CN102346489A - 基于脉冲神经网络的机器人跟踪目标的控制方法 - Google Patents
基于脉冲神经网络的机器人跟踪目标的控制方法 Download PDFInfo
- Publication number
- CN102346489A CN102346489A CN2010102400674A CN201010240067A CN102346489A CN 102346489 A CN102346489 A CN 102346489A CN 2010102400674 A CN2010102400674 A CN 2010102400674A CN 201010240067 A CN201010240067 A CN 201010240067A CN 102346489 A CN102346489 A CN 102346489A
- Authority
- CN
- China
- Prior art keywords
- neuron
- pulse
- robot
- motor
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 25
- 210000002569 neuron Anatomy 0.000 claims abstract description 100
- 210000002161 motor neuron Anatomy 0.000 claims abstract description 11
- 230000000007 visual effect Effects 0.000 claims abstract description 8
- 238000001914 filtration Methods 0.000 claims abstract description 5
- 230000002441 reversible effect Effects 0.000 claims description 21
- JEIPFZHSYJVQDO-UHFFFAOYSA-N ferric oxide Chemical compound O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 claims description 17
- 230000000875 corresponding effect Effects 0.000 claims description 13
- 210000005036 nerve Anatomy 0.000 claims description 13
- 230000004888 barrier function Effects 0.000 claims description 12
- NBIIXXVUZAFLBC-UHFFFAOYSA-N Phosphoric acid Chemical compound OP(O)(O)=O NBIIXXVUZAFLBC-UHFFFAOYSA-N 0.000 claims description 9
- 238000002604 ultrasonography Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 4
- 240000002627 Cordeauxia edulis Species 0.000 claims description 3
- 230000002860 competitive effect Effects 0.000 claims description 3
- 239000004744 fabric Substances 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 4
- 230000000670 limiting effect Effects 0.000 abstract description 2
- 230000010354 integration Effects 0.000 abstract 1
- 230000005764 inhibitory process Effects 0.000 description 7
- 238000005381 potential energy Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012421 spiking Methods 0.000 description 2
- 210000000225 synapse Anatomy 0.000 description 2
- 208000011038 Cold agglutinin disease Diseases 0.000 description 1
