دوره 2، شماره 2 - ( 1-1399 )                   جلد 2 شماره 2 صفحات 8-1 | برگشت به فهرست نسخه ها

‎ 10.29252/sjfst.2.2.1

XML English Abstract Print

Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Razavi Asfali S A. Control And Path Planning Of AUVs Robot Using Krill Herd Optimization Algorithm And Learning Automata. sjfst 2020; 2 (2) :1-8
URL: http://sjfst.srpub.org/article-6-48-fa.html
رضوی اسفلی سید علیرضا. کنترل و برنامه ریزی مسیر ربات های AUV با استفاده از الگوریتم بهینه سازی گله کریل و یادگیری اتومات. تحقیقات بنیادی علوم و تکنولوژی. 1399; 2 (2) :1-8

URL: http://sjfst.srpub.org/article-6-48-fa.html

کنترل و برنامه ریزی مسیر ربات های AUV با استفاده از الگوریتم بهینه سازی گله کریل و یادگیری اتومات
سید علیرضا رضوی اسفلی*
گروه مهندسی مکانیک ، دانشگاه صنعتی شریف ، تهران ، ایران
چکیده:   (1508 مشاهده)
در این مطالعه ابتدا معادلات حرکت یک ربات زیر آب  بررسی می شود و مدل حالت-فضای سیستم با خطی سازی معادلات موجود بیان می شود. سپس ، با استفاده از معادلات پویا و روش بهینه سازی برنامه ریزی پویا ، یک مسیر کارآمد انرژی برنامه ریزی می شود.  هدف اصلی این مطالعه ارائه یک کنترل کننده مناسب برای مدل حالت-فضا از سیستم است. بدین منظور ، با مطالعه طراحی کنترل کننده سیستم با استفاده از کنترل کننده بهینه LQR ، یک کنترل کننده مناسب برای مدل ارائه شد. برنامه ریزی مسیر رسیدن به یک هدف برای ربات زیر آب با استفاده از ترکیبی از الگوریتم بهینه سازی با یادگیری اتومات و الگوریتم بهینه سازی گله کریل ارائه گردید. به عبارت دیگر ، این مطالعه از الگوریتم ترکیبی برای یافتن مسیر بهینه حرکت ربات زیر آب در یک محیط ثابت استفاده شد که از طریق نقشه با گره ها و پیوندها بیان می شود.
واژه‌های کلیدی: بهینه سازی، ربات زیر آب، مدل حالت-فضا، کنترل کننده بهینه LQR، یادگیری اتومات، الگوریتم گله کریل
متن کامل [PDF 369 kb]   (401 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: هوش مصنوعی
دریافت: 1398/10/1 | ویرایش نهایی: 1398/12/13 | پذیرش: 1399/1/6 | انتشار: 1399/1/13
فهرست منابع
1. Borenstein, J.; Koren, Y. (1991). "The vector field histogram-fast obstacle avoidance for mobilerobots". Robotics and Automation, IEEE Transactions on 7 (3): 278-288. doi:10.1109/70.88137. Retrieved 2008-06-30. [DOI:10.1109/70.88137]
2. O. Khatib, "Real-Time Obstacle Avoidance for Manipulators and Mobile Robots", International Journal of Robotics Research, Vol. 5, No. 1, pp.90-99, 1986. [DOI:10.1177/027836498600500106]
3. Song K, Chang C. Reactive navigation in dynamic environment using a multisensor predictor. IEEE Transactions on Systems, Man, and Cybernetics 1999;29(6):870-80. [DOI:10.1109/3477.809039] [PMID]
4. Pratihar DK, Deb K, Chosh A. A genetic-fuzzy approach for mobile robot navigation among moving obstacles. International Journal of Approximate Reasoning 1999;20:145-72. [DOI:10.1016/S0888-613X(98)10026-9]
5. Aranibar D, Alsina P. Reinforcement learning-based-path planning for autonomous robots ENRI: Encontro Nacional de Robo' tica Inteligente, 2004.
6. Park J, Kim J, Song J. Path Planning for a robot manipulator based on probabilistic roadmap and reinforcement learning. International Journal of Control, Automation, and Systems 2007;5:674-80.
7. Tsypkin, Adaptation and Learning in Automatic Systems. New York: Academic, 1971
8. Prestero T. 1994. Verification of a Six-Degree of Freedom Simulation Model for the REMUS Autonomous Underwater Vehicle. MTS/IEEE OCEANS 2001 Conference, Vol. 1, pp. 450 - 455. [DOI:10.1575/1912/3040]
9. Seyyed Mohammad Reza Farshchi. 2011. A Novel Implementation of G-Fuzzy Logic Controller Algorithm on mobile Robot Motion Planning Problem. Computer and Information Science, Vol. 4, No. 2;102-114. [DOI:10.5539/cis.v4n2p102]
ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA
بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.