邹丹[1]2003年在《自主式水下机器人运动规划技术》文中研究指明本文是结合预研项目水下机器人的研制工作进行的。本文论述了水下机器人运动规划系统国内外的研究动念和研究意义。在分析水下机器人本身的非线性性以及所处环境的不确定性的特点的基础上，提出适用于本课题研究的水下机器人的运动规划系统，仿真实验表明该系统使得机器人拥有更高的智能。 针对水下机器人局部路径规划问题，设计了基于模糊控制规则的水下机器人实时运动规划系统，该系统能解决复杂环境下的运动规划问题，仿真实验验证了所提方法的有效性。 考虑模糊规划系统是依赖于操作者的经验及知识，模糊规则可能存在着不足，因此设计基于再励学习的模糊小脑模型神经网络系统应用于水下机器人实时运动规划，该系统不仅可学习和掌握操作者的经验及知识，又可以根据特定的环境实时地调整水下机器人的模糊规划策略。 针对水下机器人作业区域路径规划问题，设计了基于传感器的单元分解法，提出应用模糊控制策略实现对目标的探测。该方法实现了对水下机器人作业区域的完全覆盖式路径规划，并可准确地描绘出了作业区域的环境信息。仿真实验验证了所提方法的有效性。
姜沛然[2]2005年在《基于模糊理论和强化学习的自主式水下机器人运动规划技术》文中进行了进一步梳理本文首先针对水下机器人局部路径规划问题,设计了基于模糊控制理论的水下机器人实时运动规划系统,该系统能解决复杂环境下的水下机器人运动规划问题,仿真实验验证了所提方法的有效性。 考虑模糊规划系统是依赖于操作者的经验及知识,模糊规则可能存在着不足,并且确定完善的模糊规则工作量非常大。因此,考虑改善规划方法。强化学习是一种学习机制简单,仅需要一个强化信号来评判动作的好坏,不需要太多人的干预。但是,单纯用强化学习来实现局部规划器,学习的时间必定是漫长的,而且有学坏的可能性。基于模糊理论和强化学习的优缺点,所以将二者结合起来,先制定初级的模糊规则,然后机器人在初级模糊规则的基础上利用强化学习去自主学习,并调整相应的模糊规则。这样,可以减少大量的人为工作。同时,机器人所处的环境不是一成不变的,有很多未知因素是人之前无法预知的,利用这种方式水下机器人可以根据具体的环境来学习,修改不合适的隶属函数,增强了机器人适应能力。并且,由于事先已经确定了初级的模糊规则,所以机器人学习的时间将大大缩短。仿真实验验证了所提方法的有效性。
段群杰[3]2007年在《水下机器人实时路径规划方法研究》文中研究指明21世纪是人类研究、开发及和平利用海洋的世纪,随着人类对海洋开发利用的不断增加,能够探测水下环境并且自主完成作业任务的水下机器人受到国内外研究机构的广泛重视。作为在复杂海洋环境下工作的载体,自主性及安全性是水下机器人的重要特征,其中自主能力的含义是具有和外部环境进行交互的能力,这种交互能力的一个重要方面就是具有自主运动规划与实时控制的能力,能够在复杂的海洋环境下完成复杂的使命。智能控制技术是保障其自主性和安全性的重要基础和核心技术。水下机器人智能控制的内涵包括自主规划、控制与状态监控。研究水下机器人自主任务规划、智能运动控制、传感器信息融合以及自主监控技术,对于提高水下机器人的智能化水平和加快实用化进程具有重要的理论研究意义和实用价值。水下机器人运动规划一般以全局规划为指导,利用在线得到的局部环境信息,避开出现的未知的障碍物的过程。由于水下机器人工作在未知海洋环境下,实际上难以得到完全准确的全局环境信息,且水下机器人具有非线性、强耦合性和时变性的特点,因此强调环境知识完备性的全局规划方法并不适合于水下机器人系统。本文从水下机器人的自适应性和实时性出发,不注重环境知识的完备性,并解决全局规划的离线性和实时局部规划不能对路径进行优化的缺陷,提出基于全局规划目标、实时局部避障行为并结合滚动规划的方法,使用模糊控制策略来展开未知环境下水下机器人实时路径规划方法的研究。通过机器人上传感器系统的配置方式和对障碍物的探测方法,根据每个采样时刻规划窗口内机器人上传感器对周围环境的感知,对水下机器人工作的周围环境进行了类别划分,按照每种类别情况专家的操纵经验建立了模糊规则库,设计了基于模糊控制的实时滚动路径规划器。