基于fpga的六自由度智能移動機器人設(shè)計畢業(yè)論文-資料下載頁
2025-07-01 21:21本頁面
【導(dǎo)讀】規(guī)劃是移動機器人的一個重要組成部分，它的任務(wù)就是在具有障礙物的環(huán)境內(nèi)，按照一定的評價標(biāo)準(zhǔn)，尋找一條從起始狀態(tài)到達(dá)目標(biāo)狀態(tài)的無碰路徑。糊方法、神經(jīng)網(wǎng)絡(luò)、蟻群之后新加入路徑規(guī)劃研究領(lǐng)域的一種算法?；谶z傳算法解決移動機器人路徑規(guī)劃問題的方法。通過本文的研究及實驗結(jié)果。早在60年代,就已經(jīng)開始了關(guān)于智能移動機器人。關(guān)于智能移動機器人的研究涉及許多方面,智能移動機器人是一個集。使得對它的研究在世界各國受到普遍關(guān)注。因此,近年來,智能移動機器人特別是自主式智能移動機器人。即為完整系統(tǒng);約速條件為不完全可積的微分方程則為非完整系統(tǒng)。目前,智能移動機器人普遍使用的運動學(xué)模型為基于。機器人幾何中心或輪軸線中心的時間微分方程,該模型物理意義明確。Samson指出,智能移動機器人開環(huán)可控。由于智能移動機器人不存在光滑的時不變穩(wěn)定狀態(tài)反饋控制,所以一
【正文】 ddd??最短距離， do 為直線段到障礙物的距離，稱 ds 為安全距離 ,當(dāng) do ≥ ds 后 ,算法將不再試圖使路徑進(jìn)一步遠(yuǎn)離障礙物 ,稱該線段和障礙物無排斥。 給出適應(yīng)度函數(shù)后，在后面的運行過程中，算法試圖使適應(yīng)度函數(shù)最小化并認(rèn)為使得該函數(shù)取得較小值的解為較優(yōu)解。 （ 5） 遺傳操作 交叉算子 交叉操作對兩個對象操作，對對象進(jìn)行隨即分割，然后重組得到兩個新的個體。交叉根據(jù)分割點的數(shù)量分為單點交叉和多點交叉，單點交叉是多點交叉的一種特殊形式 。 基本的操作如下圖 所示： 圖 8 多點交叉操作 在圖中，父染色體被隨機四個分割點分為五部分，標(biāo)有箭頭的部分互換。這樣完成交叉操作后產(chǎn)生兩條子染色體 基本的交叉操作產(chǎn)生的子代染色體的長度可能不等，結(jié)果是，對應(yīng)的適應(yīng)度函數(shù)也發(fā)生變化。對交叉算子的改進(jìn)是使為了獲得更低函數(shù)值的適應(yīng)度函數(shù)。前面已經(jīng)給出路徑的表達(dá)式。這里給出一個線段的相交函數(shù)： （ 4） 0 表示第 i 段直線與所有的障礙物不相交， 1 表示第 i 段直線與障礙物相 交。并定義如下路段與障礙物相交狀態(tài)變化函數(shù)： （ 5） gi 可能的取值為： 1， 0， 1。為 1 時第 i+1 點前段直線與障礙物不相交后一段相交， 1 的時候相反，為 0 的時候說明前后段的情況相同。 這里選擇分割點的原則是： 選擇 gi 為 1 時對應(yīng)的變化點作為 1 號父個體的第一分割點，選擇緊隨該點之后使得 gi為 1 的點作為第 2分割點。對于 2號父個體， 選擇過程恰好相反 ， 選擇 gi 為 1 時對應(yīng)的變化點作為 2 號父個體的第一分割點， 選擇緊隨該點之后使得 gi 為 1 的變化點作為第 2 分割點。更多的分割點同理可得。 除此之外還要考慮交叉點數(shù)的選取，前面的交叉操作會使最后的染色體很短，? ? ???? 10ilf? ? ? ?iii lflfg ?? ?1所以后續(xù)的操作要設(shè)定染色體的長度，設(shè)定標(biāo)準(zhǔn)如下。 （ 6） ? 變異算子 變異過程中，個體中的分量以很小的概率或步長產(chǎn)生轉(zhuǎn)移。 對于給定路徑， 該操作對路徑上的各路點 pi 以一定的概率改變其坐標(biāo)。 標(biāo)準(zhǔn)變異對地圖中的信息并沒有加以利用，變異是隨機的搜索，常常導(dǎo)致路徑劣化。而改進(jìn)型變異算子優(yōu)先選取和障礙物相交的線段的端點進(jìn)行變異，同時限制變異所得的路點坐標(biāo)在障礙物之外， 并且使變異所得的路點新坐標(biāo)滿足： newiinewi OPOPl ?? ?1? 11 ?? ?? iinewi OPOPl new? （ 7） ? ? ? ? ? ? ? ?iin e win e wi lflflflf ???? ??? ?? 