基于神經(jīng)網(wǎng)絡(luò)的智能移動(dòng)機(jī)器人導(dǎo)航算法研究.pdf

1、移動(dòng)機(jī)器人是機(jī)器人領(lǐng)域的一個(gè)重要發(fā)展方向，廣泛地應(yīng)用于工業(yè)、農(nóng)業(yè)、軍事、交通、服務(wù)業(yè)等方面，導(dǎo)航控制技術(shù)是其研究核心，也是移動(dòng)機(jī)器人實(shí)現(xiàn)智能化及完全自主的關(guān)鍵技術(shù)。由于人工神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的學(xué)習(xí)功能與非線性映射能力，使得其在移動(dòng)機(jī)器人導(dǎo)航控制領(lǐng)域得到了廣泛的應(yīng)用。
　　 本文深入探討和研究神經(jīng)網(wǎng)絡(luò)技術(shù)及其在移動(dòng)機(jī)器人導(dǎo)航控制中的應(yīng)用情況，針對(duì)移動(dòng)機(jī)器人導(dǎo)航問(wèn)題的特點(diǎn)和現(xiàn)狀，主要應(yīng)用神經(jīng)網(wǎng)絡(luò)技術(shù)，結(jié)合其他智能算法如強(qiáng)化學(xué)習(xí)等，來(lái)提

2、高移動(dòng)機(jī)器人自組織、自學(xué)習(xí)、自適應(yīng)的智能化水平，解決移動(dòng)機(jī)器人在復(fù)雜不確定環(huán)境和未知可變環(huán)境下的自主導(dǎo)航問(wèn)題。本文的主要工作和成果如下：
　　 1.針對(duì)移動(dòng)機(jī)器人在無(wú)固定環(huán)境下的實(shí)時(shí)導(dǎo)航控制問(wèn)題，研究了一種基于模糊神經(jīng)網(wǎng)絡(luò)的導(dǎo)航控制方法，在神經(jīng)網(wǎng)絡(luò)框架下，引入定性知識(shí)，即在常規(guī)神經(jīng)網(wǎng)絡(luò)的輸入層和輸出層加入模糊層，用模糊規(guī)則構(gòu)造神經(jīng)網(wǎng)絡(luò)，在使網(wǎng)絡(luò)權(quán)值有明確的物理意義的同時(shí)，保留了神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)機(jī)制。這種網(wǎng)絡(luò)將模糊邏輯推理的知識(shí)性結(jié)

3、構(gòu)和神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)能力結(jié)合在一起，較一般神經(jīng)網(wǎng)絡(luò)有更大的針對(duì)性。將模糊神經(jīng)網(wǎng)絡(luò)算法運(yùn)用于移動(dòng)機(jī)器人導(dǎo)航控制問(wèn)題中，根據(jù)人類導(dǎo)航專家總結(jié)的先驗(yàn)知識(shí)，通過(guò)自學(xué)習(xí)修正網(wǎng)絡(luò)權(quán)值，實(shí)現(xiàn)較為有效的實(shí)時(shí)導(dǎo)航控制。
　　 2.為使機(jī)器人的行為面向全局任務(wù)，提高機(jī)器人的自主適應(yīng)能力，減少前期的經(jīng)驗(yàn)總結(jié)和結(jié)構(gòu)設(shè)計(jì)工作量的問(wèn)題，本文提出了一種基于遺傳進(jìn)化神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的移動(dòng)機(jī)器人全局路徑規(guī)劃方法。利用遺傳算法的全局性搜索優(yōu)化神經(jīng)網(wǎng)絡(luò)包括拓?fù)浣Y(jié)構(gòu)和

4、網(wǎng)絡(luò)權(quán)值在內(nèi)的體系結(jié)構(gòu)，以機(jī)器人的全局行為來(lái)評(píng)價(jià)網(wǎng)絡(luò)性能，控制網(wǎng)絡(luò)的進(jìn)化方向，構(gòu)造具有最優(yōu)體系結(jié)構(gòu)的移動(dòng)機(jī)器人神經(jīng)網(wǎng)絡(luò)控制器，來(lái)解決復(fù)雜不確定環(huán)境下移動(dòng)機(jī)器人的全局路徑規(guī)劃問(wèn)題。最后通過(guò)仿真實(shí)驗(yàn)證明，該方法無(wú)需任何導(dǎo)航先驗(yàn)知識(shí)，充分體現(xiàn)了機(jī)器人的智能水平和自主學(xué)習(xí)能力。
　　 3.為使智能機(jī)器人系統(tǒng)能夠在未知可變環(huán)境中進(jìn)行自主在線學(xué)習(xí)，在與環(huán)境交互的過(guò)程中，逐步掌握有效的避障導(dǎo)航的知識(shí)和方法，實(shí)現(xiàn)對(duì)未知環(huán)境的探索和最優(yōu)行為策略的

5、學(xué)習(xí)，提出一種ARTQL神經(jīng)網(wǎng)絡(luò)模型，并將它應(yīng)用于智能機(jī)器人導(dǎo)航控制中。ARTQL神經(jīng)網(wǎng)絡(luò)將Q學(xué)習(xí)算法的“試錯(cuò)法”行為探索策略和ART2神經(jīng)網(wǎng)絡(luò)的自適應(yīng)競(jìng)爭(zhēng)學(xué)習(xí)機(jī)制相結(jié)合，利用網(wǎng)絡(luò)中的長(zhǎng)期記憶LTM權(quán)向量來(lái)存儲(chǔ)機(jī)器人探索過(guò)的所有狀態(tài)空間模式特征以及相應(yīng)的模式.行為估計(jì)值，使其無(wú)需任何先驗(yàn)知識(shí)即可在完全未知環(huán)境中進(jìn)行行為決策和狀態(tài)空間模式分類的兩層在線學(xué)習(xí)，通過(guò)與環(huán)境的交互，不斷總結(jié)和積累不同環(huán)境特征下的導(dǎo)航經(jīng)驗(yàn)，逐步改進(jìn)控制策略，提高學(xué)