資源描述：
《足球機(jī)器人之策略及路徑設(shè)計(jì)》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在教育資源-天天文庫(kù)。
1、足球機(jī)器人之策略及路徑設(shè)計(jì)研究生：王國(guó)揚(yáng)指導(dǎo)教授：邱俊賢博士Proceedingsof2006CACSAutomaticControlConference St.John'sUniversity,Tamsui,Taiwan,Nov.10-11,2006RoboticInteractionLearningLab1大綱摘要前言研究動(dòng)機(jī)與目的文獻(xiàn)探討足球機(jī)器人之策略設(shè)計(jì)廣義預(yù)測(cè)控制應(yīng)用結(jié)論及未來發(fā)展參考文獻(xiàn)RoboticInteractionLearningLab2摘要本文主要探討足球機(jī)器人策略以及路徑設(shè)計(jì)與研究。提出使用模糊控制的方法快速分配每個(gè)機(jī)
2、器人角色及職責(zé)的方法。其中，模糊控制器是根據(jù)我方機(jī)器人到達(dá)目標(biāo)的距離及角度決定每一支機(jī)器人的角色及任務(wù)。在策略方面我們將提出射門模式以及避障模式來幫助我方機(jī)器人得分。在路徑規(guī)劃上，提出一套以支援向量機(jī)為理論修正我方機(jī)器人路徑，並且使用同樣的方法修正我方機(jī)器人到達(dá)目標(biāo)的最佳速度。最後加入廣義預(yù)測(cè)控制來幫助我方機(jī)器人預(yù)估目標(biāo)下一次的位置或動(dòng)作來幫助整個(gè)策略更加完善。RoboticInteractionLearningLab3前言在生產(chǎn)製造業(yè)裡，單一機(jī)器人可以取代人力是無庸置疑，但是在複雜的工作環(huán)境下，多重式機(jī)器人合作工作方式會(huì)比單一機(jī)器人來操控所有
3、的工作來的有效率但也較為複雜，例如在系統(tǒng)架構(gòu)中如何決定角色分配，當(dāng)系統(tǒng)不理想時(shí)如何調(diào)整角色分配。多重式機(jī)器人系統(tǒng)近年來為許多科學(xué)家所深入討論以及研究，足球機(jī)器人就是多重式機(jī)器人的一種，所涉及領(lǐng)域包含控制理論、影像處理、人工智慧、感測(cè)訊號(hào)等。RoboticInteractionLearningLab4研究動(dòng)機(jī)與目的機(jī)器人足球賽的構(gòu)想起源於加拿大哥倫比亞大學(xué)AlanMackworth教授發(fā)表的一篇”O(jiān)nSeeingRobots”[1]的論文，之後受到學(xué)者熱烈的迴響，認(rèn)為足球機(jī)器人比賽跨多種學(xué)術(shù)領(lǐng)域整合了機(jī)器人學(xué)、通訊與電腦技術(shù)、決策與對(duì)策，模糊神經(jīng)
4、網(wǎng)路、人工智慧控制等。它最終目標(biāo)在公元2050年的世界盃足賽，發(fā)展出能贏人類足球員的人型足球機(jī)器人。RoboticInteractionLearningLab5文獻(xiàn)探討﹙1﹚黃玉翰，機(jī)器人足球賽兩階段控制策略之設(shè)計(jì)與研究，國(guó)立成功大學(xué)電機(jī)工程學(xué)系碩士論文，2005。RoboticInteractionLearningLab6文獻(xiàn)探討﹙2﹚陳建成，以適應(yīng)性Q-Learning為基礎(chǔ)發(fā)展足球機(jī)器人合作策略，國(guó)立中正大學(xué)電機(jī)工程研究所碩士論文，2002。RoboticInteractionLearningLab7文獻(xiàn)探討﹙3﹚陳柏堯，機(jī)器人足球員之硬
5、體製作、路徑規(guī)畫與競(jìng)爭(zhēng)策略，國(guó)立雲(yún)林科技大學(xué)電機(jī)工程學(xué)系碩士論文，2000。RoboticInteractionLearningLab8足球機(jī)器人之策略設(shè)計(jì)支援向量機(jī)說明支援向量機(jī)修正機(jī)器人角度支援向量機(jī)修正機(jī)器人速度角色分配射門角度避障模式RoboticInteractionLearningLab9支援向量機(jī)說明支援向量機(jī)(SupportVectorMachine，簡(jiǎn)稱SVM)由貝爾實(shí)驗(yàn)室Vapnik博士於1990年依統(tǒng)計(jì)學(xué)習(xí)理論為基礎(chǔ)，而發(fā)展出來的機(jī)器學(xué)習(xí)系統(tǒng)。其基本思維為建構(gòu)樣本堅(jiān)或特徵空間中的最優(yōu)超平面，使得超平面與不同類別的樣本集之間
6、的距離為最大。支援向量機(jī)是一個(gè)有效訓(xùn)練的機(jī)器學(xué)習(xí)系統(tǒng)。首先，我們將討論支援向量分類。RoboticInteractionLearningLab10支援向量分類支援向量機(jī)的目的主要是設(shè)計(jì)一個(gè)容易計(jì)算的機(jī)器學(xué)習(xí)方法，在高維度的特徵空間裡面找到分類超平面並找出其最佳歸納的方式，同時(shí)，它具備處理大約十萬個(gè)訓(xùn)練樣本的能力。這個(gè)歸納的方法主要是清楚地引導(dǎo)如何提升控制能力以及防止在所控制的超平面中超越最大極限，最佳化的方法就是利用數(shù)學(xué)技巧去尋找SVM的最佳超平面，不同的歸納法將會(huì)有不同的限制，就像以下這種演算法：就是極限最大化，極限所分類的就是支援向量的個(gè)數(shù)
7、，接下來我們將介紹最大極限分類的方法。RoboticInteractionLearningLab11最大極限分類最大極限方類法主要是在最大分類超平面上分離資料，並且判定範(fàn)圍並不能依靠維度空間，這個(gè)分離的方法將會(huì)在核函數(shù)歸納找到其特徵空間，支援向量機(jī)所使用的第一個(gè)策略就是最大極限分類法，那就是在核函數(shù)歸納的特徵空間中找到其最大極限超平面。這個(gè)策略將會(huì)減少系統(tǒng)的凸面問題，使在線性不等式的約束情況中的二次函數(shù)縮減到最小。RoboticInteractionLearningLab12支援向量機(jī)修正機(jī)器人角度1/9在足球機(jī)器人中，路徑選擇扮演相當(dāng)重要的角
8、色。我們希望機(jī)器人能在最短時(shí)間內(nèi)到達(dá)目標(biāo)點(diǎn)，因此我們?cè)O(shè)計(jì)一套以支援向量機(jī)為基礎(chǔ)的最佳路徑設(shè)計(jì)，以確保能在最短時(shí)間及最佳路徑到達(dá)目標(biāo)。支援向量機(jī)的方法是
