CN112344934A - 一种基于gng网络的可删减环境拓扑地图构建方法 - Google Patents
一种基于gng网络的可删减环境拓扑地图构建方法 Download PDFInfo
- Publication number
- CN112344934A CN112344934A CN202011056397.8A CN202011056397A CN112344934A CN 112344934 A CN112344934 A CN 112344934A CN 202011056397 A CN202011056397 A CN 202011056397A CN 112344934 A CN112344934 A CN 112344934A
- Authority
- CN
- China
- Prior art keywords
- node
- nodes
- network
- gng
- max
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 10
- 230000001537 neural effect Effects 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 6
- 238000013138 pruning Methods 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims 1
- 238000003860 storage Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Classifications
-
- 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
- G01C21/20—Instruments for performing navigational calculations
- G01C21/206—Instruments for performing navigational calculations specially adapted for indoor navigation
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于GNG网络的可删减环境拓扑地图构建方法,本发明提出PGNG拓扑地图构建方法,在原有的GNG算法基础上引入了节点修剪算法,使得原有地图中冗余的拓扑节点得到删除和替换。同时新节点的建立采用了“平均”思想,使得生成的拓扑地图中的节点分布更加均匀,地图表达更为简洁,可以有效应用在移动机器人拓扑地图的建立中。实验结果表明,应用本发明所提出的基于GNG网络的可删减环境拓扑地图构建方法,其拓扑节点个数约为传统GNG算法个数的3/4,有效地简化了拓扑地图的复杂程度,同时为路径规划任务奠定了较为良好的基础。
Description
技术领域
本发明属于室内移动机器人环境拓扑地图构建方法,在增长神经气(GrowingNeural Gas,简称GNG)算法的基础上提出一种可删减的环境拓扑地图构建方法PGNG(Prunable Growing Neural Gas),对GNG网络所生成的冗余拓扑节点进行替换及删除,并将原有拓扑节点周围的连接关系加入到新生成的节点上。该算法可以有效地解决拓扑节点冗余的问题,可在机器人拓扑地图的优化中发挥重要作用。
背景技术
随着人工智能行业与机器人技术的不断发展,如何在一定空间中为机器人建立更加简洁、有效的环境地图得到了人们越来越多的关注。常见的环境地图表示方法大致分为:栅格地图、拓扑地图、稀疏地图、稠密地图。栅格地图虽然有利于进行建模、更新,但随着环境的扩大及栅格精度的提升,该方法所造成的存储资源浪费是十分明显的。稀疏地图只包含了环境中人为设定的一些特征点,不能十分精准地表达环境,造成了已有信息的浪费。而稠密地图则需要大量的存储资源以保存完整的环境地图,不适用于动态环境,且存在着很多冗余信息。拓扑地图具有较低的空间复杂度,且不需要机器人的精确位置信息,是一种更为紧凑的环境表达方式。
增长神经气(GNG)算法能够在环境中不断增加神经气网络节点以表征地图,并进行信息的抽取与表示,且能够保持输入空间的拓扑特征不变,是一种具有自学习,自适应能力的智能环境拓扑地图构建方法。然而,传统的GNG算法中,其神经气节点的增长具有一定的局部性,所生成的拓扑环境地图中存在节点冗余问题。
针对上述情况,本发明提出一种基于GNG网络的可删减环境拓扑地图构建方法PGNG,该方法可对生成的拓扑地图中存在的冗余节点进行替换及删除,并生成较为简洁的环境拓扑结构。
发明内容
本发明依据对GNG网络在环境中生成的拓扑连接关系进行统计分析,设定长度删减阈值,设计了PGNG算法。在不破坏地图准确性的条件下有效减少了其的冗余性,所生成的拓扑地图更加适用于移动机器人的路径规划任务。通过与原有地图进行对比可知,PGNG算法生成的拓扑节点个数更少,节点分布更加均匀,地图表达更为简洁。
本发明是通过以下技术方案实现的,一种基于GNG网络的可删减环境拓扑地图构建方法,本发明包括以下步骤:
第一步、初始化输入空间N;
第二步、初始化网络A;
第三步、更新输入空间N;