针对实时局部路径规划问题,提出了基于拟人行为的实时滚动路径规划算法,进行了静动态障碍物环境下的计算机仿真与模拟实验研究,实验结果验证了所提出的实时滚动路径规划算法的可行性。针对凹形障碍物区域内水下机器人的行走问题,提出了实虚目标转换方法,仿真和实验结果表明该方法对基于实时传感器信息的水下机器人在凹形障碍物区域内行走时的振荡和徘徊问题的有效性和可行性。研究了动态障碍物环境中的水下机器人路径规划问题。给出了对动态障碍物的处理方法—采用大范围内的随机运动和采样周期内的匀速运动相结合,用极大似然估计法对动态障碍物的位置不确定性进行估计。针对动态障碍物的避碰问题提出了主动预测避碰方法,并在动态障碍物环境下进行了路径规划的计算机仿真与实验研究。仿真与实验结果验证了对动态障碍物避碰的主动预测避碰方法的有效性。研究了基于模糊神经网络的模糊控制规则的化简及相关参数的学习方法。以模糊自适应学习控制网络(FALCON)为基础,采用分步式学习方法对网络结构和参数进行调整,用模糊C均值聚类方法对输入输出变量的隶属函数初始化,通过最大权值矩阵方法进行了模糊规则的提取和化简,使用遗传算法对隶属函数的参数进行了调整。提出根据输入、输出数据的相关特性,基于密度的减法聚类法和自适应神经模糊网络设计了一种水下机器人自适应神经模糊运动规划器,采用混合参数学习算法对模糊系统的初始结构和参数进行了优化。并将自适应神经模糊规划器与模糊规划器在相同仿真条件下的规划效果进行了比较,结果表明自适应神经模糊规划器的规划效果好于模糊规划器。
徐璐瑜[4]2014年在《智能水下机器人运动规划研究》文中认为随着陆地资源的日益减少和人类社会的发展和进步，人们对自然资源的需求正逐步从陆上转向资源丰富的海洋。在过去的半个多世纪里，水下机器人技术得到了全面的发展，在海洋资源的开采和海底空间的探索上得到了广泛的应用。智能水下机器人（AUV）工作在未知、结构化的海洋环境中完成复杂的任务，对智能水下机器人的运动规划的研究成为目前研究的一个重要的方向。水下机器人的运动规划主要包括路径规划和运动控制两个方面，本文针对智能水下机器人的路径规划和运动控制分别展开了研究，主要做了以下几个方面的工作：(1)对水下机器人的路径规划方法和运动控制技术发展现状进行了阐述，介绍了水下机器人路径规划研究所采用的环境模型、规划方法。(2)阐述了简单遗传算法的数学基础，具体分析了遗传算法的遗传算子。在简单遗传算法的基础上进行了改进，研究了基于遗传算法的AUV全局径规划的方法。在栅格模型中，用序号标记法进行编码，设计了选择、交叉、变异、删除等遗传算子，从而引导遗传算法快速收敛于最优解，并通过仿真实验验证了该方法的有效性。(3)分析了水下机器人在水下的运动和受力，建立了水下机器人六自由度空间运动模型，并根据研究需要，将其简化为四自由度空间运动模型。(4)针对智能水下机器人运动轨迹跟踪的问题，本文采用滑模变结构控制算法，设计了基于指数趋近律和基于准滑动模态的滑模控制器，并对AUV进行了运动轨迹跟踪的仿真实验。通过仿真分析和对比表明基于准滑动模态的滑模控制器，很好地削弱了抖振，在轨迹跟踪上性能良好。
鲁燕[5]2006年在《海流环境中水下机器人实时运动规划方法研究》文中研究表明本文结合预研项目，在分析水下机器人自身特性及其作业环境的特殊性上，提出了海流作用下的水下机器人实时运动规划方法，仿真实验表明该方法使得水下机器人实时运动规划的有效性进一步提高。 针对海流对水下机器人运动的影响，采用了根据海流方向划分探测区间的区域划分方法；在水下机器人避障时采用考虑海流影响的基于模糊决策并加以改进的避障规划方法，在执行识别任务时采用顶流策略并配合相应的算法，提出了水下机器人的回航规划方法，为水下机器人在海流环境中较好的完成作业起到了作用。 针对水下机器人工作环境的复杂性和特殊性，特别是海流的存在对水下机器人的控制特性及其实时任务规划执行效果的影响，在水下机器人控制体系结构的分析和研究的基础上，提出了一种新的规划和控制机制，从感知到动作的分层控制系统中，增加执行效果反馈的比较监控环节，通过比较监控的结果来确定是否需要再规划，实现了恶劣环境下的水下机器人规划与控制进一步结合。 针对水下机器人区域探测中要解决的关键问题——对目标进行精确定位，进行了理论分析，探讨产生定位误差的几种因素，并提出几种可行的解决方案及这些方案分别存在的问题和不足。 本文在规划的各阶段均考虑了海流对水下机器人运动的影响，并采取了相应的规划策略，提高了水下机器人的规划和运动控制能力。仿真结构验证了本文所提出方法的有效性和可行性。
