基于神經網絡的移動機器人對路徑形式的識別與分類
在已知路徑時，要求移動機器人快速正確地進行路徑跟蹤是柔性裝配系統中實現物料自動傳輸的一個關鍵技術。目前，很多學者都是在笛卡爾坐標空間中，建立移動機器人的實際位姿和期看位姿之間的誤差矢量，并采用該誤差矢量作為系統的反饋來消除跟蹤誤差，并想法在控制過程中減少有關移動機器人的運動學和動力學的計算量，進步算法的實時性［1～4］。但移動機器人在路徑跟蹤過程中，始終是處于糾偏狀態下，其運動路線呈“蛇”形軌跡，從而影響移動機器人的跟蹤精度。為此，在分析傳統路徑跟蹤方式所存在的不足的基礎上，筆者采用神經網絡技術，分析了路徑特征向量的抽取方法，設計了用于移動機器人路徑識別的分類器，實現了移動機器人對其所跟蹤路徑進行實時識別和分類，進而按照所識別的路徑形式進行跟蹤，進步了路徑跟蹤精度。1傳統路徑跟蹤方式分析1.1切線跟蹤方式與弦線跟蹤方式切線跟蹤方式是移動機器人通過在不同位置對不同直線的跟蹤來達到對曲線的跟蹤。如圖1的誤差分析所示，用采樣點oi處的切線 soi 來逼近曲線 oi-1oi，由于移動機器人在運動過程中對控制指令有滯后現象，當采樣點a位于切線與曲線之間時，移動機器人將誤以為產生了右偏差，控制器將產生向左的糾偏指令，從而導致誤差加大，而且隨著滯后現象的加劇，跟蹤誤差將隨之加大。同樣waxmax等［5］提出的弦線跟蹤方式也會出現此類現象。screen.width-400)this.style.width=screen.width-400;">圖1切線跟蹤方式1.2圓弧跟蹤方式圓弧跟蹤方式相當于用分段圓弧來擬合曲線路徑［6］,該方法在一定程度上改善了切線跟蹤和弦線跟蹤的不足，路徑跟蹤精度有一定的進步，但由于分段跟蹤圓弧的曲率在路徑跟蹤中是不變的，因此當路徑采樣圓弧與分段跟蹤圓弧的曲率半徑差別較大時，尤其是當路徑采樣圓弧出現直線、采樣點位于二者之間時，移動機器人也會產生闊別期看路徑的糾偏指令，使得跟蹤誤差加大。2路徑特征向量的抽取如圖2所示，設pc 為移動機器人確當前實際位姿，pr為其當前期看位姿，則移動機器的誤差分析screen.width-400)this.style.width=screen.width-400;">圖2路徑跟蹤中人在路徑跟蹤中會產生方向誤差eh、橫向偏移誤差ex和縱向偏移誤差ey， 設誤差矢量e和路徑跟蹤精度誤差限δe 分別為screen.width-400)this.style.width=screen.width-400;">當e≤δe時，抽取當前路徑段的特征向量，進行路徑形式的識別和分類，進而跟蹤所識別的路徑。否則控制轉進糾偏模塊進行糾偏。screen.width-400)this.style.width=screen.width-400;">圖3路徑特征表示法如圖3所示，移動機器人前方路徑段的特征向量dm(m=i,j,k，…)即為在每個采樣點處移動機器人確當前實際位置與其期看位置之間在移動機器人坐標系x′o′y′中o′x′方向上的坐標值。設(x′0,y′0)為移動機器人坐標原點在盡對坐標系xoy中的坐標，(xm,ym)(m=i,j,k，…)為期看路徑上對應采樣點i,j,k，…在盡對坐標系xoy 中的坐標，(x′m,y′m)為期看路徑上對應采樣點在移動機器人坐標系x′o′y′中的坐標，則根據前述dm(m=i,j,k，…)的定義知dm=x′m=(xm-x′0)cosθ (ym-y′0)sinθ式中，(xm,ym)(m=i,j,k，…)和(x′0,y′0)以及θ由感知模塊得到。3路徑識別及其分類器的設計3.1移動機器人前方路徑段的期看種別根據移動機器人的驅動特性，可以將反映移動機器人前方路徑段的期看種別分成若干類。表1給出了9類路徑種別的曲率,從而可以確定出描述各個期看種別的特征向量，該特征向量就組成了用于練習神經網絡的練習樣本數據庫。表1各路徑種別的曲率單位：1/mm種別12345曲率0.00160.001250.000830.000630.0005種別6789曲率0.000330.000250.0001603.2基于art—2神經網絡改進算法的分類器設計 將描述移動機器人前方路徑段特征向量dm(m=i,j,k，…)，作為分類器的輸進向量來實現移動機器人對其前方路徑段的識別和分類。筆者以art—2神經網絡改進算法［7］為基礎設計分類器，art—2神經網絡改進算法如下： 當dm(m=i,j,k，…)輸進給神經網絡時，經過一系列規格化運算和非線性變換，特征表示場f1就得到一個輸進信息ui，則種別表示場f2從特征表示場得到的輸進信息為 pi=ui ?nj=1g(yi)ωji種別表示場f2中節點j的輸進為tj=?mi=1piωij式中，ωji為自頂向下的權重；ωij為自底向上的權重。假如在f2中節點j被激活，記為tj=max{tj: for all f2 node j}。則對所有j≠j有g(yj)=d, and g(yj)=0在長時記憶層ltm中，權重的學習公式為(dωji)/(dt)=d(1-d)(ui)/(1-d)-ωji(dωij)/(dt)=d(1-d)(ui)/(1-d)-ωij調整子系統對f2場發出重置信號的條件為(ρ)/(e ‖r‖)
【基于神經網絡的移動機器人對路徑形式的識別與分類】相關文章：
基于LMBP神經網絡的聲納圖像識別03-07
基于神經網絡ZISC的模式識別系統03-18
基于BP神經網絡的遙感影像分類方法研究03-07
基于神經網絡工具箱的遙感影像分類03-07
基于BP神經網絡的點狀地圖符號模式識別03-07
論生物知識的表征形式及其建構的路徑03-18
基于SVM的ISAR像中的目標識別03-19
基于粗集的神經網絡的項目風險評估02-27
基于神經網絡的車輛動力學分析11-22