CN110782033A - 一种基于模糊神经网络的agv车定位方法 - Google Patents

一种基于模糊神经网络的agv车定位方法 Download PDF

Info

Publication number
CN110782033A
CN110782033A CN201911033031.6A CN201911033031A CN110782033A CN 110782033 A CN110782033 A CN 110782033A CN 201911033031 A CN201911033031 A CN 201911033031A CN 110782033 A CN110782033 A CN 110782033A
Authority
CN
China
Prior art keywords
layer
neural network
fuzzy neural
agv
fuzzy
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
Application number
CN201911033031.6A
Other languages
English (en)
Inventor
杜玲
施丰鸣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Lingrui Shanghai Medical Technology Co Ltd
Original Assignee
Lingrui Shanghai Medical Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Lingrui Shanghai Medical Technology Co Ltd filed Critical Lingrui Shanghai Medical Technology Co Ltd
Priority to CN201911033031.6A priority Critical patent/CN110782033A/zh
Publication of CN110782033A publication Critical patent/CN110782033A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B62—LAND VEHICLES FOR TRAVELLING OTHERWISE THAN ON RAILS
    • B62D—MOTOR VEHICLES; TRAILERS
    • B62D63/00—Motor vehicles or trailers not otherwise provided for
    • B62D63/02—Motor vehicles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3407—Route searching; Route guidance specially adapted for specific applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Combustion & Propulsion (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Automation & Control Theory (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于模糊神经网络的AGV车定位方法，包括以下步骤：步骤1：在AGV车上设置若干传感器，每个所述传感器各自获取距离障碍物的距离数据，每个所述传感器根据所述距离数据获得对应的决策数据；步骤2：构建模糊神经网络模型，将所述距离数据作为所述模糊神经网络模型的输入值，将所述AGV车的速度和角度作为所述模糊神经网络模型的输出值；步骤3：采用专家经验对所述模糊神经网络模型进行训练，将训练误差减小到期望值时，得到模糊神经网络决策模型。其优点在于，通过多个传感器对信息进行融合，构建模糊神经模型，训练得到模糊神经网络决策模型，得到AGV车的速度和角度，进而调整AGV车的实时位置，寻找最佳路径，提高了AGV车的定位精度。

