CN107168324B - 一种基于anfis模糊神经网络的机器人路径规划方法 - Google Patents

一种基于anfis模糊神经网络的机器人路径规划方法 Download PDF

Info

Publication number
CN107168324B
CN107168324B CN201710429378.7A CN201710429378A CN107168324B CN 107168324 B CN107168324 B CN 107168324B CN 201710429378 A CN201710429378 A CN 201710429378A CN 107168324 B CN107168324 B CN 107168324B
Authority
CN
China
Prior art keywords
robot
neural network
fuzzy
target
fuzzy neural
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201710429378.7A
Other languages
English (en)
Other versions
CN107168324A (zh
Inventor
程刚
蒯墨深
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Mining and Technology CUMT
Original Assignee
China University of Mining and Technology CUMT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China University of Mining and Technology CUMT filed Critical China University of Mining and Technology CUMT
Priority to CN201710429378.7A priority Critical patent/CN107168324B/zh
Publication of CN107168324A publication Critical patent/CN107168324A/zh
Application granted granted Critical
Publication of CN107168324B publication Critical patent/CN107168324B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0217—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with energy consumption, time reduction or distance reduction criteria

Landscapes

  • Engineering & Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种基于ANFIS模糊神经网络的机器人路径规划方法，主要解决传统反应式导航中复杂陷阱路径往复和路径冗余的问题。其规划步骤是首先对移动机器人建立运动学模型；借助神经网络的自主学习功能和模糊理论的模糊推理能力，提出一种模糊神经网络的移动机器人导航控制器；基于自适应模糊神经网络结构，构建Takagi‑Sugeno型模糊推理***并作为机器人局部反应控制的参考模型；该模糊神经网络控制器实时输出偏移角度和运行速度，在线调整移动机器人的偏移方向，使移动机器人能够无碰撞自动调节速度趋向目标；采用改进虚拟目标方法，选择机器人能够逃离陷阱状态的最优路径。

