CN108523768A - 基于自适应策略优化的家庭清洁机器人控制系统 - Google Patents
基于自适应策略优化的家庭清洁机器人控制系统 Download PDFInfo
- Publication number
- CN108523768A CN108523768A CN201810199176.2A CN201810199176A CN108523768A CN 108523768 A CN108523768 A CN 108523768A CN 201810199176 A CN201810199176 A CN 201810199176A CN 108523768 A CN108523768 A CN 108523768A
- Authority
- CN
- China
- Prior art keywords
- network
- information
- value
- robot
- indicate
- 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.)
- Granted
Links
- 238000004140 cleaning Methods 0.000 title claims abstract description 47
- 238000005457 optimization Methods 0.000 title claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 44
- 230000009471 action Effects 0.000 claims abstract description 38
- 230000007613 environmental effect Effects 0.000 claims abstract description 38
- 230000008569 process Effects 0.000 claims abstract description 13
- 230000000007 visual effect Effects 0.000 claims description 30
- 230000003044 adaptive effect Effects 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 19
- 230000007787 long-term memory Effects 0.000 claims description 16
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000005520 cutting process Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 7
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000009825 accumulation Methods 0.000 claims description 4
- 230000001351 cycling effect Effects 0.000 claims description 3
- 230000007423 decrease Effects 0.000 claims description 3
- 230000004888 barrier function Effects 0.000 claims description 2
- 230000000875 corresponding effect Effects 0.000 abstract 1
- 230000026676 system process Effects 0.000 abstract 1
- 230000015654 memory Effects 0.000 description 7
- 230000033001 locomotion Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003252 repetitive effect Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
- A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
- A47L11/00—Machines for cleaning floors, carpets, furniture, walls, or wall coverings
-
- A—HUMAN NECESSITIES
