CN112631134A - 一种基于模糊神经网络的智能小车避障方法 - Google Patents
一种基于模糊神经网络的智能小车避障方法 Download PDFInfo
- Publication number
- CN112631134A CN112631134A CN202110008209.2A CN202110008209A CN112631134A CN 112631134 A CN112631134 A CN 112631134A CN 202110008209 A CN202110008209 A CN 202110008209A CN 112631134 A CN112631134 A CN 112631134A
- Authority
- CN
- China
- Prior art keywords
- fuzzy
- neural network
- layer
- intelligent
- intelligent trolley
- 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 69
- 238000000034 method Methods 0.000 title claims abstract description 44
- 210000002569 neuron Anatomy 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 16
- 230000008569 process Effects 0.000 claims abstract description 12
- 238000010606 normalization Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 72
- 230000014509 gene expression Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012546 transfer Methods 0.000 claims description 7
- 238000005352 clarification Methods 0.000 claims description 5
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000004888 barrier function Effects 0.000 claims description 2
- 230000001537 neural effect Effects 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims 1
- 230000007613 environmental effect Effects 0.000 abstract description 6
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/0285—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks and fuzzy logic
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/0088—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0242—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using non-visible light signals, e.g. IR or UV signals
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0255—Control of position or course in two dimensions specially adapted to land vehicles using acoustic signals, e.g. ultra-sonic singals
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0268—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Artificial Intelligence (AREA)
- Aviation & Aerospace Engineering (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Acoustics & Sound (AREA)
- Electromagnetism (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Game Theory and Decision Science (AREA)
