Feb, 2024

基于新颖的仿鱼自适应方法和神经动力学模型的智能群体逃逸的群体逃逸的智能群体逃逸

PDF
TL;DR提出了一种新的受鱼群启发的自适应方法，用于群体逃生的群体机器人，通过吸引和排斥力结合生成无碰撞逃生机器人轨迹的生物启发式神经网络。模拟和实验结果表明，与鱼类逃避机动类似，该群体机器人能够集体离开威胁，所提出的方法在系统性能的效果和效率以及复杂环境中的灵活性和鲁棒性方面能够显著提高。
发现论文，激发创造
  • 通过深度强化学习利用涡旋实现高效集体游泳

    研究发现，鱼在集群游泳时可以利用其同伴产生的涡旋以提高自身的游泳效率，从而实现集体节约能量。同时，本研究还利用深度强化学习与高保真流场模拟相结合的方法，为复杂流场的导航算法提供了新的思路，并为自主机器人的节能提供了良好的应用前景。

    Feb, 2018

  • 受环境影响的演化群体具有有限感知能力的集体行为出现

    本文研究了机器人群体控制器的设计，并探索了一种进化方法来缓解人类开发者对控制器细节和群体行为之间联系的困难。使用微分进化来发展神经网络控制器，实现机器人遵循环境特征的梯度并解决任务。研究表明，进化所得解决方案在控制较差的情况下具有最大的灵活性，而有一个群体规模的 “甜蜜点”，同时观察到群体的集体运动，展示了真正的新兴行为，这是进化过程中未被代表和选择的。

    Mar, 2022

  • 使用 NEAT 算法学习机器人群体的新兴行为

    通过进化算法训练分布式机器人群体算法以产生新兴行为，并在不同模式的操纵下进行了模拟实验和评估。

    Sep, 2023

  • 适应不同觅食环境的人工学习智能体群行为发展

    应用投影模拟和强化学习方法研究了人工智能智能体在收集资源过程中不同集体运动模式和个体运动趋势

    Apr, 2020

  • 利用人类反馈在机器人群体中演化和发现新兴行为

    提出了一种利用自我监督学习和人机交互查询自适应用户偏好的相似度空间来探索并分类可能出现的集群行为的方法，并在两个机器人能力模型的模拟实验中测试，发现该方法比之前的工作更能发现出丰富的集群行为。

    Apr, 2023

  • 演化多目标神经网络控制机器人群

    该研究提出了一种多目标进化神经网络方法，用于开发群体机器人的控制器。该方法通过低保真度的 Python 模拟器训练群体机器人控制器，然后在高保真度的 Webots 模拟环境中进行测试。结果表明，该方法可以有效控制每个机器人，且控制器具有可扩展性，而且不需要进一步重新训练。

    Jul, 2023

  • 基于仿生神经动力学和自适应滑模创新滤波的移动机器人分布式领从编队控制

    本文提出了一种基于神经动力学的分布式控制策略，通过反步和滑模控制的混合形式实现了多个不同差动驱动移动机器人的分布式 leader-follower 形成控制，并集成了自适应滑动创新滤波器，以提供对建模不确定性鲁棒的精确状态估计。经过多次模拟，验证了该控制策略的有效性和高效性。

    May, 2023

  • 基于生物启发神经动力学的移动机器人分布式稳健学习形成控制

    本论文针对多移动机器人的分布式编队控制提出了一种提高现实可行性的新方法，首先采用变结构和级联设计技术引入分布式估计器，消除了对导数信息的需求以提高实时性能，然后采用仿生神经动力学方法开发了一种运动学跟踪控制方法，旨在提供平滑的控制输入并有效解决速度跳跃问题，此外还提出了一种基于学习的鲁棒动态控制器，以解决在完全未知动力学和干扰下操作的机器人的挑战，该控制器在实时参数估计的同时保持了其对干扰的鲁棒性，并通过严密的数学分析证明了所提方法的整体稳定性，最后，多个综合仿真研究表明了所提方法的优势和有效性。

    Mar, 2024

  • 仿生机器鱼的设计、运动机制、运动协调和通信：一项调查

    本文介绍了生物仿生机器鱼的最新设计，分为软机器鱼和刚柔耦合机器鱼，分析了其游泳机制和运动协调和通信的最新进展，总结了当前的研究趋势，讨论了挑战和潜在的未来研究方向。

    Jun, 2022

  • 量化生物混合系统中的仿生差距

    通过使用仿生诱饵和神经网络模型，我们展示了我们的生物混合系统能够生成模拟真实鱼群的高保真社会互动，同时减小了仿真和仅鱼类实验中的偏差，保证了生物仿生系统的真实性验证的重要性。

    Aug, 2023