- A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
- A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
- A47L11/00—Machines for cleaning floors, carpets, furniture, walls, or wall coverings
- A47L11/40—Parts or details of machines not provided for in groups A47L11/02 - A47L11/38, or not restricted to one of these groups, e.g. handles, arrangements of switches, skirts, buffers, levers
- A47L11/4011—Regulation of the cleaning machine by electric means; Control systems and remote control systems therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Manipulator (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于自适应策略优化的家庭清洁机器人控制系统，包括传感系统、控制系统、清洁系统、驱动系统及电力系统，所述传感系统采集环境信息和电力系统信息，并将环境信息和电力系统信息传入控制系统，所述控制系统根据接收到的信息通过自适应策略控制方法来处理，并传递该控制信号到驱动系统和清洁系统。本发明通过在清洁机器人的控制系统中采用自适应策略优化方法，处理来自传感系统获取的环境信息，然后选择合适的行动，并利用传感系统传递控制系统的控制信号到驱动系统和清洁系统，使清洁机器人执行对应的行动来清洁家庭环境。
Description
技术领域
本发明属于人工智能以及控制技术领域，尤其涉及一种基于自适应策略 优化的家庭清洁机器人控制系统，可以进行自我学习，完成对家庭清洁机器 人的控制。
背景技术
多年来，人们对自主机器人的研究越来越感兴趣。自主机器人有着广泛 的应用前景，例如家庭清洁机器人。随着生活水平的提高，越来越多的家庭 开始依赖于智能家庭清洁机器人来负责家庭环境的清洁工作，来减少人为清 洁工作，为家庭生活带来便捷。但是由于一般的智能家庭清洁机器人只能够 对于训练好的环境进行简单的清洁工作，这一局限性限制了家庭清洁机器人 应用到千家万户，赋予清洁机器人自我学习的能力变得越来越重要。具有自 主学习能力的家庭清洁机器人可以在随着家庭环境的改变而调整自己的清 洁策略，能够通过自我学习适应不同的家庭环境和随着时间而改变的家庭环 境。具有自我学习能力的家庭清洁机器人是高度智能化的机器人，通过与外 界环境交互而进行学习。机器人通过收集各个位置的传感器信息，利用深度 强化学习技术来进行自我学习，在不同的环境中实现其感知和决策等功能。
现有的家庭清洁机器人控制方法，采用一种简单的、无法自我学习的控 制方法。使用该控制策略的家庭机器人无法自主适应不同的家庭环境和随着 时间而变化的家庭环境。在日常清洁过程中，只能简单的重复各种清洁操作， 无法判断哪些区域已经清洁完成，哪些区域需要继续清洁。因此将消耗大量 的时间和电能在重复的区域，执行重复的清洁操作，直接导致清洁的时间延 长、清洁度下降等问题，同时大量的无用功，对机器本身的部件损耗较大， 缩短了机器的使用寿命。
发明内容
本发明目的是：提供一种基于自适应策略优化的家庭清洁机器人控制系 统，通过对控制方法的改良，能够更快的适应新的环境，保证策略更新的有 效性，减少重复操作和无用功，自我学习能力可更快地、准确地完成清洁作 业。
本发明的技术方案是：一种基于自适应策略优化的家庭清洁机器人控制 系统，包括传感系统、控制系统、清洁系统、驱动系统及电力系统，所述传 感系统采集环境信息和电力系统信息，并将环境信息和电力系统信息传入控 制系统，所述控制系统根据接收到的信息通过自适应策略控制方法来处理， 并传递该控制信号到驱动系统和清洁系统，其自适应策略控制方法包括如下 步骤：
⑴通过传感系统获取环境信息，包括视觉环境信息和非视觉信息；
⑵根据所述步骤⑴中获取的环境信息，初始化神经网络参数，包括环 境状态信息和奖赏信息，并初始化强化学习算法的各项参数；
⑶采用残差网络处理获取的环境信息，将高维度的环境视觉信息转换 成低纬度的特征信息，低维度特征信息与所述非视觉信息作为策略网络和值 网络的输入状态st；
⑷由策略网络控制机器人的行动，值网络评价行动的好坏：在状态st根 据当前策略计算所采取的行动at，机器人执行行动at后，获得新的环境状态st+1和立即奖赏rt，并通过值网络计算强化学习算法评价函数V(t)的值，用来评价 行动at的好坏；