- Business, Economics & Management (AREA)
- Feedback Control In General (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种基于模糊神经网络的智能小车避障方法,包括以下步骤:定义模糊神经网络的输入参量以及输出参量;确定模糊神经网络,所述模糊神经网络包括输入层、模糊化层、模糊推理层、归一化层以及去模糊化层,每层均包括多个神经元节点;模糊神经网络训练,模糊神经网络参数确定与优化;将模糊神经网络用于智能小车避障。本发明在智能小车设置距离传感器和角度传感器,智能小车的主控制核心采用模糊神经网络进行避障控制,模糊神经网络能够融合处理距离传感器和角度传感器所获得的信息,从而获得更加精确的环境信息,得到更加安全可靠的避障控制命令,进而实现智能小车避障。
Description
技术领域
本发明属于机器人技术领域,具体涉及一种基于模糊神经网络的智能小车避障方法。
背景技术
智能小车作为轮式移动机器人中的典型代表,因其具有机械结构简单、重量轻、体积小、噪音低及行驶速度快等优点,能够在复杂恶劣的环境下执行人类不能完成或难以完成的任务,在越来越多的领域引起了重视。广泛的社会、军事与经济需求凸显了当前开展智能无人小车技术研究的迫切性。而避障功能是无人小车智能化的标志之一,避障效果的优劣严重影响了无人小车智能化的高低。为了防止智能小车执行任务时,撞到前方或左右两侧的障碍物,需要智能小车在行走时快速有效地避开障碍物。
根据避障算法的智能化程度,无人小车避障算法可分为传统避障算法以及智能避障算法。传统的避障算法主要包括可视图法、栅格法和人工势场法等。与传统算法相比,智能避障算法的计算效率更高,更适用于复杂多变的未知环境。依托机器人上的各种传感器探索的环境信息,可通过智能算法实现机器人的智能避障。智能避障算法主要包括模糊控制算法、遗传算法、蚁群算法和神经网络算法等。新的智能算法或者混合算法是避障算法的主要研究方向。当前已有的智能避障算法具有自学习、自组织等优点,相比于传统避障算法更加适用于复杂多变的未知环境。但是单一的智能避障算法也存在一定的缺点,比如全局路径规划能力较差、容易陷入局部最小点情况下的死锁状态等。
发明内容
本发明的主要目的在于克服现有技术的缺点与不足,提出一种基于模糊神经网络的智能小车避障方法,实现智能小车在行驶过程中避开环境障碍物的功能,提高行驶过程的安全性和稳定性。
为了达到上述目的,本发明采用以下技术方案:
一种基于模糊神经网络的智能小车避障方法,包括以下步骤:
定义模糊神经网络的输入参量以及输出参量;
确定模糊神经网络,所述模糊神经网络包括输入层、模糊化层、模糊推理层、归一化层以及去模糊层,每层均包括多个神经元节点;
所述输入层,用于将输入样本传输至下一层;
所述模糊化层,用于根据隶属度函数计算各个输入分量所对应模糊语言变量的隶属度;所述隶属度函数包括三角型隶属度函数、类Z型隶属度函数和类S型隶属度函数;
所述模糊推理层用于根据模糊规则推理得到模糊结果;所述神经元结点由所述模糊规则组成;
所述归一化层,用于为模糊结果的清晰化做准备;
所述去模糊化层,用于利用所述隶属度函数实现去模糊化计算,同时充当输出层;
模糊神经网络训练,模糊神经网络参数确定与优化;
将训练后的模糊神经网络用于智能小车避障。
进一步的,所述智能小车包括测距传感器、角度传感器、主控制核心以及运动模块,所述运动模块包括电机驱动板和电机;
所述测距传感器以及角度传感器采集的信息传输给主控制核心,主控制核心采用所述模糊神经网络计算输出值并生成控制指令,控制智能小车的运动模块进行运动,进而避开障碍物行驶。
进一步的,所述定义神经网络的输入参量以及输出参量具体为:
定义6个输入参量d1、d2、d3、d4、d5以及θ,分别表示智能小车左侧、左前侧、前方、右前侧、右侧到障碍物的距离以及智能小车的偏转角度;
定义智能小车的偏转角TG为输出参量;
所述输入变量d1、d2、d3、d4以及d5由预设在智能小车上的所述测距传感器得到,θ由预设在智能小车的所述角度传感器测量得到。
进一步的,所述输入层设有6个神经元,对应6个输入参量,即d1、d2、d3、d4、d5以及θ;
所述模糊化层,该层每个节点的参数为数据样本经过隶属度函数的计算得到的模糊变量及其对应的隶属度结果;
所述输入参量d1、d2、d3、d4以及d5采用类Z型隶属度函数和类S型隶属度函数,所述输入参量θ采用三角型隶属度函数;
所述输入层的前5个神经元各对应模糊化层的两个神经元,所述输入层的第6个神经元各对应模糊化层的5个神经元。
进一步的,所述三角型隶属度函数表达式具体为:
所述类Z型隶属度函数表达式具体为:
所述类S型隶属度函数表达式具体为:
其中,i=1,2,…,5,j=1,2,…,5,x表示输入,cij表示隶属度函数的中心值,σij表示隶属度函数的宽度值,uij表示输出的隶属度值。
进一步的,所述模糊推理层具体为:
