神经网络在移动机器人路径规划中的应用研究

1简介

随着智能控制理论和方法的迅速发展移动机器人网络，智能方法已被广泛应用于移动机器人的路径规划中. 目前，主要的智能导航算法主要包括模糊算法，神经网络算法，模糊神经网络，遗传算法和进化神经网络. 根据机器人对环境信息的掌握程度，可分为两种: （1）全局路径规划: 是指根据先验环境模型找到从起点到目标点的可行或最优路径； （2）局部路径规划: 工作环境未知，部分未知. 必须通过传感器获取诸如障碍物的大小，形状和位置之类的信息，并且可以实时做出决策. 本文借鉴了人脑从粗略划分到细分的思想，并将无需教师学习的自组织神经网络和具有教师学习的多层前馈神经网络相结合，以进行机器人的全局路径规划和定位在二维环境中. 路线图. 首先，分析Kohonen神经网络算法及其识别机制，确定机器人的环境以制定全局计划. 然后，使用获取的本地环境信息来避免在尽可能短的时间内遇到未知障碍. 防撞计划也是部分计划，是从感知空间到动作空间的映射.

可以以不同方式实现映射关系. 在这里，使用具有教师学习能力的BP算法. 实验表明，采用这种方法进行路径规划后，机器人路径的合理性，任务的准确性和工作效率大大提高，能量损失也大大降低.

2 Kohonen神经网络在全局路径规划中的应用

Kohonen神经网络是一个自组织神经网络，其学习结果可以反映输入样本的分布，从而实现对输入样本的数据压缩. 基于网络的这些特征，Kohonen神经元的权重向量可用于表示自由空间. 该方法是在自由空间中随机选择坐标点（可从传感器获得）作为网络输入. 神经网络从大量输入样本中学习. ，其神经元将反映一定的分布. 学习过程如下: 首先，网络的权重是随机分配的，每个神经元可以最大程度地代表一定的自由空间. 神经元权重向量的最小生成树可以表示自由空间的基本框架. 网络学习社区可以动态定义为矩形或多边形. 神经元数量的选择取决于环境的复杂性. 如果神经元的数量太少，它们将无法覆盖整个空间. 结果，节点将穿过障碍物区域. 如果节点数太大，则这些节点将代表更多区域，并且将无法获得距障碍物的最大距离. 在这种情况下，节点将学习整个可用空间，而不是最小的帧空间. 节点数可以动态定义. 在每个学习阶段的最后，机器人将检查所有路径. 如果在路径上检测到障碍物，则意味着没有足够的节点覆盖整个自由空间. 再次学习. 因此，为了收敛到最小帧表示，应使用较少的网络节点来开始学习并逐渐增加其数量. 这由二维结构表示. Kohonen模型是一个两层网络（图1中所示的结构）: 输入层接收输入信号模式，并且神经元的数量与输入模式的特征数量相对应；输出层神经元也称为映射神经元. Kohonen网络的输入神经元和输出神经元完全连接，并且连接强度由权重控制. 网络的自组织过程是根据输入信号模式动态调整权重的过程. 算法如下:

3多层前馈神经网络在局部规划中的应用

Kohonen神经网络对环境信息进行分类，并获得输入样本的分布，即障碍物的位置信息和机器人相对于障碍物的位置信息，但受到动态环境的影响（例如作为动态障碍），机器人可能会偏离全局路径. 此时移动机器人网络，根据传感器获得的信息，将上一部分的算法路径与BP神经网络结合起来，以完善机器人路径. 为了通过此样本集训练好的神经网络，以完成移交给它的路径规划任务. 在这里，选择已知类别的训练样本集T，根据算法收敛后，根据它们将它们用作输入信号模式来训练BP网络. 已知类别的环境样本可以得出最佳路径. 步骤如下:

确定BP神经网络的学习样本如下: 学习样本表示障碍物的位置信息和机器人相对于障碍物的位置信息，并且通过Kohonen网络划分机器人的工作空间通过这个样本集来训练一个好人. 神经网络完成委托给它的路径规划任务.

4结论

本文对使用神经网络进行机器人路径规划进行了一些探索和研究. 根据上述方法在计算机上对其进行仿真. 该算法是正确有效的. 这两个神经网络的结合特别适合于机器人控制. 它具有以下突出特征:

（1）因为神经网络可以通过几个示例来学习获得最佳网络参数，所以它不需要受控对象的数学模型，也不需要人们预先为其设计控制算法.

（2）神经网络具有并行处理信息的能力，因此可以将输入的m维向量同时转换为满足要求的n维向量. 因此，它可以有效地处理需要复杂计算的机器人的视觉和听觉信息.

（3）神经网络对是其他自适应控制系统无法比拟的.

（4）神经网络具有泛化能力. 它可以处理未经训练的数据并获得与这些数据相对应的适当答案.

该算法适用于机器人网格空间中的路径规划和二维点机器人工作区中的路径规划. 因此，该方法具有广阔的应用前景.

本文来自电脑杂谈，转载请注明本文网址：
http://www.pc-fly.com/a/tongxinshuyu/article-251205-1.html