智能機器人控制與決策

第1章 機器人概述 1
1.1　機器人概念 1
1.2　智能機器人 2
1.2.1 智能機器人的概念 2
1.2.2 傳感型機器人 2
1.2.3 交互型機器人 3
1.2.4 自主型機器人 4
1.3　機器人相關重要技術 5
1.3.1 機器人控制方法 5
1.3.2 機器人決策方法 6
1.3.3 多傳感器信息融合技術 6
1.3.4 人機交互與情感識別技術 7
1.3.5 路徑規劃技術 8
1.4　機器人的應用 9
1.4.1 醫療機器人 9
1.4.2 服務機器人 9
1.4.3 工業機器人 10
1.4.4 特種機器人 10
1.5　未來發展方向 11
1.5.1 智能機器人關鍵核心技術的創新趨勢 11
1.5.2 前沿科技與挑戰 13
1.5.3 發展趨勢預測 17
第2章 傳統控制 19
2.1　控制系統數學模型 19
2.1.1 系統微分方程 19
2.1.2 拉普拉斯變換 20
2.1.3 系統傳遞函數 20
2.1.4 狀態空間方程 22
2.2　PID控制 23
2.2.1 PID簡介 23
2.2.2 PID控制方法 24
2.2.3 PID控制原理 25
2.2.4 PID控制器的參數整定 25
2.3　最優控制 26
2.3.1 最優控制原理 26
2.3.2 LQR控制 27
2.3.3 模型預測控制 30
2.4　變結構控制 31
2.4.1 變結構控制系統的特點和原理 32
2.4.2 機器人的滑模變結構控制 34
2.5　自適應控制 36
2.5.1 自適應控制器的狀態模型和結構 37
2.5.2 MRAC 39
2.5.3 STAC 40
2.5.4 機器人線性攝動自適應控制器 42
第3章 智能控制 44
3.1　模糊控制 44
3.1.1 模糊控制原理 44
3.1.2 模糊控制器的組成 45
3.1.3 模糊控制器的結構 47
3.1.4 模糊控制系統的分類 48
3.2　專家控制 49
3.2.1 知識庫 49
3.2.2 推理機 52
3.2.3 綜合數據庫 57
3.2.4 解釋接口 58
3.2.5 知識獲取 58
3.3　進化控制 58
3.3.1 差分進化算法 58
3.3.2 差分進化算法的基本流程 59
3.3.3 差分進化算法的參數設置 60
3.3.4 基於差分進化算法的函數優化 61
3.4　神經網絡控制 62
3.4.1 神經網絡基礎 62
3.4.2 單神經元自適應PID控制 63
第4章 決策方法 65
4.1　決策方法概述 65
4.1.1 決策方法的定義 65
4.1.2 決策方法的分類 65
4.1.3 決策的基本原則 66
4.1.4 決策的基本步驟 67
4.2　確定型決策方法 67
4.2.1 確定型決策的概念 67
4.2.2 常用的確定型決策方法 68
4.3　不確定型決策方法 69
4.3.1 不確定型決策的概念 69
4.3.2 常用的不確定型決策方法 69
4.4　風險型決策方法 72
4.4.1 風險型決策的概念 72
4.4.2 決策樹方法 72
4.4.3 貝葉斯決策 76
第5章 強化學習理論與方法 80
5.1　強化學習基礎 80
5.1.1 強化學習的定義 80
5.1.2 馬爾可夫決策過程 81
5.1.3 價值函數和貝爾曼方程 83
5.1.4 強化學習的分類 84
5.1.5 深度強化學習 85
5.2　基於模型的方法：動態規劃 85
5.2.1 策略評估 86
5.2.2 策略提升 87
5.2.3 策略疊代 89
5.2.4 值疊代 90
5.2.5 策略疊代和值疊代的比較 90
5.3　時序差分學習 91
5.3.1 時序差分學習基本概念 91
5.3.2 Q-Learning算法 92
5.3.3 SARSA算法 95
5.4　策略學習 96
5.4.1 基本概念 96