将模糊规则的内容写入神经元节点中,每条模糊规则对应一个神经元节点,本层节点数等于规则总数,利用每个模糊变量的隶属度得到对应模糊规则的匹配程度,即:
其中,i1∈{1,2},i2∈{1,2},i3∈{1,2},i4∈{1,2},i5∈{1,2},i6∈{1,2,3,4,5},j=1,2,…,N3,N3为本层的神经元节点数,即N3=25*5=160;
所述模糊规则为,输入参量d1、d2、d3、d4、d5以及θ和输出参量TG的值的一个组合为一条模糊规则,具体为:
采用F表示距离远,N表示距离近,输入参量d1、d2、d3、d4以及d5的值分别取F或N,表示智能小车左侧、左前侧、前方、右前侧、右侧到障碍物的距离远或近;
采用L表示障碍物在智能小车左侧,LF表示障碍物在智能小车左前侧,FR表示障碍物在智能小车右侧,LR表示障碍物在智能小车右前侧,R表示障碍物在智能小车右侧,输入参量θ的值取L、LF、FR、LR以及R中的一个,表示障碍物方位;
采用TL表示智能小车左转,TLF表示智能小车转向左前侧,TS表示智能小车前行,TRF表示智能小车向右前侧转向,TR表示智能小车向右转,输出参量TG的值取TL、TLF、TS、TRF以及TR中的一个,表示模糊神经网络对智能小车避障的控制输出。
进一步的,所述归一化层具体为:
为模糊结果的清晰化做准备,即:
其中,j=1,2,…,N3,该层神经元个数N4=N3=160。
进一步的,所述去模糊化层为将模糊结果转化为实际使用的参数的过程,具体为:
其中,输出量是智能小车的偏转角TG,权值ωj为根据模糊规则推理结果所对应的语言变量在隶属度函数中的中心值。
进一步的,所述模糊神经网络参数确定与优化具体为:
结合所应用的智能小车车体尺寸和智能小车工作环境的实际情况确定隶属度函数的初始参数,并设置神经网络学习的允许误差值,误差函数为:
误差反向传播梯度下降法调整参数,具体为:
结合模糊神经网络中每层的传递函数,逐层反向求导计算得到参数调整公式;
所述每层的传递函数为公式(1)、(2)、(3)、(4)、(5)以及(6);
所述参数调整公式为:
其中,η为学习率;
权值更新,公式具体为:
计算偏差并调整隶属度函数参数,如果偏差小于允许偏差或者训练次数已达到所设定的最大值,结束训练,否则返回继续训练。
进一步的,所述将模糊神经网络用于智能小车避障具体为:
预设在智能小车上的测距传感器和角度传感器分别获取距离信息和角度信息,距离信息和角度信息传输到主控制核心,主控制核心采用模糊神经网络计算输出值并生成控制指令,控制智能小车避开障碍物行驶;
避开障碍物后,计算误差函数的大小,若大于误差允许值则进行训练学习,更新权值参数后再次计算输出;若小于误差允许值则根据输出角度计算智能小车的电机控制量;
测距传感器和角度传感器传感器持续工作并将信息传输至主控制核心,直至智能小车前进方向上不存在障碍物影响智能小车的运动。
本发明与现有技术相比,具有如下优点和有益效果:
1、本发明在智能小车上设置距离传感器和角度传感器,主控制核心采用模糊神经网络进行避障控制,模糊神经网络能够融合处理这些传感器所获得的信息,从而获得更加精确的环境信息,得到更加安全可靠的避障控制命令;本发明所用模糊神经网络避障方法融合模糊控制器与神经网络的优点,能够在处理智能小车工作环境中复杂的环境信息的同时减少逻辑推理工作量,提高避障运动过程的实时性。
附图说明
图1是本发明方法的流程图;
图2是本发明实施例智能小车的结构示意图;
图3是本发明实施例测距传感器的安装位置示意图;
图4是训练模糊神经网络的流程图;
图5是本发明模糊神经网络结构图;
图6a是本发明实施例输入参量中的距离值对应的隶属度函数图;
图6b是本发明实施例输入参量中的角度值对应的隶属度函数图;
图7是本实施例小车避障的流程图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
实施例
如图1所示,本发明,一种基于模糊神经网络的智能小车避障方法,包括以下步骤:
S1、定义输入输出变量,具体为:
定义6个输入变量d1、d2、d3、d4、d5以及θ,分别表示智能小车左侧、左前侧、前方、右前侧、右侧到障碍物的距离以及智能小车的偏转角度。其中d1、d2、d3、d4以及d5由安装在智能小车上的测距传感器得到,θ由安装在智能小车上的角度传感器测量得到。输出参量设定为智能小车的偏转角,用TG表示。
在本实施例中,如图2所示,智能小车包含传感探测模块、主控制核心、运动模块以及电源模块,所述传感探测模块包括测距传感器和角度传感器;所述运动模块包括电机驱动板和电机;在本实施例中,采用超声波传感器和红外线传感器充当测距传感器来采集智能小车周围的环境信息,并利用角度传感器采集智能小车自身的角度信息,如图3所示,在智能小车左侧、左前侧、前方、右前侧、右侧各安装有一个超声波传感器和红外线传感器的组合。在实际的工作过程中,传感探测模块同时工作,同时将所采集到的距离信息传输到主控制核心中,在主控制核心中利用自适应加权算法对信息进行加权融合,最终得到五个方向上的距离值。
