轮式移动机器人概率不确定性轨迹规划研究

来源 :大连理工大学 | 被引量 : 0次 | 上传用户:my_sunday_tongxing
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
轮式移动机器人因其具有承载能力强,灵活性高等优良特性而被广泛应用于现代工业、航天、军事和民用领域。轨迹规划作为实现机器人自主运动的重要组成部分,不仅能够为移动机器人规划可行路径,而且所包含的速度、加速度等信息对于移动机器人后续的轨迹跟踪控制至关重要。然而,由于自身或是环境中的不确定性因素干扰,轮式移动机器人很难按照预先规划的路径正常运行,且以往对于移动机器人轨迹规划的研究很少事先预估不确定性对于全局轨迹的影响。因此,本文考虑概率不确定性对于轮式移动机器人轨迹规划的影响,从而为轮式移动机器人提供鲁棒性轨迹。本文以双轮差分驱动的移动机器人作为研究对象,建立了纯滚动条件下的轮式移动机器人运动学与动力学模型并选取动力学模型作为轨迹规划问题的研究模型。从两种角度考虑不确定性因素的存在,分别研究了概率不确定性对于全局轨迹的影响。一种是考虑轮式移动机器人自身模型参数和系统初始状态存在不确定性,提出一种鲁棒轨迹规划问题用于预测不确定性对于轨迹的影响范围。首先建立轮式移动机器人的确定性轨迹规划问题,在此问题基础上通过考虑模型参数和初始状态不确定性形成了不确定性轨迹规划问题。然后,为了更好地反映不确定性对轨迹的影响范围,提出一种鲁棒轨迹规划列式去描述不确定性轨迹规划问题。由于所提鲁棒轨迹规划列式中包含随机函数项的均值和方差函数,导致其不能直接被数值求解。因此,本文寻求利用广义多项式混沌展开量化鲁棒轨迹规划列式所涉及的随机函数项以得到相应统计特征的确定性函数表达。最后将鲁棒轨迹规划列式转变为一个可直接数值求解的高维确定性轨迹规划问题,通过对该问题的求解可得到状态量的统计特征。另一种是考虑轮式移动机器人需要满足的约束函数中存在参数不确定性或是随机干扰,提出一种轮式移动机器人概率约束轨迹规划问题求解可靠性轨迹。概率约束不同于以往的硬约束,它在概率意义上允许约束违反的存在。通过设定约束违反阈值限制不确定性对于轨迹的影响,从而改善系统的控制性能。概率约束轨迹规划问题的求解利用凸函数近似方法将问题包含的概率约束转化为相应的确定性约束,从而使得原问题能直接被数值求解。在概率约束框架下求解得到的移动机器人轨迹在整个时域内的约束违反率均低于给定的阈值,可获得指定阈值下的轮式移动机器人的可靠性轨迹。
其他文献
近年来,随着扫描技术的迅速发展,点云已经成为计算机视觉领域的研究热点,并逐渐发展为三维形状分析的主要研究对象。三维形状分析通过数字几何的算法,挖掘三维模型的几何特征、语义关系及模型的功能性。如何准确、有效地实现三维形状分析,是机器人感知、无人驾驶及虚拟现实等任务的基础,有着广泛的应用前景。三维形状分析主要包括模型检索,模型分割,语义对应,功能性分析等任务,而三维形状的局部特征能够准确地描述形状的局
城市化进程加快使得住房建设规模扩大,相关行业发展迅速,但是行业的迅速发展也使得其中存在的问题也越发凸显,例如住房建设中的卫生间渗漏问题,其作为房屋建设中的重要问题之一,直接影响了居民的使用和房屋的质量。基于此,本文就卫生间防水施工质量控制展开研究,首先阐述了卫生间防水必要性,其次对卫生间发生渗漏的原因进行分析,最后提出了防水施工质控措施,希望能够防止卫生间漏水。