- 229920000535 Tan II Polymers 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- JJWKPURADFRFRB-UHFFFAOYSA-N carbonyl sulfide Chemical compound O=C=S JJWKPURADFRFRB-UHFFFAOYSA-N 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 208000020345 childhood apraxia of speech Diseases 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000011551 heat transfer agent Substances 0.000 description 1
- 210000000088 lip Anatomy 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 231100000614 poison Toxicity 0.000 description 1
- 230000007096 poisonous effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013341 scale-up Methods 0.000 description 1
- 208000014155 speech-language disorder-1 Diseases 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明是一种基于脉冲神经网络的机器人跟踪目标的控制方法,是将机器人感知的多传感器信息预处理后,以脉冲串的方式在脉冲神经网络中集成处理,进而控制机器人实现对目标的无碰跟踪。机器人综合视觉、码盘以及超声数据产生目标信息及障碍信息,预处理后送入脉冲神经网络的输入层,包括目标神经元、传感器神经元和避障神经元,生成对应的脉冲信号,其中避障神经元生成的脉冲信号还经隐藏层神经元进行处理;产生的脉冲信号经加权送入输出层的两对电机神经元,这两对电机神经元输出的脉冲串所对应的脉冲数分别通过竞争、滤波、限幅后,控制左右电机。本发明机器人根据自身感知信息做出实时决策,为其在安全警戒、保卫等方面的应用提供技术支持。
Description
技术领域
本发明涉及移动机器人技术领域,特别是一种基于脉冲(Spiking)神经网络的机器人跟踪目标的控制方法。
背景技术
移动机器人能够代替人在危险、恶劣(如辐射、有毒等)以及人所不及的(如宇宙空间、水下等)环境下作业,应用前景广泛。目标跟踪作为移动机器人的一个典型研究内容,在安全警戒、安全保卫等方面具有重要的应用前景。
为实现移动机器人未知环境下的实时运动控制,出现很多方法,包括人工势场法、向量场直方图法、动态窗口法以及基于行为的方法等,同时,智能控制方法例如模糊逻辑与神经网络方法等也应用到机器人中。近年来,脉冲神经网络(Spiking神经网络)以其采用脉冲的形式来接收、传递和处理信息受到关注。有必要深入开展基于脉冲神经网络的机器人控制器研究,在有效综合视觉、码盘以及超声数据产生的目标信息及障碍信息基础上,使得机器人安全无碰的实现对目标的跟踪。
发明内容
本发明的目的是提供一种基于脉冲神经网络的机器人跟踪目标的控制方法,使得机器人无碰的实现对目标的跟踪,达到令人满意的效果。
为实现上述目的,本发明基于脉冲神经网络的机器人跟踪目标的控制方法,包括步骤:
步骤A:机器人利用视觉传感器、码盘以及超声传感器探测环境,对获取的视觉图像数据、码盘数据和超声数据进行处理,产生目标信息及障碍信息送入信息预处理模块M1、M2和M3中,获得预处理后的结果和分别与脉冲神经网络输入层的目标神经元、传感器神经元和避障神经元相对应,其中ng为脉冲神经网络的输入层的目标神经元的个数,ns为脉冲神经网络的输入层的传感器神经元的个数;
步骤B:信息预处理模块M1、M2和M3分别将预处理后的结果送入脉冲神经网络输入层的目标神经元、传感器神经元和避障神经元,目标神经元、传感器神经元和避障神经元分别生成对应的脉冲信号;其中避障神经元部分生成的脉冲信号经隐藏层神经元处理后产生避障相关的脉冲信号;
步骤C:目标神经元、传感器神经元和隐藏层神经元将产生的脉冲信号加权处理后送入输出层的左电机正向神经元和右电机正向神经元;同时,隐藏层神经元将产生的脉冲信号加权处理后送入输出层的左电机反向神经元和右电机反向神经元;左电机正向神经元和左电机反向神经元、右电机正向神经元和右电机反向神经元组成输出层的两对电机神经元,两对电机神经元点火后分别生成脉冲串,脉冲串所对应的脉冲数分别为nlf、nlb、nrf和nrb;
步骤D:两对电机神经元输出的脉冲串所对应的脉冲数分别通过竞争、滤波、限幅后,产生机器人移动机构的左右电机的控制信号nlo和nro,进而控制左右电机实现机器人的运动;
步骤E:在生成左右电机的控制信号后,机器人采用赫布(Hebb)学习算法,对连接输入层的目标神经元和传感器神经元到输出层的左电机正向神经元和右电机正向神经元的权值进行在线调整;
步骤F:返回步骤A。
优选实施例,目标上带有一中空圆柱形的色标筒,色标筒的中心与目标的中心保持一致。
优选实施例,左电机正向神经元和左电机反向神经元为竞争关系,输出脉冲串所对应的脉冲数多的神经元抑制脉冲数少的神经元,并且输出脉冲数多的神经元的脉冲数。
