2023年数学金融人工智能实验班学生专业分流名单公示
根据《上海师范大学数学金融人工智能实验班学生专业分流实施办法》，现拟将2020级数学类(数学金融人工智能实验班)学生专业分流名单公示如下：
序号
学号
姓名
分流专业
1
200141434
章玉林
数学与应用数学（数学金融人工智能实验班）
2
200141437
严信
数学与应用数学（数学金融人工智能实验班）
3
200141438
蔡天怡
数学与应用数学（数学金融人工智能实验班）
4
200141442
付计威
数学与应用数学（数学金融人工智能实验班）
5
200151446
叶再俊
数学与应用数学（数学金融人工智能实验班）
6
200151478
汪静颖
数学与应用数学（数学金融人工智能实验班）
7
200154028
马群力
数学与应用数学（数学金融人工智能实验班）
8
200141435
庄易霖
数学与应用数学（数学金融人工智能实验班）
9
200141441
孟觉晓
数学与应用数学（数学金融人工智能实验班）
10
200151449
应韦成
数学与应用数学（数学金融人工智能实验班）
11
200151453
王世宇
数学与应用数学（数学金融人工智能实验班）
12
200151456
杨骏飞
数学与应用数学（数学金融人工智能实验班）
13
200151474
韩一博
数学与应用数学（数学金融人工智能实验班）
14
200151487
袁航
数学与应用数学（数学金融人工智能实验班）
15
200141433
杨天宇
数学与应用数学（数学金融人工智能实验班）
16
200141439
陈文杰
数学与应用数学（数学金融人工智能实验班）
17
200151451
卢成跃
数学与应用数学（数学金融人工智能实验班）
18
200151452
周鹏飞
数学与应用数学（数学金融人工智能实验班）
19
200151477
杨安婷
数学与应用数学（数学金融人工智能实验班）
20
200151486
张如冰
数学与应用数学（数学金融人工智能实验班）
21
200151475
王悦
数学与应用数学（数学金融人工智能实验班）
22
200141464
万暄妍
数学与应用数学（数学金融人工智能实验班）
序号
学号
姓名
分流专业
1
200141463
朱静雯
人工智能（数学金融人工智能实验班）
2
200141465
顾灵紫
人工智能（数学金融人工智能实验班）
3
200151447
王逸斌
人工智能（数学金融人工智能实验班）
4
200151459
阮俊阳
人工智能（数学金融人工智能实验班）
5
200151460
罗晓航
人工智能（数学金融人工智能实验班）
6
200151461
钱永航
人工智能（数学金融人工智能实验班）
7
200151473
李依
人工智能（数学金融人工智能实验班）
8
200151479
汤艳
人工智能（数学金融人工智能实验班）
9
200151480
秦晨
人工智能（数学金融人工智能实验班）
10
200141443
陈卓扬
人工智能（数学金融人工智能实验班）
11
200141444
郁凡
人工智能（数学金融人工智能实验班）
12
200141468
乔楚
人工智能（数学金融人工智能实验班）
13
200151457
魏上尧
人工智能（数学金融人工智能实验班）
14
200152950
孟文娟
人工智能（数学金融人工智能实验班）
15
200141466
华颙璇
人工智能（数学金融人工智能实验班）
16
200151454
王英杰
人工智能（数学金融人工智能实验班）
17
200151458
赵治宇
人工智能（数学金融人工智能实验班）
18
200151470
徐一秀
人工智能（数学金融人工智能实验班）
19
200152447
陈嘉骥
人工智能（数学金融人工智能实验班）
20
200152569
王君可
人工智能（数学金融人工智能实验班）
序号
学号
姓名
分流专业
1
200151450
李首政
金融学（数学金融人工智能实验班）
2
200151455
杨开益
金融学（数学金融人工智能实验班）
3
200151476
吕玮
金融学（数学金融人工智能实验班）
4
200153929
闫智翔
金融学（数学金融人工智能实验班）
5
200153918
姜伊娜
金融学（数学金融人工智能实验班）
6
