整个智能体团队的合作结构能够应付这种复杂环境。针对这点,文中探讨了一种基于阵型和角色的方法来实现多智能体的团队合作,通过应用到客户端程序上所取得的良好效果,证明此方法对于多智能体的团队合作是有效的。

基于角色的多Agent系统软件设计方法

角色是面向agent软件开发方法研究中的一个重要抽象概念。论文认为角色是连接多agent系统微观模型与宏观模型的桥梁,角色与agent之间的动态性有利于刻画多agent系统的结构和行为模型。论文研究角色和agent之间的动态绑定思想和机制,讨论基于角色的多agent建模方法RoMAS,并以RoboCup仿真比赛为案例验证该方法的有效性。