⑸更新策略网络与值网络的参数，采用Adam梯度下降更新方式更新参 数；
所述策略网络损失函数Lπ(θ)计算方式如下： 其中πθ(at|st)表示新策略在状态st，选择行动 at的概率，πθold(at|st)表示旧策略在状态st，选择行动at的概率，表示优势值；
所述值网络的损失函数Lv(θ)的计算方式为：其 中V(t)为评价函数，为梯度下降算法中的损失函数；
所述Adam梯度下降更新方式计算损失函数为：其中 πθ(at|st)/πθold(at|st)的值采用自适应区间裁剪方法来计算，c1和c2是常数， S[πθ](st)表示的是策略πθ在状态st处的熵，表示在未来时间步内获得的 累积折扣奖赏，折扣因子γ(0≤γ≤1)；
⑹查看是否满足学习终止条件，若不满足，则返回到步骤4继续循环， 否则结束。
上述技术方案中，所述自适应区间裁剪方法的计算过程为：首先计算一 个裁剪边界[1-ε,1+ε]，其中其中|·|表示绝对值， 表示优势值，Vtarg(st)表示目标值，α表示正常数，防止分母为0；裁剪边 界ε的值会随着的值和V(st)的值的改变而自动变化，令 n＝πθ(at|st)/πθold(at|st)，n的值最终被裁剪到[1-ε,1+ε]区间范围内。
进一步的技术方案是，所述优势值采用GAE方法计算：
其中δt＝rt+γV(st+1)-V(st)，折扣因子γ (0≤γ≤1)。
上述技术方案中，所述步骤⑵中神经网络参数包括前馈网络和长短期记 忆网络的权值和偏置。
上述技术方案中，所述步骤⑶中，采用153层残差网络处理经过简单裁 剪的环境视觉信息，将高维度的环境视觉信息转换成低纬度的特征信息，所 述残差网络的参数通过监督学习提前训练好，该部分参数在自我学习过程中 不再进行更新。
上述技术方案中，所述步骤⑷中策略网络的熵损失计算方式为：计算策略熵损失的目的是增加策略对环境的探索，其中 S[πθ](st)表示策略πθ在状态st的熵，总损失计算方式如下： Loss＝-Lπ(θ)+c1Lv(θ)+c2Lentropy(θ)，c1和c2是常数。
上述技术方案中，所述传感系统获取的环境信息是：清洁机器人视野内 的家庭环境信息和非视觉信息；所述执行动作at是：在当前状态下可以执行 的操作集合，包括移动操作和清洁操作；所述立即奖赏rt是：环境对在当前 状态下机器人所采取的行动的评价，若机器人成功清理了家庭环境中的待清 理物，则给一个+1的奖赏；若机器人在行进过程中撞到了家庭环境中的用具， 则给一个-1的奖赏；若机器人在行走过程中既没有碰到障碍物，也没有遇到 清理物，则给一个0的奖赏。
本发明的优点是：
1、能够有效处理具有连续动作空间的控制问题。
2、基于自适应近邻方法能够有效利用环境反馈的奖赏信息和评价网络 计算出的值函数信息，计算出更为准确的近邻区间，能够有效提升机器人的 自我学习能力，提高机器人在有效区域内的清扫作业。
3、采用长短期记忆网络，能够在部分可观测的环境和需要记忆以前环 境状态信息的环境中学习到更好的策略，减少重复操作。
附图说明
下面结合附图及实施例对本发明作进一步描述：
图1是本发明实施例一的控制系统结构示意图；
图2是本发明实施例一中强化学习控制器结构示意图；
图3是本发明实施例一中策略网络和值网络结构示意图；
图4是本发明实施例一中残差网络结构示意图；
图5是本发明实施例一中残差单元结构示意图；
图6是本发明实施例一中自适应策略裁剪方法的示意图。
其中：1、传感系统；2、控制系统；3、清洁系统；4、驱动系统；5、 电力系统。
具体实施方式
下面结合附图及实施例对本发明作进一步描述：
实施例：参见附图1～6所示，一种基于自适应策略优化的家庭清洁机 器人控制系统，包括传感系统1、控制系统2、清洁系统3、驱动系统4及电 力系统5，所述传感系统1采集环境信息和电力系统5信息，并将环境信息 和电力系统5信息传入控制系统2，所述控制系统2根据接收到的信息通过 自适应策略控制方法来处理，并传递该控制信号到驱动系统4和清洁系统3。 其中：所述传感系统1的主要功能是采集环境信息和传输控制系统2的控制信号，传感系统1通过采集环境信息来感知机器人所处当前的环境，通过传 输控制系统2的控制信号来控制机器人的移动、清洁或者补充电力。具体控 制方法为：
假设在每个时间步t＝1,2,…，机器人的传感器系统观察马尔科夫决策过程 的状态为st，控制系统选择行动at，获得环境反馈的立即奖赏rt，并使系统转 移到下一个状态st+1，转移概率为p(st,at,st+1)。强化学习系统中智能体的目标是 学习到一个策略π，使得在未来时间步内获得的累积折扣奖赏最大 (0≤γ≤1为折扣因子)，该策略即为最优策略。但是在现实环境中，环境的状 态转移概率函数p和回报函数R未知。智能体要学习到最优策略，只有立即 奖赏rt可用，可以直接采用策略梯度方法优化策略函数和值函数。
