3、路径识别及其分类器的设计
   
    3.1 移动机器人前方路径段的期望类别

    根据移动机器人的驱动特性，可以将反映移动机器人前方路径段的期望类别分成若干类。表1给出了9类路径类别的曲率,从而可以确定出描述各个期望类别的特征向量，该特征向量就组成了用于训练神经网络的训练样本数据库。

表1 各路径类别的曲率单位：1/mm

3.2 基于ART—2神经网络改进算法的分类器设计

    将描述移动机器人前方路径段特征向量Dm(m=i,j,k，…)，作为分类器的输入向量来实现移动机器人对其前方路径段的识别和分类。笔者以ART—2神经网络改进算法［7］为基础设计分类器，ART—2神经网络改进算法如下：

    当Dm(m=i,j,k，…)输入给神经网络时，经过一系列规格化运算和非线性变换，特征表示场F1就得到一个输入信息Ui，则类别表示场F2从特征表示场得到的输入信息为

    Pi=Ui+Nj=1g(yi)ωji

    类别表示场F2中节点j的输入为

    Tj=mi=1Piωij

    式中，ωji为自顶向下的权重；ωij为自底向上的权重。

    如果在F2中节点J被激活，记为TJ=max{Tj: for all F2 node j}。

    则对所有j≠J有

    g(yJ)=d, and g(yJ)=0

    在长时记忆层LTM中，权重的学习公式为

    (dωji)/(dt)=d(1-d)(Ui)/(1-d)-ωji

    (dωij)/(dt)=d(1-d)(Ui)/(1-d)-ωij

    调整子系统对F2场发出重置信号的条件为

    (ρ)/(e+‖R‖)>1

    式中,ρ为网络的警戒参数,ρ∈［0,1］。

    ‖R‖=(mi=1r²i)^1/2

    ri=(Ui+cpi)/(e+‖U‖+‖cP‖)

    显然，U和P的相似度愈高，‖R‖愈接近于1。当‖R‖>ρ时, 网络就建立了新的类别。

    在传统的ART—2网络中，自顶向下的权重ωji的初始值置为零，自底向上的权重ωij置为随机值，并且满足

    ｜ωij｜≤1/(1-d)

    此时，网络在不同时间会出现所识别类别的排序变化，这样不利于后续控制。为此对ART—2网络中权重ωij 的初值选取做如下改动：

    取权重ωij的初值均为同一初值，即

    ωij=1/(2(1-d)M)

    ART—2网络改进算法的参数值如下： 
    M=5  F1 场中的输入节点数
    N=9  F2 场中STM节点数（即输出节点数）
    φ=1/M  噪声抑制参数
    ETP=0.05  误差限参数
    ρ=0.9987  警戒线参数

    综上所述，可设计出用于路径识别和分类的控制器，其控制框图见图4。

    4、实验与结论

    本实验用移动机器人为TIT—1型轮式移动机器人，车体外形尺寸为1400 mm×750 mm×600 mm，后两轮采用交流伺服系统驱动，前两轮为随动支撑轮。在移动机器人车体中心上部安装有全方位鱼眼镜头来采集室内顶部灯标的信息，从而实现移动机器人自 身位姿的感知。采用示教的方法给出移动机器人所要跟踪的路径，移动机器人依据所记忆的灯标信息流记忆并跟踪所示教的路径。实验表明，在路径跟踪过程中，移 动机器人能够快速地识别所要跟踪的前方路径段的形式，所识别的路径段曲率与所示教的实际路径段的曲率基本吻合。证明笔者所提出的基于ART—2神经网络改 进算法的路径实时识别和分类的新方法是正确和可靠的。传统的路径跟踪方法(切线、弦线和固定圆弧)中，移动机器人始终处于纠偏控制中，从而使移动机器人的 运动出现不稳定和振荡现象［4～6，8］，降低了路径跟踪精度。本方法可以控制移动机器人使其按照所识别的路径曲率进行跟踪，因此可以较大幅度地提高移动 机器人的路径跟踪精度。

共2页 上一页  [1] [2]  第1页第2页