移动机器人全覆盖路径的BINN-元胞自动机规划

为了实现机器人对工作区域的全覆盖,提出了基于生物激励神经网络-元胞自动机系统的全覆盖路径规划方法。介绍了生物激励神经网络算法的基本原理,分析了该算法在机器人陷入死区时无法逃逸的问题。基于元胞自动机系统设计了机器人逃逸机制,包括逃逸点的确定和逃逸路径的规划方法。在仿真环境下,将元胞系统逃逸机制与基本RRT、文献[10]的BINN-RRT逃逸机制进行对比,结果表明元胞系统逃逸机制的规划时间比基本RRT小2个数量级,比BINN-RRT小1个数量级,且逃逸路径短于另外两种方法,验证了元胞系统逃逸机制的有效性和优越性。基于BINN和元胞系统的全覆盖路径比BINN-RRT规划路径更加平滑,验证了全覆盖方法的优越性和有效性。

砾石土心墙摊铺CA-BINN动态路径规划模型研究

现有砾石土心墙摊铺作业路径多采用静态规划,未能考虑推土机、自卸汽车等复杂作业环境障碍物的动态变化。针对上述问题,本文提出了一种考虑复杂动态作业环境的砾石土心墙摊铺CA-BINN动态路径规划模型。该模型基于元胞自动机(cellular automata,CA)建模理论,将实时感知的复杂作业环境数据抽象为动态障碍物、摊铺厚度等元胞状态以实时重构动态施工环境;并以元胞状态信息作为生物激励神经网络(biological inspired neural network,BINN)算法的外部输入,同时重构CA框架下BINN算法的神经活性值计算分流方程,实现多料堆整体摊铺作业动态路径规划。其中,单料堆摊铺作业采用以摊铺平整度、无效路径比等指标为目标函数,并结合现场三刀法(三次推移料堆)施工工艺提出的三刀法CA规则实现动态路径规划。工程应用结果表明:所提模型不仅能够在复杂动态作业环境下表现出高安全性、高适应性,而且相较于静态规划模型,路径长度、转折次数和无效路径比分别降低1.9%、42.9%和48%,摊铺平整度提高7%;相较于人工作业,摊铺平整度提高28%,无效路径比降低47%,有效改善了摊铺质量和摊铺效率。

改进型BINN算法应用在无人船优先区域覆盖路径规划的研究

对于无人船在复杂海域执行的全区域覆盖任务,用原生物激励神经网络算法规划的路径欠佳,为此提出以下改进措施:为解决两个方向上的活性值相同而导致下一位置决策困难的问题,提出新的最优点决策公式;为解决障碍物毗邻区和海图边界区域活性值较低而导致无法完全覆盖的问题,重新定义生物激励神经网络模型中的输入激励。同时,通过在神经元输入中加入高激励选项,有效地实现了对区域的优先覆盖。仿真结果表明,提出的改进型算法无论在静态还是在动态海况下,都有很好的适应性,可实现对任务海域的100%覆盖,且能有效规避障碍物和快速脱离死区。

基于改进BINN的人机多点巡检问题研究

为提高多变电站巡检的工作效率,在考虑障碍物存在的情况下,提出一种基于改进生物激励神经网络的巡检方法。该方法通过改进生物激励神经网络的激励输入和路径决策,避免了算法在进行路径决策时因依赖神经元活性值分布导致的路径错判问题和转向次数多的问题。仿真结果表明,相较于改进前的算法,改进后的生物激励神经网络算法在多变电站路径规划上具有明显优势,路径长度缩短了50.22 m,转动角度减小了11.65°,转向次数减少了5次,分别为10.11 m、40.23°、15次;相较于常规路径规划算法PRM算法和Dijkstra算法,该方法在路径长度、转动角度和转向次数各项指标上仍具有明显的优势。该方法可实现多变电站的多点协同巡检和区域覆盖巡检,提高多变电站巡检工作效率。

细菌觅食算法在图像压缩中的应用

基于传统反向传播(back propagation,BP)网络,提出一种结合细菌觅食算法(bacterial fora-ging algorithm,BFA)的改进型BP网络(BFA-BP),并将其用于图像压缩.为克服传统BP网络容易陷入局部极小值的缺点,算法引入BFA特有的复制和驱散操作,以提高网络收敛速度,加强全局寻优能力.对标准测试图像进行仿真实验表明,该算法能有效提高重建图像质量.

