本文關(guān)鍵詞：基于多智能體粒子群優(yōu)化算法的移動機器人同時定位與建圖，由筆耕文化傳播整理發(fā)布。

【摘要】：SLAM(simultaneous localization and mapping)問題是移動機器人自主導(dǎo)航的核心技術(shù)之一,涉及運動控制、信息交互、通信等領(lǐng)域的知識,該技術(shù)被廣泛的應(yīng)用于航空航天、農(nóng)業(yè)、工商業(yè)等領(lǐng)域。未知環(huán)境中精確定位和地圖構(gòu)建是移動機器人SLAM問題的重中之重,精確的定位取決于高效的地圖構(gòu)建,而高效的地圖構(gòu)建反過來基于精確的定位。本文主要從以下四個方面介紹對SLAM問題的研究:1.結(jié)合希爾伯特(Hilbert)探測的原理和多智能體粒子群優(yōu)化粒子濾波算法(multi-agent particle swarm optimized particle filter,MAPSOPF),分別完成了對未知區(qū)域探測和未知區(qū)域的合理劃分的任務(wù)。2.對柵格法、人工場法、模糊法和MAPSOPF算法進行融合,用于處理動態(tài)障礙物環(huán)境下的路徑規(guī)劃問題,在機器人不與障礙物發(fā)生碰撞的前提下,保證機器人快速到達終點位置。3.利用多智能體(multi-agent particle,MA)系統(tǒng)的競爭機制對粒子群優(yōu)化(particle swarm optimization,PSO)算法進行改進,并將改進的算法用于解決機器人的定位問題,提高定位精度。4.采用完全網(wǎng)絡(luò)型結(jié)構(gòu)、黑板機制和MAPSOPF算法解決多機器人的協(xié)作定位問題,相比于單機器人,多機器人可通過其他機器人的觀測值對自身的定位信息進行更新,從而提高自身的定位精度。本文在最后對全文進行了總結(jié),并對今后的研究進行了展望。
【關(guān)鍵詞】：移動機器人 粒子群優(yōu)化算法 多智能體機制 希爾伯特探測 柵格法
【學(xué)位授予單位】：重慶郵電大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP242;TP18
【目錄】：