本实施例中的强化学习控制系统基于“行动者/评论家”的结构。以传感 器系统感知的环境真实状态作为控制系统的输入，控制系统输出为实际的行 动，智能体的目的是寻找一个最优的控制策略，使得在未来时间步内所获得 的期望累积折扣奖赏最大。策略网络选择行动，值网络评估行动的好与坏， 采用TD(Temporal Difference)误差来计算损失，并通过随机梯度下降方法更 新两者的网络参数，寻找最优策略。控制结构如图2所示。
仿真过程中，在不同的环境下，控制系统的网络结构相同，算法参数也 采用同一套参数。回报函数的折扣因子γ＝0.99，采用153层残差网络用来处 理视觉信息，残差网络的网络参数固定，残差网络产生的输出作为策略网络 和值网络的输入，值网络和策略网络由两层隐藏层和一层输出层组成。在每 次实验中，机器人所处的环境初始状态是一个随机的初始状态，机器人从随 机的初始状态开始学习，若控制失败，则机器人则重新进行学习，直到机器 人能够在多轮控制中达到甚至超越人类控制水平。控制系统的网络结构如图 3所示。
步骤1：获取机器人所处的环境信息。
本实施例所针对的是家庭清洁机器人在面对新环境时的自我学习能力。 家庭清洁机器人传感器系统拥有视觉传感器和非视觉传感器以及执行相应 操作的必要硬件设备等。家庭清洁机器人通过传感器获取环境的视觉信息和 非视觉信息，并且通过传感器控制机器人的行动。
步骤2：获取机器人所处初始环境状态信息和奖赏信息等，并初始化算 法的参数。
初始化控制系统中的神经网络参数和强化学习算法参数，其中神经网络 参数包括前馈网络和长短期记忆网络的权值和偏置。
步骤3：对于环境反馈的视觉信息进行处理。
通过传感系统(包括视觉传感系统和非视觉传感系统)感知机器人所处 的状态。采用153层残差网络处理经过简单裁剪的环境视觉信息，将高维度 的环境视觉信息转换成低纬度的特征信息。低维度特征信息与传感器感知的 非视觉信息作为策略网络和值网络的输入状态st。其中残差网络的参数通过 监督学习提前训练好，该部分参数在自我学习过程中不再进行更新。残差网 络结构如图4和图5所示。
步骤4：由策略网络控制机器人的行动，值网络评价行动的好坏。
机器人在与环境交互后，获得环境反馈的状态信息、奖赏信息等。环境 反馈的高维视觉信息经过步骤3处理，产生一个输出，并结合其它非视觉信 息，作为策略网络和值网络的第一层隐藏层的输入，激活函数为tanh函数。 在状态st根据当前策略计算所采取的行动at，机器人执行行动at后，获得新 的环境状态st+1和立即奖赏rt。并通过值网络计算强化学习算法评价函数V(t)的 值，用来评价行动at的好坏。
策略网络由一层全连接层和一层长短期记忆网络层组成，策略网络的输 入是经过步骤3处理之后的环境状态信息。策略网络利用长短期记忆网络模 块的记忆能力，记忆机器人经历过的环境状态信息。对于给定状态st，策略 网络利用这些被记忆的环境信息，能够做出更准确的行动选择。
值网络由一层全连接层和一层长短期记忆网络层组成，值网络的输入与 策略网络的输入相同。值网络通过长短期记忆网络模块的记忆能力，利用以 前的状态信息，对于当前状态的回报函数做出更准确的计算。
步骤5：更新控制系统的策略网络参数和值网络参数。
机器人通过步骤4的方式不断与环境进行交互，采样一批样本用来更新 策略网络和值网络。具体更新方式如下：
策略网络损失函数Lπ(θ)的计算方式为：其中πθ(at|st)表示新策略在状态st，选择行动at的概率；πθold(at|st)表示旧策略 在状态st，选择行动at的概率；表示优势值，采用GAE(Generalized Advantage Estimation)方法计算，GAE计算优势值的方式为： 其中δt＝rt+γV(st+1)-V(st)。πθ(at|st)/πθold(at|st)用 来衡量新旧策略之间的差异，采用一种自适应区间裁剪方法来计算。该裁剪 目的是为了约束新旧策略之间的差异。值网络的损失函数Lv(θ)的计算方式 为：策略的熵损失计算方式为：计算策略熵损失的目的是增加策略对环境的探索，其中S[πθ](st)表示策略πθ在 状态st的熵。总损失计算方式如下：Loss＝-Lπ(θ)+c1Lv(θ)+c2Lentropy(θ)，采用Adam (Adaptive MomentEstimation)梯度下降方法来更新神经网络的参数。
自适应区间裁剪计算过程为：首先计算一个裁剪边界[1-ε,1+ε]，其中其中|·|表示绝对值，表示优势值，Vtarg(st)表示目 标值，α表示较小的正常数，用来防止分母为0。裁剪边界ε的值会随着的 值和V(st)的值的改变而自动变化。令n＝πθ(at|st)/πθold(at|st)，自适应裁剪过程 如图6所示。n的值最终被裁剪到[1-ε,1+ε]区间范围内。
采用所述更新方式更新策略网络和值网络的参数后，策略网络利用更新 后的策略在给定环境状态下，选择更加正确的行动，用来产生更高的回报值。
