工业机器人通信组网方案与路径规划算法的研究
发布时间:2023-04-04 00:19
随着电子商务的发展,传统的仓储物流面临转型需求和技术挑战,自动化仓储技术正成为业界未来发展的主流方向。作为自动化仓储的核心,工业机器人技术也成为领域的热点课题。其中,对于机器人组网问题的研究尚处于起步阶段,而传统的机器人路径规划算法在仓储环境中的应用仍存在许多不足之处。因此,对仓储环境中工业机器人系统自组网问题与机器人路径规划问题的研究具有很重要的意义。本文的主要内容将会针对上述两个问题进行展开。本文首先对仓储环境内机器人集群的通信任务进行了简要分析,根据需求对工业机器人与中央控制单元、机器人间的通信流程进行了设计,提出了一种分布式通信的架构。接着对当前主流的自组网路由协议进行了研究,根据能量距离公式的特点选择了低功耗自适应集簇分层型协议(LEACH)路由算法作为机器人路由协议的基础,并根据工业机器人自身运行的特点对LEACH算法中簇头选择、簇区划分和路由选择的方式进行了改进。之后根据机器人在仓储环境中工作的特点,对机器人广播的时间间隔进行了设计,降低了信道占用数量和能量消耗。通过仿真验证了改进后的算法能够有效地降低综合损耗并且能在能量损耗和通信时延之间达到较好的均衡。本文接下来分别从...
【文章页数】:67 页
【学位级别】:硕士
【文章目录】:
摘要
Abstract
第1章 绪论
1.1 课题来源及研究的背景和意义
1.2 工业机器人发展现状
1.3 国内外研究现状及分析
1.3.1 工业机器人通信协议的研究现状
1.3.2 机器人路径规划算法的研究现状
1.4 本文研究内容及章节安排
第2章 工业机器人通信组网方案
2.1 工业机器人通信组网方案
2.1.1 机器人与中央控制单元间通信
2.1.2 机器人间通信
2.2 基于LEACH的工业机器人通信系统路由算法
2.2.1 LEACH算法综述
2.2.2 迪杰斯特拉算法综述
2.2.3 基于LEACH算法的演变型路由算法
2.2.4 演变型动态LEACH路由算法的流程
2.3 机器人间通信组网架构
2.4 基于LEACH算法的演变型路由算法仿真结果
2.5 机器人间广播时间间隔性能仿真分析
2.6 本章小结
第3章 工业移动机器人路径规划算法理论分析
3.1 移动机器人路径规划问题概述
3.2 路径规划环境建模
3.2.1 栅格模型
3.2.2 拓扑模型
3.2.3 高维模型
3.2.4 机器人路径规划算法模型总结
3.3 路径规划算法分析
3.3.1 人工势场法
3.3.2 遗传算法
3.3.3 基于机器学习的路径规划算法
3.3.4 路径规划算法总结
3.4 神经网络
3.4.1 人工神经网络模型
3.4.2 神经网络反向传播
3.5 深度强化学习
3.5.1 强化学习框架结构
3.5.2 Q-学习
3.5.3 Q-网络
3.5.4 Deep Q-Learning Network
3.5.5 Double DQN
3.6 本章小结
第4章 基于深度强化学习的路径规划算法
4.1 改进型Double DQN路径规划算法
4.1.1 转向问题
4.1.2 奖励信息表改进
4.1.3 改进型ε-greedy动作选择策略
4.1.4 障碍物设定
4.2 算法流程
4.3 算法仿真结果与分析
4.4 本章小结
结论
参考文献
攻读硕士学位期间发表的论文及其他成果
致谢
本文编号:3781427
【文章页数】:67 页
【学位级别】:硕士
【文章目录】:
摘要
Abstract
第1章 绪论
1.1 课题来源及研究的背景和意义
1.2 工业机器人发展现状
1.3 国内外研究现状及分析
1.3.1 工业机器人通信协议的研究现状
1.3.2 机器人路径规划算法的研究现状
1.4 本文研究内容及章节安排
第2章 工业机器人通信组网方案
2.1 工业机器人通信组网方案
2.1.1 机器人与中央控制单元间通信
2.1.2 机器人间通信
2.2 基于LEACH的工业机器人通信系统路由算法
2.2.1 LEACH算法综述
2.2.2 迪杰斯特拉算法综述
2.2.3 基于LEACH算法的演变型路由算法
2.2.4 演变型动态LEACH路由算法的流程
2.3 机器人间通信组网架构
2.4 基于LEACH算法的演变型路由算法仿真结果
2.5 机器人间广播时间间隔性能仿真分析
2.6 本章小结
第3章 工业移动机器人路径规划算法理论分析
3.1 移动机器人路径规划问题概述
3.2 路径规划环境建模
3.2.1 栅格模型
3.2.2 拓扑模型
3.2.3 高维模型
3.2.4 机器人路径规划算法模型总结
3.3 路径规划算法分析
3.3.1 人工势场法
3.3.2 遗传算法
3.3.3 基于机器学习的路径规划算法
3.3.4 路径规划算法总结
3.4 神经网络
3.4.1 人工神经网络模型
3.4.2 神经网络反向传播
3.5 深度强化学习
3.5.1 强化学习框架结构
3.5.2 Q-学习
3.5.3 Q-网络
3.5.4 Deep Q-Learning Network
3.5.5 Double DQN
3.6 本章小结
第4章 基于深度强化学习的路径规划算法
4.1 改进型Double DQN路径规划算法
4.1.1 转向问题
4.1.2 奖励信息表改进
4.1.3 改进型ε-greedy动作选择策略
4.1.4 障碍物设定
4.2 算法流程
4.3 算法仿真结果与分析
4.4 本章小结
结论
参考文献
攻读硕士学位期间发表的论文及其他成果
致谢
本文编号:3781427
本文链接:https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3781427.html