• 摘要3-4
• Abstract4-8
• 第1章 引言8-16
• 1.1 研究背景與意義8-9
• 1.2 國內(nèi)外研究現(xiàn)狀9-12
• 1.2.1 擴展卡爾曼濾波算法10
• 1.2.2 粒子濾波算法10-11
• 1.2.3 粒子群優(yōu)化的粒子濾波11
• 1.2.4 遺傳算法、神經(jīng)模糊系統(tǒng)、免疫算法11-12
• 1.3 MAPSOPF算法原理介紹12-14
• 1.3.1 PSO算法原理介紹12-13
• 1.3.2 MAPSOPF算法介紹13-14
• 1.4 論文主要工作14-15
• 1.5 論文組織結(jié)構(gòu)15-16
• 第2章 基于MAPSO算法和希爾伯特（Hilbert）探測的多機器人協(xié)作建圖16-31
• 2.1 希爾伯特（Hilbert）曲線生成原理16-21
• 2.1.1 Hilbert曲線簡介及生成原理16-17
• 2.1.2 Hilbert曲線探測算法17-19
• 2.1.3 Hilbert曲線探測障礙物19-21
• 2.2 GUI界面設(shè)計21-23
• 2.2.1 GUI簡介21
• 2.2.2 Hilbert曲線探測仿真的GUI設(shè)計21-23
• 2.3 實驗分析23-28
• 2.3.1 一鍵運行24-25
• 2.3.2 分步運行25-28
• 2.4 適應(yīng)度函數(shù)介紹28-29
• 2.5 MAPSOPF算法流程29-30
• 2.6 實驗結(jié)果30-31
• 第3章 動態(tài)環(huán)境下多機器人路徑規(guī)劃31-40
• 3.1 柵格地圖表示31-32
• 3.2 適應(yīng)度函數(shù)介紹32-33
• 3.2.1 適應(yīng)度函數(shù)一32
• 3.2.2 適應(yīng)度函數(shù)二32-33
• 3.3 仿真實驗及結(jié)果分析33-40
• 3.3.1 仿真環(huán)境33-34
• 3.3.2 粒子數(shù)目對算法性能的影響34-36
• 3.3.3 MAPSOPF算法與PSOPF算法對比36-38
• 3.3.4 MAPSOPF算法與改進遺傳算法對比38-40
• 第4章 基于MAPSOPF算法的單機器人定位方法40-50
• 4.1 定位問題描述40-41
• 4.2 適應(yīng)度函數(shù)分析41-43
• 4.3 對比試驗及結(jié)果分析43-50
• 4.3.1 實驗一：研究粒子數(shù)目對算法的影響43
• 4.3.2 實驗二：簡單環(huán)境下PF、PSOPF和MAPSOPF算法的對比實驗43-45
• 4.3.3 實驗三：復(fù)雜環(huán)境下PF、PSOPF和MAPSOPF算法的對比實驗45-46
• 4.3.4 實驗四：EKF、PSOPF和MAPSOPF算法的仿真誤差對比46-48
• 4.3.5 實驗五：EKF、PSOPF和MAPSOPF算法在較復(fù)雜環(huán)境的誤差對比48-50
• 第5章 多機器人協(xié)作定位研究50-57
• 5.1 多機器人和黑板機制原理介紹50-51
• 5.1.1 多機器人系統(tǒng)介紹50-51
• 5.1.2 黑板機制簡介51
• 5.2 適應(yīng)度函數(shù)值51-52
• 5.3 協(xié)作定位算法流程52-54
• 5.3.1 地圖初始化52
• 5.3.2 數(shù)據(jù)初始化52-53
• 5.3.3 預(yù)測53
• 5.3.4 更新53-54
• 5.3.5 采樣54
• 5.3.6 更新黑板信息54
• 5.4 實驗分析54-57
• 5.4.1 仿真環(huán)境54-55
• 5.4.2 實驗數(shù)據(jù)分析55-57
• 第6章 總結(jié)與展望57-58
• 參考文獻58-62
• 致謝62-63
• 攻讀碩士學(xué)位期間從事的科研工作及取得的成果63

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 張國良;湯文俊;曾靜;徐君;姚二亮;;考慮通信狀況的多機器人CSLAM問題綜述[J];自動化學(xué)報;2014年10期

2 胡旺;Gary G. YEN;張鑫;;基于Pareto熵的多目標粒子群優(yōu)化算法[J];軟件學(xué)報;2014年05期

3 吳明光;;Hilbert填充曲線與空間分布模式探測的點數(shù)據(jù)集空間劃分方法[J];中國圖象圖形學(xué)報;2013年10期

4 趙志剛;黃樹運;王偉倩;;基于隨機慣性權(quán)重的簡化粒子群優(yōu)化算法[J];計算機應(yīng)用研究;2014年02期

5 張建化;鞏敦衛(wèi);張勇;;基于微粒群優(yōu)化的有限通信多機器人氣味尋源[J];控制與決策;2013年05期

6 朱長青;符浩軍;繆劍;王玉海;;一種自適應(yīng)的數(shù)字柵格地圖可見水印算法[J];測繪學(xué)報;2013年02期

7 陳志敏;薄煜明;吳盤龍;段文勇;劉正凡;;基于自適應(yīng)粒子群優(yōu)化的新型粒子濾波在目標跟蹤中的應(yīng)用[J];控制與決策;2013年02期

8 姜麗梅;張汝波;;具有通信時延的多機器人編隊控制[J];北京郵電大學(xué)學(xué)報;2012年02期

9 陳曉紅;;多機器人通信中防沖突方法研究[J];計算機仿真;2012年04期

10 姜麗梅;張汝波;;弱通信條件下多機器人編隊控制及穩(wěn)定性分析[J];江蘇大學(xué)學(xué)報(自然科學(xué)版);2012年01期

  本文關(guān)鍵詞：基于多智能體粒子群優(yōu)化算法的移動機器人同時定位與建圖，由筆耕文化傳播整理發(fā)布。

，

本文編號：426263