随着基于5G网络的触感网的迅速发展,触觉通信系统及遥操作技术受到了学术界及工业界的广泛关注。其中,人类在环的力反馈遥操作触觉通信系统是存在于触感网中的典型用例,它将代表人类主观感受的判断标准引入系统,称作用户体验质量(Quality of Experience,Qo E),以此反映系统性能。因此,在多个遥操作用户同时共享同一通信网络时,如何能够最大化网络总体用户体验质量成为目前一个主要的挑战。Qo
多目标优化问题是工程应用与科学研究的基本问题。处理该类问题的主要方法是进化计算。随着工业的发展,该问题的目标数量与问题规模都急剧增大。出于维数诅咒的原因,多目标进化算法在处理大规模超多目标优化问题时性能显著下降。因此大部分研究采用了分解策略以达到提升多目标优化算法性能的目的。针对分解策略仍存在的一些挑战,进行了改进。本文主要贡献如下:针对决策变量分析方法产生的分组结果不准确的问题,提出了一个统计变
深度神经网络(DNN)在包括计算机视觉,语音识别,自然语言处理,量子化学和医疗保健在内的多个研究领域中均表现出出色的性能。然而,众所周知,我们对其有效性的理论理解仍然不完整。深度学习架构需要通过标注大数据驱动的误差通过反向传播算法来不断优化“端到端”上的模型参数,这种学习过程犹如一个“黑盒子”。随着机器自动的黑盒算法开始辅助人类做出决策,这些机制有必要被更多的解释。此外,虽然这些大的神经网络用处广
在机器学习中,训练样本的数量与数据的准确性是除了模型之外对预测结果的准确性(也叫保真度)影响最大的因素。在很多实际问题中,例如计算机仿真问题,很多准确数据的计算成本是极高的,这种数据称为高保真度(High fidelity-HF)数据;而计算成本低、易获得,但准确度较低的数据称为低保真度(Low fidelity-LF)数据。利用这些多保真度数据建立的回归模型称为多保真度模型。多保真度建模致力于结
多智能体协同决策是人工智能领域的一个热门的研究方向,在实际生活中有着重要的作用。随着深度强化学习在单智能体领域的成功,越来越多的学者将其应用到多智能体协同决策任务。但是,由于环境的复杂性和动态性,多智能体强化学习算法在学习过程中可能面临着维度爆炸甚至无法收敛的问题。因此,如何通过智能体之间有效的通信,让智能体进行正确的行为决策,是多智能体领域的一个重要研究课题。为了实现智能体之间有效的通信,以加强
人工神经网络(ANN)作为强大的数据处理工具被广泛应用于:模式识别,控制,机器人技术,生物信息学等领域。它们的广泛适用性极大地鼓励了科研人员通过研究生物大脑来改善人工神经网络。在生物学上更合理的脉冲神经网络(SNN)更忠实地利用生物学特性来提供更高的处理能力。近些年,SNN在神经形态低功耗系统中获得更大的发展势头,现存的大多数脉冲监督学习方法都实现了较好的性能,取得极大的成功。但是,现有的SNN模
随着工业生产技术的提高,机器人越来越广泛的应用于人类的日常生产生活中。然而,机器人的生产水平受限于生产环境的变化难以实现柔性化生产。通过感知外在环境,机器人可以根据获取的信息来调整自身的姿态。因此,本文提出了一种基于智能感知与学习的机器人抓取与装配方法,并在此基础上设计了机器人抓取与装配系统,并利用实验进行了验证。主要内容包括以下几个方面:首先,在智能感知层面上,基于RGB-D图像构建了一种五维抓
近年来,由于视频播放平台的快速发展、摄影设备的不断迭代以及移动通信的广泛使用,视频的数量呈现爆发式地增长。因此,如何从视频中提取信息就成为了一个亟待解决的问题。动作识别是视频理解领域中一个基础而关键的问题。早期,研究者通常使用手工设计的特征来捕捉时空特征进行分类。现今深度学习方法凭借其强大的特征提取与拟合大体量数据能力在动作识别领域取得了重大突破。然而,现有深度动作识别方法对于识别复杂场景下的动作