第四步、执行GNG算法。通过不断增加节点个数及调整网络内节点所在位置,用GNG网络对机器人所在环境进行拓扑描述,生成机器人导航所用的拓扑地图。
第五步、执行网络修剪算法。对已经生成的拓扑地图中的冗余点进行替换及删除,得到更为简洁的拓扑地图。
具体而言,
第二步中包括:
步骤2-1:初始化GNG网络结构A。在空间中任意选取两个点a与b并设定为机器人所在环境拓扑结构的原始状态,则A={a,b};
第三步中包括:
步骤3-1:更新输入空间N。随机添加一个新的输入信号的概率为p(ξ),并依据此概率生成一个新的输入信号ξ;
步骤3-2:计算信号ξ与节点空间中每个节点的欧氏距离,并找出信号ξ的最近邻节点及次近邻节点。假设c1为信号ξ的最近邻节点,假设c2为信号ξ的次近邻节点。计算方法为:
其中,c1、c2∈A。argmin函数为使目标函数达到最小值时自变量的取值。由此可知,c1为输入信号ξ与原空间中所有节点中最接近的节点的权向量;c2为输入信号ξ与原空间中所有节点中次接近的节点权向量。
第四步中包括:
步骤4-1:如果c1与c2之间没有连接边,则创建连接关系,并设该边的age为0。
C=CU{(s1,s2)};
步骤4-2:更新最近邻节点c1的累计误差:
步骤4-3:更新最近邻节点c1及其连接点的位置,更新公式如下:
步骤4-5:若输入信号产生的次数为λ的整数倍,且当前网络中拓扑节点个数小于最大节点个数,则插入新的节点Nnew。该节点的产生步骤如下:
4-5-1:在节点空间N中找出具有最大累计误差的节点Nmax_error;
4-5-2:找到与Nmax_error相连接的节点中具有最大累计误差的节点Nmax_error2;
4-5-4:将与节点Nmax_error及Nmax_error2相连接的边删除,并分别连接Nnew与Nmax_error,Nnew与Nmax_error2;
4-5-5通过乘以常数α来减小Nmax_error及Nmax_error2的累计误差。使用Nmax_error的累计误差初始化新增节点Nnew的累计误差。
步骤4-6:对所有节点的误差乘以常数d,以减小所有节点的累计误差。
步骤4-7:如果程序未到达停止条件,则返回第三步。
步骤5:当GNG网络到达停止条件,依次检查网络中的每一个神经节点,若某一节点Ntemp1及与之相邻的某一节点Ntemp2的欧氏距离小于阈值Dmin,则用新节点替代原有的两个节点,并将与Ntemp1、Ntemp2相连接的节点均连接至Ntemp_new,实现对原有拓扑结构进行简化。
改进算法的流程图如图1所示。
附图说明
图1、PGNG算法流程图。
图2、移动机器人室内仿真环境。
图3、不同学习轮次的拓扑结构图。图3a为第1轮;图3b为第20轮;图3c为第40轮;图3d为第60轮;图3e为第80轮。
图4、经删减后的拓扑地图。
具体实施方式
下面对本发明的实施例作详细说明,本实施例在本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
实施例:
一种可删减GNG网络的环境拓扑地图构建方法步骤如下:
第三步、更新输入空间N。随机添加一个新的输入信号的概率为p(ξ),并依据此概率生成一个新的输入信号ξ。计算信号ξ与节点空间中每个节点的欧氏距离,并找出信号ξ的最近邻节点及次近邻节点。假设c1为信号ξ的最近邻节点,假设c2为信号ξ的次近邻节点。计算方法为:
其中,c1、c2∈A。argmin函数为使目标函数达到最小值时自变量的取值。由此可知,c1为输入信号ξ与原空间中所有节点中最接近的节点的权向量;c2为输入信号ξ与原空间中所有节点中次接近的节点权向量。
第四步、执行GNG算法。通过不断增加节点个数及调整网络内节点所在位置,用GNG网络对机器人所在环境进行拓扑描述,生成机器人导航所用的拓扑地图。
如果c1与c2之间没有连接边,则创建连接关系,并设该边的age为0。
C=CU{(s1,s2)};
更新最近邻节点c1的累计误差:
更新最近邻节点c1及其连接点的位置,更新公式如下:
若输入信号产生的次数为λ的整数倍,此处取λ=100,且当前网络中拓扑节点个数小于最大节点个数,则插入新的节点Nnew。该节点的产生步骤如下:
1、在节点空间N中找出具有最大累计误差的节点Nmax_error。
2、找到与Nmax_error相连接的节点中具有最大累计误差的节点Nmax_error2。
4、将与节点Nmax_error及Nmax_error2相连接的边删除,并分别连接Nnew与Nmax_error,Nnew与Nmax_error2。
5、通过乘以常数α来减小Nmax_error及Nmax_error2的累计误差,此处取α=0.5。使用Nmax_error的累计误差初始化新增节点Nnew的累计误差。
对所有节点的误差乘以常数d=0.0005,以减小所有节点的累计误差。
如果程序未到达停止条件,则返回第三步。
第五步、执行网络修剪算法。当GNG网络到达停止条件,依次检查网络中的每一个神经节点,若某一节点Ntemp1及与之相邻的某一节点Ntemp2的欧氏距离小于阈值Dmin=3,则用新节点替代原有的两个节点,并将与Ntemp1、Ntemp2相连接的节点均连接至Ntemp_new,实现对原有拓扑结构进行简化。
实施效果
为了验证本发明的可行性及精确性,搭建了移动机器人的室内环境图,如图2所示。图3为不同轮次时,GNG网络产生的环境拓扑地图。图4为经修剪后的拓扑地图。图3、图4两种地图的节点个数如表1所示。结果表明:在对原有地图进行修剪之后,拓扑图中的节点个数减少至原来的4/5,降低了环境的冗余性,使拓扑地图更加简洁有效。
