最优预测Neuro-Navigator设计移动机器人导航与运动障碍
Mahsa麦考利
Samaneh a Saeedinia
Zahra Roozbehi- 1新西兰奥克兰理工大学的
- 2伊朗科技大学,伊朗
在动态环境下移动机器人导航的挑战近年来抓住重要的关注。尽管可用的技术,仍然是一个需要有效和可靠的方法,可以解决的挑战附近实时最优导航和避碰。本文提出了一种新型Log-concave模型预测控制(MPC)算法,解决这些挑战,利用独特的配方成本函数和动态约束,以及基于李雅普诺夫稳定理论的收敛性判据。该方法映射到小说递归神经网络(RNN)与CVXOPT相比结构和优化工具。本研究的主要贡献是神经网络的组合模型预测控制来解决最优控制问题在本地附近的机器人,它提供了许多优点,包括计算效率和处理非线性和复杂系统的能力。本研究的主要发现包括成功实现和评价算法,优于其他方法,如RRT, a *, LQ-MPC的可靠性和速度。这种方法有可能促进实时
关键词:导航、优化,MPC、稳定性、神经网络、动态环境
收到:2023年5月20日;接受:2023年7月14日。
版权:©2023白云镇Saeedinia Roozbehi。这是一个开放分布式根据文章知识共享归属许可(CC)。使用、分发或复制在其他论坛是允许的,提供了原始作者(年代)或许可方认为,最初发表在这个期刊引用,按照公认的学术实践。没有使用、分发或复制是不符合这些条件的允许。
*通信:博士学位。Mahsa白云镇奥克兰理工大学,奥克兰,新西兰