200124335
郭佳怡
金融学（数学金融人工智能实验班）
7
200141432
顾骏
金融学（数学金融人工智能实验班）
8
200141467
陈歆怡
金融学（数学金融人工智能实验班）
9
200151462
朱淼垚
金融学（数学金融人工智能实验班）
10
200151481
瞿晔
金融学（数学金融人工智能实验班）
11
200141436
范屹翔
金融学（数学金融人工智能实验班）
12
200141440
斯文涵
金融学（数学金融人工智能实验班）
13
200151448
严宁哲
金融学（数学金融人工智能实验班）
14
200151471
郑晓菡
金融学（数学金融人工智能实验班）
15
200151483
毛雨然
金融学（数学金融人工智能实验班）
16
200151488
尹朔南
金融学（数学金融人工智能实验班）
公示时间为：2022年5月7日-5月13日
公示期间如有异议可向数学金融人工智能实验班学生分流工作小组反映。
数理学院
2022年5月
申请2023年中山大学人工智能博士研究计划书
中山大学攻读博士学位期间拟开展的研究计划
（本表请用A4纸双面打印）
说明：
1.本表旨在了解考生专业水平，拟订的研究计划入学后可以根据导师的意见作出调整。
2.考生填写本表必须严谨求实，一旦成果部分的陈述发现弄虚作假，将视为学风问题而不予录取。
3.本表连同报考登记表等报考材料同时交回报考院系研究生工作办公室（科、处或部）。
填表日期：2021年12月1日
一、 近年来考生本人的专业研究情况及研究成果：
1. 考生的专业研究情况：
略
2. 考生已取得的主要研究成果（请注明发表刊物的年、期、或出版社、出版日期）：
略
二、博士学位期间拟开展研究课题论证：
1. 拟开展研究的课题名称：
基于强化学习的远程护理机器人实时运动规划
2. 拟开展研究课题的国内外研究现状及选题意义：
2.1研究背景
医疗机器人技术具有重要的研究价值，在军用和民用上有着广泛的应用场景，是机器人领域的一个研究热点。医疗机器人主要用于伤病员的手术、救援、转运和康复。移动式医疗机器人技术是集机械、计算机、护理等诸多学科为一体的新型交叉研究领域。由于新型冠状病毒在全世界的大流行，医护人员在原有医疗机器人的基础上对医疗机器人提出了新的要求。医护人员通过远程控制机器人来执行大部分与患者护理相关的任务，降低与传染病患者的接触，实现远程护理的目标。其中，移动式医疗机器人的实时运动规划技术是国内外研究的热点，新方法和新理念层出不穷。
远程护理机器人的运动主要包括两个方面，一是远程护理机器人整体的运动，也就是导航算法；二是远程护理机器人机械臂的运动。机器人一般的工作环境是相对静止的，面对固定的障碍物。尽管如此，机器人的运动规划依然面对巨大的挑战。而远程护理机器人面对的是可移动的障碍物（人和运动的车）和固定的障碍物，相对与一般的机器人，它的工作环境更加复杂。因此，医疗机器人的运动规划算法（导航算法）需要进一步优化。其二，远程护理机器人需要对病人做诊断、干预但非侵入性、干预且侵入性任务时，需要非常精细的操作。由于远程护理机器人在场景上的特殊性，它们不仅仅关注任务的完成效果，还需要考虑病人的安全。
2.2研究现状
机器人的运动规划算法一般分为以下几种：（1）基于网格的运动规划算法（2）基于采样的运动规划算法（3）基于轨迹的运动规划算法。（4）基于深度学习的运动规划算法
基于网格的运动规划方法在配置空间上覆盖一个网格，并假设每个配置都对应于一个网格点。只要它们之间的线是无碰撞的，即包含在自由配置空间内，机器人就可以移动到相邻的网格点。这些方法对于任何输入的问题，它们都能在有限的时间内确定是否存在解决方法。它们也称作完全方法。
基于采样的运动规划算法包含了概率路线图（probabilisticroadmap，PRM）、快速探索随机树（rapidlyexploringrandomtrees，RRT）、膨胀空间树（expansivespacetrees，EST）和基于采样的树路线图（sampling-basedroadmapof trees，SRT）。基于采样的规划期被理解为在概率上是完整的，如果存在足够的算法运行时间，则确保提供解决方案的较弱完整性概念。但是，他们无法确定存在解决方案，基于采样的方法通常以两步方式工作。首先，在不考虑任何成本度量的情况下发现无碰撞路径。其次，通过应用某些启发式改进获得的路径。尽管S.Karaman等人提出可证明渐进最优的PRM和RRT变体，基于采样的方法通常不会明确优化目标函数。基于采样的运动规划方法的主要缺点是获得的路径往往表现出冗余和不稳定的运动，需要后处理来平滑和缩短计算轨迹。
