基于MPLM-RBFNN算法的移动机器人姿态控制方法

以移动机器人为研究对象,针对机器人系统模型的不确定性和非线性,提出一种反步运动学控制与径向基神经网络(RBFNN)最小参数学习法(MPLM)结合的滑模控制(SMC)算法。使用径向基神经网络逼近系统中的不确定项,消除系统中不确定因素的影响,增强系统的鲁棒性。针对径向基神经网络中权值难以快速调整的缺陷,采用最小参数学习法设计单个参数以代替神经网络中的权值,以此来优化算法复杂度,增强控制的实时性,通过Lyapunov稳定性判别方法,证明了系统在有限时间内的收敛性与稳定性。实验表明:该方法可使控制器的结构简化,鲁棒性、实时性显著提高,易于在实际应用中实现。

巡逻机器人轨迹规划融合算法

针对街区环境下巡逻机器人避开障碍物前往侦测地的轨迹规划问题,提出了一种新的融合算法。在复杂的静态街区环境下,通过多种算法的仿真对比实验选择了概率性搜索算法(PRM)。在动态障碍物密集的环境下,引入"随机可达集"改进了人工势场法(APF)。仿真实验表明:该融合算法降低了机器人的轨迹规划时间,同时提高了机器人的避障成功率。

基于LTS算法改进的抑制NLOS误差的室内定位

针对传统的最小截断平方(LTS)算法利用硬阈值决定位置、计算基站,重非视距(NLOS)环境中不能分离出具有最小偏差基站的缺陷,提出了一种新的改进方法。首先对测量距离进行卡尔曼滤波处理,然后对基站进行有序分组,选择所有基站组合中具有最小残差的基站集作为最终位置计算集合。实验表明:该方法在NLOS环境下与传统的LTS算法和最小二乘估计(LSE)算法相比定位精度分别得到了24.1%和53.3%的提高。

基于深度学习改进的机器人轨迹规划算法

在公路环境巡逻机器人轨迹规划问题中,实时准确的交通流量预测对机器人轨迹规划尤为重要。然而由于车流量的随机非线性,使得机器人轨迹规划任务仍然充满挑战。提出一种深度神经网络与轨迹规划算法相结合的融合算法。通过深度学习预测短期交通流量,优化交通网络图并运用轨迹规划算法完成路径规划。实验表明,改进的机器人能够更快、更安全地完成道路巡逻任务。

一种缩小NLOS误差提高室内跟踪精度的融合算法

针对扩展卡尔曼滤波器(EKF)在室内环境中,非视距(NLOS)传播对EKF跟踪性能产生很大影响这种缺陷,提出一种基于极限学习机(ELM)和EKF的融合方法。ELM使用EKF的状态信息对测量值进行分类,确定受NLOS误差影响的传播路径,然后利用该路径训练的ELM对测量值进行校正。实验结果表明,该算法与传统算法相比精确度提高了43.2%,可以有效缩小NLOS误差。