S2、确定模糊神经网络,在本实施例中,如图5所示,模糊神经网络为6层神经网络结构,第一层为输入层,第二层为模糊化层,第三层为模糊推理层,第四层为归一化层,第五层为去模糊化层,具体为:
所述输出层用于将输入样本直接传输至下一层,具有6个神经元,即输入变量共有6个,将输入变量d1、d2、d3、d4、d5以及θ传输至下一层。
所述模糊化层,这一层每个节点的参数为数据样本经过隶属度函数的计算,得到的模糊变量及其对应的隶属度结果。其功能是根据隶属度函数计算各个输入分量所对应模糊语言变量的隶属度。输入层前五个神经元各对应2个模糊化层神经元;输入层第六个神经元对应5个模糊化层神经元。所采用的隶属度函数分别为三角型隶属度函数、类Z型隶属度函数和类S型隶属度函数。如图6a和图6b所示,距离值d1、d2、d3、d4以及d5采用类Z型隶属度函数和类S型隶属度函数,角度值θ采用三角型隶属度函数。
三种隶属度函数表达式具体为:
三角形隶属度函数表达式为:
类Z型隶属度函数表达式为:
类S型隶属度函数表达式为:
其中,i=1,2,…,5,j=1,2,…,5,x表示输入,cij表示隶属度函数的中心值,σij表示隶属度函数的宽度值,uij表示输出的隶属度值。
所述模糊推理层,将模糊规则的相关内容写入神经元节点中,每条模糊规则对应一个节点,节点总数等于规则总数,N3=160。其功能在于得出该次循环中,利用每个模糊变量的隶属度得到对应模糊规则的匹配程度,即:
其中,i1∈{1,2},i2∈{1,2},i3∈{1,2},i4∈{1,2},i5∈{1,2},i6∈{1,2,3,4,5},j=1,2,…,N3。
模糊规则具体为:
采用F表示距离远,N表示距离近,输入参量d1、d2、d3、d4以及d5的值分别取F或N,表示智能小车左侧、左前侧、前方、右前侧、右侧到障碍物的距离远或近;
采用L表示障碍物在智能小车左侧,LF表示障碍物在智能小车左前侧,FR表示障碍物在智能小车右侧,LR表示障碍物在智能小车右前侧,R表示障碍物在智能小车右侧,输入参量θ的值取L、LF、FR、LR以及R中的一个,表示障碍物方位;
采用TL表示智能小车左转,TLF表示智能小车转向左前侧,TS表示智能小车前行,TRF表示智能小车向右前侧转向,TR表示智能小车向右转,输出参量TG的值取TL、TLF、TS、TRF以及TR中的一个,表示模糊神经网络对智能小车避障的控制输出。
模糊规则总数为160,具体如表1所示;如规则1表示左侧、左前侧、前侧、右前侧和右侧的障碍物均离得远,目标方向在智能小车前进方向的左侧,则智能小车需要左转。如规则26表示左侧、右前侧和右侧的障碍物离得远,左前侧和前侧的障碍物离得近,目标方向在智能小车前进方向的左侧,智能小车向左前方偏转一定角度后前进。
表1所述归一化层,用于为模糊结果的清晰化做准备,即:
其中,j=1,2,…,N3,该层神经元个数N4=N3=160。
所述去模糊化层,也作为输出层,用于去模糊化计算,为将模糊结果转化为实际使用的参数的过程,具体公式如下:
其中,输出量是智能小车的偏转角TG,权值ωj为根据模糊规则推理结果所对应的语言变量在隶属度函数中的中心值。
S3、模糊神经网络参数确定与优化,如图4所示,具体为:
S31、结合所应用的智能小车车体尺寸和智能小车工作环境的实际情况确定隶属度函数的初始参数,并设置神经网络学习的允许误差值。误差函数为:
S32、误差反向传播梯度下降法调整参数,具体为:
结合模糊神经网络中每层的传递函数,逐层反向求导计算得到参数调整公式;
所述每层的传递函数为公式(1)、(2)、(3)、(4)、(5)以及(6);
所述参数调整公式为:
其中,η为学习率。
S33、权值更新公式,具体为:
在本实施例中,以c11为例,具体为:
S34、计算偏差并调整隶属度函数参数,如果偏差小于允许偏差或者训练次数已达到所设定的最大值,结束训练,否则返回继续训练。
S4、将模糊神经网络用于智能小车避障,如图7所示,具体为:
智能小车上的测距传感器和角度传感器分别获取距离信息和角度信息,距离信息和角度信息传输到主控制核心,主控制核心采用模糊神经网络计算输出值并生成控制指令,控制智能小车避开障碍物行驶;
避开障碍物后,计算误差函数的大小,若大于误差允许值则进行训练学习,更新权值参数后再次计算输出;若小于误差允许值则根据输出角度计算电机控制量;
测距传感器和角度传感器传感器持续工作并将信息传输至主控制核心,直至智能小车前进方向上不存在障碍物影响智能小车的运动。
还需要说明的是,在本说明书中,诸如术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其他实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于模糊神经网络的智能小车避障方法,其特征在于,包括以下步骤:
定义模糊神经网络的输入参量以及输出参量;
确定模糊神经网络,所述模糊神经网络包括输入层、模糊化层、模糊推理层、归一化层以及去模糊层,每层均包括多个神经元节点;
所述输入层,用于将输入样本传输至下一层;
所述模糊化层,用于根据隶属度函数计算各个输入分量所对应模糊语言变量的隶属度;所述隶属度函数包括三角型隶属度函数、类Z型隶属度函数和类S型隶属度函数;