优选实施例,右电机正向神经元和右电机反向神经元为竞争关系,输出脉冲串所对应的脉冲数多的神经元抑制脉冲数少的神经元,并且输出脉冲数多的神经元的脉冲数。
本发明的有益效果:本发明采用基于脉冲神经网络的控制方法,以脉冲串的方式在脉冲神经网络中实时处理目标和障碍相关信息,规划机器人运动,实现对移动目标的无碰动态跟踪。本发明机器人可根据自身感知信息做出实时决策,为其在安全警戒、安全保卫等方面的应用提供技术支持。
附图说明
图1是基于脉冲神经网络的机器人跟踪目标的控制框图;
图2是机器人超声传感器模型;
图3是机器人对静止目标跟踪的轨迹;
图4是机器人对静止目标跟踪过程中生成的左右电机的控制信号;
图5是机器人跟踪动态目标的轨迹;
图6是机器人跟踪动态目标过程中生成的左右电机的控制信号。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明进一步详细说明。
本发明提供了一种基于脉冲神经网络的机器人目标跟踪控制方法,机器人利用视觉传感器、码盘以及超声传感器探测环境,对获取的视觉图像数据、码盘数据和超声数据进行处理,产生目标信息及障碍信息,预处理后送入脉冲神经网络的输入层,包括目标神经元、传感器神经元和避障神经元,生成对应的脉冲信号,其中避障神经元部分生成的脉冲信号经隐藏层处理后产生避障相关的脉冲信号;目标神经元、传感器神经元和隐藏层神经元将产生的脉冲信号加权处理后送入输出层的左电机正向神经元和右电机正向神经元;同时,隐藏层神经元将产生的脉冲信号加权处理后送入输出层的左电机反向神经元和右电机反向神经元;左电机正向神经元和左电机反向神经元、右电机正向神经元和右电机反向神经元组成输出层的两对电机神经元,这两对电机神经元输出的脉冲串所对应的脉冲数分别通过竞争、滤波、限幅后,产生机器人移动机构的左右电机的控制信号,进而控制左右电机实现机器人的运动,使机器人在避开障碍物的同时跟踪目标。此外,对连接输入层的传感器神经元和目标神经元到输出层的左电机正向神经元和右电机正向神经元的权值采用赫布学习算法进行调整。控制框图如图1所示,包含信息预处理单元以及脉冲神经网络单元,其中,和分别为信息预处理模块M1、M2和M3处理后的结果,ng为目标神经元的个数,ns为传感器神经元的个数;nlf,nlb,nrf和nrb分别为左电机正向神经元、左电机反向神经元以及右电机正向神经元、右电机反向神经元点火后生成的脉冲串所对应的脉冲数;和分别为左电机正向神经元和左电机反向神经元、右电机正向神经元和右电机反向神经元竞争后的输出;nlo和nro分别为机器人移动机构的左右电机的控制信号。
1.信息预处理
在介绍信息预处理模块M1,M2和M3之前,首先给出周围障碍信息和目标信息的产生。
机器人装有三摄像机Sv(1),Sv(2),Sv(3),从机器人中心到这三个摄像机光心的连线方向分别与各自的光轴方向相一致,且分别与机器人当前运动方向向右转方向、当前运动方向、当前运动方向左转方向相一致,视野均为扇形区域,摄像机视角的限制会带来三个盲区。
为了实现对感兴趣目标的识别与相对定位,目标带一色标筒,该筒为中空的圆柱形筒,由两种颜色上下组合而成,色标筒的中心与目标的中心保持一致。机器人通过对目标上色标筒的视觉识别实现身份确认,结合视觉标定,进而得到估算的相对定位信息。令d,θ分别为目标相对于机器人坐标系的距离和观测方位角。
记(u,v)为色标筒上任意一点在图像坐标系中的坐标,该点在以摄像机光心为原点的坐标系wcamera上的坐标为(x,y,z),有:
其中M是摄像机的内参数矩阵,由摄像机标定得到,αx、αy,为内参数矩阵的参数,(u0,v0)为图像坐标系的原点。
记(u1,v1)和(u2,v2)分别为色标筒顶端和底端的点在图像坐标系中的坐标,(x1,y1,z1)和(x2,y2,z2)是它们在以摄像机光心为原点的坐标系wcamera上的坐标,u1=u2、z1=z2,色标筒的实际高度y2-y1可以实际测量得到,则根据目标上配备的色标筒的实际高度和色标筒在机器人图像上的高度之间的关系得出它们之间的近似距离d:
式中αy由M得到,v2-v1是色标筒在图像中的像素高度差,dca是摄像机与机器人中心之间的距离。
记(uT,vT)是色标筒的中心在图像坐标系中的坐标,ud,θv分别为图像的宽度和视野的宽度,则目标相对于机器人坐标系的观测方位角θ可近似估算如下:
其中i∈{1,2,3}。考虑到视觉盲区以及视觉干扰,机器人可能丢失目标。在目标丢失的一定时间内,机器人可以根据保存的目标信息进行预测,如果实在无法发现目标,机器人将漫游搜索。
当机器人需要预测目标时,首先利用码盘数据计算出机器人位置和方向的变化量Δx,Δy和Δφ,根据码盘得到的机器人左右轮行走的距离ΔDl和ΔDr:
当机器人直线运动时,(Δx,Δy,Δφ)=(0,ΔDl,0);否则,
其中b为轮间距的一半。
进而更新目标信息(d,θ):
其中(d0,θ0)为上一步获得的目标信息。
机器人采用超声传感器探测环境障碍信息,16个超声传感器Si,i=0,1,…,15均匀分布在圆周上,如图2所示,箭头表示机器人运动方向。记超声传感器Si的读数为ρSi,当超声传感器Si没有探测到障碍或其它机器人时,超声传感器数据记为ρSi=Srange,其中Srange为超声传感器最大探测范围。为避免机器人把目标当成障碍物躲避,记dSi为位于目标对机器人的两条切线之内的超声传感器Si到目标之间的距离,当ρSi≥dSi-3R,其中R为机器人半径,可认为得到的超声传感器数据是由目标产生的,此时,
