基于改进人工势场法的车辆路径规划与跟踪控制

针对采用传统人工势场法进行车辆路径规划时易造成局部极小值与目标不可达的问题,通过改变斥力函数并增加车道边界约束条件函数的方式改进传统人工势场法,进行车辆路径规划。采用模型预测控制(model predictive control, MPC)算法跟踪控制改进人工势场法生成的规划路径,采用软件CarSim与Simulink搭建联合仿真模型对路径跟踪效果进行仿真试验。结果表明：改进人工势场法路径规划合理有效;跟踪路径与规划路径的横向误差小于0.4 m。改进人工势场法和MPC算法应用于无人驾驶车辆的路径规划与跟踪控制具有可行性。     

基于双目视觉的AUV避障模拟研究

提出了一种基于双目视觉的自治水下机器人（AUV）避障模拟方法.为了模拟AUV在复杂海洋环境中对未知环境的感知以及避障过程,设计了AUV避障模拟实验系统.介绍了AUV避障模拟平台的总体结构和参数设计.应用双目立体视觉系统模拟水下声呐,并建立了模拟前视声呐的模型.通过对双目视觉系统进行标定,确定校正系统的内参数和外参数,使校正后的视觉系统建立了图像输入和输出的映射关系,并采用视差法获取被测目标的深度信息.对于目标的避障问题,提出了一种基于速度势场的避障方法,利用相对速度的极坐标,建立由水平面速度势场和垂直面速度势场组成的三维速度势场.当机器人利用视觉传感器获取到障碍物信息时,通过调整速度矢量实现动态避障.模拟实验证明了AUV的避障模拟方法是可行和有效的.     

基于模型预测控制的汽车主动避障系统

为了加强汽车行驶安全性,搭建了包含环境感知、危险态势评估、路径决策和控制执行四部分的智能汽车主动避障系统。基于改进人工势场模型构建了以道路边界斥力势场、动态障碍物斥力势场和引力势场核心的路径规划模块,同时,建立以前轮偏角为控制变量的车辆动力学模型,利用模型预测算法对路径进行跟踪。利用动力学仿真软件CarSim和控制仿真软件Simulink联合仿真,结果表明文中运用的模型预测控制优于驾驶员预瞄控制,对路径具有更好的跟踪效果、提高了跟踪精度,实现了汽车主动避障。     

基于改进人工势场法的机器人实时路径规划

针对传统人工势场法在机器人实时路径规划中存在目标不可达和局部极值点等问题,提出了一种改进的人工势场法.首先,在斥力函数中引入距离影响因子,解决目标点旁存在障碍物时的目标不可达问题;其次,引入动态法向力,消除由单个障碍物形成的局部极值点振荡或停滞;然后采用一种新的虚拟目标点设置方法,解决复杂槽形障碍形成的局部极值点问题;最后根据机器人受到的斥力,设置自适应调节步长.仿真实验结果表明:改进的人工势场法可以有效解决传统算法在目标不可达以及不同复杂度的局部极值点规划停滞,自适应步长调节可降低规划所需步数19%～30%.     

多机飞行冲突解决方法研究

飞行冲突的探测和解决是自由飞行的关键问题.结合了人工势场法的蚁群算法可以解决多机飞行冲突.在对飞行冲突解决问题的研究背景和现状作简要介绍的基础上,建立了有约束组合优化的数学模型,提出了用蚁群算法优化人工势场法规划结果的新思路.仿真计算证明算法能在短时间内提供多架飞机理想的冲突解决方案.     

改进时间弹性带的动态避障轨迹规划系统研究

在动态障碍物存在的机器人导航场景下,时间弹性带算法(timed elastic bands, TEB)无法区分障碍物类型,易将动态障碍物视为静态类型去处理,致使导航过程出现碰撞而无法完成导航任务。针对机器人运行真实动态环境,采用两个均值滤波器对激光点云进行滤波处理,实现动态障碍物的检测,而后增加动态障碍物代价地图层对检测到的障碍物进行聚类,利用卡尔曼滤波对动态障碍物的运动状态进行轨迹跟踪及状态预测,结合机器人当前运动状态作出动态避障的轨迹规划,采用阿克曼转向结构机器人进行仿真及真实动态环境下的重复实验。研究结果表明：改进TEB算法的动态避障轨迹规划系统能够在复杂动态环境中进行实时轨迹规划,生成安全平滑的局部轨迹,实现动态避障完成导航任务,能够满足移动机器人的动态避障要求。     

基于混合遗传算法的连续空间下机器人的路径规划

介绍一种基于遗传算法的移动机器人路径规划的新方法．采用混合遗传算法对连续空间下机器人的路径进行规划时，先对规划空间利用Ford算法进行链接图建模，得出可选路径，然后再使用遗传算法来调整各个路径点，最后得到最优的或近似最优的优化路径．该方法可以克服可视图法和人工势场法在路径规划中的某些不足．     

一种基于ADPSO优化的循环神经网络模型

针对循环神经网络(Recurrent Neural Network,RNN)采用传统的训练方法造成的收敛速度慢、易陷入局部最优的问题,提出一种自动调整的动态粒子群优化算法(ADPSO),利用ADPSO较强的全局寻优能力来优化RNN的初始权值及阈值,构建基于ADPSO优化的RNN模型(ADPSO-RNN),从而提升RNN的预测性能及泛化性能.在ADPSO中,将动态搜索空间策略引入到粒子群算法中,同时自适应地调整学习因子以平衡算法的全局和局部搜索能力.在实验中,将ADPSO与PSO进行算法优化性能对比,结果表明ADPSO具有更好的寻优性能;然后以某股票的股票价格历史数据为实验数据,将ADPSO-RNN与常规RNN、PSO优化的RNN分别对其进行预测,结果表明ADPSO-RNN模型在股票价格预测中预测指标平均绝对误差和均方误差上相对于另外两种模型均有所降低,具有更好的泛化性能.     

具有粒子群特征的并行蚁群算法在输电网络规划中的应用

输电网络规划是一个复杂的多变量非线性整数规划问题,针对蚁群算法计算时间长、易陷入局部最优解等问题,本文提出一种新的具有粒子群特征的并行蚁群算法,并应用于输电网络规划.实验结果证明了该算法在输电网络规划优化中应用的可行性和有效性.     

基于Hession矩阵优化的NDEKF神经网络辨识永磁直线同步电机

永磁直线同步电动机模型的建立对研究其稳态特性、动态特性和控制策略都是非常重要的. 首先,将带外部输入的非线性自回归模型展成多项式形式,然后在此基础上用残差分析法导出真实的阶次所满足的条件. 为了克服神经网络结构依靠人工试凑的不足,使用基于Hession矩阵的修剪法来优化其结构. 考虑到BP算法的一些固有缺点,使用NDEKF(基于节点的解耦扩展Kalman滤波器算法)来训练网络. 实验证明,网络的输出结果与试验样机(永磁直线同步电动机驱动的垂直运输系统)的实际输出十分接近;同时将NDEKF与BP算法进行对比,NDEKF算法具有收敛较快、泛化能力强、不易陷入局部极小等特点.