Description

一种基于模糊神经网络的AGV车定位方法
技术领域
本发明涉及AGV技术领域，尤其涉及一种基于模糊神经网络的AGV车定位方法。
背景技术
在AGV车的导航中，定位是其最基本的功能，也是其完成导航必须首先解决的问题，只有在准确确定当前位置和姿态后，才有可能根据工作环境，对当前位置与目标位置之间进行运动路径的规划。
在AGV车中，不同定位系统采用的传感器不同，因此，其定位方式也不同。根据AGV车的工作环境的复杂程度，可以给AGV车的定位系统配置不同种类和不同数量的传感器。其中，对于单一传感器，其获得环境特征或AGV车的运动状态信息的部分；对于多传感器，通过一个传感器得到AGV的位姿估计值，其他传感器对定位误差进行修正，得到最优估计值。
然而，上述定位系统具有缺陷。对于单一传感器，其只能够获得环境特征或AGV运动状态信息的部分信息，其精度、稳定性、可靠性等方面有待提高。对于多传感器，多个传感器提供的信息有些是互补的，有些是冗余的，并且多个传感器在同一系统中不能相互独立。
因此，亟需一种解决上述问题的基于多传感器的AGV车定位方法，使得多传感器能够相互独立，且信息不存在溶于。
发明内容
本发明的目的是针对现有技术中的不足，提供一种基于模糊神经网络的AGV车定位方法。
为实现上述目的，本发明采取的技术方案是：
一种基于模糊神经网络的AGV车定位方法，包括以下步骤：
步骤1：在AGV车上设置若干传感器，每个所述传感器各自获取距离障碍物的距离数据，每个所述传感器根据所述距离数据获得对应的决策数据；
步骤2：构建模糊神经网络模型，将所述距离数据作为所述模糊神经网络模型的输入值，将所述AGV车的速度和角度作为所述模糊神经网络模型的输出值；
步骤3：采用专家经验对所述模糊神经网络模型进行训练，将训练误差减小到期望值时，得到模糊神经网络决策模型。
优选地，在所述步骤2中，所述模糊神经网络模型为五层结构：
第一层为输入层，所述输入值为每个所述传感器获取的距离所述障碍物的所述距离数据，表示为di＝{d1，d2，d3，……，dn}，其中，n表示所述传感器的个数，n为大于等于1的整数，第一层节点数N1＝n；
第二层为模糊化层，用于对n个所述输入值进行模糊分割{近，中，远}，每个所述输入值被分为3个模糊子集，第二层节点数
Figure BDA0002250670720000021
隶属度函数为μij，其中i＝{1，2，3，……，n}，j＝{1，2，3}；
第三层为规则层，第三层节点数N3＝m＝3n，每个第三层节点代表一条模糊规则，计算每条所述模糊规则的适应度，其计算公式为
Figure BDA0002250670720000022
其中，k＝{1，2，3，……，m}；
第四层为归一层，第四层节点数N4＝m＝3n，进行归一化计算，其计算公式为
Figure BDA0002250670720000023
第五层为清晰化层，第五层节点数N5＝2，其计算公式为
Figure BDA0002250670720000024
其中，i＝{1，2}，βik为所述第四层和所述第五层的网络权值。
优选地，在所述第一层中，d的论域为[0，5]。
优选地，在所述步骤3中，采用BP误差反传法对所述模糊神经网络模型的误差进行修正，其中误差信号由所述第五层向前依次反传。
优选地，误差的代价函数为
Figure BDA0002250670720000025
其中，yi为实际输出，ydi为期望输出。
本发明采用以上技术方案，与现有技术相比，具有如下技术效果：
本发明的一种基于模糊神经网络的AGV车定位方法，通过多个传感器对信息进行融合，构建模糊神经模型，训练得到模糊神经网络决策模型，得到AGV车的速度和角度，进而调整AGV车的实时位置，寻找最佳路径，提高了AGV车的定位精度。
附图说明
图1是本发明的一个具体实施例的示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。
实施例1
本发明的一个示意性实施例。一种基于模糊神经网络的AGV车定位方法，包括以下步骤：
步骤1：在AGV车上设置若干传感器，每个传感器各自获取距离障碍物的距离数据，每个传感器根据距离数据获得对应的决策数据；
步骤2：构建模糊神经网络模型，将距离数据作为模糊神经网络模型的输入值，将AGV车的速度和角度作为模糊神经网络模型的输出值；
步骤3：采用专家经验对模糊神经网络模型进行训练，将训练误差减小到期望值时，得到模糊神经网络决策模型。
其中，在步骤2中，模糊神经网络模型为五层结构：
第一层为输入层，输入值为每个传感器获取的距离障碍物的距离数据，表示为di＝{d1，d2，d3，……，dn}，其中，n表示传感器的个数，n为大于等于1的整数，第一层节点数N1＝n；
第二层为模糊化层，用于对n个输入值进行模糊分割{近，中，远}，每个输入值被分为3个模糊子集，第二层节点数隶属度函数为μij，其中i＝{1，2，3，……，n}，j＝{1，2，3}；
第三层为规则层，第三层节点数N3＝m＝3n，每个第三层节点代表一条模糊规则，计算每条模糊规则的适应度，其计算公式为
Figure BDA0002250670720000042
其中，k＝{1，2，3，……，m}；
第四层为归一层，第四层节点数N4＝m＝3n，进行归一化计算，其计算公式为
Figure BDA0002250670720000043
第五层为清晰化层，第五层节点数N5＝2，其计算公式为
Figure BDA0002250670720000044
其中，i＝{1，2}，βik为第四层和第五层的网络权值。
进一步地，在第一层中，d的论域为[0，5]。
进一步地，在步骤3中，采用BP误差反传法对模糊神经网络模型的误差进行修正，其中误差信号由第五层向前依次反传。
进一步地，误差的代价函数为
Figure BDA0002250670720000045
其中，yi为实际输出，
Figure BDA0002250670720000046
为期望输出。
实施例2
本发明的一个具体实施例。
步骤1：在AGV车上设置7个传感器，每个传感器各自获取距离障碍物的距离数据，每个传感器根据距离数据获得对应的决策数据；
步骤2：构建模糊神经网络模型，将距离数据作为模糊神经网络模型的输入值，将AGV车的速度和角度作为模糊神经网络模型的输出值；
步骤3：采用专家经验对模糊神经网络模型进行训练，将训练误差减小到期望值时，得到模糊神经网络决策模型。
其中，在步骤2中，模糊神经网络模型为五层结构：
第一层为输入层，输入值为每个传感器获取的距离障碍物的距离数据，表示为di＝{d1，d2，d3，……，d7}，第一层节点数N1＝7；
第二层为模糊化层，用于对7个输入值进行模糊分割{近，中，远}，每个输入值被分为3个模糊子集，第二层节点数
Figure BDA0002250670720000051
隶属度函数为μij，其中i＝{1，2，3，……，7}，j＝{1，2，3}；
第三层为规则层，第三层节点数N3＝m＝37，每个第三层节点代表一条模糊规则，计算每条模糊规则的适应度，其计算公式为
Figure BDA0002250670720000052
其中，k＝{1，2，3，……，37}；
第四层为归一层，第四层节点数N4＝m＝37，进行归一化计算，其计算公式为
Figure BDA0002250670720000053
第五层为清晰化层，第五层节点数N5＝2，其计算公式为
Figure BDA0002250670720000054
其中，i＝{1，2}，βik为第四层和第五层的网络权值。
进一步地，y1为速度，y2为角度。
进一步地，在第一层中，d的论域为[0，5]。
进一步地，在步骤3中，采用BP误差反传法对模糊神经网络模型的误差进行修正，其中误差信号由第五层向前依次反传。
进一步地，误差的代价函数为
Figure BDA0002250670720000055
其中，yi为实际输出，
Figure BDA0002250670720000061
为期望输出。
以上所述仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。