Description

一种基于ANFIS模糊神经网络的机器人路径规划方法
技术领域
本发明属于机器人技术领域，特别是一种涉及移动机器人的路径规划，可用于各类移动机器人的自主导航。
背景技术
路径规划问题是移动机器人导航的关键技术之一，主要任务是在有障碍物的环境中，按照一定的性能指标，寻找一条从起点到目标点之间一条最优或者接近最优的无碰撞路径。根据机器人对环境信息感知程度的不同,路径规划分为两种:环境信息完全知道的全局路径规划和环境信息完全未知或局部未知的局部路径规划。全局路径规划一般离线进行,常用的方法主要有可视图法、栅格法、结构空间法、拓扑法、模拟退火法、遗传算法和蚁群算法等智能算法。局部路径规划常用的方法有人工势场法、模糊逻辑算法和神经网络法等。神经网络因容错性强与具有自适应学习的特点，可以更好地在非结构化环境下进行感知信息的分析与融合，而模糊控制具有逻辑推理能力，对处理结构化知识更为有效.然而反应式导航缺乏对环境的全局认识，易使机器人陷入局部陷阱而无法到达终点。针对这一问题，目前提出的有效方法有行为融合、虚目标、沿轮廓跟踪等方法，但行为融合方法需要计算各行为的权值，增加了***复杂度；沿轮廓跟踪方法受障碍物形状、大小影响较大；虚目标在复杂环境下不易去除虚拟子目标及易产生冗余路径。
发明内容
发明目的：为了解决现有技术中反应式导航中复杂陷阱路径往复和路径冗余的问题，本发明提供一种基于ANFIS模糊神经网络的机器人路径规划方法，该方法不仅能够减少逻辑推理工作量，而且能够摆脱机器人趋向目标运行中的陷阱状态。
技术方案：为实现上述目的，本发明采用的技术方案为：
一种基于ANFIS模糊神经网络的机器人路径规划方法，首先对移动机器人建立运动学模型；借助神经网络的自主学习功能和模糊理论的模糊推理能力，提出一种模糊神经网络的移动机器人导航的模糊神经网络控制器；其基于自适应模糊神经网络结构，构建Takagi-Sugeno型模糊推理***并作为机器人局部反应控制的参考模型；将障碍物的距离和位置的相关信息作为模糊神经网络控制器的两个输入，模糊神经网络控制器实时输出机器人偏移角度和运行速度，通过模糊神经网络控制器在线调整移动机器人的偏移方向，使移动机器人能够无碰撞自动调节速度趋向目标。
优选的：通过模糊神经网络控制器输出值表示机器人移动角度和速度，越靠近障碍物时输出角度绝对值越大，速度绝对值越小；当前方没有障碍物时，机器人沿预设定方向前进；当前方有一个障碍物时，机器人逐渐接近障碍物，在一定范围内实时改变偏移角度和速度，使机器人缓慢绕离障碍物驶向目标；当前方有两个及其以上障碍物时，移动机器人在行进过程中对虚拟目标进行实时调整，即机器人沿所识别的最后一个障碍物前进并避开除此之外所有障碍物，选择一条远离障碍的最优路径趋向目标。
优选的：模糊神经网络控制器利用LMS算法和最小二乘法来完成输入/输出数据对的建模，使得Takagi-Sugeno型模糊推理***能模拟出希望或实际的输入/输出关系。
优选的：模糊神经网络控制器在学习时，根据***实际输出值与期望输出值计算出学习误差，再通过LMS算法对***的偏移角度和速度进行调整。
所述对移动机器人建立运动学模型的方法如下：
步骤101，移动机器人通过本体携带的测距传感器测量障碍物的距离，其中，机器人当前坐标为(xr,yr)，目标点坐标为(xt,yt)，E是机器人当前位置(xr,yr)到目标点(xt,yt)的矢量，其模长和向量角表示为：
Figure BDA0001317014960000021
Figure BDA0001317014960000022
En为机器人在目标距离势场中的势能，
Figure BDA0001317014960000023
当前机器人与目标点的夹角，根据机器人当前位置不断修正，始终指向目标位置，下标n表示具体时刻；
步骤102，速度模型，移动机器人在导航任务中的速度由机器人与周围障碍物之间距离决定，当无障碍物阻挡时，机器人全速前进，当遇到障碍物时减速行驶，遵循以下公式：
Figure BDA0001317014960000024
其中，v为机器人移动速度，d1为机器人距障碍物距离，d2为紧急停止距离，β为速度比例系数，maxV为设定的机器人最大行驶速度；
步骤103，偏移规则，在反应式导航中，移动机器人根据传感器信息进行局部路径规划，一般分为趋向目标行为与避障行为，若周围没有障碍物，机器人朝目标点以
