基于神经网络的移动机器人对路径形式的识别与
2017-09-17 01:50
导读:理工论文论文,基于神经网络的移动机器人对路径形式的识别与应该怎么写,有什么格式要求,科教论文网提供的这篇文章是一个很好的范例:
在已知路径时,要求移动机器人快速正确地进行路径跟踪是柔性
在已知路径时,要求移动机器人快速正确地进行路径跟踪是柔性装配系统中实现物料自动传输的一个关键技术。目前,很多学者都是在笛卡尔坐标空间中,建立移动机器人的实际位姿和期看位姿之间的误差矢量,并采用该误差矢量作为系统的反馈来消除跟踪误差,并想法在控制过程中减少有关移动机器人的运动学和动力学的计算量,进步算法的实时性[1~4]。但移动机器人在路径跟踪过程中,始终是处于纠偏状态下,其运动路线呈“蛇”形轨迹,从而影响移动机器人的跟踪精度。为此,在分析传统路径跟踪方式所存在的不足的基础上,笔者采用神经网络技术,分析了路径特征向量的抽取方法,设计了用于移动机器人路径识别的分类器,实现了移动机器人对其所跟踪路径进行实时识别和分类,进而按照所识别的路径形式进行跟踪,进步了路径跟踪精度。1传统路径跟踪方式分析1.1切线跟踪方式与弦线跟踪方式切线跟踪方式是移动机器人通过在不同位置对不同直线的跟踪来达到对曲线的跟踪。如图1的误差分析
所示,用采样点oi处的切线 soi 来逼近曲线 oi-1oi,由于移动机器人在运动过程中对控制指令有滞后现象,当采样点a位于切线与曲线之间时,移动机器人将误以为产生了右偏差,控制器将产生向左的纠偏指令,从而导致误差加大,而且随着滞后现象的加剧,跟踪误差将随之加大。同样waxmax等[5]提出的弦线跟踪方式也会出现此类现象。screen.width-400)this.style.width=screen.width-400;">图1切线跟踪方式1.2圆弧跟踪方式圆弧跟踪方式相当于用分段圆弧来拟合曲线路径[6],该方法在一定程度上改善了切线跟踪和弦线跟踪的不足,路径跟踪精度有一定的进步,但由于分段跟踪圆弧的曲率在路径跟踪中是不变的,因此当路径采样圆弧与分段跟踪圆弧的曲率半径差别较大时,尤其是当路径采样圆弧出现直线、采样点位于二者之间时,移动机器人也会产生阔别期看路径的纠偏指令,使得跟踪误差加大。2路径特征向量的抽取如图2所示,设pc 为移动机器人确当前实际位姿,pr为其当前期看位姿,则移动机器的误差分析screen.width-400)this.style.width=screen.width-400;">图2路径跟踪中人在路径跟踪中会产生方向误差eh、横向偏移误差ex和纵向偏移误差ey, 设误差矢量e和路径跟踪精度误差限δe 分别为screen.width-400)this.style.width=screen.width-400;">当e≤δe时,抽取当前路径段的特征向量,进行路径形式的识别和分类,进而跟踪所识别的路径。否则控制转进纠偏模块进行纠偏。screen.width-400)this.style.width=screen.width-400;">图3路径特征表示法如图3所示,移动机器人前方路径段的特征向量dm(m=i,j,k,…)即为在每个采样点处移动机器人确当前实际位置与其期看位置之间在移动机器人坐标系x′o′y′中o′x′方向上的坐标值。设(x′0,y′0)为移动机器人坐标原点在尽对坐标系xoy中的坐标,(xm,ym)(m=i,j,k,…)为期看路径上对应采样点i,j,k,…在尽对坐标系xoy 中的坐标,(x′m,y′m)为期看路径上对应采样点在移动机器人坐标系x′o′y′中的坐标,则根据前述dm(m=i,j,k,…)的定义知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由感知模块得到。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看种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看种别分成若干类。表1给出了9类路径种别的曲率,从而可以确定出描述各个期看种别的特征向量,该特征向量就组成了用于练习神经网络的练习样本数据库。表1各路径种别的曲率单位:1/mm种别12345曲率0.00160.001250.000830.000630.0005种别6789曲率0.000330.000250.0001603.2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,…),作为分类器的输进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,…)输进给神经网络时,经过一系列规格化运算和非线性变换,特征表示场f1就得到一个输进信息ui,则种别表示场f2从特征表示场得到的输进信息为 pi=ui 秐j=1g(yi)ωji种别表示场f2中节点j的输进为tj=秏i=1piωij式中,ωji为自顶向下的权重;ωij为自底向上的权重。假如在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‖)