11 通過這樣的約束條件保證了每次變異對路徑優(yōu)化的非負(fù)效果。 仿真結(jié)果與總結(jié) 仿真結(jié)果 圖 9 算法輸出結(jié)果 1 其代價函數(shù)值為 ，路徑全長 . )35(3520205526421m a xNc le nc le nc le nc le nc ro ssn m???????????????? 圖 10 算法輸出結(jié)果 2 其代價函數(shù)值為 ，路徑全長 . 圖 11 算法輸出結(jié)果 3 其代價函數(shù)值為 ，路徑全長 . 在上面三個仿真圖中 [8][9]，適應(yīng)度函數(shù)的值和路徑值是一樣的。上面的仿真的群體規(guī)模都是 100，進(jìn)化 50 次，染色體變異概率 ，權(quán)重系數(shù) a1， a2 分別是 1， 1000。 算法比較 ： 地圖 1 地圖 2 地圖 3 算法 1 57 41 0 算法 2 72 59 0 算法 3 100 99 92 表 2 成功率對比 地圖 1 地圖 2 地圖 3 算法 1 NA 算法 2 NA 算法 3 表 3 平均代價對比 地圖 1 地圖 2 地圖 3 算法 1 NA 算法 2 NA 算法 3 表 4 標(biāo)準(zhǔn)差對比 上述的實驗數(shù)據(jù)證明了本文所提出的改進(jìn)型遺傳算法的有效性。在 3 幅不同的地圖上都達(dá)到了 90%以上的算法成功率，并且相對其它算法有明顯提高。隨著地圖的不同，各算法的成功率均出現(xiàn)不同程度波動，但改進(jìn)型遺傳算法波動幅度最小，保持了較好的穩(wěn)定性，體現(xiàn)出良好的地圖適應(yīng)能力。 總結(jié) 本文提出一種基于 FPGA 的六自由度的智能移動機器人，其中采用基于遺傳算法的路徑規(guī)劃最優(yōu)算法。 講述了遺傳算法如何規(guī)劃路徑的過程。這種遺傳算法能使機器人在復(fù)雜的環(huán)境中優(yōu)化出一條合適的路徑。本文中的遺傳算法基于坐標(biāo)值對染色體編碼，很好的利用了地圖中的信息，提高了算法的收斂速度。 參考文獻(xiàn) [1] 王樹國等 .智能機器人的現(xiàn)狀及未來 [J]．機器人技術(shù)與應(yīng)用 ,20xx,8. [2] 宗光華 .機器人的創(chuàng)意設(shè)計與實踐 [M].北京：北京航空航天大學(xué)出版社 ,20xx. [3] Robin 著 ,杜軍平譯 .人工智能機器人學(xué)導(dǎo)論 [M].北京：電子工業(yè)出版社， 20xx. [4] 席裕庚 , 一類動態(tài)不確定環(huán)境下機器人的滾動路徑規(guī)劃 [J].自動化學(xué)報 , 20xx, 28. [5] 諸靜 . 機器人與控制技術(shù) [M]. 杭州： 浙江大學(xué)出版社 , 1991. [6] 霍迎輝 , 張連明 . 一種智能機器人的路徑規(guī)劃算法 [J]. 自動化技術(shù)與應(yīng)用 , 20xx, 22 [7] Erdinc S C. Path planning using potential fields for highly redundant manipulators[J]. Robotics and Autonomous Systems, 20xx, 52(2): 209228. [8] Dennis B, Jeroen H, Renvan M. Realtime motion path generation using subtargets in a rapidly changing Environment[J]. Robotics and Autonomous Systems,20xx, 55(3): 470479. [9] Velagic J, Lacevic B, PerunicicB. New concept of the fast reactive mobile robot navigation using a pruning of relevant obstacles[C]. IEEE Int Symposium on IndustrialElectronics. Dubrovnik, 20xx: 161166.
研究報告相關(guān)推薦
鄂ICP備17016276號-1