移动机器人是一种能够在工作环境中自主移动并完成预定任务的智能系统,是机器人学和智能控制的一个重要研究领域,在工业、农业、民用以及军事领域具有广泛的应用前景。移动机器人自主避障问题是机器人研究领域中的热点问题,已引起了国内外学者的广泛关注。移动机器人在其工作环境中必须具有可靠而灵活的自主移动能力,因此使得移动机器人具有学习能力是实现自主避障的关键问题,是提高移动机器人智能性的必然选择。 针对移动机器人避障问题,本文主要做了以下三个方面的工作。 (1)在基于行为控制结构的基础上,设计了一种智能控制结构,该结构中引入了强化学习模块,可以实现移动机器人的自主学习功能,克服了纯粹基于行为控制结构自学习能力差、编程繁杂的不足。 (2)神经网络具有良好的泛化能力,利用神经网络实现Q学习,解决了表格Q学习应用范围小、占用存储空间大的问题,并把其分别应用到移动机器人的静态和动态避障中,实现了移动机器人的自主避障。 (3)提出基于增长型自组织神经网络避障算法。利用增长型自组织神经网络实现对移动机器人外部环境的聚类,克服了传统的神经网络需事先确定其规模结构的不足。在此基础上利用强化学习实现了对移动机器人的控制。实验证明,该方法能够有效地实现移动机器人自主避障。