ρSi=Srange。
信息预处理模块M2把超声传感器分为右Φ1={Si|9≤i≤11}、中Φ2={Si|7≤i≤9}、左Φ3={Si|5≤i≤7}三组,分别与一个传感器神经元的输入相对应,ns=3。每组的输出取该组数据与上限Sth的最小值,作为i=1,…,ns,其中Sth为给定阈值。
信息预处理模块M1融合视觉图像、码盘、超声等信息,生成目标神经元的输入。目标神经元共有ng=3个,分别与目标偏右,相对距离和目标偏左对应。考虑到机器人距离障碍较近且目标与障碍同方向时不能往该方向转动,以及引入非线性来改善频率编码带来的死区等问题,设计如下:
上述预处理信息送入脉冲神经网络的输入层。
脉冲神经网络包括输入层、隐藏层和输出层。
a)输入层:包括目标神经元、传感器神经元以及避障神经元,将输入信号生成对应的脉冲信号。
考虑到频率编码简单且易于实现,输入信号均采用频率编码。频率编码根据输入大小产生一串脉冲,这些脉冲分布在一个给定的时间窗(定长)上。在每个时间窗中,首先要根据信息预处理模块输出的结果得到目标神经元、传感器神经元和避障神经元的输出脉冲的个数
计算如下:
其中函数round(x)对变量x取整,取值为最近的整数。
输入层神经元的输出为均匀分布在当前时间窗上(即脉冲间隔相同)的Nj个脉冲,脉冲幅度为1,用Oj(t)表示:
其中ltime表示编码的时间窗长度,δ(·)是Dirac函数。
其中^表示“与”运算,即有2个脉冲同时到达时,输出一个脉冲。
c)输出层:含有两个电机正向神经元和两个电机反向神经元
两个电机正向神经元Motor Neuron i(i=ld,rf)(反向为i(i=ld,rb))采用脉冲响应模型Spike Response Model的简化形式,lf,rf,lb,rb分别与左电机正向神经元、右电机正向神经元以及左电机反向神经元、右电机反向神经元相对应。
电机正向神经元的膜势能Ui(t)(i=lf,rf)如下式:
其中为PSP的核函数,τs=8ms表示时间常数,Θ(t)为阶跃函数以保证系统的因果性;wij是连接神经元到神经元i的突触(synapse)对应的权值,它的符号决定了后突触的势能PSP是兴奋或是抑制;表示当前时间窗内神经元j的第n个脉冲的产生时刻,即 为当前时间窗内神经元j的脉冲产生时刻(即)的集合;是神经元i在t时刻之前最近那一次脉冲产生的时刻,如果t时刻之前没有脉冲产生,取tref表示抑制期的时间长度,在抑制期内,神经元既不接受新的输入,也不产生新的脉冲,则不等式表示上一次脉冲产生之前收到的脉冲以及抑制期内收到的脉冲的作用全部清零,即只有抑制期过后的那些输入脉冲才对电机神经元的膜势能产生作用。
类似的,反向电机神经元的膜势能Ui(t)(i=lb,rb)的计算如下:
用Vref=2表示神经元点火的阈值,如果神经元i的膜势能Ui(t)同时满足以下条件:
·Ui(t)≥Verf
·Ui(t)>Ui(t-1)(表示膜势能处于上升阶段)
·t时刻该神经元不处于抑制期内
则神经元i在t时刻点火并产生一个脉冲。神经元点火之后,能量清零,并进入抑制期。
电机神经元生成脉冲串Oi(t)(i=lf,rf,lb,rb):
进而得到Oi(t)(i=lf,rf,lb,rb)所对应的脉冲数nlf,nrf,nlb和nrb:
电机是正向还是反向转动,由其对应的正向神经元和反向神经元相互竞争决定,输出脉冲串所对应的脉冲数多的神经元抑制脉冲数少的神经元,并且输出脉冲数多的神经元的脉冲数,用下式表示:
情况2:如果和同号,对输出的脉冲进行滤波其中rfilter=0.6为滤波系数。同时,由于快速转弯会给机器人的运动带来抖动,要予以限制,把nlo和nro的差限制在Δnmax(Δnmax=6)个脉冲之内,即i=lo,ro。
情况3:如果两边电机的速度和均小于vlow(vlow=6cm/s),由于电机的性能导致机器人无法运动,因此两边电机的各增加一个脉冲,保证机器人能够运动,即其中p为比例系数。根据左右电机的控制信号nlo和nro,得到左右轮速度vl和vr如下:
d)权值学习
为了让神经网络可以根据未知环境进行改变,以适应不同环境,采用赫布(Hebb)学习调整权值。目标神经元和传感器神经元(输入层)到正向电机神经元(输出层)的连接对应的权值可以通过学习在线调整,每个时间窗结束时,调整一次权值。神经元权值采用赫布学习算法,使用学习窗函数
权值调整如下:
本发明所提供的一种基于脉冲神经网络的机器人跟踪目标的控制方法应用于中科院自动化所研制的智能机器人上。机器人装有3个CCD传感器,16个超声传感器,直径48cm,传感器读数范围为Srange=400cm,Sth=120cm。KO=20,KG=2。脉冲神经网络的相关参数:
Toa=40cm,Taim=200cm,Tref=10ms,ltime=100ms。电机比例参数p=4.5cm/s。赫布学习的参数如下:τsyn=5ms,τ+=1ms,τ=20ms,A+=1,A-=-1,学习率rlearn=0.01,权值学习部分的初始幅度为4,权值固定部分幅度为8。
