人工智能-机器学习-面向移动障碍的MWSN节点协同避障方法研究.pdf

这篇学位论文主要探讨了在移动无线传感器网络（MWSN）中，如何通过机器学习方法实现节点间的协同避障，特别是在面对移动障碍物时的有效策略。论文首先对蜂拥控制模型进行了深入研究，这是一种用于群体行为模拟的算法，通常应用于多机器人系统或无人机集群等场景，以实现群体的协调运动。 在传统的蜂拥控制模型基础上，论文提出了一个增强的避障法则——Steer to Avoid。这种法则在判断节点需要避障时，不仅考虑了障碍物的存在，还考虑了障碍物的动态特性，如速度和方向。具体改进如下： 1. 当障碍物的运动趋势与节点的避障转向判断一致，且两者速度接近时，节点会朝着障碍物运动的反方向移动，以避免与障碍物正面碰撞。 2. 在转向决策过程中，论文引入了障碍物的速度和方向作为模型的输入参数，这使得节点能做出更优化的转向判断，并能预测障碍物下一时刻的位置和速度，从而提前规划避障路径。 这种方法的优势在于提高了在移动障碍物环境下的避障效率，对于目标跟踪任务而言，可以更精确地追踪目标并避免与障碍物发生冲突，从而提升整体的跟踪效率。 为了验证新方法的有效性，论文进行了仿真实验，比较了改进后的模型与传统Tanner蜂拥控制模型以及基于静止障碍物的协同避障方法。实验结果显示，改进的方法在避障的平均速率和时间效率上均表现出显著优势，适用于处理移动障碍物的避障问题，理论上能够应对各种凸型移动障碍。 关键词涵盖了移动无线传感器网络、协同机制、避障、蜂拥控制以及移动障碍，表明这篇论文的核心内容是围绕这些关键概念展开的，旨在为MWSN中的智能避障提供新的解决方案。