学位论文 > 优秀研究生学位论文题录展示

基于神经网络的多水下机器人协调控制方法研究

作　者: 常文君
导　师: 徐玉如
学　校: 哈尔滨工程大学
专　业: 船舶与海洋结构物设计制造
关键词: 水下机器人神经网络多水下机器人系统分布式智能控制强化学习
分类号: TP242
类　型: 博士论文
年　份: 2004年
下　载: 728次
引　用: 6次
阅　读: 论文下载

内容摘要

21世纪是海洋的世纪。海洋对于人类的发展和社会进步将起到至关重要的作用。自主式水下机器人(AUV)系统是未来海洋探测和开发，以及完成各种水下智能作业任务的重要工具。作为水下机器人技术中的关键技术，研究如何实现水下机器人运动的精确控制以及多机器人系统控制具有重要意义。本文首先研究了神经网络技术在水下机器人运动控制中的应用，为多机器人的协调控制提供基本技术保障。研究的重点在于通过优化神经网络算法以提高网络学习的收敛速度和提高网络学习的稳定性。实验证明，设计的神经网络控制器具有良好的控制效果，为水下机器人的运动控制开辟了一种新的思路和设计方案，这对研究自主式水下机器人的智能控制起到积极的推动作用。其次我们对多水下机器人系统的分布式控制进行了探索性的研究，多水下机器人系统的群体组织方式与机器人混合控制结构，机器人之间的行为协调是本文的研究重点。试验的结果表明基于混合结构的行为协调可以构建一个有效的多机器人分布式控制系统，强化学习的引入使得系统可以得到较好的优化结果。绝大部分的工作都是建立在新的多水下机器人仿真器之上的，新的6自由度数学模型、限制水域及海流修正、声与非声传感器的模拟以及基于MAS的软件框架使得该仿真系统大大加速地逼近真实条件下的多机器人控制研究。

全文目录

第1章绪论  11-19
  1.1 概述  11-12
  1.2 多水下机器人的发展现状和研究动态  12-14
  1.3 多机器人协调控制理论的研究现状  14-15
  1.4 本课题的研究背景和意义  15-16
  1.5 论文的主要工作  16-19
第2章神经网络技术研究  19-41
  2.1 神经网络  19
  2.2 神经元模型  19-20
  2.3 多层前向神经网络  20-22
  2.4 前向神经网络的学习算法  22-23
  2.5 BP算法存在的问题  23-24
    2.5.1 学习过程收敛速度慢  23-24
    2.5.2 学习过程中的“假饱和”现象  24
  2.6 神经网络作为函数逼近器的工作机理  24-27
    2.6.1 关于隐层节点的个数  24-25
    2.6.2 关于输出层的非线性激励函数  25-26
    2.6.3 对神经网络“泛化能力”的正确认识  26
    2.6.4 关于学习过程中“假饱和”现象的正确认识  26-27
  2.7 神经网络学习算法的研究  27-38
    2.7.1 神经网络学习算1  27-30
    2.7.2 神经网络学习算法2  30-33
    2.7.3 神经网络学习算法3  33-35
    2.7.4 神经网络学习算法4  35-38
  2.8 本章小结  38-41
第3章基于神经网络的水下机器人基础运动控制  41-81
  3.1 信息融合与控制的关系  41-43
  3.2 速度估计器  43-44
  3.3 机器人的运动意志  44-48
  3.4 神经网络控制器  48-50
  3.5 信息融合的实现  50-53
  3.6 海流的估计  53-55
  3.7 典型试验验证  55-80
  3.8 本章小结  80-81
第4章多水下机器人仿真系统  81-109
  4.1 引言  81
  4.2 仿真系统的研究背景  81-85
    4.2.1 仿真系统的需求  81-83
    4.2.2 多水下机器人仿真系统的构成  83-85
  4.3 水下机器人六自由度水动力学仿真  85-97
    4.3.1 水下机器人艇体六自由度水动力仿真  85-89
    4.3.2 限制水域对水下机器人操纵性能的影响  89-95
    4.3.3 推力器仿真  95-96
    4.3.4 海流的影响  96
    4.3.5 水动力学仿真结果  96-97
  4.4 传感器系统仿真  97-101
    4.4.1 声学传感器系统的仿真  98-100
    4.4.2 光学传感器系统的仿真  100-101
  4.5 基于MAS的多水下机器人仿真系统  101-106
  4.6 本章小结  106-109
第5章多水下机器人编队协调控制技术  109-127
  5.1 基于混合结构的多水下机器人控制体系结构  109-116
    5.1.1 智能机器人控制结构  109-111
    5.1.2 智能水下机器人混合控制模型  111-114
    5.1.3 多水下机器人协调控制体系结构  114-116
  5.2 多水下机器人编队控制  116-120
    5.2.1 编队队形设计  117-118
    5.2.2 仿真实验结果  118
    5.2.3 海上试验结果  118-120
  5.3 行为融合中的强化学习  120-125
    5.3.1 强化学习简介  120-122
    5.3.2 强化学习的Q(λ)算法  122-123
    5.3.3 基于强化学习的机器人行为选择优化  123-125
  5.4 本章小结  125-127
结论  127-129
参考文献  129-139
攻读博士学位期间发表的论文和取得的科研成果  139-141
致谢  141-143
个人简历  143

基于神经网络的多水下机器人协调控制方法研究

内容摘要

全文目录

相似论文