基于轨迹优化的运动规划算法的目标是在数学上使用精确的目标中结合动力学、平滑性和避障。尽管有着丰富理论历史和成功的应用，轨迹优化技术在运动规划的成功有限。主要由两个因素影响：在高维空间中评估目标函数及其高阶导数的计算成本很大，以及在将运动规划视为连续优化问题时存在局部最小值。但是它们可用于平滑和缩短由其他规划方法计算的轨迹。
基于深度学习的运动规划算法采用全连接、卷积网络、LSTM等等网络层，将图像信息、位置信息、操作信息等结合起来，然后通过最优价值函数进行优化。同时，深度学习的网络框架千变万化，优化的方法不计其数，可以在碰撞、路径决策、融合信息方面发挥着重要的作用。
目前的机器人算法大多基于以上四种算法优化、相互结合以及与其他的技术相结合而成，并且在各种各样的领域进行大量的探索和研究。国内外对机器人运动规划算法的应用也逐渐应用在市场产品上。
最近两年，国内外学者对机器人的运动规划进行了大量的探索研究。作为近几年最为火热的方向，深度学习在运动规划中有相当数量的研究。胡学敏等人提出了一种将强化学习和长短期记忆网络相结合的深度时空Q网络，用于在全局路径下定向导航的自动驾驶运动规划[1]。王国辉等人使用Conv-LSTM学习交通环境中的时间序列特征，3D-CNN用来提取空间特征信息，用于自动驾驶车辆控制的任务[2]。孙辉等人为解决移动机器人仓储系统中的多AGV无冲突运动规划问题，建立了马尔可夫决策过程(MDP)模型，提出了一种新的基于深度Q网络(DQN)的求解方法[3]。刘景亚基于增强学习的Sarsa算法，建立了平面三自由度工业机器人的自主运动规划模型，工业机器人可以实现在不确定工作环境中的自规划和自适应[4]。孙辉辉等人在论文中表示强化学习方法降低了编程的复杂程度，脱离了对地图模型和先验知识的依赖，提高了机器人在任务执行过程中的航迹规划、实时避障、目标搜索和自我决策等能力，让机器人向着更加智能化的方向发展。就目前发展现状而言，深度强化学习运动规划算法大多还处于实验室阶段，与真实世界中的运动规划的条件还有较大的差距[5]。王猛等人将自动驾驶场景归纳为遇静态障碍物场景和遇动态障碍物场景,提出了基于模糊神经网络的速度规划方法,相比于传统的速度规划方法,所提出的速度规划方法的突出优点在于仅需简单的在线计算,因而计算时耗极低、工程实现简单,有助于提升自动驾驶系统的稳定性[6]。ZijianHu等人提出使用汇集深度强化学习模型来解决无人机在动态环境中的自动运动规划问题[7]。SamanehHosseiniSemnani等人提出DRL-FMP混合算法，以解决动态、密集和拥挤环境中的分布式运动规划问题[8]。ShuaiYinandArkadyYuschenko利用卷积LSTM网络的方法实现计算速度指令，控制机器人移动到目标位置[9]。
而在传统的运动规划算法上，学者也有不少的改良和拓展。杨林等人采用基于图搜索的Ａ*算法，轨迹生成通过构建能量损失最小的目标函数实现，引入等式约束和不等式约束进行轨迹优化，最终生成一条适用于煤矿井下移动机器人的能量损失最小、连续、光滑、无碰撞、可执行的运动轨迹[10]。林依凡等人在RRT*算法的基础上剔除所有碰撞检测并增加碰撞风险评估函数和分量系数作为代价函数的分量，保证算法避障能力的同时提高算法寻路效率[11]。郑维等人提出的分级随机采样弱随机RRT算法不依赖最近节点的选取，相比RRT算法缩短了求解时间，提高了迭代速度[12]。田洪清等人提出基于势能场虚拟力模型的车辆运动规划方法，该方法通过获取自车与周边车辆的运动状态，建立纵横向势能场虚拟力模型，提出了基于车辆运动状态与势能场虚拟力相互循环迭代的运动规划方法[13]。周游等人提出了一种基于视觉反馈实时获取机器人相对位姿信息从而实现多机器人自重构功能的方法[14]。曾迪等人通过将基于高斯过程法的障碍车纵向速度预测引入运动规划，实现了对涉及障碍车加减速的多障碍车复杂场景的准确安全性评估，扩展了曲线插值和离散优化的运动规划方法对复杂场景的适用性[15]。