局部相对位姿空间内轮式月球车的避障策略学习

doi:10.3778/j.issn.1002-8331.2009.07.009

计算机工程与应用 ›› 2009, Vol. 45 ›› Issue (7): 29-31.DOI: 10.3778/j.issn.1002-8331.2009.07.009

局部相对位姿空间内轮式月球车的避障策略学习

潘海宁¹,崔平远^1,2,居鹤华²

1.北京工业大学电子信息与控制工程学院，北京 100124
2.哈尔滨工业大学深空探测基础研究中心，哈尔滨 150001

收稿日期:2008-11-17 修回日期:2008-12-26 出版日期:2009-03-01 发布日期:2009-03-01
通讯作者: 潘海宁

Wheeled lunar rover’s obstacle avoidance strategy learning in local relative pose space

PAN Hai-ning¹,CUI Ping-yuan^1,2,JV He-hua²

1.Department of Electronic Information and Control Engineering，Beijing University of Technology，Beijing 100124，China
2.Deep Space Exploration Research Center，Harbin Institute of Technology，Harbin 150001，China

Received:2008-11-17 Revised:2008-12-26 Online:2009-03-01 Published:2009-03-01
Contact: PAN Hai-ning

摘要/Abstract

摘要： 提出了一种轮式月球车的避障学习方法。首先列出了BH2月球车的动力学方程，并将避障行为解释为沿子目标点行走的过程。然后在月球车视觉局部范围内进行避障策略学习，选择车体、子目标点和障碍之间的相对位置矢量为学习过程的状态量，使策略学习对环境变化有鲁棒性；选择车轮的转向力矩为控制输入，降低了学习复杂度。实验证明此方法对环境变化有很好的适应能力。

关键词: 月球车, 避障, 相对位姿, 机器学习

Abstract: A learning approach for the lunar rover’s obstacle avoidance is presented.Firstly the dynamics of the rover BH2 is modeled.The obstacle is avoided by following the sub-goals sequence in the vision range.The relative position vectors among the rover’s body，the sub-goals and the obstacle are chosen to compose the learning states in order to ensure the strategy’s robustness.The rotational torque，which simplifies the learning process，is chosen as the learning action.Experiment results show that the learnt strategy is adaptive to the changing environment.

Key words: lunar rover, obstacle avoidance, relative pose, machine learning

潘海宁¹,崔平远^1,2,居鹤华². 局部相对位姿空间内轮式月球车的避障策略学习[J]. 计算机工程与应用, 2009, 45(7): 29-31.

PAN Hai-ning¹,CUI Ping-yuan^1,2,JV He-hua². Wheeled lunar rover’s obstacle avoidance strategy learning in local relative pose space[J]. Computer Engineering and Applications, 2009, 45(7): 29-31.

[1]	冉蓉，徐兴华，邱少华，崔小鹏，欧阳斌. 基于深度卷积神经网络的裂纹检测方法综述[J]. 计算机工程与应用, 2021, 57(9): 23-35.
[2]	韦佶宏，郑荣锋，刘嘉勇. 基于混合神经网络的恶意TLS流量识别研究[J]. 计算机工程与应用, 2021, 57(7): 107-114.
[3]	廖列法，李浩瀚，李帅，朱合隆，李志军. 结合Winner-Take-All的足球机器人控制策略研究[J]. 计算机工程与应用, 2021, 57(7): 136-143.
[4]	张晓丽，张魁星，江梅，魏本征，丛金玉. 淋巴瘤图像分类技术研究综述[J]. 计算机工程与应用, 2021, 57(6): 1-9.
[5]	韩东方，吐尔地·托合提，艾斯卡尔·艾木都拉. 问答系统中问句分类方法研究综述[J]. 计算机工程与应用, 2021, 57(6): 10-21.
[6]	万梦翔，姚寒冰. 面向恶意网页训练数据生成的GAN模型[J]. 计算机工程与应用, 2021, 57(6): 124-130.
[7]	杨晔民，张慧军，张小龙. 随机森林的可解释性可视分析方法研究[J]. 计算机工程与应用, 2021, 57(6): 168-175.
[8]	徐可文，许波，吴英，徐浩然. 机器学习在超声图像中的应用综述[J]. 计算机工程与应用, 2021, 57(4): 11-17.
[9]	王振东，张林，李大海. 基于机器学习的物联网入侵检测系统综述[J]. 计算机工程与应用, 2021, 57(4): 18-27.
[10]	吕品，武秦娟，许嘉. 上市公司文本信息披露智能分析研究综述[J]. 计算机工程与应用, 2021, 57(24): 1-13.
[11]	张隅希，段宗涛，朱依水，王路阳，周祎，郭宇. 机动车油耗模型研究综述[J]. 计算机工程与应用, 2021, 57(24): 14-26.
[12]	安卫超，阎婷，张楠，张杉，相洁，曹锐，王彬. 病理图像纹理分析在胃癌MSI预测中的应用研究[J]. 计算机工程与应用, 2021, 57(24): 205-211.
[13]	王方，张雪英，胡风云，李凤莲. 集成分类器对脑卒中患者脑电的分类[J]. 计算机工程与应用, 2021, 57(24): 276-282.
[14]	杨凌耀，张爱华，张洁，宋季强. 栅格地图环境下机器人速度势实时路径规划[J]. 计算机工程与应用, 2021, 57(24): 290-295.
[15]	高见，孙懿，王润正，袁得嵛. 基于机器学习的浏览器挖矿检测模型研究[J]. 计算机工程与应用, 2021, 57(22): 125-130.

局部相对位姿空间内轮式月球车的避障策略学习

Wheeled lunar rover’s obstacle avoidance strategy learning in local relative pose space

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics