聚类引导搜索的移动机器人路径规划方法

本文提出一种聚类引导搜索（cluster guide searching，CGS）的路径规划方法。采用基于最大最小距离的K均值聚类方法对样本进行离线聚类学习，学习结果以相似环境相似决策的知识形式进行存储。路径规划过程中，机器人在线整理环境信息，获得输入空间样本，通过与知识库匹配，检索到最近的类别，然后在该类别内部采用速度优先策略和方向优先策略交替的方式搜索输出空间。若知识不完备导致检索失败，可重启线性规划算法（linear programming，LP）进行在线路径规划，并更新聚类知识库。仿真结果表明该方法是一种有效的路径规划学习方法。

基于模糊神经网络的多移动机器人自学习协调系统

研究多移动机器人的运动规划问题．针对机器人模型未知或不精确以及环境的动态变化，提出一种自学习模糊控制器（ＦＬＣ）来进行准确的速度跟踪．首先通过神经网络的学习训练构造ＦＬＣ，再由再励学习算法来在线调节ＦＬＣ的输出，以校正机器人运动状态，实现安全协调避撞