高松[6]2008年在《基于能耗的水下机器人实时运动规划方法研究》文中研究说明随着海洋开发开发进程的加快,能够探测水下环境并且自主完成作业任务的水下机器人受到国内外研究机构的广泛重视。自主性及安全性是水下机器人的重要特性,其中自主性的含义是具有和外部环境进行交互的能力,这种交互能力的一个重要方面就是具有自主运动规划的能力。然而对于无人无缆水下机器人来说,可以长时间使用的小型动力源尚未达到实用化的程度,因此,能量的有效利用是无人无缆水下机器人实用化中的重要问题之一,因此考虑能耗的无人无缆水下机器人实时运动规划问题的研究具有具有重要的理论研究意义和实际应用价值。针对未知环境中水下机器人实时运动规划的问题,提出了对水下机器人的运动规划采用基于行为结构的方法。对基于行为选择策略的协调方法和基于行为融合策略的协调方法分别进行了研究,通过仿真实验对两种行为协调策略进行了对比分析。为了进一步对运动过程中能耗问题的研究讨论,本文对水下机器人的运动控制系统进行了研究,提出了一种基于神经网络的运动控制方法,并将规划与控制相结合进行了仿真实验,实验结果验证了规划器与控制器的有效性。在对水下机器人基于行为融合的实时运动规划和基于神经网络的运动控制研究的基础上,针对未知环境下水下机器人基于能耗的实时运动规划问题进行了研究。单纯从控制方面或是规划方面来改善和提高水下机器人的运动性能难以达到理想效果。所以本文把预测控制的思想引入规划中,把规划与预期的控制执行效果结合起来考虑,提出了多步预测规划单步控制执行的方法,对水下机器人基于能耗的实时运动规划与控制问题进行了研究。仿真实验和水池实验验证了本文所提方法的有效性。
刘正萌[7]2016年在《自主移动平台自适应运动规划与学习方法研究》文中提出自主移动平台以其无人系统下具有海上作业、陆地搜索、空中侦查等优点,在海洋资源开发、海防建设等方面发挥越来越多的作用。而移动平台具备较强的运动规划系统,能够自适应环境,对完成作业任务十分重要。本文主要针对无人水下航行器(Unmanned Underwater Vehicle, UUV)的自适应运动规划问题,结合人工势场法和强化学习方法,开展了对UUV在环境中的规划与学习研究,对于自主移动平台自适应运动规划与学习方法研究具有重要理论与实际意义。首先,概括UUV在环境中的运动规划的研究现状及常见方法,针对人工势场法动态规划所存在极小值和目标不可达问题,提出设计优化偏转角等改进方法,通过仿真实验验证了改进方法的可行性。其次,针对静态环境下UUV的运动规划问题,将强化学习方法引入人工势场运动规划,根据静态环境建立模型,结合观测的环境信息划分了状态空间和动作空间,设计强化函数。通过仿真实验证明了 UUV在静态环境中的运动规划具有自适应学习能力。再次,针对动态环境,基于预测思想设计了障碍物的避碰范围层,提出UUV的运动评价方法。在强化学习方法中引入资格迹(Eligibility trace),并改进了强化学习方法的信度分配问题,仿真实验结果表明,该方法具有在动态环境中的自适应避障规划和学习的优点。最后,采用自主移动机器人(UGV)模拟UUV验证水平面自主运动规划方法,设计了典型环境案例,通过UGV所配置的传感器和自主控制器完成未知环境下自适应运动规划,以便验证所研究方法在未知环境下实现自主规划的学习能力。验证了人工势场和强化学习相结合的运动规划算法的有效性和可行性,试验结果表明所开发的规划系统,自主移动平台可以完成对环境的不断强化学习而得到更好的自适应运动规划。