所述模糊推理层用于根据模糊规则推理得到模糊结果;所述神经元结点由所述模糊规则组成;
所述归一化层,用于为模糊结果的清晰化做准备;
所述去模糊化层,用于利用所述隶属度函数实现去模糊化计算,同时充当输出层;
模糊神经网络训练,模糊神经网络参数确定与优化;
将训练后的模糊神经网络用于智能小车避障。
2.根据权利要求1所述的一种基于模糊神经网络的智能小车避障方法,其特征在于,所述智能小车包括测距传感器、角度传感器、主控制核心以及运动模块,所述运动模块包括电机驱动板和电机;
所述测距传感器以及角度传感器采集的信息传输给主控制核心,主控制核心采用所述模糊神经网络计算输出值并生成控制指令,控制智能小车的运动模块进行运动,进而避开障碍物行驶。
3.根据权利要求2所述的一种基于模糊神经网络的智能小车避障方法,其特征在于,所述定义神经网络的输入参量以及输出参量具体为:
定义6个输入参量d1、d2、d3、d4、d5以及θ,分别表示智能小车左侧、左前侧、前方、右前侧、右侧到障碍物的距离以及智能小车的偏转角度;
定义智能小车的偏转角TG为输出参量;
所述输入变量d1、d2、d3、d4以及d5由预设在智能小车上的所述测距传感器得到,θ由预设在智能小车的所述角度传感器测量得到。
4.根据权利要求3所述的一种基于模糊神经网络的智能小车避障方法,其特征在于,所述输入层设有6个神经元,对应6个输入参量,即d1、d2、d3、d4、d5以及θ;
所述模糊化层,该层每个节点的参数为数据样本经过隶属度函数的计算得到的模糊变量及其对应的隶属度结果;
所述输入参量d1、d2、d3、d4以及d5采用类Z型隶属度函数和类S型隶属度函数,所述输入参量θ采用三角型隶属度函数;
所述输入层的前5个神经元各对应模糊化层的两个神经元,所述输入层的第6个神经元各对应模糊化层的5个神经元。
6.根据权利要求5所述的一种基于模糊神经网络的智能小车避障方法,其特征在于,所述模糊推理层具体为:
将模糊规则的内容写入神经元节点中,每条模糊规则对应一个神经元节点,本层节点数等于规则总数,利用每个模糊变量的隶属度得到对应模糊规则的匹配程度,即:
其中,i1∈{1,2},i2∈{1,2},i3∈{1,2},i4∈{1,2},i5∈{1,2},i6∈{1,2,3,4,5},j=1,2,…,N3,N3为本层的神经元节点数,即N3=25*5=160;
所述模糊规则为,输入参量d1、d2、d3、d4、d5以及θ和输出参量TG的值的一个组合为一条模糊规则,具体为:
采用F表示距离远,N表示距离近,输入参量d1、d2、d3、d4以及d5的值分别取F或N,表示智能小车左侧、左前侧、前方、右前侧、右侧到障碍物的距离远或近;
采用L表示障碍物在智能小车左侧,LF表示障碍物在智能小车左前侧,FR表示障碍物在智能小车右侧,LR表示障碍物在智能小车右前侧,R表示障碍物在智能小车右侧,输入参量θ的值取L、LF、FR、LR以及R中的一个,表示障碍物方位;
采用TL表示智能小车左转,TLF表示智能小车转向左前侧,TS表示智能小车前行,TRF表示智能小车向右前侧转向,TR表示智能小车向右转,输出参量TG的值取TL、TLF、TS、TRF以及TR中的一个,表示模糊神经网络对智能小车避障的控制输出。
9.根据权利要求8所述的一种基于模糊神经网络的智能小车避障方法,其特征在于,所述模糊神经网络参数确定与优化具体为:
结合所应用的智能小车车体尺寸和智能小车工作环境的实际情况确定隶属度函数的初始参数,并设置神经网络学习的允许误差值,误差函数为:
误差反向传播梯度下降法调整参数,具体为:
结合模糊神经网络中每层的传递函数,逐层反向求导计算得到参数调整公式;
所述每层的传递函数为公式(1)、(2)、(3)、(4)、(5)以及(6);
所述参数调整公式为:
其中,η为学习率;
权值更新,公式具体为:
计算偏差并调整隶属度函数参数,如果偏差小于允许偏差或者训练次数已达到所设定的最大值,结束训练,否则返回继续训练。
10.根据权利要求2所述的一种基于模糊神经网络的智能小车避障方法,其特征在于,所述将模糊神经网络用于智能小车避障具体为:
预设在智能小车上的测距传感器和角度传感器分别获取距离信息和角度信息,距离信息和角度信息传输到主控制核心,主控制核心采用模糊神经网络计算输出值并生成控制指令,控制智能小车避开障碍物行驶;
避开障碍物后,计算误差函数的大小,若大于误差允许值则进行训练学习,更新权值参数后再次计算输出;若小于误差允许值则根据输出角度计算智能小车的电机控制量;
测距传感器和角度传感器传感器持续工作并将信息传输至主控制核心,直至智能小车前进方向上不存在障碍物影响智能小车的运动。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110008209.2A CN112631134A (zh) | 2021-01-05 | 2021-01-05 | 一种基于模糊神经网络的智能小车避障方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110008209.2A CN112631134A (zh) | 2021-01-05 | 2021-01-05 | 一种基于模糊神经网络的智能小车避障方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112631134A true CN112631134A (zh) | 2021-04-09 |