Figure BDA0001317014960000025
角度前进，前方有障碍物时，则需人为加入一个偏移噪声δ，机器人需无碰撞趋向目标，由此建立如下等式：
Figure BDA0001317014960000026
Φn为移动机器人预瞄准方向，φn为n时刻角度，δn为n时刻偏移噪声；k为比例系数加入的偏移噪声大小，其值由模糊神经网络控制器根据机器人当前所处的环境确定，当
Figure BDA0001317014960000031
时，器人朝向目标位置前进；当
Figure BDA0001317014960000032
时，移动机器人将按照加入偏移角度后的目标方向前进。
本发明相比现有技术，具有以下有益效果：
1.将神经网络与模糊控制的优点相结合，融合神经网络的自学习能力与模糊控制的模糊推理能力，减少逻辑推理工作量。
2.改进型虚目标方法，采用简单的虚拟目标方法，摆脱机器人趋向目标运行中的陷阱状态。
附图说明
图1为本发明的流程示意图；
图2为ANFIS结构示意图。
具体实施方式
下面结合附图和具体实施例，进一步阐明本发明，应理解这些实例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
一种基于ANFIS模糊神经网络的机器人路径规划方法，首先对移动机器人建立运动学模型；借助神经网络的自主学习功能和模糊理论的模糊推理能力，提出一种模糊神经网络的移动机器人导航的模糊神经网络控制器；其基于自适应模糊神经网络结构，构建Takagi-Sugeno型模糊推理***并作为机器人局部反应控制的参考模型；将障碍物的距离和位置的相关信息作为模糊神经网络控制器的两个输入，模糊神经网络控制器实时输出机器人偏移角度和运行速度，通过模糊神经网络控制器在线调整移动机器人的偏移方向，使移动机器人能够无碰撞自动调整速度趋向目标。
通过模糊神经网络控制器输出值表示机器人移动角度和运行速度，越靠近障碍物时输出角度绝对值越大，速度绝对值越小；当前方没有障碍物时，机器人沿预设定方向前进；当前方有一个障碍物时，机器人逐渐接近障碍物，在一定范围内实时改变偏移角度和速度，使机器人缓慢绕离障碍物驶向目标；当前方有两个及其以上障碍物时，移动机器人在行进过程中对虚拟目标进行实时调整，即机器人沿所识别的最后一个障碍物前进并避开除此之外所有障碍物，选择一条远离障碍的最优路径趋向目标。
模糊神经网络控制器利用LMS算法和最小二乘法来完成输入/输出数据对的建模，使得Takagi-Sugeno型模糊推理***能模拟出希望或实际的输入/输出关系。模糊神经网络控制器在学习时，根据***实际输出值与期望输出值计算出学习误差，再通过LMS算法对***的偏移角度和运行速度进行调整。
针对位置环境下移动机器人导航实际问题，构建神经网络控制器，将障碍物的距离和位置的相关信息作为控制器的两个输入，机器人偏移角度和运行速度作为输出，实现了局部路径规划，并结合虚拟子目标的方法，能够增强***解决传统反应导航问题中陷阱状态下的路径复杂和路径冗余问题。解决了传统反应导航问题中路径复杂和路径冗余问题，规划处一条逃离陷阱状态无碰撞趋向目标的最优路径。
1.通过机器人周围的传感器测量障碍物距离，并对机器人的位置，速度进行建模并建立避障规则。
(1)移动机器人通过本体携带的测距传感器测量障碍物的距离。机器人当前坐标为(xr,yr),目标点坐标为(xt,yt)，E是机器人当前位置(xr,yr)到目标点(xt,yt)的矢量，其模长和向量角表示为
Figure BDA0001317014960000041
Figure BDA0001317014960000042
En为机器人在目标距离势场中的势能；
Figure BDA0001317014960000043
当前机器人与目标点的夹角，根据机器人当前位置不断修正，始终指向目标位置；下标n表示具体时刻。
(2)速度模型
移动机器人在导航任务中的速度由机器人与周围障碍物之间距离决定。当无障碍物阻挡时，机器人全速前进，当遇到障碍物时减速行驶。遵循以下公式：
Figure BDA0001317014960000044
v为机器人移动速度；d1为机器人距障碍物距离；d2为紧急停止距离；β速度比例系数；maxV为设定的机器人最大行驶速度。
(3)偏移规则
在反应式导航中，移动机器人根据传感器信息进行局部路径规划。一般分为趋向目标行为与避障行为。若围没有障碍物，器人朝目标点以