表1.GNG算法与PGNG算法节点个数对比
算法 | 节点个数 |
GNG | 82 |
PGNG | 65 |
Claims (6)
1.一种基于GNG网络的可删减环境拓扑地图构建方法,其特征在于,包括以下步骤:
第一步、初始化输入空间N;
第二步、初始化网络A;
第三步、更新输入空间N;
第四步、执行GNG算法;通过不断增加节点个数及调整网络内节点所在位置,用GNG网络对机器人所在环境进行拓扑描述,生成机器人导航所用的拓扑地图;
第五步、执行网络修剪算法;对已经生成的拓扑地图中冗余点存在部分进行修剪,得到简洁的拓扑地图。
5.根据权利要求1所述的一种基于GNG网络的可删减环境拓扑地图构建方法,其特征在于,第四步中包括:
步骤4-1:如果c1与c2之间没有连接边,则创建连接关系,并设该边的age为0;
C=CU{(s1,s2)};
步骤4-2:更新最近邻节点c1的累计误差:
步骤4-3:更新最近邻节点c1及其连接点的位置,更新公式如下:
步骤4-5:若输入信号产生的次数为λ的整数倍,且当前网络中拓扑节点个数小于最大节点个数,则插入新的节点Nnew;该节点的产生步骤如下:
4-5-1:在节点空间N中找出具有最大累计误差的节点Nmax_error;
4-5-2:找到与Nmax_error相连接的节点中具有最大累计误差的节点Nmax_error2;
4-5-4:将与节点Nmax_error及Nmax_error2相连接的边删除,并分别连接Nnew与Nmax_error,Nnew与Nmax_error2;
4-5-5通过乘以常数α来减小Nmax_error及Nmax_error2的累计误差;使用Nmax_error的累计误差初始化新增节点Nnew的累计误差;
步骤4-6:对所有节点的误差乘以常数d,以减小所有节点的累计误差;
步骤4-7:如果程序未到达停止条件,则返回第三步。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011056397.8A CN112344934B (zh) | 2020-09-30 | 2020-09-30 | 一种基于gng网络的可删减环境拓扑地图构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011056397.8A CN112344934B (zh) | 2020-09-30 | 2020-09-30 | 一种基于gng网络的可删减环境拓扑地图构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112344934A true CN112344934A (zh) | 2021-02-09 |
CN112344934B CN112344934B (zh) | 2024-02-23 |
Family
ID=74361432
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011056397.8A Active CN112344934B (zh) | 2020-09-30 | 2020-09-30 | 一种基于gng网络的可删减环境拓扑地图构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112344934B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100611328B1 (ko) * | 2005-06-30 | 2006-08-11 | 고려대학교 산학협력단 | 세선화 기반 위상지도의 작성방법 및 그 장치, 이동로봇의탐사를 통한 세선화 기반 위상지도 작성방법 및 그 장치 |
US20070064627A1 (en) * | 2005-09-16 | 2007-03-22 | Oracle International Corporation | Fast vector quantization with topology learning |
CN103247040A (zh) * | 2013-05-13 | 2013-08-14 | 北京工业大学 | 基于分层拓扑结构的多机器人系统地图拼接方法 |
CN106643721A (zh) * | 2016-10-11 | 2017-05-10 | 北京工业大学 | 一种环境拓扑地图的构建方法 |
CN109696168A (zh) * | 2019-02-27 | 2019-04-30 | 沈阳建筑大学 | 一种基于激光传感器的移动机器人几何地图创建方法 |
CN109754130A (zh) * | 2019-03-15 | 2019-05-14 | 中国矿业大学(北京) | 基于拓扑地图的悬臂式掘进机截割轨迹规划方法 |
-
2020
- 2020-09-30 CN CN202011056397.8A patent/CN112344934B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100611328B1 (ko) * | 2005-06-30 | 2006-08-11 | 고려대학교 산학협력단 | 세선화 기반 위상지도의 작성방법 및 그 장치, 이동로봇의탐사를 통한 세선화 기반 위상지도 작성방법 및 그 장치 |