Family
ID=75290632
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110008209.2A Pending CN112631134A (zh) | 2021-01-05 | 2021-01-05 | 一种基于模糊神经网络的智能小车避障方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112631134A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113204235A (zh) * | 2021-04-13 | 2021-08-03 | 常州工学院 | 一种灭火机器人的自动避障算法 |
CN113359707A (zh) * | 2021-05-19 | 2021-09-07 | 杭州电子科技大学 | 一种基于双层模糊强化学习的六足机器人避障方法 |
CN113867366A (zh) * | 2021-11-02 | 2021-12-31 | 福建省海峡智汇科技有限公司 | 一种基于自适应网络模糊的移动机器人控制方法 |
CN115963723A (zh) * | 2023-03-17 | 2023-04-14 | 深圳市鑫雅达机电工程有限公司 | 智能机电系统设备运行自动调节控制的方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101067557A (zh) * | 2007-07-03 | 2007-11-07 | 北京控制工程研究所 | 适用于自主移动车辆的环境感知的单目视觉导航方法 |
CN101320251A (zh) * | 2008-07-15 | 2008-12-10 | 华南理工大学 | 基于确定学习理论的机器人行走控制方法 |
CN101430214A (zh) * | 2008-12-01 | 2009-05-13 | 江南大学 | 智能巡检机器小车 |
CN103699124A (zh) * | 2013-12-04 | 2014-04-02 | 北京工业大学 | 一种用于全向智能轮椅避障的模糊神经网络控制方法 |
JP2019122008A (ja) * | 2018-01-11 | 2019-07-22 | 株式会社Nttドコモ | 電波伝搬推定装置、電波伝搬推定方法、及び、電波伝搬推定プログラム |
-
2021
- 2021-01-05 CN CN202110008209.2A patent/CN112631134A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101067557A (zh) * | 2007-07-03 | 2007-11-07 | 北京控制工程研究所 | 适用于自主移动车辆的环境感知的单目视觉导航方法 |
CN101320251A (zh) * | 2008-07-15 | 2008-12-10 | 华南理工大学 | 基于确定学习理论的机器人行走控制方法 |
CN101430214A (zh) * | 2008-12-01 | 2009-05-13 | 江南大学 | 智能巡检机器小车 |
CN103699124A (zh) * | 2013-12-04 | 2014-04-02 | 北京工业大学 | 一种用于全向智能轮椅避障的模糊神经网络控制方法 |
JP2019122008A (ja) * | 2018-01-11 | 2019-07-22 | 株式会社Nttドコモ | 電波伝搬推定装置、電波伝搬推定方法、及び、電波伝搬推定プログラム |
Non-Patent Citations (1)
Title |
---|
陆晓来: "基于模糊神经网络的移动机器人避障研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113204235A (zh) * | 2021-04-13 | 2021-08-03 | 常州工学院 | 一种灭火机器人的自动避障算法 |
CN113359707A (zh) * | 2021-05-19 | 2021-09-07 | 杭州电子科技大学 | 一种基于双层模糊强化学习的六足机器人避障方法 |
CN113867366A (zh) * | 2021-11-02 | 2021-12-31 | 福建省海峡智汇科技有限公司 | 一种基于自适应网络模糊的移动机器人控制方法 |