当机器人感知到自身到目标的距离小于0.9m时,认为机器人已经跟踪上目标,机器人将停止运动。采用本发明所提供的目标跟踪方法,效果令人满意。图3为机器人对静止目标跟踪的轨迹,其中S为机器人起始位置,G为机器人的终止位置,可以看出机器人顺利的无碰绕过障碍,输入左右电机的控制信号nlo和nro如图4所示。图5为机器人跟踪动态目标的轨迹,其中SR为机器人起始位置,GR为机器人的终止位置,目标运动的起始位置和终止位置分别为SA和GA,可以看出,随着目标的运动,机器人相应改变自身的运动,实现对动态目标的跟踪,输入左右电机的控制信号nlo和nro如图6所示。
以上所述,仅为本发明中的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉该技术的人在本发明所揭露的技术范围内,可理解想到的变换或替换,都应涵盖在本发明的权利要求书的保护范围之内。
Claims (4)
1.一种基于脉冲神经网络的机器人跟踪目标的控制方法,包括步骤:
步骤A:机器人利用视觉传感器、码盘以及超声传感器探测环境,对获取的视觉图像数据、码盘数据和超声数据进行处理,产生目标信息及障碍信息送入信息预处理模块M1、M2和M3中,获得预处理后的结果和分别与脉冲神经网络输入层的目标神经元、传感器神经元和避障神经元相对应,其中ng为脉冲神经网络的输入层的目标神经元的个数,ns为脉冲神经网络的输入层的传感器神经元的个数;
步骤B:信息预处理模块M1、M2和M3分别将预处理后的结果送入脉冲神经网络输入层的目标神经元、传感器神经元和避障神经元,目标神经元、传感器神经元和避障神经元分别生成对应的脉冲信号;其中避障神经元部分生成的脉冲信号经隐藏层神经元处理后产生避障相关的脉冲信号;
步骤C:目标神经元、传感器神经元和隐藏层神经元将产生的脉冲信号加权处理后送入输出层的左电机正向神经元和右电机正向神经元;同时,隐藏层神经元将产生的脉冲信号加权处理后送入输出层的左电机反向神经元和右电机反向神经元;左电机正向神经元和左电机反向神经元、右电机正向神经元和右电机反向神经元组成输出层的两对电机神经元,两对电机神经元点火后分别生成脉冲串,脉冲串所对应的脉冲数分别为nlf、nlb、nrf和nrb;
步骤D:两对电机神经元输出的脉冲串所对应的脉冲数分别通过竞争、滤波、限幅后,产生机器人移动机构的左右电机的控制信号nlo和nro,进而控制左右电机实现机器人的运动;
步骤E:在生成左右电机的控制信号后,机器人采用赫布(Hebb)学习算法,对连接输入层的目标神经元和传感器神经元到输出层的左电机正向神经元和右电机正向神经元的权值进行在线调整;
步骤F:返回步骤A。
2.如权利要求1所述的基于脉冲神经网络的机器人跟踪目标的控制方法,其特征在于,目标上带有一中空圆柱形的色标筒,色标筒的中心与目标的中心保持一致。
3.如权利要求1所述的基于脉冲神经网络的机器人跟踪目标的控制方法,其特征在于,左电机正向神经元和左电机反向神经元为竞争关系,输出脉冲串所对应的脉冲数多的神经元抑制脉冲数少的神经元,并且输出脉冲数多的神经元的脉冲数。
4.如权利要求1所述的基于脉冲神经网络的机器人跟踪目标的控制方法,其特征在于,右电机正向神经元和右电机反向神经元为竞争关系,输出脉冲串所对应的脉冲数多的神经元抑制脉冲数少的神经元,并且输出脉冲数多的神经元的脉冲数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010102400674A CN102346489A (zh) | 2010-07-28 | 2010-07-28 | 基于脉冲神经网络的机器人跟踪目标的控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010102400674A CN102346489A (zh) | 2010-07-28 | 2010-07-28 | 基于脉冲神经网络的机器人跟踪目标的控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102346489A true CN102346489A (zh) | 2012-02-08 |
Family
ID=45545241
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010102400674A Pending CN102346489A (zh) | 2010-07-28 | 2010-07-28 | 基于脉冲神经网络的机器人跟踪目标的控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102346489A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103454919A (zh) * | 2013-08-19 | 2013-12-18 | 江苏科技大学 | 智能空间中移动机器人的运动控制系统及方法 |
CN103674018A (zh) * | 2013-12-20 | 2014-03-26 | 河北汉光重工有限责任公司 | 三维航迹的二维显示方法 |