谢超平[8]2010年在《仿生机器鱼路径规划研究》文中研究表明随着仿生机器鱼个体运动性能的不断发展和相对完善,仿生机器鱼的研究热点已经从机器鱼本体结构研究转向机器鱼的运动控制和应用研究。本文以北京大学工学院自主研制的一类微小型仿鲹科类机器鱼为研究对象,根据机器鱼本体的结构、运动特点和实现方法的约束,采用多种不同的控制方法解决实验室环境下仿生机器鱼运动和路径规划问题,提出了基于模糊控制的机器鱼转向控制算法、基于模糊-人工势场混合的避障算法和基于行为选择的机器鱼运动规划方法,并将上述算法集成于微小型仿生机器鱼实验平台。本文首先对国内外仿生机器鱼和路径规划的研究现状进行了概述,对本文的选题意义和主要研究内容做了说明,并对机器鱼鱼体的硬件参数、运动特点和微小型仿生机器鱼实验平台的功能模块进行了介绍。其次,提出了基于模糊控制的转向控制算法。根据机器鱼本体转向特点和实验室经验建立模糊控制规则,构造出控制响应表,解决了由于机器鱼本体结构约束只能输出七个固定转弯角度值而产生的转向控制效果不佳的问题。在此基础上,提出了基于人工势场和模糊逻辑相结合的避障算法,先使用人工势场法规划出一条避障路径,在机器鱼按照规划路径行进的过程中,采用模糊逻辑控制机器鱼的转弯,实现了机器鱼的自主避障,且运动轨迹较平滑。同时,针对机器鱼水球任务,设计了五种机器鱼的基本行为,构造出仲裁函数,采用仲裁机制控制机器鱼的行为决策,提高了机器鱼行为的准确性,并通过实验验证该方法的有效性。最后,对所研究的工作加以总结,并指出了需要进一步研究的工作。
曹江丽[9]2009年在《水下机器人路径规划问题的关键技术研究》文中进行了进一步梳理自主式水下机器人自主能力的真正含义是具有和外部环境进行交互的能力,这种交互的一个重要方面就是具有全局路径规划以及突发事件下的动态重规划和躲避障碍的能力。要实现水下机器人的自主航行和自主作业,机器人的路径规划是一个重要环节,研究水下机器人的路径规划技术对于提高其智能化水平和加快工程化应用进程具有重要的意义。本文以“十五”国防预研项目(4131607)和“十一五”国防预研项目(51316080202)为背景,对自主式水下机器人在海洋环境下的全局路径规划技术、局部路径规划技术、避碰规划技术、区域探测路径规划技术进行了深入的研究。首先,介绍了水下机器人动力学模型,以及水下机器人的系统组成,概述了水下机器人体系结构的研究现状,并按照精度随智能降低而提高的原理(IPDI)为某型水下机器人设计了分层递阶控制体系结构,它分为六层叁列,按照这个体系结构实现的自主控制可以满足任务的需要。提出了海洋环境下的全局路径规划方法。针对海洋环境障碍物分布稀疏的特点,提出了用于小范围区域全局路径规划的最短切线路径算法,它计算简单、运行效率高。针对大范围海洋区域,提出了基于VCF电子海图的多目标优化遗传算法。算法采用可变长的实数坐标的染色体编码方式,在适应度评价函数的设计中综合考虑了多个影响因素,不可行路径被加以惩罚值也参与了种群进化。设计了选择、交叉、变异、修补和删除等五类遗传算子,在生成初始种群和设计遗传算子时引入领域知识,以实现所生成路径尽量不穿越障碍区域的目的,有效地提高了算法的收敛速度。该算法实现了用尽量短的时间在大范围海洋区域规划出一条近似最优路径的研究目标,规划路径合理可行。提出了基于模糊逻辑的局部路径规划方法。在复杂的海洋条件下,导航、传感等数据本身就存在着巨大的不确定性和不准确性,此方法可用来处理这些近似信息。在分析了海流、障碍物和机器人叁者之间的关系后,得出相应的模糊规则表作为局部路径规划的依据。该方法综合考虑了海流的影响和机器人平台的运动特性,以相对简单的形式较好地解决了考虑海流影响的水下机器人局部路径规划问题。模糊控制理论用于机器人路径规划同样会出现局部最小问题。提出了基于传感信息的实时路径规划方法,通过设置虚拟目标点以及follow-left-wall行为和follow-right-wall行为的激活和退出条件,使水下机器人能够脱离局部极小状态从而达到目标位置。提出了基于传感信息的反应式行为自动设计方法,将避碰路径规划行为当成一个整体进行设计,不必考虑如何分解行为,采用Q学习对机器人反应式行为进行自主学习,以产生期望的优化行为。