US20070064627A1 (en) * | 2005-09-16 | 2007-03-22 | Oracle International Corporation | Fast vector quantization with topology learning |
CN103247040A (zh) * | 2013-05-13 | 2013-08-14 | 北京工业大学 | 基于分层拓扑结构的多机器人系统地图拼接方法 |
CN106643721A (zh) * | 2016-10-11 | 2017-05-10 | 北京工业大学 | 一种环境拓扑地图的构建方法 |
CN109696168A (zh) * | 2019-02-27 | 2019-04-30 | 沈阳建筑大学 | 一种基于激光传感器的移动机器人几何地图创建方法 |
CN109754130A (zh) * | 2019-03-15 | 2019-05-14 | 中国矿业大学(北京) | 基于拓扑地图的悬臂式掘进机截割轨迹规划方法 |
Non-Patent Citations (3)
Title |
---|
JIAHUI ZHANG等: "curiosity-based mobile robot path planning method", 2019 IEEE 4TH ADVANCED INFORMATION TECHNOLOGY, ELECTRONIC AND AUTOMATION CONTROL CONFERENCE (IAEAC 2019), pages 476 - 480 * |
仲朝亮等: "动态环境下基于GNG 网络的拓扑地图创建", 华东理工大学学报(自然科学版), pages 63 - 68 * |
阮晓钢等: "基于可删减自组织特征映射图的机器人室内拓扑地图的构建", 《第36届中国控制会议论文集》, pages 6231 - 6234 * |
Also Published As
Publication number | Publication date |
---|---|
CN112344934B (zh) | 2024-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022193642A1 (zh) | 一种基于图卷积神经网络和nsga-ⅱ算法的水库调度多目标优化方法 | |
CN111432368B (zh) | 一种适用于稀疏锚节点wsn的测距定位方法 | |
CN110807230B (zh) | 一种自主学习优化物联网拓扑结构鲁棒性的方法 | |
CN110162807B (zh) | 基于改进蚁群优化bp神经网络弹药贮存可靠性评估方法 | |
CN104636801A (zh) | 一种基于优化bp神经网络的预测输电线路可听噪声方法 | |
CN112291734A (zh) | 一种移动传感器网络区域覆盖优化的方法 | |
CN113985888A (zh) | 一种基于改进蚁群算法的叉车路径规划方法及系统 | |
CN112488208A (zh) | 一种海岛支柱式绝缘子剩余寿命获取方法 | |
CN113573322A (zh) | 基于改进遗传算法的多目标区域传感器网络覆盖优化方法 | |
CN109754122A (zh) | 一种基于随机森林特征提取的bp神经网络的数值预测方法 | |
CN110363859A (zh) | 一种异形曲面构筑物的空间网格模型三角剖分方法 | |
CN114237282B (zh) | 面向智慧化工业园区监测的无人机飞行路径智能规划方法 | |
CN112529233A (zh) | 一种预测草坪参考作物蒸发蒸腾量的方法 | |
CN116029405A (zh) | 一种基于灌区渠系的多目标动态配水方法 | |
CN113905386A (zh) | 一种基于自适应混合粒子群算法的Mesh网关部署优化方法 | |
CN112344934B (zh) | 一种基于gng网络的可删减环境拓扑地图构建方法 | |
CN110852435A (zh) | 一种基于神经进化计算模型 | |
CN114221334B (zh) | 一种基于图神经网络的快速状态估计方法 | |
CN113490172B (zh) | 一种基于正余弦优化与跳段优化的DV-Hop定位算法 | |
CN105825267B (zh) | 一种基于pso-pgsa的室内定位方法 | |
CN114202063A (zh) | 一种基于遗传算法优化的模糊神经网络温室温度预测方法 | |
CN109120438B (zh) | 一种机会网络下的数据协同传输方法及系统 | |
Kato et al. | An alife approach to modeling virtual cities | |
CN118016318B (zh) | 基于图神经网络的人兽共患病风险预测模型的构建方法 | |
CN115358681B (zh) | 一种静态障碍物下室内多任务点路径规划方法 |
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 |