輪式足球機器人運動控制算法研究與實現(xiàn).pdf

1、足球機器人是人工智能與機器人領域極富挑戰(zhàn)性的高技術密集項目,同時又是人工智能技術的一個理想突破點。它涵蓋了機器人學、人工智能和智能控制等多個領域，己成為研究多智能體系統(tǒng)和人工智能應用技術研究的重要實驗平臺。機器人踢足球,看似游戲,其實展示了一個國家信息和自動化技術的綜合實力。 作為開發(fā)足球機器人真實系統(tǒng)的輔助部分，仿真系統(tǒng)以其經(jīng)濟、靈活的特性一直受到人們的重視。 實物的足球機器人因為控制難度大，實時性要求高和硬件的一系列

2、問題，現(xiàn)在還很難做出很有技術性的動作。 對于仿真比賽，由于平臺近于理想，不像實物比賽易受周圍環(huán)境的影響，并且平臺為官方提供的統(tǒng)一平臺，因而具有更好的客觀性，更便于比賽的開展。先進的控制方法在仿真足球機器人比賽比在實物機器人比賽中更易得到應用和檢驗。 本文正是以機器人足球比賽為背景，以The Robot Soccer Simulator為仿真平臺，針對足球機器人運動控制系統(tǒng)進行深入研究，并進行了算法、性能和應用上的一系列改

3、進，并可以作為其他仿真及決策系統(tǒng)開發(fā)的基礎。 本文首先對足球機器人比賽進行了回顧，分析了足球機器人關鍵技術、國內(nèi)外研究現(xiàn)狀、科研意義及應用。然后,介紹了仿真平臺及仿真環(huán)境，并推導出足球機器人的運動學模型，為本文的后續(xù)研究提供了模型基礎及平臺環(huán)境。 要讓足球機器人實現(xiàn)戰(zhàn)術策略，首先要有好的運動控制。常規(guī)PID 算法在足球機器人控制中有廣泛的應用，然而足球機器人控制過程機理復雜，難以確定精確的數(shù)學模型，并存在著不同程度的非線

4、性、時變等不確定性，同時隨著對機器人控制的要求進一步提高，利用常規(guī)的PID 控制很難滿足系統(tǒng)的要求。 神經(jīng)網(wǎng)絡作為一門非常熱門的交叉學科，以其強大的非線性映射能力、并行處理能力、自學習能力，在控制領域得到廣泛的應用。 文中研究分析了BP 神經(jīng)網(wǎng)絡，BP 神經(jīng)網(wǎng)絡是目前應用較多的一種神經(jīng)網(wǎng)絡結構，是一種性能優(yōu)良的神經(jīng)網(wǎng)絡。主要研究了BP 神經(jīng)網(wǎng)絡的數(shù)學理論，詳細分析了幾種流行的BP 神經(jīng)網(wǎng)絡學算法的優(yōu)缺點及其改進的BP 算

5、法。這些研究為后面機器人小車的運動控制研究做了鋪墊。 接著，將各種改進的BP 算法與PID 相結合，得出新的控制算法，并對各種算法的性能一一比較，仿真結果表明，這種改進方案與其他幾種PID 控制相比，超調(diào)量小、調(diào)節(jié)速度快、調(diào)整時間短，說明其具有更好的控制特性；另外，穩(wěn)態(tài)誤差也較小。所以，改進的BP 神經(jīng)網(wǎng)絡PID 控制的控制精度更高，從而會獲得令人滿意的效果。 因此，將BP 神經(jīng)網(wǎng)絡運用于PID 控制中，能夠有效克服經(jīng)典

6、PID 控制器在被控對象具有非線性、時變不確定性和難以建立精確的數(shù)學模型時出現(xiàn)的參數(shù)整定不良和性能欠佳等缺陷。 本文還研究了基于BP 神經(jīng)網(wǎng)絡的PID 控制器結構和算法，利用改進的BP 神經(jīng)網(wǎng)絡對PID 控制參數(shù)進行在線自整定，構造一個具有參數(shù)自整定能力、穩(wěn)定的PID 控制器。將這種改進的BP PID 控制器應用到機器人小車到定點運動及圓周圓周運動中，通過仿真平臺及MATLAB 實驗，從實驗結果里我們看到這種新型的PID 控制器

7、在一定程度上提高了系統(tǒng)的魯棒性，使小車的運動更加穩(wěn)定和軌跡更加平滑，明顯提高了小車的控制性能。 路勁規(guī)劃問題一直是足球機器人研究的熱點和難點，機器人在有障礙物的情況下，尋找一條恰當?shù)穆窂剑軓慕o定起點到終點，使機器人在運動過程中能安全、無碰撞地繞過所有的障礙物。因此，在很大程度上，路徑規(guī)劃問題就是避障問題。 路徑規(guī)劃成功，機器人能快速完成給定任務，但是如果失敗，機器人的行動受阻，動作難以完成，甚至影響整個策略的實現(xiàn)，直接

8、影響比賽結果。所以說路徑規(guī)劃任務在足球機器人系統(tǒng)中占有很重要的地位。 本文設計了一種應用SVM模式識別分類技術進行機器人路徑規(guī)劃的方法。支持向量機是一種基于小樣本統(tǒng)計理論的學習機，具有完備的理論基礎和嚴格的理論體系，支持向量機是能夠提高學習機的泛化能力，此外，存在全局唯一最優(yōu)解。 我們把障礙物分為兩類，SVM在滿足最大分類間隔的條件下，產(chǎn)生一個非線性分類面，從而產(chǎn)生一個安全的平滑的路徑，本文利用SVM這個性質進行路徑規(guī)劃

9、研究。首先，得到一組小車陣型，將小車離散化為樣本點，然后設置一些樣本引導點和向導點，下一步就是尋找一條可行的路徑，通過MATLAB仿真，我們將得出一條避開障礙物的路徑。 對于不同的障礙物模式，起始點和目標點可能處于不同的中間區(qū)域，因此當搜索步數(shù)大于某一個閾值的時候我們終止搜索。在下一步的搜索中當找不到符合條件的下一個使1 V<的安全點時，也終止搜索，因為這時候在中間區(qū)域兩邊的障礙物的距離太小，而不能安全越過障礙物。 經(jīng)過