Figure BDA0001317014960000045
角度前进，前方有障碍物时，则需人为加入一个偏移噪声δ，机器人需无碰撞趋向目标，由此建立如下等式
Figure BDA0001317014960000046
为移动机器人预瞄准方向；k为比例系数加入的偏移噪声大小，其值由模糊神经网络控制器根据机器人当前所处的环境确定.当
Figure BDA0001317014960000051
时，器人朝向目标位置前进；当
Figure BDA0001317014960000052
时，移动机器人将按照加入偏移角度后的目标方向前进。
2.基于自适应模糊神经网络ANFIS网络，构建Takagi-Sugeno型模糊推理***，提出神经网络控制器。
将障碍物的距离和位置的相关信息作为控制器的两个输入，机器人偏移角度和运行速度作为输出。模糊神经网络***利用LMS算法和最小二乘法来完成输入/输出数据对的建模，使得Takagi-Sugeno型模糊推理***能模拟出希望或实际的输入/输出关系。模糊神经***在学习时，根据***实际输出值与期望输出值可以计算出学习误差，再通过LMS算法对***的偏移角度和运行速度进行调整。
利用神经网络引入学习机制，为模糊控制器自动提取模糊规则及模糊隶属函数，使整个***成为模糊神经网络***。其样本数据是基于实际训练的数据，采用的自适应模糊神经网络的ANFIS网络，构建Takagi-Sugeno型模糊推理***。
典型ANFIS结构，如图2所示，其中，x1,x2是***的输入，y是推理***的输入，均可提供据对；网络同一层的每个节点具有相似的功能，用O1+i表示第一层第i个节点的输出，依此类推。
第一层：本层节点将输入信号模糊化
O1+i＝μAi(xi),i＝1,2 (5)
Oi+j＝μBj-2(x2),j＝3,4 (6)
其中，Ai或Bj-2。是模糊集，如“多”，“少”等；μAi(xi)是模糊集的隶属函数。
第二层：本层节点用于计算各条规则的适用度wi，即：将各输人信号的隶属度相乘，并将乘积作为本规则适用度。
O2+i＝wi＝μAi(x1)μBi(x2),i＝1,2 (7)
第三层：本层节点进行各条规则适用度的归一化计算，即：计算第i条规则的与全部规则适用
O3,i＝w1'＝wi/(w1+w2),i＝1,2 (8)
第四层：本层节点用于计算各条规则的输出
Ok,i＝wi'fi＝wi'(pixi+qix2+ri),i＝1,2 (9)
其中，为Sugeno型模糊***的后项(结论)输出函数，当其为线性函数则称为“一阶***”；若为常量则称为“0阶***”。
第五层：本层为单节点，用于计算***的总输出
Figure BDA0001317014960000061
本***常采用的是误差反传算法或是与最小二乘相结合的混合算法来训练相关参数，使得***能够很好地模拟给定的样本数据。自适应神经模糊推理***最大的特点就是，该***是基于数据的建模方法。
模糊神经网络***利用LMS算法和最小二乘法来完成输入/输出数据对的建模。使得生成出来的Takagi-Sugeno型模糊推理***能模拟出希望或是实际的输入/输出关系。模糊神经***在学习时，根据***实际输出值与期望输出值可以计算出学习误差，再通过LMS算法对***参数进行调整。
3.采用虚拟目标方法进行路径规划
采用改进虚拟目标方法，选择机器人能够逃离陷阱状态的最优路径，通过自适应模糊神经网络控制器实时输出偏移角度和运行速度，在线调整移动机器人的前进方向，使移动机器人能够无碰撞自动调整速度趋向目标。
通过模糊神经网络***输出值表示机器人移动角度和运行速度，越靠近障碍物时输出角度绝对值越大，速度绝对值越小。当前方没有障碍物时，机器人沿预设定方向前进；当前方有一个障碍物时，机器人逐渐接近障碍物，在一定范围内实时改变偏移角度和速度，使机器人缓慢绕离障碍物驶向目标；当前方有两个及其以上障碍物时，为避免所提出的虚拟目标中路径冗余的复杂问题(陷入陷阱状态)，移动机器人在行进过程中需要对虚拟目标进行实时调整，即机器人沿所识别的最后一个障碍物前进并避开除此之外所有障碍物，选择一条远离障碍的最优路径趋向目标，最终完成对目标点的导航。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (3)