5.4.2 策略梯度算法 97
5.4.3 Actor-Critic算法 98
5.5　模仿學習 99
5.5.1 產生背景 99
5.5.2 模仿學習的對象 100
5.5.3 模仿學習的分類 100
5.5.4 行為克隆 101
5.5.5 生成式對抗模仿學習 104
5.5.6 逆向強化學習 104
5.5.7 未來研究方向 105
第6章 群體智能決策方法 107
6.1　多智能體強化學習 107
6.1.1 多智能體強化學習基本概念 107
6.1.2 面臨的挑戰 108
6.2　多智能體博弈 109
6.2.1 納什均衡 109
6.2.2 馬爾可夫博弈 110
6.2.3 合作與競爭 111
6.3　合作型多智能體強化學習 112
6.3.1 合作型多智能體強化學習基本概念 112
6.3.2 經典算法 113
6.4　非合作型多智能體強化學習 118
6.4.1 競爭設定 118
6.4.2 混合設定 120
第7章 四旋翼無人機智能控制案例 123
7.1　四旋翼無人機 123
7.2　經典四旋翼無人機智能控制方法 124
7.2.1 算法 126
7.2.2 截斷Q-Learning算法 126
7.3　SA-TQL算法 127
7.3.1 SA-TQL算法流程 127
7.3.2 兩種算法的效果展示 129
第8章 晶片測試智能路徑規劃案例 134
8.1　晶片測試 134
8.1.1 背景 134
8.1.2 存在的問題 135
8.1.3 強化學習在晶圓檢測中的意義 136
8.2　基於分層策略的A2C算法 137
8.2.1 簡化版框架 138
8.2.2 改進的MDP 140
8.2.3 策略的嵌入 142
8.2.4 HP-A2C算法訓練 143
8.3　應用效果 146
第9章 多智能體系統智能協同控制案例 148
9.1　多智能體協同的模型 148
9.1.1 協商模型 148
9.1.2 協作規劃模型 149
9.1.3 自協調模型 149
9.2　單向協同集搜索算法 150
9.3　群體決策過程中的多智能體協同方法 151
9.3.1 群體決策 151
9.3.2 算法流程 153
9.3.3 效果展示 156
第10章 機器人操作系統 161
10.1　機器人操作系統概述 161
10.1.1 機器人編程簡介 161
10.1.2 走進機器人操作系統 162
10.1.3 ROS框架 164
10.1.4 安裝ROS 165
10.2　機器人編程基礎知識 167
10.2.1 Linux系統基礎知識 167
10.2.2 C++語言基礎知識 171
10.2.3 Python語言基礎知識 175
10.3　機器人操作系統編程實物示例 179
10.3.1 平臺簡介 179
10.3.2 任務簡介 180
10.3.3 代碼講解 180
第11章 無人機平臺實驗 185
11.1　無人機簡介 185
11.2　無人機實驗平臺 186
11.2.1 MAGPIE350-3無人機使用簡介 186
11.2.2 投放裝置使用指南 192
11.2.3 MAGPIE350-3無人機操作說明 194
11.3　微型無人機自主飛行實驗 196
11.3.1 實驗內容 196
11.3.2 無人機平臺實驗目標 199
11.3.3 仿真實驗過程 199
11.3.4 微型無人機操作過程 213
第12章 輪式機器人5V5足球仿真平臺實驗 216
12.1　背景介紹 216
12.2　輪式機器人5V5足球仿真平臺 216
12.2.1 Simuro軟件的使用簡介 217
12.2.2 Simuro軟件的下載及啟動 220
12.2.3 Simuro軟件的使用說明 220
12.3　Simuro實驗 225
12.3.1 Simuro規則介紹 225
12.3.2 實驗目標 229
12.3.3 實驗流程 229