不确定动态环境下移动机器人的完全遍历路径规划

基于生物激励神经网络、滚动窗口和启发式搜索,提出了一种新的完全遍历路径规划方法.该方法用G rossberg的生物神经网络实现移动机器人的局部环境建模,将滚动窗口的概念引入到局部路径规划,由启发式算法决定滚动窗口内的局域路径规划目标.该方法能在不确定动态环境中有效地实现机器人自主避障的完全遍历路径规划.仿真研究证明了该方法的可用性和有效性.

清扫机器人路径规划的研究

定位和全覆盖是清扫机器人路径规划的最基本问题。研究了机器人在环境中的相对定位,并采用卡尔曼滤波进行滤波处理,减小误差。研究了基于生物激励神经网络的路径规划算法,通过仿真,发现在障碍物多的情况下重复率较高的问题。对算法进行了改进,提出了一种基于模板的生物激励神经网络的路径规划算法。通过仿真实验,发现算法在减少重复率方面是有效可行的。

海流环境下多AUV多目标生物启发任务分配与路径规划算法

针对多障碍物海流环境下多自治水下机器人(AUV)目标任务分配与路径规划问题,本文在栅格地图构建的基础上给出了一种基于生物启发神经网络(BINN)模型的新型自主任务分配与路径规划算法,并考虑海流对路径规划的影响.首先建立BINN模型,利用此模型表示AUV的工作环境,神经网络中的每一个神经元与栅格地图中的位置单元一一对应;接着,比较每个目标物在BINN地图中所有AUV的活性值,并选取活性值最大的AUV作为它的获胜AUV,实现多AUV任务分配;最后,考虑常值海流影响,根据矢量合成算法确定AUV实际的航行方向,实现AUV路径规划与安全避障.海流环境下仿真实验结果表明了生物启发模型在多AUV水下任务分配与路径规划中的有效性.

改进型生物激励神经网络的路径规划方法

针对生物激励神经网络在一些情况下存在的路径非最优问题，通过分析其产生机理，做出了相应的改进：对边界附近和障碍物之间的路径点引入了假想的非障碍物相邻点，增大了激励输入，使得这些路径点的活性值增大，解决了路径错判问题；同时，在下一个位置的决策中加入了转角最小因素，减少了路径的转折次数。仿真结果表明，改进后的生物激励神经网络方法适用于实时动态环境下的移动机器人路径规划，且全面地提升了路径质量。

生物激励神经网络路径规划仿真研究与改进

生物激励神经网络移动机器人路径规划方法是一种新颖的方法,可用于在动态不确定环境下生成实时的避障轨迹.本文的仿真结果表明当该方法被应用于点对点路径规划时,生成路径可能不满足路径长度要尽可能短的约束条件;当该方法被应用于全覆盖路径规划时,生成路径可能不满足覆盖过程应有规律和重复覆盖应尽可能少的约束条件.本文对上述出现的不合理现象进行了理论分析并分别提出了在点对点路径规划中引进目标制导和在全覆盖路径规划中引进规则制导的改进方法.仿真结果表明改进方法是有效的.

基于生物激励神经网络的移动机器人遍历路径规划

针对移动机器人路径规划问题,利用栅格法对复杂环境进行建模。每个栅格当作一个神经元,整个空间就是神经网络组成的拓扑状态空间,然后采用生物激励神经网络方法对移动机器人进行路径规划,该方法不需要学习过程,运算简单、反应快捷,计算机储存量小,实用性强。仿真研究表明:该方法生成的路径是平滑的,连续的,能够准确的避开障碍物,实现了机器人的完全遍历路径规划,充分证明该方法的有效性与可行性。

基于辐射扫描算法的机器人路径规划与仿真

针对基于生物激励神经网络(Biologically Inspired Neural Network,BINN)算法的机器人路径存在重复率高、转弯次数多的问题,提出一种将模板模型与辐射扫描(Radiation Scanning,RS)算法相融合的改进遍历路径规划算法(Improved Traversal Path Planning Algorithm,ITPPA)。利用BINN算法制定无障碍物行走策略;设计多个避障路径模板,保证机器人有序的避开障碍物;利用RS算法引导机器人迅速逃离死区。仿真结果表明:与BINN算法相比,ITPPA能够有效降低路径重复率和转弯次数,同时帮助机器人快速逃离死区,降低机器人能耗,提高了工作效率。

基于生物激励神经网络的清洁机器人遍历路径规划算法的改进

针对基于生物激励神经网络的清洁机器人遍历路径规划算法的遍历面积重复率和遍历路径总长度均较大的问题,对该算法进行了改进:在脱困算法中,采用实时监测机器人邻域神经元状态的方法,使机器人脱困路径缩短;引入邻域神经元状态准则,使机器人在遇到孤岛障碍物避障时,先沿障碍物边沿遍历.仿真结果表明,改进算法可以有效降低遍历面积重复率、遍历路径总长度和转弯次数.