学习结束后抽取的控制规则作为反应式行为去执行,这样产生的行为不仅更具目的性和适应性,而且具有反应式行为的较高的反应速度。另外,针对学习系统的输入输出空间是连续变化的要求,提出了一种Fuzzy Q(λ)学习算法,它将模糊理论与Q学习相结合,采用Q(λ学习算法不断更新模糊规则库中的结果向量权值直至其收敛,从而得到一个完整的模糊规则库。提出了基于区域探测作业任务的全覆盖路径规划算法。对基本区域设计了权值梯度法和单元分解法,对含有障碍的一般区域,将整个区域划分为若干个子区域,设计了基于关键点的单元分解策略,针对邻接图构造过程中出现的问题,提出了一种IN/OUT关键点匹配算法,可以保证无遗漏地搜索区域内的所有子区域单元。为跟踪所规划的目标路径,设计了水下机器人的路径跟踪控制策略,综合考虑到任务需要及艇体的运动能力来获得机器人在移动过程中的目标指令。机器人执行区域探测作业任务的仿真试验结果验证了算法的有效性,算法可以满足实际应用的需要。
甘永[10]2007年在《水下机器人运动控制系统体系结构的研究》文中指出海洋是人类发展的四大战略空间(陆、海、空、天)中继陆地之后的第二大空间，是生物资源、能源、水资源和金属资源的战略性开发基地，是最现实、最有发展潜力的空间，对我国经济与社会发展产生着直接、巨大的支撑作用。作为人类探索和开发海洋的助手，水下机器人将在这一领域显示它们多方面的用途。水下机器人是一种具有人工智能的系统，具有很高的自主能力、记忆能力和学习能力，能自主适应外界环境的变化。操作人员只需下达使命给水下机器人，与战术甚至与战略有关的任务，都由水下机器人自主完成。水下机器人运动控制系统作为水下机器人中最为基础和关键的一环，研究其系统体系结构具有极其关键的意义。论文的目的是建立较为完善的水下机器人运动控制体系结构，该体系结构具有与上层智能规划系统的兼容性，同时还具有扩展性、普遍性，不仅适应于一些高智能的自主式水下机器人，也适用于需要完成某些特殊任务的特种水下机器人。作者开展了以“水下机器人运动控制系统体系结构的研究”为题的博士论文研究工作，从水下机器人的总体体系结构出发，根据水下机器人运动控制的特点，将运动控制系统分为感知层、控制层以及执行层叁层，提出了基于感知层、控制层、执行层的水下机器人PCE(Perception-Control-Executive)运动控制系统体系结构。其中感知层包括对水下机器人运动状态以及水下环境的理解、对于上层规划系统指令的分析、水下机器人的故障信息感知等。在控制层中，采用智能控制技术设计水下机器人的运动控制器，研究神经网络与其它控制算法相结合的控制器结构和学习算法，探讨适应于水下机器人的运动控制理论。在执行层中，针对各种复杂的执行器系统，通过分析各种执行器系统的水动力性能，设计了合适的推力分配策略。水下机器人PCE运动控制系统体系结构各层之间任务明确、要求具体、关系清楚，同时当感知层感知到某些紧急情况时，通过直接发送执行机构指令来控制执行层，解决了递阶体系结构响应缓慢的缺点。遵循理论研究和工程应用相结合的研究思路，论文在基于完善性、通用性、扩展性的原则上提出了水下机器人PCE运动控制系统体系结构的框架，从子系统、系统资源、资源分配、安全和可靠性、具体应用等方面阐述了运动控制系统体系结构的框架，按照水下机器人PCE运动控制系统体系结构的框架层次结构依次对感知层、控制层、执行层技术进行了研究和探讨。论文的研究主要体现在理论方法、工程应用和实验叁大部分。理论方法部分：(1)根据水下机器人运动控制的特点，将运动控制系统分为感知层、控制层以及执行层叁层，建立了基于感知层、控制层、执行层的水下机器人PCE运动控制体系结构，为水下机器人运动控制系统的设计提供了标准和参考。(2)通过建立虚拟声呐模型，利用地形跟踪的方法讨论了水下机器人对目标指令的理解问题，解决了水下机器人运动控制与规划控制的协调合作问题，对于一般机器人的运动控制也有一定的指导意义。(3)从理论上探讨了并行神经网络控制与基于神经网络的滑模控制方法。