本論文提出一多足球機器人之策略架構來讓多機器人之間可以有效的相互合作來進行機器人足球賽。此架構主要有六個模組：(1)環境資訊模組，(2)資訊分析模組，(3)團體策略模組，(4)自我策略模組，(5)路徑規劃模組及(6)移動控制模組。本論文分別將所提之多足球機器人策略架構應用在FIRA與RoboCup之中型足球機器人賽上，從實際競賽結果可以驗證所提之策略確實具有不錯之效果。此外，本論文提出一個具有控制階段、模糊鑑別階段與控制器學習階段等三個階段的批次學習架構來自動產生一個可以有效控制輪型機器人移動之模糊控制器。此架構主要有兩個模糊系統，其中一個為用來鑑別輪型機器人之模糊鑑別器，另一個為用來控制機器人移動之模糊移動控制器。在批次學習架構中，模糊系統的一些可調參數被視為一個參數集，本論文提出一個混合粒子群最佳化與遺傳演算法(HPSOGA)來分別找出具有最佳逼近性能之模糊鑑別器與具有最佳控制性能之模糊控制器，使得輪型機器人之控制具有最佳的移動性能。從FIRA足球機器人模擬器之模擬以及中型足球機器人系統之實作結果可以驗證所提批次學習架構與方法確實具有快速學習建立移動控制器之能力。

A strategy structure for multiple soccer robots is proposed in this thesis. This structure includes six modules: (1) Environmental Information Module, (2) Information Analysis Module, (3) Group Strategy Module, (4) Self Strategy Module, (5) Path Planning Module, and (6) Motion Control Module. The proposed structure has been applied in the robot soccer games of the RoboSot league of FIRA and the middle size league of RoboCup. We can see the proposed strategy has a good performance in the robot soccer game. Furthermore, a batch learning structure is proposed to automatically determine a motion fuzzy controller so that the controlled wheeled robot has a good motion. This structure in each generation can be separated into three states: a control state, a system identification state, and a controller learning state. There are two fuzzy systems in this structure. One is a fuzzy identifier to identify the model of wheeled robot and the other is a fuzzy controller to control the motion of wheeled robot. The antecedent and consequent parameters of the fuzzy system are viewed as a parameter set and a Hybrid Particle Swarm Optimization and Genetic Algorithm (HPSOGA) is proposed to choose appropriate parameter sets so that the selected fuzzy identifier has a good approximation and the selected fuzzy controller has a good control performance. Some simulation results in FIRA 3D robot soccer simulator are used to illustrate the proposed learning structure is effective.

目錄
第一章 足球機器人策略系統 1
1.1研究背景 1
1.2 研究目的 4
1.3 論文架構 4
第二章 中型足球機器人系統介紹 5
2.1 系統簡介 5
2.3.2 機器人端軟體模組 8
2.3 硬體系統架構 9
第三章 足球機器人策略系統介紹 11
3.1 中型足球機器人策略系統 11
3.2 環境資訊模組 12
3.2.1球場物體資訊 13
3.2.2團體狀態資訊 14
3.2.3內部狀態資訊 14
3.2.4機器人目的資訊 15
3.3 環境資訊分析模組 15
3.3.1過濾感測資訊 16
3.3.2 自我定位分析 17
3.2.3 分析場上物體之球場座標 21
3.4 團體策略模組 22
3.4.1 攻守區域 22
3.4.2 團隊狀態之轉換 24
3.4.3跑位點之設計 26
3.5 自我策略模組 30
3.5.1 機器人基本策略 30
3.5.2機器人策略樹 34
3.5.3 機器人控球優先權 34
3.6 路徑規劃模組 36
3.6.1 目的點路徑規劃 36
3.6.2軌跡繞行路徑規劃 39
3.7 移動控制模組 41
3.7.1 移動速度優先控制法 43
3.7.2 旋轉優先控制法 45
3.8 動作策略實作結果 46
第四章 HPSOGA之模糊移動控制器設計 50
4.1 HPSOGA之模糊移動控制器設計簡介 50
4.2 粒子群最佳化演算法簡介 51
4.3遺傳演算法簡介 54
4.4混合粒子群最佳化與遺傳演算法(HPSOGA) 58