Claims (5)

1.一种基于模糊神经网络的AGV车定位方法，其特征在于，包括以下步骤：
步骤1：在AGV车上设置若干传感器，每个所述传感器各自获取距离障碍物的距离数据，每个所述传感器根据所述距离数据获得对应的决策数据；
步骤2：构建模糊神经网络模型，将所述距离数据作为所述模糊神经网络模型的输入值，将所述AGV车的速度和角度作为所述模糊神经网络模型的输出值；
步骤3：采用专家经验对所述模糊神经网络模型进行训练，将训练误差减小到期望值时，得到模糊神经网络决策模型。
2.根据权利要求1所述基于模糊神经网络的AGV车定位方法，其特征在于，在所述步骤2中，所述模糊神经网络模型为五层结构：
第一层为输入层，所述输入值为每个所述传感器获取的距离所述障碍物的所述距离数据，表示为di＝{d1，d2，d3，……，dn}，其中，n表示所述传感器的个数，n为大于等于1的整数，第一层节点数N1＝n；
第二层为模糊化层，用于对n个所述输入值进行模糊分割{近，中，远}，每个所述输入值被分为3个模糊子集，第二层节点数
Figure FDA0002250670710000011
隶属度函数为μij，其中i＝{1，2，3，……，n}，j＝{1，2，3}；
第三层为规则层，第三层节点数N3＝m＝3n，每个第三层节点代表一条模糊规则，计算每条所述模糊规则的适应度，其计算公式为
Figure FDA0002250670710000012
其中，k＝{1，2，3，……，m}；
第四层为归一层，第四层节点数N4＝m＝3n，进行归一化计算，其计算公式为
Figure FDA0002250670710000013
第五层为清晰化层，第五层节点数N5＝2，其计算公式为
Figure FDA0002250670710000014
其中，i＝{1，2}，βik为所述第四层和所述第五层的网络权值。
3.根据权利要求2所述的基于模糊神经网络的AGV车定位方法，其特征在于，在所述第一层中，d的论域为[0，5]。
4.根据权利要求2所述的基于模糊神经网络的AGV车定位方法，其特征在于，在所述步骤3中，采用BP误差反传法对所述模糊神经网络模型的误差进行修正，其中误差信号由所述第五层向前依次反传。
5.根据权利要求4所述的基于模糊神经网络的AGV车定位方法，其特征在于，误差的代价函数为
Figure FDA0002250670710000021
其中，yi为实际输出，为期望输出。
CN201911033031.6A 2019-10-28 2019-10-28 一种基于模糊神经网络的agv车定位方法 Pending CN110782033A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911033031.6A CN110782033A (zh) 2019-10-28 2019-10-28 一种基于模糊神经网络的agv车定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911033031.6A CN110782033A (zh) 2019-10-28 2019-10-28 一种基于模糊神经网络的agv车定位方法