张旭东等人以TangentBug算法为基础，依靠测距传感器提供的信息，提出了一种面向未知结构化环境的无人车辆运动规划算法[16]。张红文等人基于GB-RRT设计了FFSR无逆运动学的运动规划算法，并提出适时调节基座姿态的目标末端位姿导引局部规划器，引入参考目标基座姿态、基座姿态误差阈值，克服了FFSR执行机构自由度不足的问题[17]。YifanZhang等人提出新模型预测周围车辆的行走趋势，然后与模仿学习相结合，以生成用于基于采样的运动规划算法的无碰撞样本点[18]。ManuelCastillo-Lopez等人开发了一个封闭式的碰撞概率可微界限，以安全地将析取机会约束优化问题近似为非线性程序，而空中机器人使用该模型预测控制避开行人[19]。AshutoshKumarTiwari等人融合了优化的A*算法和人工势场算法，融合方法相较于传统A*算法，生成具有更好追溯性和平滑性的路径[20]。TahseenFadhelAbaas等人提出基于粒子群优化的地面移动机器人路径规划，它可以在避免碰撞的情况下成功追踪最佳路径[21]。MustafaF.Abdelwahed等人提出以两种方式去规划运动轨迹，一是基于案例推理的技术检索以前解决的问题，使用预定义的启发式函数评估每个最近邻解决方案的状态；二是使用信息搜索策略，创建一个图，在该图上执行最传统的最短路径算法[22]。CristianIoanVasile等人提出了一个基于采样的运动规划框架，具有长期时间逻辑目标，同时也满足短期反映要求[23]。Yuxi Sun等人提出了安全连接RRT算法改善连接RRT算法分支增长，减少采样空间，并且满足动态约束的平滑轨迹[24]。SenHan等人提出使用扩展动态窗口算法，无人水面车在有约束和避免碰撞的情况下在港口区域找到可行的停泊轨迹[25]。Xuewei Zhang等人提出一种基于优先级的RRT作为前段，为每个四旋翼飞行器生成一个在线全局路径，没有相互交叉，也没有与障碍物的碰撞[26]。InbaeJeong等人采用Q-RRT*算法设计稳定姿态算法的最优避障路径规划期，快速找到初始路径并收敛到最优的最优运动规划算法[27]。Yi Gan等人模拟了RRT、Bg-RRT和1-0BgRRT算法，实验表明，1-0BgRRT优化了RRT算法，提高了效率[28]。
2.2研究意义
新型冠状病毒在全球大流行的情况下，医护人员提出了远程护理机器人的需求。目前，国内外尚处于基础理论和实验研究阶段，并无实际产品出现。远程护理机器人的实时运动规划丰富了医疗机器人的理论研究，具有重要的学术意义。远程护理机器人避免医护人员与新型冠状病毒感染的肺炎患者的直接接触，可以降低医护人员的工作量和面对新型冠状病毒的风险。而且，它也可以应用在一般的医疗环境中，降低医护人员的工作量。远程护理机器人的运动规划有以下意义：
（1）将北斗导航系统与运动规划算法融合起来，为室内长短距离运动规划提供了新的思路
（2）将基于采样的运动规划方法和基于轨迹的运动规划方法结合起来，从而提供效率更高，更加平滑的运动规划轨迹
（3）使用强化学习作为碰撞预测的工具，执行导航任务以及基于采样和基于轨迹的运动规划方法时，在非结构性环境中无碰撞地完成任务
（4）使用知识蒸馏的办法降低强化学习模型计算量，降低了机器人软硬件的要求，减少强化学习模型的计算量，同时增加机器人的续航能力
3. 考生开展本课题研究的主要思路、基本内容及重要观点：
远程护理医疗机器人为基于视觉反馈控制的机器人。它使用一个或者多个视觉传感器（包括摄像头）来控制医疗机器人的行动。以此为基础，针对远程护理医疗机器人的行走功能进行研究。远程护理机器人主要应用在医院或者其他医疗场所当中。医院内部地势平坦，各处相互联通，而行人较多。因此，本研究的目的是远程机器人在当前位置行走到目标位置的运动轨迹为相对最优，意思是整体上的运动轨迹是可执行的、快速的、最短的，在具体的执行方面需要通过决策系统进行微调。由于应用场所的地势较为平坦，无行走障碍，远程护理机器人的移动方式选轮式。轮式远程护理机器人在整体路径规划上只有三个自由度，前后行走、左右行走和垂直地面的自旋转。在远程护理机器人的运动规划中，可以将远程护理机器人视为一个质点，而在具体执行的过程中，远程护理机器人则是一个物体，由具体的环境进行调整。当远程护理机器人从当前位置行走至指定位置时，需要处理的几个问题是：（1）定位与重定位（2）躲避静态障碍物和移动障碍物（3）路径规划（4）机器人续航。
