【摘要】：在對抗環(huán)境中,由于智能體之間的交互關(guān)系較為復(fù)雜,對敵對目標的軌跡預(yù)測和意圖理解十分重要。然而,現(xiàn)階段目標意圖理解方法和軌跡預(yù)測方法在對抗場景中的效果普遍較差。本文以ICRA DJI RoboMaster人工智能挑戰(zhàn)賽為背景,主要研究在對抗環(huán)境下目標的軌跡預(yù)報問題和意圖理解問題,論文主要成果如下:首先,建立了輪式機器人的運動學模型,給出了相關(guān)坐標系和轉(zhuǎn)換關(guān)系,給出了軌跡預(yù)報以及意圖理解問題的描述。其次,針對對抗環(huán)境下交互情況較為復(fù)雜的問題,給出了處理時間序列數(shù)據(jù)的編碼模塊和解碼模塊。為了減少計算量,給出了結(jié)構(gòu)精簡的判別器網(wǎng)絡(luò)。為了提取智能體之間的交互信息,設(shè)計了生成器編碼與解碼之間降采樣模塊。針對在訓練過程中出現(xiàn)的收斂困難的問題,給出了參數(shù)和結(jié)構(gòu)調(diào)節(jié)方法,綜合各個模塊,提出了一種基于生成式對抗網(wǎng)絡(luò)的軌跡預(yù)測方法,通過網(wǎng)絡(luò)的反向傳遞學習機器人之間隱含的交互關(guān)系。再次,給出了一種基于自動編碼器的數(shù)據(jù)壓縮和特征提取網(wǎng)絡(luò),針對目標意圖難以獲取的問題,利用了特征提取網(wǎng)絡(luò)中的編碼器部分,提出了一種可以實現(xiàn)自動聚類的深度嵌入式聚類網(wǎng)絡(luò),根據(jù)意圖分類結(jié)果,給出了基于長短時記憶模塊的意圖分類網(wǎng)絡(luò)。最后,搭建了仿真平臺并設(shè)計實驗對軌跡預(yù)報方法和意圖理解方法進行驗證。為了定量分析軌跡預(yù)測方法的準確性,給出了兩個衡量預(yù)測軌跡準確程度的指標。根據(jù)軌跡預(yù)測方法和意圖理解方法的需要,給出了三種不同場景下的訓練數(shù)據(jù)獲取方式。設(shè)計了三種特定場景交互模型,驗證了軌跡預(yù)測方法的預(yù)測準確性和意圖表現(xiàn)能力,給出了四種賽場環(huán)境下的智能體交互方式,評價了軌跡預(yù)測方法相較于其他方法的優(yōu)劣,針對意圖分類結(jié)果難以描述的問題,將意圖分類結(jié)果以二維軌跡的方式映射到賽場平面圖中,分析了意圖分類結(jié)果的實際物理意義。
【圖文】：

因此需要建立機器人的運動模型。該項賽事中的機器人是輪式機器人，輪子采用麥克納姆輪，如圖2-1 所示。圖 2-1 機器人主要結(jié)構(gòu)2.2.1 坐標系定義及轉(zhuǎn)換關(guān)系在建立機器人運動模型之前，首先建立機器人運動的相關(guān)坐標系，其坐標系分別為賽場坐標系與機體坐標系。下面分別給出這兩個坐標系的定義。(1) 賽場坐標系 ICRA DJI RoboMaster 人工智能挑戰(zhàn)賽的比賽場地為8m×5m 的長方形場地，場地包括出發(fā)區(qū)、供彈區(qū)、障礙區(qū)和防守加成區(qū)。賽場坐標系g g g gO X Y Z 以比賽場地平面圖左下角為坐標原點gO ，gX 軸沿場地平面圖

哈爾濱工業(yè)大學工學碩士學位論文緣延伸，指向右下角；gY 軸沿場平面圖左側(cè)較短邊緣延與gX 軸和 軸組成的平面垂直，，指向平面圖的外部。場系如圖 2-2 所示。
【學位授予單位】：哈爾濱工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TP18;TP242

【相似文獻】

相關(guān)期刊論文 前10條

1 李成升;于洋;;基于行波特征量與堆疊自動編碼器的電纜早期故障定位方法[J];四川電力技術(shù);2019年04期

2 王憲保;何文秀;王辛剛;姚明海;錢l勌

本文編號：2681667