Publications (1)

Publication Number Publication Date
CN110782033A true CN110782033A (zh) 2020-02-11

Family

ID=69387122

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911033031.6A Pending CN110782033A (zh) 2019-10-28 2019-10-28 一种基于模糊神经网络的agv车定位方法

Country Status (1)

Country Link
CN (1) CN110782033A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112651456A (zh) * 2020-12-31 2021-04-13 遵义师范学院 基于rbf神经网络的无人车控制方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1888824A (zh) * 2006-07-18 2007-01-03 华南农业大学 一种导航定位数据的校正方法
CN103748987B (zh) * 2009-07-14 2011-01-12 北京理工大学 一种基于模糊神经网络的攻击知识的自动更新方法
CN102339019A (zh) * 2011-07-26 2012-02-01 重庆邮电大学 一种基于模糊神经网络的智能轮椅避障方法
CN108284442A (zh) * 2017-01-24 2018-07-17 中国北方车辆研究所 一种基于模糊神经网络的机械臂柔性关节控制方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1888824A (zh) * 2006-07-18 2007-01-03 华南农业大学 一种导航定位数据的校正方法
CN103748987B (zh) * 2009-07-14 2011-01-12 北京理工大学 一种基于模糊神经网络的攻击知识的自动更新方法
CN102339019A (zh) * 2011-07-26 2012-02-01 重庆邮电大学 一种基于模糊神经网络的智能轮椅避障方法
CN108284442A (zh) * 2017-01-24 2018-07-17 中国北方车辆研究所 一种基于模糊神经网络的机械臂柔性关节控制方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘海霞: "基于多传感器行为融合基础上的AGV导航研究", 《中国优秀博硕士学位论文全文数据库（硕士） 信息科技辑》 *
张炳力 等: "基于模糊神经网络的智能汽车轨迹跟踪研究", 《汽车工程》 *
肖本贤 等: "基于多传感器行为融合基础上的AGV导航研究", 《系统仿真学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112651456A (zh) * 2020-12-31 2021-04-13 遵义师范学院 基于rbf神经网络的无人车控制方法
CN112651456B (zh) * 2020-12-31 2023-08-08 遵义师范学院 基于rbf神经网络的无人车控制方法