CN115963723A (zh) * | 2023-03-17 | 2023-04-14 | 深圳市鑫雅达机电工程有限公司 | 智能机电系统设备运行自动调节控制的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112631134A (zh) | 一种基于模糊神经网络的智能小车避障方法 | |
CN107065890B (zh) | 一种无人车智能避障方法及系统 | |
Singh et al. | Neural network-based approaches for mobile robot navigation in static and moving obstacles environments | |
Bai et al. | Learning-based multi-robot formation control with obstacle avoidance | |
CN103984342B (zh) | 移动机器人的多脉冲神经网络控制器导航控制方法 | |
Lu et al. | Hierarchical reinforcement learning for autonomous decision making and motion planning of intelligent vehicles | |
Chen et al. | Robot navigation with map-based deep reinforcement learning | |
CN113848974B (zh) | 一种基于深度强化学习的飞行器轨迹规划方法及系统 | |
Wang et al. | Research on robot path planning based on fuzzy neural network algorithm | |
Li et al. | A behavior-based mobile robot navigation method with deep reinforcement learning | |
CN116679719A (zh) | 基于动态窗口法与近端策略的无人车自适应路径规划方法 | |
CN114708435A (zh) | 基于语义分割的障碍物尺寸预测与不确定性分析方法 | |
Guo et al. | Local path planning of mobile robot based on long short-term memory neural network | |
Guan et al. | Robot formation control based on internet of things technology platform | |
CN109375642B (zh) | 一种无人机节能控制方法 | |
Chen et al. | Deep reinforcement learning of map-based obstacle avoidance for mobile robot navigation | |
WO2024109763A1 (zh) | 一种基于场景自适应识别的自动驾驶方法及系统 | |
Xing et al. | Robot path planner based on deep reinforcement learning and the seeker optimization algorithm | |
Sagar et al. | Artificial intelligence in autonomous vehicles-a literature review | |
Chen et al. | Deep reinforcement learning-based robot exploration for constructing map of unknown environment | |
CN117319232A (zh) | 一种基于行为预测的多智能体集群一致性协同控制方法 | |
Pandey et al. | Real time navigation strategies for webots using fuzzy controller | |
Mohanty et al. | A new intelligent approach for mobile robot navigation | |
Andreev et al. | The mobile robot control for obstacle avoidance with an artificial neural network application | |
Wang | Robot obstacle avoidance and navigation control algorithm research based on multi-sensor information fusion |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210409 |