1.一种基于ANFIS模糊神经网络的机器人路径规划方法，其特征在于：首先对移动机器人建立运动学模型；借助神经网络的自主学习功能和模糊理论的模糊推理能力，提出一种模糊神经网络的移动机器人导航的模糊神经网络控制器；其基于自适应模糊神经网络结构，构建Takagi-Sugeno型模糊推理***并作为机器人局部反应控制的参考模型；将障碍物的距离和方位的相关信息作为模糊神经网络控制器的两个输入，模糊神经网络控制器实时输出机器人偏移角度和前进速度，通过模糊神经网络控制器在线调整移动机器人的偏移方向，使移动机器人能够无碰撞趋向目标；采用虚拟目标方法摆脱机器人趋向目标运行中的陷阱状态；
通过模糊神经网络控制器输出值表示机器人移动角度和速度，越靠近障碍物时输出角度绝对值越大，速度绝对值越小；当前方没有障碍物时，机器人沿预设定方向前进；当前方有一个障碍物时，机器人逐渐接近障碍物，在一定范围内实时改变偏移角度和速度，使机器人缓慢远离障碍物驶向目标；当前方有两个及其以上障碍物时，移动机器人在行进过程中对虚拟目标进行实时调整，选择一条远离障碍的最优路径；
所述对移动机器人建立运动学模型的方法如下：
步骤101，移动机器人通过本体携带的测距传感器测量障碍物的距离，其中，机器人当前坐标为(xr,yr)，目标点坐标为(xt,yt)，E是机器人当前位置(xr,yr)到目标点(xt,yt)的矢量，其模长和向量角表示为：
Figure FDA0002411276010000011
Figure FDA0002411276010000012
En为机器人在目标距离势场中的势能，
Figure FDA0002411276010000013
当前机器人与目标点的夹角，根据机器人当前位置不断修正，始终指向目标位置，下标n表示具体时刻；
步骤102，速度模型，移动机器人在导航任务中的速度由机器人与周围障碍物之间距离决定，当无障碍物阻挡时，机器人全速前进，当遇到障碍物时减速行驶，遵循以下公式：
Figure FDA0002411276010000014
其中，v为机器人移动速度，d1为机器人距障碍物距离，d2为紧急停止距离，β为速度比例系数，maxV为设定的机器人最大行驶速度；
步骤103，偏移规则，在反应式导航中，移动机器人根据传感器信息进行局部路径规划，分为趋向目标行为与避障行为，若周围没有障碍物，机器人朝目标点以
Figure FDA0002411276010000021
角度前进，前方有障碍物时，则需人为加入一个偏移噪声δ，机器人需无碰撞趋向目标，由此建立如下等式：
Figure FDA0002411276010000022
Φn为移动机器人预瞄准方向，φn为当前机器人与目标点的夹角，δn为n时刻偏移噪声；k为比例系数加入的扰动噪声大小，其值由模糊神经网络控制器根据机器人当前所处的环境确定，当
Figure FDA0002411276010000023
时，器人朝向目标位置前进；当
Figure FDA0002411276010000024
时，移动机器人将按照加入偏移角度后的目标方向前进。
2.根据权利要求1所述基于ANFIS模糊神经网络的机器人路径规划方法，其特征在于：模糊神经网络控制器利用LMS算法和最小二乘法来完成输入/输出数据对的建模，使得Takagi-Sugeno型模糊推理***能模拟出希望或实际的输入/输出关系。
3.根据权利要求1所述基于ANFIS模糊神经网络的机器人路径规划方法，其特征在于：模糊神经网络控制器在学习时，根据***实际输出值与期望输出值计算出学习误差，再通过LMS算法对***的偏移角度和速度进行调整。
CN201710429378.7A 2017-06-08 2017-06-08 一种基于anfis模糊神经网络的机器人路径规划方法 Expired - Fee Related CN107168324B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710429378.7A CN107168324B (zh) 2017-06-08 2017-06-08 一种基于anfis模糊神经网络的机器人路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710429378.7A CN107168324B (zh) 2017-06-08 2017-06-08 一种基于anfis模糊神经网络的机器人路径规划方法