3.1定位与重定位
远程护理机器人的定位和重定位是一个比较困难的问题。重定位的方式有相对位置重定位和绝对位置重定位。当远程护理机器人从当前位置行走至指定位置执行任务时，我们采用北斗导航系统进行绝对位置定位和导航。北斗三号全球卫星导航系统从2020年7月正式开通，精度在10米以内，可以用于远程护理机器人的长距离导航以及粗略的绝对位置定位。到达指定位置后，使用摄像头扫描房间，构建局部地图，规划行走轨迹，执行较为精致的定位。而当所有任务执行之后，返回充电点，进行绝对位置定位。
3.2躲避静态和移动障碍物
为了提高远程护理机器人的安全性，避免与行人（移动障碍物）以及其他的固定障碍物发生碰撞。我们通过仿真实验训练了一个强化学习模型，这个模型用于决策避障行为。远程护理机器人作为基于视觉的机器人，我们将摄像头拍摄的照片和当前位置的相关信息作为输入，用于训练强化学习模型，用于决策远程护理机器人避开障碍物的具体行为。
3.3路径规划
在整体的路径规划中，我们将其分为两个部分，一是长距离的运动规划，二是短距离的运动规划。长距离的运动规划是指在北斗导航系统精度以上的长距离行动。我们采用北斗导航系统提供的相关信息作为长距离的运动导航的根据，而且能够进行比较粗糙的定位和重定位。而短距离的运动规划则是指在北斗导航系统能够提供的精度以内，即10米以内的运动规划。在短距离的运动规划中，我们采用基于采样的快速搜索树和基于轨迹相结合的方法规划远程护理机器人的运动轨迹。而且在长短距离的运动规划中，都采用强化学习模型进行避障决策。
3.4机器人续航
由于医院的人群流量较大，远程护理机器人可能长时间都是处理出任务的状态。机器人续航是一个比较大的问题，但是大量的计算和决策可能让机器人的续航雪上加霜。在本研究中，为了提高机器人的续航能力和降低硬件的要求，我们对强化学习模型使用知识蒸馏的方法，从而训练出一个轻量级的、有足够精度的、计算要求不高的模型，从而降低远程护理机器人的能量消耗。
在接下来的研究中，我所研究的主要内容包括：（1）阅读国内外文献以及了解现有的研究成果，在现有的方法的基础下提出自己的观点。（2）对所提出的方法使用ROS进行建模分析和运动仿真，设计实验进行数据采集、分析和验证（3）了解实验中使用的运动仿真平台和硬件相关参数，包括软硬件的优缺点等（4）撰写研究报告和发表相关的研究成果。
参考文献：
[1] 胡学敏, 成煜, 陈国文,etal. 基于深度时空Q网络的定向导航自动驾驶运动规划 [J]. 计算机应用,2020,40(07):1919-25.
[2] 王国辉, 杨波, 王春阳. 基于深度学习的自动驾驶车辆运动规划研究 [J]. 长春理工大学学报(自然科学版),2020,43(02):94-8.
[3] 孙辉, 袁维. 基于深度强化学习的多自动导引车运动规划 [J]. 计算机集成制造系统:1-16.
[4] 刘景亚. 基于增强学习的工业机器人自主运动规划 [J]. 机器人技术与应用,2021,(03):28-32.
[5] 孙辉辉, 胡春鹤, 张军国. 移动机器人运动规划中的深度强化学习方法 [J]. 控制与决策,2021,36(06):1281-92.
[6] 王猛, 陈珏璇, 邓正兴. 自动驾驶模糊神经网络速度规划方法 [J]. 计算机工程与科学,2021,43(11):2011-9.
[7] HUZ,WANK,GAOX,etal.DeepReinforcementLearningapproachwithMultipleExperiencePoolsforUAV’sAutonomousMotionPlanninginComplexUnknownEnvironments[J].Sensors,2020,20(7).
[8] SEMNANISH,LIUH,EVERETTM,etal.Multi-AgentMotionPlanningforDenseandDynamicEnvironmentsviaDeepReinforcementLearning[J].IEEERoboticsandAutomationLetters,2020,5(2):3221-6.