步骤6：查看控制结果
查看是否满足学习终止条件，若不满足，则返回到步骤4继续循环。否 则结束算法。
在真实环境中，机器人的初始状态初始化为机器人所处位置的环境状 态，机器人所处位置是一个随机位置。清洁机器人的控制系统通过处理环境 的状态和反馈信息来对机器人下一步需要采取的行动做出决策，并利用这些 数据更新决策网络和评价网络，直到机器人遇到终止状态，则机器人重新进 行学习。机器人在环境中执行100个情节(情节设定为有限长度)，若平均 表现不比人类表现差，则判定学习成功，若平均表现比人类差，则判定失败。
本实施例中，残差网络的作用是处理传感系统获取的高维视觉信息。残 差网络由四类共50个残差块组成，残差块由三层卷积网组成，分别是1×1， 3×3和1×1的卷积核，在3×3卷积核前后接1×1卷积核的目的是减少网 络参数数量。在第一层和最后一层卷积层之后分别使用最大池化和平均池化 的作用是使抽取到的特征具有平移旋转不变性等泛化能力和降低特征图的 大小但不改变特征图的数量，减少数据的维度，进一步减少计算量。
由于视觉信息处理网络结构层次较深，采用普通的卷积网络堆叠，会随 着网络层数的增加出现严重的梯度消失问题，所以我们使用残差网络来缓解 梯度消失问题。残差网络中每一层的卷积核大小、通道数和输出大小在图4 中展示了详细内容。
策略网络由两层隐藏层和一层输出层组成，隐藏层包含一层全连接层和 一层长短期记忆网络层，全连接层采用64个神经元和tanh激活函数，长短 期记忆网络层采用64个LSTM单元。输出层的神经元个数为动作空间的维 度。值网络由两层隐藏层和一层输出层组成，隐藏层包含一层全连接层和一 层长短期记忆网络层，全连接层采用64个神经元和tanh激活函数，长短期 记忆网络层采用64个LSTM单元。输出层包含一个神经元。
所述步骤3中，状态、行动和立即奖赏定义为：
状态：传感系统感知的环境状态为清洁机器人视野内的家庭环境信息和 其它非视觉信息。
行动：行动是在当前状态下可以执行的操作集合，本实例中行动分为控 制机器人的移动和清洁，其中移动操作是一种连续动作空间控制，清洁操作 是一种离散动作空间控制。
立即奖赏：立即奖赏是环境对在当前状态下机器人所采取的行动的评 价。本实施例中奖赏函数定义为：若机器人成功清理了家庭环境中的待清理 物，则给一个+1的奖赏；若机器人在行进过程中撞到了家庭环境中的用具， 则给一个-1的奖赏；若机器人在行走过程中既没有碰到障碍物，也没有遇到 清理物，则给一个0的奖赏。
本实施例中，策略网络和值网络均包含长短期记忆网络层且均有64个 长短期记忆单元。长短期记忆网络相比于普通的全连接网络，能够处理序列 状态之间在不同时间尺度存在依赖关系的任务，是由于长短期记忆网络中的 循环链接允许网络每一层访问先前的状态信息。长短期记忆网络通过输入 门、输出门、遗忘门以及记忆单元来控制信息在网络中的流通以达到记忆以 前环境信息的目的。长短期记忆网络单元的遗忘门的计算方式为： ft j＝σ(Wfxt+Ufht-1+Vfct-1)j，其中j表示第j个LSTM单元，σ表示sigmoid非线性 函数，ft j表示t时间步第j个LSTM单元的遗忘门的输出，Wf、Uf、Vf表示的 是LSTM单元遗忘门的参数，xt表示t时间步的输入数据，ht-1表示t-1时间步 LSTM单元的输出值，ct-1表示在t-1时间步LSTM单元的记忆单元的输出值。 输入门的计算方式为：其中表示t时间步第j个LSTM 单元的输入门的输出，Wi、Ui、Vi表示LSTM单元输入门的参数。新的记忆 上下文计算方式为：其中表示新的记忆上下文，Wc、Uc表示记忆上下文的参数，tanh表示tanh非线性函数。根据输入门的输出遗忘门的输出ft j、记忆上下文以及上一个时间步的记忆单元的内容可以 计算更新记忆单元的内容计算公式为：由和可以 得到LSTM单元的输出门的计算公式为：LSTM单元 最终的输出为计算公式为：
在本实施例中，根据清洁机器人与家庭环境交互，通过强化学习方法的 计算，获得清洁机器人在不同环境下的清洁策略，以使清洁机器人能够自主 适应千家万户的环境以及同一个家庭环境随着时间而改变的环境。
Claims (7)
1.一种基于自适应策略优化的家庭清洁机器人控制方法，包括传感系统、控制系统、清洁系统、驱动系统及电力系统，所述传感系统采集环境信息和电力系统信息，并将环境信息和电力系统信息传入控制系统，所述控制系统根据接收到的信息通过自适应策略控制方法来处理，并传递该控制信号到驱动系统和清洁系统，其自适应策略控制方法包括如下步骤：
⑴通过传感系统获取环境信息，包括视觉环境信息和非视觉信息；
⑵根据所述步骤⑴中获取的环境信息，初始化神经网络参数，包括环境状态信息和奖赏信息，并初始化强化学习算法的各项参数；
⑶采用残差网络处理获取的环境信息，将高维度的环境视觉信息转换成低纬度的特征信息，低维度特征信息与所述非视觉信息作为策略网络和值网络的输入状态st；
