基于多Agent系统的自主式地面车辆关键技术研究

【摘要】： 自主式地面车辆(Autonomous Landed Vehicle, ALV)是集环境感知、规划决策、自动行驶等功能于一体的综合智能系统,是典型的高新技术综合体,是分布式智能系统的一种典型代表。近年来随着现代通信技术和智能化信息处理技术的迅猛发展,使得ALV已经达到或部分接近实用化的程度。ALV所涉及的相关技术已成功运用于车辆的计算机辅助驾驶、太空登陆探测及多种战术任务的智能化地面兵器装备平台等系统中。本文以自主式地面车辆作为研究对象,对作为其支撑技术的多Agent系统理论及路径规划技术和人机交互技术展开了较为深入的分析和研究。 首先,多Agent系统作为分布式人工智能的一个重要分支,将过去封闭的、孤立的知识系统发展为开放的、分布的智能知识系统。多Agent系统技术引入到自主式地面车辆研究领域,为自主式地面车辆的建模和结构研究提供了新的研究方法和途径。基于多Agent系统的自主式地面车辆体系结构是以多Agent技术为基础,通过一定的协调机制和自身的意识思维将各个功能Agent有机组织起来完成特定任务的自主式地面车辆系统框架。本文分析和研究了Agent各个意识属性的概念、性质和相互的内含、关系,以模态逻辑为工具,对Agent的各个意识属性进行了描述,建立了能够维护自主式地面车辆多Agent系统中各个Agent意识理性平衡的意识模型。该模型在动态变化复杂环境下较好地维护了模型意识属性间的理性平衡。 其次,在动态变化复杂环境下地自主式地面车辆的全局路径规划和局部路径规划一直是实现自主式地面车辆自主导航功能的关键技术,也是研究的难点和热点。目前在环境信息部分已知或未知下的全局路径规划还缺乏较为深入和细致研究,本文提出了一种利用强化学习方法来解决全局路径规划中环境知识获取困难、环境模型难以建立和自适应能力差等问题,通过递阶强化学习对学习空间进行递阶分解,进一步减少了全局路径规划中的学习量,提高了学习的收敛速度和学习效率。 模糊控制可以不依赖于被控对象的精确数学模型,它通过控制规则来表达、记忆专家的控制经验,并通过模糊逻辑来推理决策,但模糊控制在知识的获取、模糊规则的自求精方面存在不足,神经网络具有较强的自学习能力和非线性逼近能力,本文研究把模糊规则与神经网络相结合,构成模糊神经网络控制器,并与强化学习相结合来指导自主式地面车辆对全局路径的规划作出决策,在学习的过程中融入专家经验,增强了自主式地面车辆在道路信息未知的环境中的自适应能力。 再次,针对局部路径规划算法中存在的局部最优和大计算量问题,本文通过将势场法与栅格法相结合,并引入滚动窗口算法,设计了一种基于滚动窗口的势场栅格局部路径规划算法。通过建立行驶环境的栅格模型,将动态变化的行驶环境转化为在某一时间片内相对静止的静态行驶环境,将邻近代价值最小的栅格作为可通行路径选取的策略,确保了对局部规划路径的优化,保证了自主式地面车辆对局部路径规划实时性的要求。 最后,人机交互技术是人机信息交互的重要甚至是唯一的渠道,友好的人机交互界面总是能够根据用户实际需求提供完善的功能和服务,能够高效、实时地准确表达智能系统的自身状态,并响应来自外界的各种合理请求。本文针对自主式地面车辆人机交互中存在的功能不确定性和界面定义非单一性的特点,通过引入组态软件的“可组态”设计思想,完成了一种人机交互Agent的设计和开发。该人机交互Agent采用多媒体交互技术,具备友好的可配置的功能界面和丰富的功能接口。