CN103984342A (zh) * | 2013-12-23 | 2014-08-13 | 王秀青 | 移动机器人的多脉冲神经网络控制器导航控制方法 |
CN104914867A (zh) * | 2015-06-12 | 2015-09-16 | 吉林大学 | 一种模糊神经网络的六足机器人自主导航闭环控制器 |
CN105467841A (zh) * | 2015-12-18 | 2016-04-06 | 中国科学院自动化研究所 | 一种类人机器人上肢运动的类神经控制方法 |
CN105619408A (zh) * | 2016-02-24 | 2016-06-01 | 中国科学院自动化研究所 | 一种类人机器人上肢运动模型的类神经精准控制方法 |
CN106406323A (zh) * | 2016-12-14 | 2017-02-15 | 智易行科技(武汉)有限公司 | 基于北斗‑gps导航下的移动平台自适应精密运动控制方法 |
CN107065881A (zh) * | 2017-05-17 | 2017-08-18 | 清华大学 | 一种基于深度强化学习的机器人全局路径规划方法 |
CN107272705A (zh) * | 2017-07-31 | 2017-10-20 | 中南大学 | 一种智能环境下机器人路径的多神经网络控制规划方法 |
CN108446757A (zh) * | 2017-12-29 | 2018-08-24 | 北京理工大学 | 一种基于脉冲神经网络的多级延时级联的速度识别系统与方法 |
CN108873768A (zh) * | 2017-05-09 | 2018-11-23 | 欧姆龙株式会社 | 任务执行系统及方法、学习装置及方法、以及记录介质 |
WO2019034970A1 (en) * | 2017-08-17 | 2019-02-21 | International Business Machines Corporation | NEUROMORPHIC TREATMENT APPARATUS |
CN110555523A (zh) * | 2019-07-23 | 2019-12-10 | 中建三局智能技术有限公司 | 一种基于脉冲神经网络的短程跟踪方法及系统 |
CN110826437A (zh) * | 2019-10-23 | 2020-02-21 | 中国科学院自动化研究所 | 基于生物神经网络的智能机器人控制方法、系统、装置 |
CN117237604A (zh) * | 2023-09-14 | 2023-12-15 | 电子科技大学重庆微电子产业技术研究院 | 一种目标跟踪方法、装置、计算机设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101299233A (zh) * | 2008-04-08 | 2008-11-05 | 西安交通大学 | 基于fpga实现的运动目标识别与跟踪装置及方法 |
CN101569527A (zh) * | 2009-05-26 | 2009-11-04 | 西安交通大学苏州研究院 | 用于治疗睡眠呼吸暂停综合症的机器人设备系统及其实现方法 |
-
2010
- 2010-07-28 CN CN2010102400674A patent/CN102346489A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101299233A (zh) * | 2008-04-08 | 2008-11-05 | 西安交通大学 | 基于fpga实现的运动目标识别与跟踪装置及方法 |
CN101569527A (zh) * | 2009-05-26 | 2009-11-04 | 西安交通大学苏州研究院 | 用于治疗睡眠呼吸暂停综合症的机器人设备系统及其实现方法 |
Non-Patent Citations (3)
Title |
---|
FADY ALNAJJAR ET AL.: "Sensor-Fusion in Spiking Neural Network that Generates Autonomous Behavior in Real Mobile Robot", 《INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS》, 8 June 2008 (2008-06-08) * |
X. WANG ET AL.: "A behavior controller based on spiking neural networks for mobile robots", 《NEUROCOMPUTING》, vol. 71, no. 46, 31 January 2008 (2008-01-31) * |
蔡自兴 等: "未知环境中移动机器人导航控制研究的若干问题", 《控制与决策》, vol. 17, no. 4, 31 July 2002 (2002-07-31) * |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103454919B (zh) * | 2013-08-19 | 2016-03-30 | 江苏科技大学 | 智能空间中移动机器人的运动控制系统的控制方法 |