Publications (2)

Publication Number Publication Date
CN107168324A CN107168324A (zh) 2017-09-15
CN107168324B true CN107168324B (zh) 2020-06-05

Family

ID=59824693

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710429378.7A Expired - Fee Related CN107168324B (zh) 2017-06-08 2017-06-08 一种基于anfis模糊神经网络的机器人路径规划方法

Country Status (1)

Country Link
CN (1) CN107168324B (zh)

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109597404A (zh) * 2017-09-30 2019-04-09 徐工集团工程机械股份有限公司 压路机及其控制器、控制方法和***
CN107727100B (zh) * 2017-10-16 2023-04-07 广东智爱机器人科技有限公司 一种基于距离型模糊推理的移动机器人导航轨迹规划方法
CN108053067A (zh) * 2017-12-12 2018-05-18 深圳市易成自动驾驶技术有限公司 最优路径的规划方法、装置及计算机可读存储介质
CN109242294A (zh) * 2018-08-29 2019-01-18 国网河南省电力公司电力科学研究院 改进模糊神经网络的电力通信性能预警方法及装置
JP7311250B2 (ja) * 2018-08-31 2023-07-19 株式会社小松製作所 作業機械の運搬物特定装置、作業機械、作業機械の運搬物特定方法、補完モデルの生産方法、および学習用データセット
CN113190013B (zh) * 2018-08-31 2023-06-27 创新先进技术有限公司 控制终端运动的方法和装置
CN109782757A (zh) * 2018-12-30 2019-05-21 芜湖哈特机器人产业技术研究院有限公司 一种基于分段调度的多agv***的路径调度方法
CN110196588A (zh) * 2019-03-28 2019-09-03 陕西理工大学 基于网络撕裂法的移动机器人路径规划方法
TWI763990B (zh) * 2019-04-22 2022-05-11 第一商業銀行股份有限公司 基於城鄉屬性的建物鑑價方法及系統
CN110426950B (zh) * 2019-07-06 2022-09-16 大国重器自动化设备(山东)股份有限公司 一种基于模糊逻辑的智能机器人
CN110262512B (zh) * 2019-07-12 2022-03-29 北京机械设备研究所 一种移动机器人脱离u形障碍陷阱的避障方法及***
CN110672101B (zh) * 2019-09-20 2021-09-28 北京百度网讯科技有限公司 导航模型训练方法、装置、电子设备及存储介质
CN111443603B (zh) * 2020-03-31 2021-07-06 东华大学 基于自适应模糊神经网络***的机器人共享控制方法
CN111506104B (zh) * 2020-04-03 2021-10-01 北京邮电大学 一种规划无人机位置的方法及装置
CN112212867B (zh) * 2020-10-19 2024-05-28 中国科学技术大学 一种机器人自定位与导航的方法及***
CN113867366A (zh) * 2021-11-02 2021-12-31 福建省海峡智汇科技有限公司 一种基于自适应网络模糊的移动机器人控制方法
CN114326734B (zh) * 2021-12-29 2024-03-08 中原动力智能机器人有限公司 一种路径规划方法及装置
CN115035396A (zh) * 2022-08-09 2022-09-09 北京东方通网信科技有限公司 一种机器人视距路径确定方法和装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101650568A (zh) * 2009-09-04 2010-02-17 湖南大学 未知环境下移动机器人导航安全的方法
CN101819041A (zh) * 2010-04-16 2010-09-01 北京航空航天大学 自进化anfis与ukf结合的gps/mems-ins组合定位误差动态预测方法
CN101887271A (zh) * 2010-07-19 2010-11-17 东莞职业技术学院 一种移动机器人的路径规划方法
CN106168810A (zh) * 2016-09-18 2016-11-30 中国空气动力研究与发展中心高速空气动力研究所 一种基于rtk的无人机飞行避障***和方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8977394B2 (en) * 2012-12-31 2015-03-10 King Fahd University Of Petroleum And Minerals Control method for mobile parallel manipulators

