移动机器人路径规划及轨迹跟踪研究：基于机器学习和控制理论的方法

人工智能-机器学习-移动机器人路径规划及轨迹跟踪问题研究 本文研究了移动机器人路径规划及轨迹跟踪问题，主要涉及四个方面的研究内容： 一、静态结构化确定性环境中移动机器人全局路径规划研究 在静态结构化确定性环境中，移动机器人的路径规划是一个复杂的问题。本文采用神经网络和碰撞罚函数建立了路径与障碍物间的优化模型，并利用模拟退火算法对其进行求解。为了提高收敛速度，本文提出了改进的模拟退火算法和两种新型混合全局优化算法，有效提高了收敛速度，满足了系统实时性的要求，实现了移动机器人的全局路径规划。 二、基于Q强化学习与CMAC神经网络的移动机器人局部路径规划研究 在复杂环境中，移动机器人需要快速地感知环境状况，选择恰当的行为，并从环境中获得不确定奖赏值作为学习动态系统的最优行为策略。本文采用Q强化学习算法和CMAC神经网络，充分考虑已学习数据的可信任度，显著提高了传统CMAC在线学习的速度与准确性，有效地实现了在复杂环境中的局部路径规划。 三、基于自适应控制、最优控制以及模糊控制等控制理论与方法，研究非完整轮式移动机器人的轨迹跟踪问题 本文研究了基于自适应控制、最优控制以及模糊控制等控制理论与方法的非完整轮式移动机器人的轨迹跟踪问题。通过设计新型轮式移动机器人速度跟踪控制律，实现了对于期望轨迹的准确跟踪。在考虑驱动电机动态模型的前提下，设计出能够使移动机器人系统全局渐近稳定的自适应控制器，有效克服了模型误差以及外部扰动等不确定性因素给系统带来的影响。 四、非完整WMR的实验研究 本文还进行了非完整WMR的实验研究，详细叙述了自行研制的两轮驱动WMR实验样车及相应的控制系统，然后在该实验平台上进行了WMR的轨迹跟踪实验，结果验证了提出的一些理论和方法的有效性。 本文对移动机器人路径规划及轨迹跟踪问题进行了深入的研究，提出了多种理论和方法，实现了移动机器人的智能化和自动化，具有重要的理论价值和实践意义。