1、文章编号nullnullnullnullnull2nullnullnullnullnullnullnullnullnullnullnullnull2nullnullnullnull2nullnull用改进的nullnull2null网络建立移动机器人环境模型的研究王挺null王越超null中国科学院机器人学重点实验室null辽宁沈阳 nullnullnullnullnullnullnull摘 要null本文应用自适应共振理论中nullnull2null神经网络进行移动机器人环境障碍模式识别nullnull null 2null神经网络在处理单方向渐变的模式输入时具有模式漂移的特点null机器人
2、在静态环境中运动依赖这种特点null但在动态环境中模式漂移的特点却会对机器人的安全造成威胁null为此null设计了一种改进的nullnull2null神经网络null使得移动机器人同时适应在静态和动态环境中安全运动null关键词nullnullnull2nullnull模式漂移null移动机器人null环境模型中图分类号null nullnull 文献标识码null null 2nullnullnullnullnullnullnullnull nullnullnullnull2nullnullnullnull( . , , nullnullnullnullnullnull ,) : null
3、null nullnullnullnullnullnullnullnullnullnullnullnullnullnull nullnullnullnull2nullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnull/ nullnullnullnullnul
4、lnullnullnullnullnullnullnullnullnullnull0 nullnullnullnullnullnullnull2nullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnull2nullnullnullnullnullnullnullnullnull nullnullnullnullnullnullnullnull nullnullnullnullnullnullnullnull nullnullnullnullnullnullnullnullnull nullnull nullnullnull n
5、ullnullnullnullnull nullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnull
6、nullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnull
7、nullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnull null nullnull nullnullnullnullnullnullnullnullnull2nullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnull
8、nullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnull2nullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnull null: nullnull 2nullnullnu
9、llnullnullnullnullnullnullnullnullnullnullnullnullnullnullnull nullnullnullnullnullnull nullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnull1 引言()智能移动机器人是一类能够通过传感器感知环境和自身状态null实现在有障碍物的环境中面向目标的自主运动null从而完成一定作业功能的机器人系统null但移动机器人都面临着一个主要问题null即环境的非结构性!不确定性及动态性null这些不确定性的
10、存在使得移动机器人无法建立全局的环境模型null而只能通过传感器实时地建立局部的环境模型null因此局部环境模型建立的实时性!可靠性成为影响移动机器人是否可以安全!连续!平稳运动的关键null对移动机器人环境模型的建模相当于对环境障碍类型的分类null各个方向的障碍物信息都是一定范围内的模拟量null一组模拟量构成的模式矢量代表了一类环境障碍类型null对障碍物类型的分类就是要根据这些模拟量所代表的障碍物类型求得其所代表的环境障碍类型nullnullnull2null网络能在无导师情况下对任意模拟量分类null能够通过/自学0来认识未学习过的新事物并解决不熟悉的新问题null能对熟悉的事物做出
11、准确迅速的辨识和反应null能/集中注意于0某些特定的客体或目标null是一种比较理想的选择null对于机器人环境类型感知null已有学者对此进行研究和应用nullnullnull但由于nullnull2null网络本身存在模式漂移的问题null它只能适合处理渐变的模式信息null对于处理大范围突变的数据的鲁棒性比较差null因此使得机器人只适合于在静态环境下运动null而对于动态突变环境缺乏正确理解能力null造成的后果是给机器人的安全带来威胁null为此null结合国家nullnullnull课题/基于复合机构的非结构环境移动的机器人技术研究0 null本文设计了一种适应动态环第nulln
12、ull卷第null期nullnullnullnull年null月机器人 nullnullnullnullnullnullnullnullnull nullnullnullnullnullnullnullnullnullnullnullnullnullnullnull基金项目null国家nullnullnull计划资助项目nullnullnullnull2nullnullnull2nullnullnullnullnullnullnullnullnullnullnullnullnull null收稿日期nullnullnullnullnull null nullnull null nullnull