CN103454919A (zh) * | 2013-08-19 | 2013-12-18 | 江苏科技大学 | 智能空间中移动机器人的运动控制系统及方法 |
CN103674018A (zh) * | 2013-12-20 | 2014-03-26 | 河北汉光重工有限责任公司 | 三维航迹的二维显示方法 |
CN103984342A (zh) * | 2013-12-23 | 2014-08-13 | 王秀青 | 移动机器人的多脉冲神经网络控制器导航控制方法 |
CN104914867B (zh) * | 2015-06-12 | 2018-02-16 | 吉林大学 | 一种模糊神经网络的六足机器人自主导航闭环控制器 |
CN104914867A (zh) * | 2015-06-12 | 2015-09-16 | 吉林大学 | 一种模糊神经网络的六足机器人自主导航闭环控制器 |
CN105467841A (zh) * | 2015-12-18 | 2016-04-06 | 中国科学院自动化研究所 | 一种类人机器人上肢运动的类神经控制方法 |
CN105467841B (zh) * | 2015-12-18 | 2018-03-30 | 中国科学院自动化研究所 | 一种类人机器人上肢运动的类神经控制方法 |
CN105619408A (zh) * | 2016-02-24 | 2016-06-01 | 中国科学院自动化研究所 | 一种类人机器人上肢运动模型的类神经精准控制方法 |
CN106406323A (zh) * | 2016-12-14 | 2017-02-15 | 智易行科技(武汉)有限公司 | 基于北斗‑gps导航下的移动平台自适应精密运动控制方法 |
CN108873768A (zh) * | 2017-05-09 | 2018-11-23 | 欧姆龙株式会社 | 任务执行系统及方法、学习装置及方法、以及记录介质 |
CN108873768B (zh) * | 2017-05-09 | 2021-08-06 | 欧姆龙株式会社 | 任务执行系统及方法、学习装置及方法、以及记录介质 |
CN107065881A (zh) * | 2017-05-17 | 2017-08-18 | 清华大学 | 一种基于深度强化学习的机器人全局路径规划方法 |
CN107065881B (zh) * | 2017-05-17 | 2019-11-08 | 清华大学 | 一种基于深度强化学习的机器人全局路径规划方法 |
CN107272705B (zh) * | 2017-07-31 | 2018-02-23 | 中南大学 | 一种智能环境下机器人路径的多神经网络控制规划方法 |
CN107272705A (zh) * | 2017-07-31 | 2017-10-20 | 中南大学 | 一种智能环境下机器人路径的多神经网络控制规划方法 |
GB2579528B (en) * | 2017-08-17 | 2021-02-17 | Samsung Electronics Co Ltd | Neuromorphic processing apparatus |
WO2019034970A1 (en) * | 2017-08-17 | 2019-02-21 | International Business Machines Corporation | NEUROMORPHIC TREATMENT APPARATUS |
US11222255B2 (en) | 2017-08-17 | 2022-01-11 | Samsung Electronics Co., Ltd. | Neuromorphic processing apparatus |
GB2579528A (en) * | 2017-08-17 | 2020-06-24 | Ibm | Neuromorphic processing apparatus |
CN108446757A (zh) * | 2017-12-29 | 2018-08-24 | 北京理工大学 | 一种基于脉冲神经网络的多级延时级联的速度识别系统与方法 |
CN108446757B (zh) * | 2017-12-29 | 2020-09-01 | 北京理工大学 | 一种基于脉冲神经网络的多级延时级联的速度识别系统与方法 |
CN110555523A (zh) * | 2019-07-23 | 2019-12-10 | 中建三局智能技术有限公司 | 一种基于脉冲神经网络的短程跟踪方法及系统 |
CN110555523B (zh) * | 2019-07-23 | 2022-03-29 | 中建三局智能技术有限公司 | 一种基于脉冲神经网络的短程跟踪方法及系统 |
CN110826437A (zh) * | 2019-10-23 | 2020-02-21 | 中国科学院自动化研究所 | 基于生物神经网络的智能机器人控制方法、系统、装置 |