Similar Documents

Publication Publication Date Title
CN111780777B (zh) 一种基于改进a*算法和深度强化学习的无人车路径规划方法
WO2021135554A1 (zh) 一种无人车全局路径规划方法和装置
CN107168324B (zh) 一种基于anfis模糊神经网络的机器人路径规划方法
KR102492205B1 (ko) 역강화학습 기반 배달 수단 탐지 장치 및 방법
Li et al. Neural network based FastSLAM for autonomous robots in unknown environments
CN113470089B (zh) 一种基于三维点云的跨域协同定位和建图方法及系统
CN110059439B (zh) 一种基于数据驱动的航天器轨道确定方法
CN112648999B (zh) 一种基于多尺度网格细胞路径积分的类脑导航方法
CN103218660B (zh) 一种基于泛化模糊竞争神经网的航路选择方法
Zhou et al. GPS/INS integrated navigation with BP neural network and Kalman filter
CN114415735B (zh) 面向动态环境的多无人机分布式智能任务分配方法
CN106679672A (zh) 一种基于dbn和卡尔曼滤波算法的agv定位算法
CN113411744B (zh) 一种高精度的室内定位追踪方法
CN116540731B (zh) 融合堆叠lstm与sac算法的路径规划方法及系统
CN112180361A (zh) 一种基于动态联邦滤波的车载雷达目标跟踪方法
Marina et al. Deep Grid Net (DGN): A deep learning system for real-time driving context understanding
CN112612001A (zh) 一种基于bp神经网络算法的轨迹预测方法及装置
CN110782033A (zh) 一种基于模糊神经网络的agv车定位方法
JP2020126643A (ja) 競争的なコンピューティング及び情報フュージョンを利用して、車両の自律走行を支援するのに利用される自律走行サービスプラットフォームを提供する方法及びこれを利用したサーバ｛ｍｅｔｈｏｄ ｆｏｒ ｐｒｏｖｉｄｉｎｇ ａｕｔｏｎｏｍｏｕｓ ｄｒｉｖｉｎｇ ｓｅｒｖｉｃｅ ｐｌａｔｆｏｒｍ ｔｏ ｂｅ ｕｓｅｄ ｆｏｒ ｓｕｐｐｏｒｔｉｎｇ ａｕｔｏｎｏｍｏｕｓ ｄｒｉｖｉｎｇ ｏｆ ｖｅｈｉｃｌｅｓ ｂｙ ｕｓｉｎｇ ｃｏｍｐｅｔｉｔｉｖｅ ｃｏｍｐｕｔｉｎｇ ａｎｄ ｉｎｆｏｒｍａｔｉｏｎ ｆｕｓｉｏｎ， ａｎｄ ｓｅｒｖｅｒ ｕｓｉｎｇ ｔｈｅ ｓａｍｅ｝
WO2022163003A1 (ja) モデル生成装置、推定装置、モデル生成方法、及びモデル生成プログラム
CN112683261B (zh) 一种基于速度预测的无人机鲁棒性导航方法
KR101022785B1 (ko) 신경망과 진화연산을 이용한 로봇의 환경 지도 작성 방법
Trasnea et al. GridSim: a vehicle kinematics engine for deep neuroevolutionary control in autonomous driving
CN117521006A (zh) 一种基于增量学习的因子图多源信息融合方法
CN117141520A (zh) 一种实时轨迹规划方法、装置和设备

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 200120 4th floor, building a, No.58 Xiangke Road, Pudong New Area, Shanghai

Applicant after: Sofix Intelligent Technology (Shanghai) Co.,Ltd.

Address before: 200120 4th floor, building a, No.58 Xiangke Road, Pudong New Area, Shanghai

Applicant before: Dieling (Shanghai) Intelligent Technology Co.,Ltd.

Address after: 200120 4th floor, building a, No.58 Xiangke Road, Pudong New Area, Shanghai

Applicant after: Dieling (Shanghai) Intelligent Technology Co.,Ltd.

Address before: 200120 4th floor, building a, No.58 Xiangke Road, Pudong New Area, Shanghai

Applicant before: Lingrui (Shanghai) Medical Technology Co.,Ltd.

RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200211