4.5 移動模糊鑑別器	 59
4.6 移動模糊控制器	 62
4.7 模糊系統之設計	 65
4.8 三階段移動模糊控制器設計70
4.9移動控制實驗結果 75
第五章 結論 83
參考文獻	84
研究著作	88
得獎經歷	90

圖目錄
圖1.1 FIRA中型足球機器人 3
圖1.2 RoboCup中型足球機器人	3
圖2.1 全方位足球機器人系統架構圖 6
圖2.2 監控端介面系統架構圖	7
圖2.3 策略模擬與策略執行切換示意圖 8
圖2.4機器人端軟體模組架構圖	 9
圖2.5 硬體控制系統架構圖 9
圖3.1 多足球機器人策略系統架構圖 12
圖3.2 環境資訊模組架構圖 13
圖3.3 虛擬地圖示意圖 13
圖3.4 座標資訊示意圖 14
圖3.5 環境資訊分析模組功能方塊圖 15
圖3.6 卡曼濾波器架構圖 16
圖3.7 卡曼濾波器之流程圖 17
圖3.8 三點定位示意圖 18
圖3.9 兩點定位示意圖 20
圖3.10 攻守區域示意圖 23
圖3.11 攻守區域劃分圖 23
圖3.12 攻守區域轉換流程圖 24
圖3.13 責任區劃分示意圖 25
圖3.14 團隊模式轉移圖 26
圖3.15 定點跑位法示意圖 27
圖3.16 跟球跑位法示意圖 27
圖3.17 X軸跟球跑位法示意圖	 28
圖3.18 Y軸跟球跑位法示意圖	 29
圖3.19 機器人繞球跑之示意圖 30
圖3.20 機器人己方球門防守(無球) 之示意圖 31
圖3.21 機器人敵方球門攻擊(無球) 之示意圖 31
圖3.22 機器人己方球門防守(有球) 之示意圖 32
圖3.23 機器人敵方球門攻擊(有球) 之示意圖 32
圖3.24 機器人敵方球門攻擊掩護之示意圖 33
圖3.25 機器人敵方球門定點待命之示意圖 33
圖3.26 策略樹狀圖 35
圖3.27 優先權決策機制 36
圖3.28 機器人移動規劃示意圖 37
圖3.29 路徑規劃模組輸出示意圖 37
圖3.30 標準化之S函式示意圖 38
圖3.31 機器人繞軌跡移動規劃示意圖 40
圖3.32 移動控制模組輸出入示意圖 41
圖3.33 移動控制示意圖 41
圖3.34 四輪全方位移動輪配置示意圖 42
圖3.35 球機器人模擬器所完成之追球射門動作連續圖 47
圖3.36 機器人所完成之追球射門連續動作圖 48
圖3.37 器人進攻後方機器人協防之策略連續動作圖 49
圖4.1 粒子群最佳化演算法流程圖 54
圖4.2 遺傳演算法流程圖 55
圖4.3 交配示意圖 57
圖4.4 突變示意圖 57
圖4.5 HPSOGA演算法流程圖 59
圖4.6 輪型機器人示意圖 60
圖4.7 二輪機器人之系統模型 60
圖4.8 兩個兩輸入一輸出組成的模糊鑑別器方塊圖 62
圖4.9 四輸入兩輸出的移動模糊控制器方塊圖 63
圖4.10 兩個兩輸入一輸出組成的移動模糊控制器方塊圖 64
圖4.11 距離控制示意圖 64
圖4.12 角度控制示意圖 64
圖4.13 移動速度模糊鑑別器方塊圖 65
圖4.14 角度模糊鑑別器方塊圖 65
圖4.15 距離模糊控制方塊圖 66
圖4.16 角度模糊控制器方塊圖 66
圖4.17 控制器執行階段 72
圖4.18 系統鑑別階段 73
圖4.19 控制器學習階段 75
圖4.20 移動模糊控制器輸入歸屬函式 76
圖4.21 批次旋轉控制。控制輪型機器人與控制鑑別器之適應函式值對疊代次數曲線圖 77
圖4.22 批次距離控制。控制輪型機器人與控制鑑別器之適應函式值對疊代次數曲線圖 77
圖4.23 每一批次疊代，實際速度與鑑別出之速度對時間之曲線圖 78
圖4.24每一批次疊代，控制鑑別器與控制輪型機器人的轉動對時間之曲線圖 79
圖4.25 移動控制在不同起始座標方向移動結果 80
圖4.26 實際機器人旋轉90度之連續圖 81
圖4.27 實際機器人旋轉60度之連續圖 81
圖4.28 實際機器人旋轉120度之連續圖 82

[1] A. Mackworth, “On seeing robots,” World Scientific Press Computer Vision: System, Theory, and Applications, pp. 1-13, 1993.
[2] URL：http://www.robocup.org/
[3] URL：http://www.fira.net/
[4] M. F. Chou, “Design of robot soccer using the DSP controller,” Master Thesis, Department of Electrical Engineering, Tamkang University, 2001.
[5] W. G. Han, S. M. Baek, and T. Y. Kuc, “GA based online path planning of mobile robots playing soccer games,” The 40th Midwest Symposium on Circuits and Systems, vol. 1, pp. 522-525, 1997.
[6] R. Toogood, H. Hao, and C. Wong, “Robot path planning using genetic algorithms,” IEEE International Conference on Systems, Man and Cybernetics, vol. 1, pp. 489-494, 1995.
[7] K. Kostiadis and H. Hu, “Reinforcement learning and co-operation in a simulated multi-agent system,” IEEE/RSJ International Conference on Intelligent Robots and Systems, vol. 2, pp. 990-995, 1999.