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101650568A (zh) * 2009-09-04 2010-02-17 湖南大学 未知环境下移动机器人导航安全的方法
CN101819041A (zh) * 2010-04-16 2010-09-01 北京航空航天大学 自进化anfis与ukf结合的gps/mems-ins组合定位误差动态预测方法
CN101887271A (zh) * 2010-07-19 2010-11-17 东莞职业技术学院 一种移动机器人的路径规划方法
CN106168810A (zh) * 2016-09-18 2016-11-30 中国空气动力研究与发展中心高速空气动力研究所 一种基于rtk的无人机飞行避障***和方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Research of Planetary Gear Fault Diagnosis Based on Permutation Entropy of CEEMDAN and ANFIS;Moshen Kuai;《sensors》;20180305;全文 *
基于ANFIS的移动机器人避障行为;宋颖丽 等;《山东理工大学学报（自然科学版）》;20110331;全文 *
基于T-S型模糊神经网络的轮式机器人避障方法研究;李会来 等;《计算机测量与控制》;20111231(第1期);第173-175页 *
基于模糊控制的自主机器人路径规划策略研究;付宜利 等;《机器人》;20041130(第6期);第548-552页 *
模糊神经网络信息融合方法在机器人避障中的应用;张桥;《农业装备与车辆工程》;20050430;全文 *

Also Published As

Publication number Publication date
CN107168324A (zh) 2017-09-15

Similar Documents

Publication Publication Date Title
CN107168324B (zh) 一种基于anfis模糊神经网络的机器人路径规划方法
Pandey et al. Autonomous mobile robot navigation between static and dynamic obstacles using multiple ANFIS architecture
CN111413966B (zh) 一种递进式模型预测无人驾驶规划跟踪协同控制方法
CN104298239B (zh) 一种室内移动机器人增强地图学习路径规划方法
CN101441736B (zh) 汽车起重机机器人路径规划方法
Botteghi et al. On reward shaping for mobile robot navigation: A reinforcement learning and SLAM based approach
Zhu et al. A fuzzy logic approach to reactive navigation of behavior-based mobile robots
CN116540731B (zh) 融合堆叠lstm与sac算法的路径规划方法及***
Al Dabooni et al. Heuristic dynamic programming for mobile robot path planning based on Dyna approach
Panigrahi et al. A novel intelligent mobile robot navigation technique for avoiding obstacles using RBF neural network
Liu et al. 3D path planning for AUV using fuzzy logic
Li et al. A behavior-based mobile robot navigation method with deep reinforcement learning
Xu et al. A learning method for AUV collision avoidance through deep reinforcement learning
CN113391633A (zh) 一种面向城市环境的移动机器人融合路径规划方法
Sun et al. Cooperative strategy for pursuit-evasion problem in the presence of static and dynamic obstacles
Hamad et al. Path Planning of Mobile Robot Based on Modification of Vector Field Histogram using Neuro-Fuzzy Algorithm.
Lei et al. A fuzzy behaviours fusion algorithm for mobile robot real-time path planning in unknown environment
Mohanty et al. Navigation of an autonomous mobile robot using intelligent hybrid technique
Sun et al. Event-triggered reconfigurable reinforcement learning motion-planning approach for mobile robot in unknown dynamic environments
CN113485323A (zh) 一种级联多移动机器人灵活编队方法
Ou et al. Modular hierarchical reinforcement learning for multi-destination navigation in hybrid crowds
Benbouabdallah et al. Research Article Improved Genetic Algorithm Lyapunov-Based Controller for Mobile Robot Tracking a Moving Target
Aissa et al. Adaptive neuro-fuzzy control for trajectory tracking of a wheeled mobile robot
Khelchandra et al. Path planning of mobile robot with neuro-fuzzy technique
Wang et al. Path planning for mobile robot using fuzzy controllers with artificial potential field

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20200605

Termination date: 20210608

CF01 Termination of patent right due to non-payment of annual fee