智能机器人

内容简介

《智能机器人》主要包括智能机器人发展状况、智能机器人视觉系统、仿人机器人运动规划、地图创建中的环境特征表示方法、智能机器人全局定位、智能机器人路径规划、智能机器人协调与协作等内容。
　　《智能机器人》主要面向机器人爱好者或具有计算机、人工智能、自动化、机械电子、信息与通信等专业基础的致力于机器人研究的读者。《智能机器人》既可以作为高等院校相关专业本科生及研究生教学参考书，也可供其他相关领域的工程技术人员参考。

目录

第1章 绪论
1.1 引言
1.2 智能机器人发展概况
1.3 智能机器人环境描述方法
1.4 智能机器人自主导航综述
1.5 基于多机器人协作的路径探索综述
 
第2章 智能机器人视觉系统
2.1 引言
2.2 视觉系统的设计分析
2.3 颜色空间模型的研究
2.4 仿人机器人全局视觉系统
2.5 仿人机器人嵌入式视觉系统
2.6 移动机器人单目摄像机对点的定位
2.7 仿真与实验结果
2.8 小结
 
第3章 仿人机器人运动规划
3.1 引言
3.2 仿人机器人运动学与动力学模型
3.3 仿人机器人稳定性分析
3.4 基于二阶锥规划方法的仿人机器人稳定控制
3.5 仿人机器人倒地过程分析
3.6 倒地参数化优化控制策略
3.7 使用极小值原理进行控制
3.8 基于参数化的控制
3.9 仿人机器人运动约束
3.10 仿人机器人上下楼梯运动
3.11 仿人机器人上下斜坡运动
3.12 混合微粒群进化算法
3.13 基于混合微粒群进化算法的仿人机器人上楼梯运动控制
3.14 基于混合微粒群进化算法优化的神经网络系统设计
3.15 基于混合微粒群进化算法优化的模糊逻辑系统设计
3.16 仿真与实验结果
3.17 小结
 
第4章 智能机器人地图创建中的环境特征表示方法
4.1 引言
4.2 基于SIFT算法的视觉环境特征
4.3 激光测距器模型
4.4 基于激光扫描匹配算法的环境表示
4.5 智能机器人无偏快速同时定位与地图创建
4.6 仿真与实验结果
4.7 小结
 
第5章 智能机器人全局定位
5.1 引言
5.2 智能机器人SIF特征提取与匹配算法
5.3 智能机器人全局定位算法
5.4 仿真与实验结果
5.5 小结
 
第6章 智能机器人路径规划
6.1 引言
6.2 拓扑地图的必要性
6.3 基于BCM的实时拓扑地图创建方法
6.4 比例不变特征变换
6.5 运动规划的数学表述
6.6 智能机器人全局路径规划考虑的主要问题
6.7 环境建模
6.8 基于遗传算法的智能机器人路径规划
6.9 基于混合代价的仿人机器人路径规划
6.10 基于多传感器融合模型的智能机器人在线实时调整
6.11 仿真与实验结果
6.12 小结
 
第7章 智能机器人协调与协作
7.1 引言
7.2 智能机器人系统结构
7.3 智能机器人独立任务下的冲突消解
7.4 智能机器人合作任务下的冲突消解
7.5 基于隐马尔可夫模型的节点定位
7.6 智能机器人协作策略的选择
7.7 仿真与实验结果
7.8 小结
参考文献

摘要与插图

（3）遗传算法
　　遗传算法是由美国Michigan大学的J.Holland博士提出的。遗传算法规划法在使用时，先设计一个带有反馈补偿的前馈控制系统，根据这个特定的控制系统实现各个关节的力矩控制。因为实现遗传算法需要把所求的问题参数化求解，所以只能先假设某个关节的运动曲线，再用多次函数插值实现问题的参数化，利用遗传算法，根据稳定性条件或其他寻优条件确定问题的各个参数，达到步态规划的目的。遗传算法直接用于步态规划是有相当困难的。第一，对于某个关节的运动规律曲线事先无法知道。第二，运动规律往往不是一个初等函数，即使用了函数的插值，求得了问题的解，也只是解的一个近似，求解结果未必可用。第三，就算前面两种困难都可以忽略或者克服，在实际的步态规划中，还是有的一个问题——计算的复杂性。在目前需要步态规划的机器人在行走中共有14个需要控制的自由度，以每个关节的运动规律都是单的二次曲线计，至少需要84条基因（14x6）的遗传算法才能完成步态的规划，计算量大。所以遗传算法并不适于直接用于步态规划，而常常用来做步态规划的后处理——步态优化。
　　（4）强化学习
　　强化学习的特点是试错法和延时奖励，它的这个特点使其适合步态学习，也符合人类学习行走的过程。Salatian等人利用传感器输入使用强化学习方式对双足机器人的斜坡步行进行控制。由于仿人机器人的多自由度的特点，应用强化学习进行步态生成将会耗时，因此，强化学习基本上被用来进行局部参数的调整。例如，Toddler应用强制学习获得控制器参数，而Hamid应用强化学习调整CMAC生成的步态。
　　（5）软计算
　　由于机器人具有较多的复杂自由度，以上的方法大多不适合于实时的计算。为了能够实时控制机器人的运动，有必要开发一种适应性的步态规划系统。基于神经网络，模糊逻辑和遗传算法等不同组合所形成的软计算控制方式被证明是可以为复杂不确定、不的现实世界问题进行计算的。软计算的优点在于算法可以适应系统的参数，因此通过软计算可以进行不同地面的机器人行走控制尝试。Shouwen Fan等人提出了一种利用FNN模糊神经网络进行机器人步行训练的方法，其中，约束依靠ZMP和重心，代价函数由能量消耗为依据（由平均功率、功率方差、平均力矩消耗三部分组成）。利用B样条曲线对离散重心位置和身体姿态数据进行光滑处理，建立了前向和逆向的位移模型，利用该模型，可以把重心轨迹和理想的身体姿态映射到关节空间轨迹上来，并通过Matlab进行了实验。Pandu等人解决了双足机器人上升和下降时动态平衡的步态生成问题。在以上的研究中，下身腿部的运动利用逆动力学的概念和具有静态平衡的躯干生成。当确定完ZMP位置之后，整个步态生成通过动态平筏进行验证。同时，他们利用软计算也开发了一个合适的规划器用来进行动态平衡的上升和下降过程中的步态生成。
　　……