通过并行神经网络的研究解决了前向神经网络收敛慢的问题，而在滑模控制中引入神经网络，通过建立模型观测器和利用神经网络的自学习能力在线估计模型误差，解决了滑模控制中由于模型失配导致的控制受限问题。(4)通过一系列的推进器试验、执行机构试验从原理上探讨了水下机器人常用的执行机构的水动力性能，对于水下机器人执行机构的设计与布置具有较大的指导意义。工程应用部分：(1)建立了适用于水下机器人的半实物运动仿真系统，不仅能对水下机器人的应用软件，而且能对水下机器人运动控制系统中数据流、信息流、系统软件乃至于一部分硬件系统进行调试验证，这是水下机器人工程应用中必不可少的组成部分。(2)从工程实际出发，提出了改进S面运动控制器。在保持S面控制算法结构简单、参数易于调整等优点的基础上解决了在高速运动情况下水下机器人难以保持艏向以及垂向响应缓慢等问题，在多次海上试验中得到了成功应用。(3)针对一系列执行器系统，提出了相应的推力分配策略。根据具体工程应用任务的不同，采用具有最高执行效率的推力分配策略，为水下机器人的各种执行器系统提供了较为完善的解决方案。(4)为了实际工程应用，设计了水下机器人控制软件平台以及用户接口软件。前者引入UML设计，根据具体水下机器人自主地配置传感器、控制算法等，后者采用面向对象设计的方法为用户提供直观的界面与输入接口。实验部分：将论文所提出的水下机器人PCE运动控制系统体系结构应用于不同任务需求的水下机器人，包括自主型水下机器人，遥控式水下机器人，基于翼控制的水下机器人，通过实际试验验证了所提出的水下机器人体系结构的可行性、可扩展性以及可靠性。针对于自主式智能水下机器人一某型智能水下机器，将感知层、控制层、执行层全部嵌入到水下机器人艇体内部，加强水下机器人感知能力、控制能力，使其可以满足在无人无缆条件的自主作业。针对遥控式水下机器人—“堤坝检测水下机器人”，由于有人为的操作和干预，其控制系统采用底层工控机与顶层PC机组合实现，为了满足实际的需要引入了自动扫坝控制、船位推算算法以及软件人机接口；针对基于翼控制的某微小型水下机器人，着重讨论了襟翼执行机构在基于翼控制的水下机器人上的应用。通过海上、湖上与水池试验验证了论文提出的水下机器人PCE运动控制系统体系结构的可行性与可靠性。为了满足水下机器人运动控制系统的要求，本文提出了基于感知层、控制层、执行层的水下机器人PCE运动控制系统体系结构，并依次对感知层、控制层、执行层技术进行了研究和探讨。试验结果表明本文提出的水下机器人运动控制系统体系结构具有扩展性、普遍性，可以适应于多种不同任务需求的水下机器人。本文的研究成果对于水下机器人体系结构的建立具有一定的指导意义，在水下机器人技术中有着重要的现实意义和实际应用价值。
参考文献：
[1]. 自主式水下机器人运动规划技术[D]. 邹丹. 哈尔滨工程大学. 2003
[2]. 基于模糊理论和强化学习的自主式水下机器人运动规划技术[D]. 姜沛然. 哈尔滨工程大学. 2005
[3]. 水下机器人实时路径规划方法研究[D]. 段群杰. 哈尔滨工程大学. 2007
[4]. 智能水下机器人运动规划研究[D]. 徐璐瑜. 江苏科技大学. 2014
[5]. 海流环境中水下机器人实时运动规划方法研究[D]. 鲁燕. 哈尔滨工程大学. 2006
[6]. 基于能耗的水下机器人实时运动规划方法研究[D]. 高松. 哈尔滨工程大学. 2008
[7]. 自主移动平台自适应运动规划与学习方法研究[D]. 刘正萌. 哈尔滨工程大学. 2016
[8]. 仿生机器鱼路径规划研究[D]. 谢超平. 广西工学院. 2010
[9]. 水下机器人路径规划问题的关键技术研究[D]. 曹江丽. 哈尔滨工程大学. 2009
[10]. 水下机器人运动控制系统体系结构的研究[D]. 甘永. 哈尔滨工程大学. 2007
标签：自动化技术论文; 机器人论文; 路径规划论文; 水下机器人论文; 机器鱼论文; 运动控制器论文; 仿真软件论文; 模糊理论论文; 运动论文; 模糊算法论文; 智能算法论文; 系统学习论文;