13、境!可以保证机器人安全运动的nullnull2null网络null并进行了仿真测试null2 系统描述( )/基于复合机构的非结构环境移动的机器人技术研究0目标是研究一种能在具有障碍物!不平地面的非结构环境中自主行走!定位搜寻目标的基于复合机构的移动机器人功能样机null该机器人采用履带!轮!腿复合机构null采用超声和红外传感器相结合的形式探测附近障碍物距离信息null红外传感器是为了弥补超声传感器探测近距离目标存在死区这一不足而采用的null组合的传感器可以探测的距离为nullnull nullnullnullnullnullnullnullnull在长方形机器人前!左!右三个方向分别加装
14、了两组超声和红外传感器null如图nullnull图null 移动机器人传感器安装示意图nullnullnullnull nullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnull nullnullnullnullnull每个方向上两组传感器探测结果的最小值作为该方向上的障碍物距离信息null采样系统每次获得三组距离信息值null根据这三组信息值建立移动机器人当前的环
15、境障碍模型null根据每组距离值的大小null可以建立null种环境障碍模型null如图null所示null神经网络的作用就是从null组距离信息输入得到null种环境障碍类型null图null 移动机器人环境障碍类型nullnullnullnull nullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnull nullnullnullnullnull3 22神经网络的基本结构( 2
16、22)首先简要介绍一下nullnull2null神经网络的工作原理null这种网络设计的基本思想是采用竞争学习和自稳学习机制null其输入可以是任意模拟向量null结构如图null所示null图null 传统的nullnull2null神经网络结构图nullnullnullnull nullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnull2nullnullnullnullnullnullnullnullnullnullnullnullnull图
17、中画出了第个处理单元的结构.系统可以分为注意子系统和调整子系统两部分.其中,注意子系统完成由底向上矢量的竞争选择及矢量间相似程度的比较,调整子系统检查相似度能否达到满意的标准,并做出相应的动作,成功或者重置.系统结构分为null场和null场.null场称为特征表示场,在特征表示场中完成对输入的去噪处理!归一化处理!以及将处理结果与某一类模式中心进行线性组合的工作.图中的(#)是种非线性运算,是为了抑制噪声而突出有用的信号,! !是神经网络的网络参数.null场的运算过程具体描述如下:= + = +| |= () + ()= +| |= +null=null()其中() nullnull nu
18、llnullnullnullnull,为选定的类别号,是允许的最大类别数.nullnullnull 机 器 人nullnullnullnull年null月 null场称为类别表示场,它根据null场的输出和null与null场间的权重系数找出最为相似的模式,null场的输入矢量为:( = null,null,null, , null)=按照竞争学习的机制,如果null场中的第个节点被激活,则有输出:nullnull null null nullnullnullnull.null场和null场间的权重系数的学习公式如下:由底向上= (null )(null )由顶向下= (null )(null
19、 )null场输出的特征矢量经过权值系数运算后输入到null场竞争选择,得到胜出的节点后再送到调整子系统检测新模式与记忆模式的相似度,计算公式为: = (nullnull,)| |=()nullnull/null=+ +| |+| |当 null (其中为给定阈值, nullnullnullnull),系统将产生谐振,进入权系数学习阶段,否则对null进行重置.4 适应移动机器人避障要求的22神经网络(22 )标准的nullnull2null神经网络具有快速学习的功能null然而在学习的过程中网络权值将随着新的模式的输入而逐渐改变null使得同一模式类中null后面学习的模式与前面记忆的模式产
20、生较大的差别null以至于网络此时无法将比较久远的记忆模式正确归类null尤其是在输入模式呈大规模单方向渐变分布的情况下null这就是所谓的模式漂移现象null对于移动机器人的环境类型识别的应用来讲null机器人总是逐渐地接近并逐渐地远离障碍物null在此过程中null机器人的传感器所接收到的障碍物距离信息总是逐渐变化的null也就是说新的模式总是和已有的模式是很接近的null因此模式漂移的存在并不影响机器人对环境障碍的理解null反倒有利于这种学习的进行null因为这种漂移的存在也相应地增加了每类模式的覆盖范围null在实验的过程中运用传统的nullnull2null网络null针对静态单方
21、向渐变的模式输入null取得了较好的分类效果null但这种情况只适用于静态的环境null机器人在运动过程中不可避免地遇到动态障碍null一旦这种情况出现null新的输入模式与当前的记忆模式将有比较大的区别null利用当前的权重系数可能做不到正确分类null而此时如果模式对应的是一种比较危险的情况null机器人的安全就将受到威胁null针对这样的问题null本文对nullnull2null神经网络进行相应的改进null保证了移动机器人的安全运动null对于nullnull2null网络存在的模式漂移的问题null已有很多学者作过相应的研究nullnullnullnullnull提出的解决办法都是