⑷由策略网络控制机器人的行动，值网络评价行动的好坏：在状态st根据当前策略计算所采取的行动at，机器人执行行动at后，获得新的环境状态st+1和立即奖赏rt，并通过值网络计算强化学习算法评价函数V(t)的值，用来评价行动at的好坏；
⑸更新策略网络与值网络的参数，采用Adam梯度下降更新方式更新参数；
所述策略网络损失函数Lπ(θ)计算方式如下：其中πθ(at|st)表示新策略在状态st，选择行动at的概率，πθold(at|st)表示旧策略在状态st，选择行动at的概率，表示优势值；
所述值网络的损失函数Lv(θ)的计算方式为：其中V(t)为评价函数，为梯度下降算法中的损失函数；
所述Adam梯度下降更新方式计算损失函数为：其中πθ(at|st)/πθold(at|st)的值采用自适应区间裁剪方法来计算，c1和c2是常数，S[πθ](st)表示的是策略πθ在状态st处的熵，表示在未来时间步内获得的累积折扣奖赏，折扣因子γ(0≤γ≤1)；
⑹查看是否满足学习终止条件，若不满足，则返回到步骤4继续循环，否则结束。
2.根据权利要求1所述的基于自适应策略优化的家庭清洁机器人控制方法，其特征在于：所述自适应区间裁剪方法的计算过程为：首先计算一个裁剪边界[1-ε,1+ε]，其中其中|·|表示绝对值，表示优势值，Vtarg(st)表示目标值，α表示正常数，防止分母为0；裁剪边界ε的值会随着的值和V(st)的值的改变而自动变化，令n＝πθ(at|st)/πθold(at|st)，n的值最终被裁剪到[1-ε,1+ε]区间范围内。
3.根据权利要求1或2所述的基于自适应策略优化的家庭清洁机器人控制方法，其特征在于：所述优势值采用GAE方法计算：
其中δt＝rt+γV(st+1)-V(st)，折扣因子γ(0≤γ≤1)。
4.根据权利要求1所述的基于自适应策略优化的家庭清洁机器人控制方法，其特征在于：所述步骤⑵中神经网络参数包括前馈网络和长短期记忆网络的权值和偏置。
5.根据权利要求1所述的基于自适应策略优化的家庭清洁机器人控制方法，其特征在于：所述步骤⑶中，采用153层残差网络处理经过简单裁剪的环境视觉信息，将高维度的环境视觉信息转换成低纬度的特征信息，所述残差网络的参数通过监督学习提前训练好，该部分参数在自我学习过程中不再进行更新。
6.根据权利要求1所述的基于自适应策略优化的家庭清洁机器人控制方法，其特征在于：所述步骤⑷中策略网络的熵损失计算方式为：计算策略熵损失的目的是增加策略对环境的探索，其中S[πθ](st)表示策略πθ在状态st的熵，总损失计算方式如下：Loss＝-Lπ(θ)+c1Lv(θ)+c2Lentropy(θ)，c1和c2是常数。
7.根据权利要求1所述的基于自适应策略优化的家庭清洁机器人控制方法，其特征在于：所述传感系统获取的环境信息是：清洁机器人视野内的家庭环境信息和非视觉信息；所述执行动作at是：在当前状态下可以执行的操作集合，包括移动操作和清洁操作；所述立即奖赏rt是：环境对在当前状态下机器人所采取的行动的评价，若机器人成功清理了家庭环境中的待清理物，则给一个+1的奖赏；若机器人在行进过程中撞到了家庭环境中的用具，则给一个-1的奖赏；若机器人在行走过程中既没有碰到障碍物，也没有遇到清理物，则给一个0的奖赏。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810199176.2A CN108523768B (zh) | 2018-03-12 | 2018-03-12 | 基于自适应策略优化的家庭清洁机器人控制系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810199176.2A CN108523768B (zh) | 2018-03-12 | 2018-03-12 | 基于自适应策略优化的家庭清洁机器人控制系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108523768A true CN108523768A (zh) | 2018-09-14 |
| CN108523768B CN108523768B (zh) | 2020-09-18 |
Family
ID=63483499
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810199176.2A Active CN108523768B (zh) | 2018-03-12 | 2018-03-12 | 基于自适应策略优化的家庭清洁机器人控制系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108523768B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112327821A (zh) * | 2020-07-08 | 2021-02-05 | 东莞市均谊视觉科技有限公司 | 一种基于深度强化学习的智能清洁机器人路径规划方法 |
