Robocup3D足球机器人体系结构与基本技能的研究与实现

论文摘要

Robocup组织的目标是到2050年前构建一支仿人形的机器人足球队,使它能够战胜当时的人类世界冠军队。Robocup比赛在推动产、学、研结合方面有着显著作用和极大的意义。厦门大学南强机器人足球队,是本文作者近几年来带领的一支机器人足球队,参加过国内外多次比赛,取得较好比赛成绩,同时在理论研究上也取得不少突破,本文是基于近几年的研究作出的一个总结。Roboeup 3D是基于人形机器人仿真的一种比赛。Robocup 3D的仿真环境使用SPADES作为仿真基础,SPADES是一种并行智能体离散事件仿真系统(Systemof Parallel Agent Discrete Event Simulation)的简称,它所针对的并不是某一种特殊的仿真,而是抽象意义上的连续空间上的时间序列化仿真。同时Robocup 3D采用较为公认的ODE引擎作为物理仿真基础,使得系统可以更加逼真的模仿真实世界模型。Robocup 3D客户端是我们研究的重点。厦门大学南强机器人足球队使用自重构机器人系统的特点构建了层结构的模型。机器人智能体在结构上包括底层、技术层和决策层。为了提高机器人的应变能力,在有限计算时间的情况下,采用基于多线程的异步方式来解决机器人世界模型的更新和上层决策之间的时间冲突。机器人的基本技能包括基于视觉的场上目标定位(包括球的定位和人的定位)和球的跟踪能力。本文给出在采用ODEengine仿真条件下,基于抛体运动的球的轨迹预测算法,并且根据Peter提出的解析算法,实现了截球技能。机器人的行走是Robocup 3D研究的重点,也是双足机器人研究的重点。机器人的行走问题首先是步态规划问题。步态规划有参考轨迹法、步行数据法、中枢模式发生器等方法。行走稳定问题有动力学方法和ZMP和FZMP理论。本文详述了ZMP、FZMP理论的一般原理,并且使用相关理论,结合Robocup的机器人结构,规划了Robocup机器人的行走动作和轨迹。为了提高在线仿真的计算效率问题,提出了一种基于自动调节的行走算法,并经验证取得较好效果。在实现机器人行走规划的基础上,为了实现机器人的自适应行走,本文提出使用遗传神经网络来演化一个自适应控制神经网络。为了提高演化效率,提出了使用可缩减结构的神经网络数据结构,通过鼓励神经元数目的减少的进化激励机制,实现了加速演化计算。通过采集机器人行走异常样本,和构建合适的适应值方程,来训练神经网络,最后取得更好的行走效果,实现了机器人的自适应行走。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 ROBOCUP概述
• 1.1.1 起源与发展
• 1.1.2 历届比赛情况
• 1.1.3 研究意义
• 1.2 ROBOCUP 3D仿真比赛研究的主要目标和现状
• 1.2.1 主要目标
• 1.2.2 研究现状
• 1.2.3 厦门大学南强机器人足球队的研究现状
• 1.3 本文的工作和内容组织
• 第2章 ROBOCUP 3D仿真比赛系统组成与原理
• 2.1 仿真比赛系统组成
• 2.1.1 比赛服务器
• 2.1.2 智能体指令介绍
• 2.2 服务器仿真原理
• 2.2.1 SPADES
• 2.2.2 物理仿真模型ODE
• 第3章 ROBOCUP 3D监控器设计
• 3.1 MONITOR的设计总目标
• 3.2 MONITOR整体框架
• 3.2.1 Monitor系统类分析
• 3.2.2 Monitor系统的时序图
• 3.2.3 Monitor的具体实现
• 第4章 3D机器人体系结构设计
• 4.1 AGENT定义
• 4.2 AGENT的决策过程
• 4.3 AGENT结构
• 4.3.1 慎思结构
• 4.3.2 反应结构
• 4.3.3 混合结构
• 4.4 AMOIENSISNQ 3D AGENT的总体结构
• 4.4.1 底层结构
• 4.4.2 非条件反射层
• 4.4.3 条件反射模块—决策模块
• 4.4.4 基于异步的多线程决策体系机构
• 第5章 3D机器人基本技能实现
• 5.1 场上物体的定位
• 5.2 人的定位和球的定位及其实现
• 5.2.1 球的轨迹预测
• 5.2.2 几何解析方法截球模型
• 第6章 ROBOCUP 3D机器人行走技能
• 6.1 机器人行走研究的一般方法
• 6.1.1 参考轨迹法
• 6.1.2 自然动力学法
• 6.1.3 强制学习技术应用展望
• 6.2 行走稳定性的一般模型零力矩点（ZMP）规则
• 6.3 机器人行走动作的一般设计模型
• 6.4 ROBOCUP 3D机器人结构
• 6.5 一种机器人自动调节的行走方法的基本思路
• 6.5.1 机器人行走时各部分分量算法
• 6.6 进一步简化的机器人行走规划
• 6.6.1 正运动学分析
• 6.6.2 逆运动学分析
• 6.6.3 H与L与行走周期关系
• 6.7 效果
• 第7章 基于GENNET的机器人自适应步行的方法
• 7.1 神经网络的发展
• 7.2 基于神经网络的自适应控制
• 7.3 遗传算法
• 7.3.1 进化计算的基本框架
• 7.3.2 遗传神经网络Gennet
• 7.3.3 神经网络结构选择-可缩减结构神经网络
• 7.4 机器人行走稳定性问题的研究
• 7.5 神经网络结构和选择
• 7.6 详细训练过程
• 7.7 数值结果
• 7.8 结论
• 第8章 结论与展望
• 参考文献
• 致谢
• 附录A 可变步长的机器人关节计算程序
• 附录B 适用于FPGA的HANDLE C神经网络演化程序 适应值计算（部分）