22、对若干个过去的记忆模式求取平均值null作为当前的记忆模式null但这样做的后果是缩小了网络的学习范围null将某类模式抑制在一个稳定的模式附近null大大降低了神经网络的学习能力!速度和效果null针对以上情况null本文提出了如图null所示的改进方法null改进的神经网络的基本思想是null在特征表示场和类别表示场中间的每一组原始权值连接边上null都加上一组备用的连接权null备用层nullnull这组连接的权值代表每组分类过程中曾经学习过的对于机器人本体运动最为危险的一类模式null在网络学习过程中根据当前模式的危险程度决定是否对备用层重置null当有网络接收到一组输入null首先与
23、某类模式原始的连接权值比较null如果当前的模式不被接受null再与其相应的备用模式比较null检查是否相似null如果都不相似null说明当前模式不属于该类别null对类别表示场进行重置null备用层的权矢量的学习公式为null由底向上= (null )(null ) nullnullnull+ (null )(null ) nullnullnull = null nullnullnullnull由顶向下= (null )(null ) nullnullnull+ (null )(null ) nullnullnull = null nullnullnullnull其中nullnullnul
24、l null表示取一个矢量中的最小值null这种学习方式的依据是新的模式比较原有的备nullnullnull 第nullnull卷第null期王挺等null 用改进的nullnull2null网络建立移动机器人环境模型的研究用层中的模式对机器人本体的危险程度null如果新输入较旧的模式更加危险null那么依据新的模式对于备用层进行调整null否则保留原有的模式不变null图null 改进的nullnull2null神经网络结构图nullnullnullnull nullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnul
25、lnullnullnullnullnull2nullnullnullnullnullnullnullnullnullnullnullnullnull5 算法()(null)设定网络参数! ! !,初始化原始网络权重系数!以及备用层权重系数!.(null)向null层输入一个新的矢量.(null)经特征表示场进行去噪,归一化处理,计算当前模式向量对应的特征矢量.(null)将null层计算得到的特征矢量送入类别表示场null进行竞争选择计算,计算顺序是首先通过原始权矢量求得null层中一个胜出者,相位调整子系统利用警戒参数检测输入模式是否与当前的记忆模式足够相似,如果满足相似度要求,则跳到步骤n
26、ull.(null)如果原始层相似度不能满足要求,将特征矢量与已胜出节点的对应的备用层权重矢量计算送入类别表示场null,相位调整子系统利用警戒参数检测输入模式是否与备用层中记忆模式足够相似,如果相似度满足要求,则跳到步骤null.(null)如果备用层相似度不能满足要求,则跳到步骤null.(null)原始权重矢量进入谐振,根据这组特征矢量记忆当前模式,跳到步骤nullnull .(null)原始权重矢量进入谐振状态,根据这组特征矢量学习;同时计算特征矢量是否比备用层记忆的权重矢量更具有危险性,如果当前的特征矢量更危险,则备用层权重矢量进入谐振,否则不做操作,跳到步骤nullnull .(n
27、ull)发出重置信号,抑制当前类,跳到步骤null,如果全部可能类均不匹配,则跳到步骤nullnull .(nullnull)开辟新类跳到步骤null.(nullnull)结束.6 仿真结果( )在实验中,我们所选取的网络参数为:nullnull,nullnull,nullnull.nullnullnull ,nullnull.nullnull ,nullnull, nullnull.null,警戒参数 nullnull.nullnullnullnull ,非线性函数() =null null 采用语言编写运行程序null为了验证改进网络的效果null我们针对传统网络与改进网络做了对比实验nu
28、ll每次选取null个整数数字作为神经网络的一组输入nullnullnullnullnullnullnullnullnull null实验结果描述如下null实验一实验中使用传统nullnull2null网络null我们针对移动机器人的环境障碍类型选取了nullnullnull组单方向渐变的数据信息null在每种环境类型中null渐变的环境模式信息都得到了正确的分类null分类正确率为nullnullnull null null实验二实验中使用传统nullnull2null网络null在原有的nullnullnull数据中随机插入了null组突变的环境障碍模式null实验结果表明nullnul
29、lnullnull组数据中null正确分类的有nullnull组null分类错误的有nullnull组null无法分类的有nullnull组null分类正确率为nullnull nullnullnull null null实验三实验中使用改进的nullnull2null网络null仍然是使用实验二中的数据null实验结果表明nullnullnullnull组数据中正确分类的有nullnullnull组null有null组数据无法分类null没有错误分类null分类正确率为nullnull nullnullnull null null实验结果显示null传统的nullnull2null神经网络对于渐变的模式矢量具有很好的分类效果null但是对于突变的模式处理效果较差null而使用改进的nullnull2null网络处理动态环境下的突变数据null大部分都能够做到正确分类null所不能分类的null组数据经分析知null是由于突变数据的各个分量绝对值比较大!脱离了记忆模式造成的null而不会对机器人运动产生威胁nullnull下转第nullnullnull页nullnullnullnull 机 器 人nullnullnullnull年null月