| CN112926729A (zh) * | 2021-05-06 | 2021-06-08 | 中国科学院自动化研究所 | 人机对抗智能体策略制定方法 |
| CN114424916A (zh) * | 2018-11-01 | 2022-05-03 | 北京石头创新科技有限公司 | 清洁模式选择方法，智能清洁设备，计算机存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105137967A (zh) * | 2015-07-16 | 2015-12-09 | 北京工业大学 | 一种深度自动编码器与q学习算法相结合的移动机器人路径规划方法 |
| CN105690392A (zh) * | 2016-04-14 | 2016-06-22 | 苏州大学 | 基于行动者-评论家方法的机器人运动控制方法和装置 |
| EP3136304A1 (en) * | 2015-08-26 | 2017-03-01 | Applied Brain Research Inc. | Methods and systems for performing reinforcement learning in hierarchical and temporally extended environments |
| CN106873585A (zh) * | 2017-01-18 | 2017-06-20 | 无锡辰星机器人科技有限公司 | 一种导航寻路方法、机器人及系统 |
-
2018
- 2018-03-12 CN CN201810199176.2A patent/CN108523768B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105137967A (zh) * | 2015-07-16 | 2015-12-09 | 北京工业大学 | 一种深度自动编码器与q学习算法相结合的移动机器人路径规划方法 |
| EP3136304A1 (en) * | 2015-08-26 | 2017-03-01 | Applied Brain Research Inc. | Methods and systems for performing reinforcement learning in hierarchical and temporally extended environments |
| CN105690392A (zh) * | 2016-04-14 | 2016-06-22 | 苏州大学 | 基于行动者-评论家方法的机器人运动控制方法和装置 |
| CN106873585A (zh) * | 2017-01-18 | 2017-06-20 | 无锡辰星机器人科技有限公司 | 一种导航寻路方法、机器人及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 钱征,孙亮,阮晓钢: "一种基于强化学习的自适应控制方法", 《第二十四届中国控制会议论文集》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114424916A (zh) * | 2018-11-01 | 2022-05-03 | 北京石头创新科技有限公司 | 清洁模式选择方法，智能清洁设备，计算机存储介质 |
| CN112327821A (zh) * | 2020-07-08 | 2021-02-05 | 东莞市均谊视觉科技有限公司 | 一种基于深度强化学习的智能清洁机器人路径规划方法 |
| CN112926729A (zh) * | 2021-05-06 | 2021-06-08 | 中国科学院自动化研究所 | 人机对抗智能体策略制定方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108523768B (zh) | 2020-09-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112668235B (zh) | 基于离线模型预训练学习的ddpg算法的机器人控制方法 | |
| CN109635917B (zh) | 一种多智能体合作决策及训练方法 | |
| Li et al. | Forecasting building energy consumption with hybrid genetic algorithm-hierarchical adaptive network-based fuzzy inference system | |