CN117237604A (zh) * | 2023-09-14 | 2023-12-15 | 电子科技大学重庆微电子产业技术研究院 | 一种目标跟踪方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102346489A (zh) | 基于脉冲神经网络的机器人跟踪目标的控制方法 | |
CN112766561B (zh) | 一种基于注意力机制的生成式对抗轨迹预测方法 | |
Muller et al. | Off-road obstacle avoidance through end-to-end learning | |
CN102915039B (zh) | 一种仿动物空间认知的多机器人联合目标搜寻方法 | |
CN108492258A (zh) | 一种基于生成对抗网络的雷达图像去噪方法 | |
Hadi et al. | Deep reinforcement learning for adaptive path planning and control of an autonomous underwater vehicle | |
CN111949032A (zh) | 一种基于强化学习的3d避障导航系统及方法 | |
Zhang et al. | A bi-directional LSTM ship trajectory prediction method based on attention mechanism | |
CN115080903B (zh) | 一种基于智能优化算法的海上多目标多模态匹配融合方法 | |
CN101667037A (zh) | 一种基于可行通道的机器人目标追踪方法 | |
CN117141518A (zh) | 一种基于意图感知时空注意网络的车辆轨迹预测方法 | |
Zhong et al. | Research on target tracking for robotic fish based on low-cost scarce sensing information fusion | |
Hirose et al. | ExAug: Robot-conditioned navigation policies via geometric experience augmentation | |
Patel et al. | Learning-based real-time process-aware anomaly monitoring for assured autonomy | |
Guan et al. | Vinet: Visual and inertial-based terrain classification and adaptive navigation over unknown terrain | |
CN113034542A (zh) | 一种运动目标检测跟踪方法 | |
Tivive et al. | Automatic human motion classification from Doppler spectrograms | |
Ryu et al. | Confidence-based robot navigation under sensor occlusion with deep reinforcement learning | |
Barat et al. | Benthic boundary tracking using a profiler sonar | |
Komer et al. | BatSLAM: Neuromorphic spatial reasoning in 3D environments | |
Muller et al. | Real-time adaptive off-road vehicle navigation and terrain classification | |
Khalil et al. | Integration of motion prediction with end-to-end latent RL for self-driving vehicles | |
Farooq et al. | Design and implementation of fuzzy logic based autonomous car for navigation in unknown environments | |
Valtl et al. | Frequency modulated continuous wave radar-based navigation algorithm using artificial neural network for autonomous driving | |
Narayanan et al. | Ewarenet: Emotion-aware pedestrian intent prediction and adaptive spatial profile fusion for social robot navigation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20120208 |