智能科学技术著作丛书多智能体机器人系统信息融合与协调

目录
智能科学技术著作丛书》序
前言
第1章 绪论 1
1.1 引言 1
1.2 多机器人系统中的信息融合 2
1.2.1 机器人传感器系统 2
1.2.2 机器人多传感器信息融合 2
1.3 多机器人协调与合作研究现状 4
1.4 多Agent信息融合与协调的研究现状 6
1.4.1 多Agent信息融合 7
1.4.2 多Agent协调与合作 7
1.5 机器人足球及其研究进展 9
1.5.1 机器人足球的发展概况 9
1.5.2 FIRA机器人足球比赛系统 10
1.5.3 机器人足球的关键技术和研究热点 11 
1.6 本书的结构和内容安排 13
参考文献 14
第2章 多Agent的信息融合模型与方法 16
2.1 引言 16
2.2 Agent与MAS的概念及特性 17
2.2.1 Agent的由来及定义 17
2.2.2 Agent的特性 18
2.2.3 MAS的概念与特性 21
2.2.4 MAS与复杂系统 21
2.2.5 MAS与智能系统 23
2.3 信息融合技术概述 25
2.3.1 信息融合的概念与定义 26
2.3.2 信息融合的模型 27
2.3.3 信息融合应用与发展现状 31
2.4 多Agent信息融合模型 33
2.4.1 Agent体系结构 33
2.4.2 MAS体系结构 35
2.4.3 基于多Agent的信息融合模型 36
2.5 小结 37
参考文献 38
第3章 多Agent协调的学习与对策 41
3.1 引言 41
3.2 多Agent协调的理论与方法 42
3.2.1 协调的基本概念 42
3.2.2 MAS协调及其理论 43
3.3 Agent的学习模型与方法 46
3.3.1 强化学习 47
3.3.2 Markov决策过程 49
3.3.3 Q学习算法 50
3.4 多Agent的协调模型 52
3.4.1 黑板模型 52
3.4.2 合同网 53
3.4.3 通用部分全局规划 55
3.5 多Agent协调的对策与学习方法 55
3.5.1 Markov对策概述 56
3.5.2 冲突博弈 59
3.5.3 多Agent强化学习 60
3.6 小结 61
参考文献 61
第4章 基于证据推理的多Agent分布式决策 63
4.1 引言 63
4.2 证据推理理论 64
4.2.1 概率的几种解释及其性质 64
4.2.2 证据理论的数学基础 64
4.2.3 证据推理的基本概念 67
4.2.4 Dempster组合规则 68
4.2.5 证据决策规则 71
4.2.6 Dempster组合规则存在的问题 72
4.3 Agent信息模型 73
4.3.1 单支置信函数 73
4.3.2 基于证据推理的Agent信息模型 73 
4.4 可传递置信模型 74
4.4.1 可传递置信模型的基本结构 74
4.4.2 辨识框架的粗分和细化 75
4.4.3 Pignistic概率转换 75
4.5 基于多Agent的分布式决策融合框架及算法 76
4.5.1 系统框架 76
4.5.2 融合中心 77
4.5.3 决策中心 78 
4.6 仿真算例 79
4.6.1 赛场状态信息 79
4.6.2 对手的策略 81
4.7 多Agent分布式决策融合策略 83
4.7.1 异构融合 83
4.7.2 可靠性分配 84
4.7.3 融合处理 84
4.7.4 在机器人足球中的应用 84 
4.8 小结 88
参考文献 89 
第5章 强化函数设计方法及其在学习系统的应用 91
5.1 引言 91
5.2 强化学习应用中的关键问题 92
5.2.1 泛化方法 92
5.2.2 探索与利用的权衡 94
5.2.3 强化函数与算法结构设计 95 
5.3 强化学习的奖惩函数 95
5.4 基于平均报酬模型的强化学习算法 98
5.4.1 报酬模型 98
5.4.2 *优策略 99
5.4.3 基于平均报酬模型的强化学习主要算法 99 
5.5 一种基于知识的强化函数设计方法 101
5.5.1 强化函数的基本设计思想 101
5.5.2 基于知识的强化函数 103
5.5.3 仿真实验 103 
5.6 小结 107
参考文献 107 
第6章 基于分布式强化学习的多Agent协调方法 109
6.1 引言 109
6.2 多Agent强化学习基本理论 110
6.2.1 基于局部合作的Q学习 111
6.2.2 基于区域合作的Q学习 111
6.2.3 算法的收敛性 113 
6.3 多Agent强化学习方法的特性 114
6.3.1 多Agent强化学习理论及假设的不同 114
6.3.2 多Agent强化学习模型及框架的差异 115
6.3.3 多Agent强化学习内容的区别 115
6.3.4 多Agent强化学习算法设计的迥异 116 
6.4 多Agent强化学习算法的分类与比较 116
6.4.1 绝对合作型多Agent强化学习算法 116
6.4.2 绝对竞争型多Agent强化学习算法 117
6.4.3 混合型多Agent强化学习算法 117
6.4.4 平衡型多Agent强化学习算法 117
6.4.5 *佳响应型多Agent强化学习算法 118
6.4.6 分析与比较 118 
6.5 MAS中的分布式强化学习模型及结构 118
6.5.1 中央强化学习结构 119
6.5.2 独立强化学习结构 119
6.5.3 群体强化学习结构 120
6.5.4 社会强化学习结构 120 
6.6 基于分布式强化学习的多Agent协调模型及算法 1206.6.1 协调级 121
6.6.2 行为级 121
6.6.3 强化信息的分配 121
6.6.4 仿真实验 122 
6.7 小结 129
参考文献 130 
第7章 基于Markov对策的多Agent协调 132
7.1 引言 132
7.2 多Agent交互的协调与博弈分析 133
7.2.1 多Agent协调与博弈的性质 133
7.2.2 多Agent协调失败的处理 134
7.3 多Agent冲突博弈强化学习模型 136
7.3.1 多Agent冲突博弈 136
7.3.2 *优策略 137
7.3.3 基于后悔值的Q学习模型 138 
7.4 NashQ学习 140
7.5 零和Markov对策和团队Markov对策 141
7.5.1 零和Markov对策 141
7.5.2 团队Markov对策 143 
7.6 基于Markov对策的多Agent协调策略 144
7.6.1 对策框架 144
7.6.2 Team级对策 144
7.6.3 Member级对策 145
7.6.4 仿真实验 145 
7.7 小结 155
参考文献 155 
第8章 Agent技术在机器人智能控制系统的应用 157
8.1 引言 157
8.2 智能机器人系统应用研究 158
8.2.1 概况 158
8.2.2 传统研究方法的缺陷 160
8.2.3 智能机器人系统的共性 160 
8.3 开放式机器人智能控制系统应用研究 161
8.3.1 开放式控制系统的典型特征 161
8.3.2 基于PC的开放式控制系统的实现 162 
8.4 多机器人系统应用研究 162
8.4.1 多机器人队形控制 163
8.4.2 机器人救援 165
8.4.3 多机器人追捕问题 166 
8.5 总结与展望 168
8.5.1 总结 168
8.5.2 未来工作展望 169 
参考文献 170