| CN107253195B (zh) | 一种运载机器人手臂操控自适应混合学习映射智能控制方法及系统 | |
| CN110262511A (zh) | 基于深度强化学习的双足机器人自适应性行走控制方法 | |
| CN108523768A (zh) | 基于自适应策略优化的家庭清洁机器人控制系统 | |
| Zhao et al. | A brain-inspired decision making model based on top-down biasing of prefrontal cortex to basal ganglia and its application in autonomous UAV explorations | |
| CN109472397B (zh) | 基于粘度变化的聚合工艺参数调节方法 | |
| Huang et al. | Computational modeling of emotion-motivated decisions for continuous control of mobile robots | |
| CN116842856B (zh) | 一种基于深度强化学习的工业过程优化方法 | |
| Jacq et al. | Lazy-mdps: Towards interpretable reinforcement learning by learning when to act | |
| Jacq et al. | Lazy-MDPs: Towards Interpretable RL by Learning When to Act. | |
| Tan et al. | Proximal policy based deep reinforcement learning approach for swarm robots | |
| CN109408896B (zh) | 一种污水厌氧处理产气量多元智能实时监控方法 | |
| CN112527547B (zh) | 一种基于自动卷积神经网络的机械智能故障预测方法 | |
| CN112008707B (zh) | 一种基于部件分解的机器人控制方法及装置 | |
| CN113255739A (zh) | 一种鱼饲料检测与配方系统 | |
| CN116722541A (zh) | 一种基于卷积神经网络的电力系统负荷预测方法及装置 | |
| Lu et al. | Using emotions as intrinsic motivation to accelerate classic reinforcement learning | |
| Caironi et al. | Training and delayed reinforcements in Q‐learning agents | |
| Kim et al. | On developing an adaptive neural-fuzzy control system | |
| CN113837443B (zh) | 基于深度BiLSTM的变电站线路负载预测方法 | |
| Daglarli et al. | Behavioral task processing for cognitive robots using artificial emotions | |
| Gu et al. | Accuracy based fuzzy Q-learning for robot behaviours | |
| Bhatia et al. | Reinforcement learning |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20220819 Address after: Room 313-314, Building 2, Yangcheng Lake International Science and Technology Pioneer Park, No. 116, Chengyang Road, Chengyang Street, Economic and Technological Development Zone, Xiangcheng District, Suzhou City, Jiangsu Province, 215000 Patentee after: Haibo (Suzhou) robot technology Co.,Ltd. Address before: 215000 199 Ren Yan Road, Suzhou Industrial Park, Jiangsu Patentee before: SOOCHOW University |