神经元活性引导机器人脱困的全覆盖路径规划

为了解决生物激励神经网络算法在全覆盖路径规划中陷入死区的问题,提出了脱困点搜索和脱困路径规划组合的脱困机制。建立了工作区域的栅格模型,分析了生物激励神经网络算法原理和缺陷。通过设计元胞演化规则,给出了基于元胞自动机的最佳脱困点搜索方法。对于脱困路径规划问题,传统RRT算法的采样和扩展具有随机性和盲目性,提出了神经元活性引导RRT算法,使RRT算法的随机树扩展具有较强的方向性。经仿真验证,与传统RRT算法相比,神经元活性引导RRT算法的耗时减少了一个数量级,扩展节点数减少了2倍,脱困路径减少了12.96%,是一种非常高效的脱困方法。另外,具有脱困机制的生物激励神经网络算法能够完成工作区域全覆盖,有效解决了死区问题。

神经网络自动目标识别技术述评(二)

论述几种生物激励的神经网络模型，讨论它们在ＡＴＲ问题方面所取得的进展，最后给出本文结论。

仿生机器蟹单足惯性参数在线识别神经网络模型

机器人惯性参数识别是机器人精确建模以及机器人控制和仿真的关键问题之一。足端力传感器的接入会影响机器蟹系统的动力学特性,同时力传感器的输出也真实地反映了机器蟹的力作用和机器蟹足端的动力学特性。文中基于足端力传感器的输出信号,对在线识别仿生机器蟹单足末端惯性参数进行了分析和研究,并建立了惯性参数在线识别的神经网络模型,网络学习后其权值即为辨识的惯性参数。

基于威胁评估与生物激励神经网络的机器人路径规划研究

针对未知动态环境下移动机器人的路径规划问题,考虑传感器检测范围的有限性与动态障碍物运动的不确定性,提出一种基于动态威胁评估的改进生物激励神经网络算法。采用栅格法与基于虚拟目标点的滚动优化方式进行路径寻优。进一步地,提出一种基于直觉模糊集的动态属性决策方法,评估动态障碍物对机器人的威胁程度,并根据生物激励神经网络(BINN)的特点,在动态威胁模型中引入导向传递方式建立子激励模型,引入神经元“亲近值”改进神经元动态变化方程。最后,通过仿真实验验证了该改进算法的有效性。

栅格地图中多机器人协作搜索目标

目标搜索是多机器人领域的一个挑战.本文针对栅格地图中多机器人目标搜索算法进行研究.首先,利用Dempster-Shafer证据理论将声纳传感器获取的环境信息进行融合,构建搜索环境的栅格地图.然后,基于栅格地图建立生物启发神经网络用于表示动态的环境.在生物启发神经网络中,目标通过神经元的活性值全局的吸引机器人.同时,障碍物通过神经元活性值局部的排斥机器人,避免与其相撞.最后,机器人根据梯度递减原则自动的规划出搜索路径.仿真和实验结果显示本文提及的算法能够实现栅格地图中静态目标和动态目标的搜索.与其他搜索算法比较,本文所提及的目标搜索算法有更高的效率和适用性.

复杂环境下UUV完全遍历路径规划方法

针对复杂环境下无人水下航行器(UUV)完全遍历路径规划方法的不足,文中基于蚁群算法和生物激励神经网络,提出了一种高覆盖率、低重复率的完全遍历路径规划方法。该方法基于栅格法和生物激励神经网络进行环境建模,将神经元活性值引入蚂蚁转移概率公式中,既克服了蚁群算法需要对环境提前扫描学习,运算复杂的不足,又避免了生物激励神经网络随机性强,重复率高的缺陷。仿真试验表明,文中方法不仅有效实现了复杂环境下UUV完全遍历路径规划,而且能够以最短路线跳出死角,具有覆盖率大、重复率小,实用性强的优点。该研究可为进一步开展动态环境中的UUV完全遍历路径规划提供参考。

基于生物启发神经网络的水下坝面表观裂缝检测路径规划算法

为连续获取水下坝面表观长裂缝的局部图像,基于生物启发神经网络设计了一种自治水下机器人水下坝面表观裂缝检测路径规划算法。算法对裂缝走向进行标识,计算出其指向的栅格,并将指向结果通过活性增益的方式应用到路径决策中。通过仿真试验证实了该算法在保证对检测对象全覆盖的前提下,能够连续获取长裂缝的局部图像,连续度较牛耕法所规划的路径有较大的提升,有助于长裂缝图像拼接。