[8] C. C. Wong, B. C. Lin, C. P. Hwang, H. I. Wang, Z. H. Li, and J. M. Chang, “Fuzzy system based for robot soccer game,” National Conference on Fuzzy Theory and Its Applications, pp. 116-121, 2001, 
[9] H. K Lam, T. H. Lee, F. H. F. Leung, and P. K. S. Tam, “Decision maker for robot soccer,” The 27th Annual Conference of the Industrial Electronics Society, vol. 1, pp. 43-48, 2001.
[10] A. Agah and K. Tanie, “Robots playing to win: Evolutionary soccer strategies,” IEEE International Conference on Robotics and Automation, vol. 1, pp. 632-637, 1997.
[11] H.L. Sng G. Sen Gupta, and C.H. Messom, “Strategy for collaboration in robot soccer,” IEEE International Workshop on Electronic Design, pp. 347-351, 2002.
[12] M.Veloso and  P. Stone, “Individual and collaborative behaviors in a team of homogeneous robotic soccer agents,” International Conference on Multi Agent Systems, pp. 309 -316, 1998
[13] C.J. Wu and T.L. Lee, “A Fuzzy mechanism for action selection of soccer robots,” Journal of Intelligent and Robotic Systems, pp. 57-70, 2004.
[14] H.L. Sng, G. Sen Gupta, and C.H. Messom, “State transition based supervisory control for a robot soccer system,” IEEE International Workshop on Electronic Design, pp. 338 -342, 2002.
[15] C. C. Wong, M. F. Chou, C. P. Hwang, C. H. Tsai, S. R. Shyu, and P. Y. Chih, “Fuzzy system design for the path planning of the robot soccer,” National Conference on Fuzzy Theory and Applications, 2000.
[16] C. C. Wong, M. F. Chou, C. P. Hwang, C. H. Tsai and S. R. Shyu, “A method for obstacle avoidance and shooting action of the robot soccer,” Proceedings of IEEE International Conference on Robotics and Automation, vol. 4, pp. 3778-3782, 2001.
[17] T.L. Lee, C.J. Wu, “Fuzzy motion planning of mobile robots in unknown environments,” Journal of Intelligent and Robotic Systems, vol. 37, PP. 177-191, 2003.
[18] T.H. Lee, F.H.F. Leung, and P.K.S. Tam, “Position control for wheeled mobile robots using a fuzzy logic controller,” IEEE International Conference on Industrial Electronics Society, vol 2, pp. 525-528, 1999.
[19] M. Bowling, M. Veloso, “Motion control in dynamic multi-robot environments,” IEEE International Symposium on Computational Intelligence in Robotics and Automation, pp. 168 - 173, 1999
[20] K. S. Narendra and K. Parthasarathy, “Identification and control of dynamical System using neural network,” IEEE Transactions on Neural Networks, vol. 1, pp.4-27, Jan. 1990.
[21] C.T. Lin and C.S.G. Lee, “Neural-network-based fuzzy logic control and decision system,” IEEE Transactions on Comput., vol. 40, pp. 1320-1336, Dec. 1991.
[22] C.F. Juang, “A TSK-Type recurrent fuzzy network for dynamic systems processing by neural network and genetic algorithms,” IEEE Transactions on Fuzzy Systems, vol. 10,  pp. 155-170, Apr. 2002.
[23] J. S. Jang, “ANFIS: Adaptive-network-based fuzzy inference systems,” IEEE Transactions on Systems, Man and Cybernetics, vol 23, no 3, pp. 665-685, 1993
[24] C. C. Wong and C.C. Chen, “A GA-based method for constructing fuzzy systems directly from numerical data,” IEEE Transactions on Systems, Man and Cybernetics Part B: Cybernetics, vol. 30, no. 6, pp. 904-911, 2000.
[25] C.C. Ku, and K.Y. Lee, ”Diagonal recurrent neural networks for dynamic systems control,” IEEE Transactions on Neural Networks, vol. 6, pp.144-156, Jan.1995.
[26] J. Kennedy and R. C. Eberhart, “Particle swarm optimization,” Proceeding of IEEE International Conference on Neural Networks, Perth, Australia, pp. 1942-1948, 1995. 
[27] M. Clerc and J. Kennedy, “The particle swarm-explosion, stability, and convergence in a multidimensional complex space,” IEEE Transactions on Evolutionary Computation, vol. 6, no. 1, pp.58-73, 2002. 
[28] Z. L. Gaing, “A Particle swarm optimization approach for optimum design of PID controller in AVR system,” IEEE Transactions on Energy Conversion, vol. 19, no. 2, pp.384-391, 2004. 
[29] J. Kennedy, “The particle swarm: Social adaptation of knowledge,” International Conference on Evolutionary Computation, pp. 303-308, 1997. 
[30] S. Naka, T. Genji, T. Yura, and Y. Fukuyama, “A hybrid particle swarm optimization for distribution state estimation,” IEEE Transactions on Power Systems, vol. 18, no. 1, pp.60-68, 2003.
[31] D.E. Goldberg, Genetic Algorithm in Search, Optimization and Machine Learning, Addison-Wesley, Reading, MA, 1989.
[32] L.A. Zadeh, “Fuzzy sets,” Information and Control, vol. 8, pp. 338-353, 1965.