[9] YINS,YUSCHENKOA.PlanningofServiceMobileRobotBasedonConvolutionalLSTMNetwork[J].JournalofPhysics:ConferenceSeries,2021,1828(1):012002.
[10] 杨林, 马宏伟, 王岩,etal. 煤矿井下移动机器人运动规划方法研究 [J]. 工矿自动化,2020,46(06):23-30.
[11] 林依凡, 陈彦杰, 何炳蔚,etal. 无碰撞检测RRT~*的移动机器人运动规划方法 [J]. 仪器仪表学报,2020,41(10):257-67.
[12] 郑维, 张涛, 王洪斌,etal. 分级随机采样弱随机RRT算法及在移动机器人运动规划中的应用 [J]. 计量学报,2021,42(09):1172-81.
[13] 田洪清, 丁峰, 郑讯佳,etal. 基于势能场虚拟力的智能网联车辆运动规划 [J]. 汽车工程,2021,43(04):518-26.
[14] 周游, 双丰, 李金科,etal. 基于视觉反馈的多机器人自重构系统研究 [J]. 控制与决策:1-8.
[15] 曾迪, 郑玲, 李以农,etal. 基于运动预测的自动驾驶车辆运动规划方法;proceedingsofthe2021中国汽车工程学会年会暨展览会, 中国上海,F,2021[C].
[16] 张旭东, 徐福康, 邹渊,etal. 一种面向未知非结构化环境的无人车辆运动规划算法;proceedingsofthe2021中国汽车工程学会年会暨展览会, 中国上海,F,2021[C].
[17] 张红文, 朱战霞, 袁建平. 自由漂浮空间机器人无逆运动学基于采样的运动规划 [J]. 西北工业大学学报,2021,39(05):1005-11.
[18] ZHANGY,ZHANGJ,ZHANGJ,etal.ANovelLearningFrameworkforSampling-BasedMotionPlanninginAutonomousDriving[J].ProceedingsoftheAAAIConferenceonArtificialIntelligence,2020,34(01):1202-9.
[19] CASTILLO-LOPEZM,LUDIVIGP,SAJADI-ALAMDARISA,etal.AReal-TimeapproachforChance-ConstrainedMotionPlanningWithDynamicObstacles[J].IEEERoboticsandAutomationLetters,2020,5(2):3620-5.
[20] TIWARIAK,NADIMPALLISV.NewFusionAlgorithmprovidesanalternativeapproachtoRoboticPathplanning[J].arXivpreprintarXiv:200605241,2020.
[21] ABAASTF,SHABEEBAH.PathPlanningOptimizationofaMobileRobotbasedonIntelligenceAlgorithm[J].IOPConferenceSeries:MaterialsScienceandEngineering,2020,881(1):012047.
[22] ABDELWAHEDMF,MOHAMEDAE,SALEHMA.Solvingthemotionplanningproblemusinglearningexperiencethroughcase-basedreasoningandmachinelearningalgorithms[J].AinShamsEngineeringJournal,2020,11(1):133-42.
[23] VASILECI,LIX,BELTAC.Reactivesampling-basedpathplanningwithtemporallogicspecifications[J].TheInternationalJournalofRoboticsResearch,2020,39(8):1002-28.
[24] SUNY,ZHANGC,SUNP,etal.SafeandSmoothMotionPlanningforMecanum-WheeledRobotUsingImprovedRRTandCubicSpline[J].ArabianJournalforScienceandEngineering,2020,45(4):3075-90.
[25] HANS,WANGY,WANGL,etal.Automaticberthingforanunderactuatedunmannedsurfacevehicle:Areal-timemotionplanningapproach[J].OceanEngineering,2021,235:109352.
[26] ZHANGX,SHENH,XIEG,etal.Decentralizedmotionplanningformultiquadrotorwithobstacleandcollisionavoidance[J].InternationalJournalofIntelligentRoboticsandapplications,2021,5(2):176-85.
[27] JEONGI,JANGY,PARKJ,etal.MotionPlanningofMobileRobotsforAutonomousNavigationonUnevenGroundSurfaces[J].JournalofComputinginCivilEngineering,2021,35(3):04021001.
[28] GANY,ZHANGB,KEC,etal.ResearchonRobotMotionPlanningBasedonRRTAlgorithmwithNonholonomicConstraints[J].NeuralProcessingLetters,2021,53(4):3011-29.
4. 考生开展本课题研究的现有基础（包括已有的相关成果、研究工作的资料准备情况等）
略
中山大学研究生院制