基于神經(jīng)網(wǎng)絡(luò )的移動(dòng)機器人對路徑形式的識別與分類(lèi)

在已知路徑時(shí)，要求移動(dòng)機器人快速正確地進(jìn)行路徑跟蹤是柔性裝配系統中實(shí)現物料自動(dòng)傳輸的一個(gè)關(guān)鍵技術(shù)。目前，很多學(xué)者都是在笛卡爾坐標空間中，建立移動(dòng)機器人的實(shí)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(lái)消除跟蹤誤差，并想法在控制過(guò)程中減少有關(guān)移動(dòng)機器人的運動(dòng)學(xué)和動(dòng)力學(xué)的計算量，進(jìn)步算法的實(shí)時(shí)性［1～4］。但移動(dòng)機器人在路徑跟蹤過(guò)程中，始終是處于糾偏狀態(tài)下，其運動(dòng)路線(xiàn)呈“蛇”形軌跡，從而影響移動(dòng)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(jīng)網(wǎng)絡(luò )技術(shù)，分析了路徑特征向量的抽取方法，設計了用于移動(dòng)機器人路徑識別的分類(lèi)器，實(shí)現了移動(dòng)機器人對其所跟蹤路徑進(jìn)行實(shí)時(shí)識別和分類(lèi)，進(jìn)而按照所識別的路徑形式進(jìn)行跟蹤，進(jìn)步了路徑跟蹤精度。1傳統路徑跟蹤方式分析1.1切線(xiàn)跟蹤方式與弦線(xiàn)跟蹤方式切線(xiàn)跟蹤方式是移動(dòng)機器人通過(guò)在不同位置對不同直線(xiàn)的跟蹤來(lái)達到對曲線(xiàn)的跟蹤。如圖1的誤差分析
所示，用采樣點(diǎn)oi處的切線(xiàn) soi 來(lái)逼近曲線(xiàn) oi-1oi，由于移動(dòng)機器人在運動(dòng)過(guò)程中對控制指令有滯后現象，當采樣點(diǎn)a位于切線(xiàn)與曲線(xiàn)之間時(shí)，移動(dòng)機器人將誤以為產(chǎn)生了右偏差，控制器將產(chǎn)生向左的糾偏指令，從而導致誤差加大，而且隨著(zhù)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(xiàn)跟蹤方式也會(huì )出現此類(lèi)現象。screen.width-400)this.style.width=screen.width-400;">圖1切線(xiàn)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(lái)擬合曲線(xiàn)路徑［6］,該方法在一定程度上改善了切線(xiàn)跟蹤和弦線(xiàn)跟蹤的不足，路徑跟蹤精度有一定的進(jìn)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(shí)，尤其是當路徑采樣圓弧出現直線(xiàn)、采樣點(diǎn)位于二者之間時(shí)，移動(dòng)機器人也會(huì )產(chǎn)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(dòng)機器人確當前實(shí)際位姿，pr為其當前期看位姿，則移動(dòng)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(huì )產(chǎn)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(shí)，抽取當前路徑段的特征向量，進(jìn)行路徑形式的識別和分類(lèi)，進(jìn)而跟蹤所識別的路徑。否則控制轉進(jìn)糾偏模塊進(jìn)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(dòng)機器人前方路徑段的特征向量dm(m=i,j,k，…)即為在每個(gè)采樣點(diǎn)處移動(dòng)機器人確當前實(shí)際位置與其期看位置之間在移動(dòng)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(dòng)機器人坐標原點(diǎn)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(diǎn)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(diǎn)在移動(dòng)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(lèi)器的設計3.1移動(dòng)機器人前方路徑段的期看種別根據移動(dòng)機器人的驅動(dòng)特性，可以將反映移動(dòng)機器人前方路徑段的期看種別分成若干類(lèi)。表1給出了9類(lèi)路徑種別的曲率,從而可以確定出描述各個(gè)期看種別的特征向量，該特征向量就組成了用于練習神經(jīng)網(wǎng)絡(luò )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(jīng)網(wǎng)絡(luò )改進(jìn)算法的分類(lèi)器設計 將描述移動(dòng)機器人前方路徑段特征向量dm(m=i,j,k，…)，作為分類(lèi)器的輸進(jìn)向量來(lái)實(shí)現移動(dòng)機器人對其前方路徑段的識別和分類(lèi)。筆者以art—2神經(jīng)網(wǎng)絡(luò )改進(jìn)算法［7］為基礎設計分類(lèi)器，art—2神經(jīng)網(wǎng)絡(luò )改進(jìn)算法如下： 當dm(m=i,j,k，…)輸進(jìn)給神經(jīng)網(wǎng)絡(luò )時(shí)，經(jīng)過(guò)一系列規格化運算和非線(xiàn)性變換，特征表示場(chǎng)f1就得到一個(gè)輸進(jìn)信息ui，則種別表示場(chǎng)f2從特征表示場(chǎng)得到的輸進(jìn)信息為 pi=ui ?nj=1g(yi)ωji種別表示場(chǎng)f2中節點(diǎn)j的輸進(jìn)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(diǎn)j被激活，記為tj=max{tj: for all f2 node j}。則對所有j≠j有g(shù)(yj)=d, and g(yj)=0在長(cháng)時(shí)記憶層ltm中，權重的學(xué)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(chǎng)發(fā)出重置信號的條件為(ρ)/(e ‖r‖)

【基于神經(jīng)網(wǎng)絡(luò )的移動(dòng)機器人對路徑形式的識別與分類(lèi)】相關(guān)文章：

基于LMBP神經(jīng)網(wǎng)絡(luò )的聲納圖像識別03-07

基于神經(jīng)網(wǎng)絡(luò )ZISC的模式識別系統03-18

基于BP神經(jīng)網(wǎng)絡(luò )的遙感影像分類(lèi)方法研究03-07

基于神經(jīng)網(wǎng)絡(luò )工具箱的遙感影像分類(lèi)03-07

基于BP神經(jīng)網(wǎng)絡(luò )的點(diǎn)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(jīng)網(wǎng)絡(luò )的項目風(fēng)險評估02-27

基于神經(jīng)網(wǎng)絡(luò )的車(chē)輛動(dòng)力學(xué)分析11-22