基于神經(jīng)網(wǎng)絡(luò)的自主吸塵機(jī)器人混合視覺研究

BP算法框圖

圖4給出了BP神經(jīng)網(wǎng)絡(luò)算法的程序流程圖。在執(zhí)行算法之前，首先要設(shè)置變量和參量。其中：Wmi(n)為第n次迭代時輸入層與隱層I之間的權(quán)值向量；Wip(n)為第n次迭代時輸出層與隱層I之間的權(quán)值向量；n為迭代次數(shù)，K為訓(xùn)練樣本的下標(biāo)，Maxloop為最大迭代次數(shù)，Maxtrain為訓(xùn)練樣本的總數(shù)，ξ為能量最小誤差。

仿真結(jié)果

用FoxPro建立輸入樣本的數(shù)據(jù)庫，用VC編程訓(xùn)練網(wǎng)絡(luò)。訓(xùn)練時用了72組輸入樣本，并且循環(huán)4000次訓(xùn)練網(wǎng)絡(luò)，訓(xùn)練時間15s。表1給出了部分訓(xùn)練樣本的示例(P0表示樣本0，以下同)。

表1 訓(xùn)練樣本示例

初始權(quán)值為-0.01～0.01的隨機(jī)數(shù)值。下面給出了網(wǎng)絡(luò)訓(xùn)練的權(quán)值輸出。

輸入層與隱層權(quán)值

0.251，-9.187，2.347
0.231，-9.225，2.373
0.266，-9.213，2.331
4.722，-1.479，-1.470
0.214，2.520，-9.067
0.293，2.512，-9.013
0.275，2.442，-8.890

輸出層與隱層權(quán)值

-11.843，-5.154，-4.722，6.348
9.970，10.696，-10.990，-11.535
9.938，-9.617，10.613，-12.470

為了驗證訓(xùn)練權(quán)值的正確性與強(qiáng)壯性，對大量的輸入樣本(包括沒有經(jīng)歷訓(xùn)練過程的樣本)進(jìn)行實驗，網(wǎng)絡(luò)產(chǎn)生相匹配的輸出。實驗結(jié)果表明，網(wǎng)絡(luò)的訓(xùn)練是成功的。

部分實驗數(shù)據(jù)如下：

輸入數(shù)據(jù)組數(shù)：6
第0組輸入數(shù)據(jù)：0000000
第0組輸出為：1000
第1組輸入數(shù)據(jù)：0001000
第1組輸出為：0001
第2組輸入數(shù)據(jù)：1101000
第2組輸出為：0010
第3組輸入數(shù)據(jù)：1110000
第3組輸出為：1010
第4組輸入數(shù)據(jù)：0001100
第4組輸出為：0100
第5組輸入數(shù)據(jù)：1101001
第5組輸出為：0001

最后利用Matlab提供的Neural Network工具箱，對訓(xùn)練網(wǎng)絡(luò)的輸出和相應(yīng)的期望輸出進(jìn)行衰退分析，以測定訓(xùn)練網(wǎng)絡(luò)的性能。圖5為前面訓(xùn)練所用的72組輸入數(shù)據(jù)產(chǎn)生的輸出A和期望輸出T的衰退分析圖。其中虛線為最佳線性擬合曲線A=T，實線為72組輸出A與相應(yīng)的期望輸出T的線性擬合。由圖5可以看出，擬合效果理想，因此訓(xùn)練網(wǎng)絡(luò)的性能可靠。

實際應(yīng)用過程的思路為：將BP網(wǎng)絡(luò)訓(xùn)練的權(quán)值移植到機(jī)器人的處理器中；7組傳感器按順序輪流工作，每循環(huán)一次得到一組輸入作為神經(jīng)網(wǎng)絡(luò)的輸入；通過神經(jīng)網(wǎng)絡(luò)計算得到匹配的實時輸出；行走電機(jī)根據(jù)輸出信號作出相應(yīng)的避障行為。

本文將超聲波傳感器和紅外傳感器融合進(jìn)自主吸塵機(jī)器人的視覺系統(tǒng)，從而獲得相對于單一傳感器更加準(zhǔn)確和全面的障礙物信息。采用了基于神經(jīng)網(wǎng)絡(luò)的多傳感器信息融合算法，通過網(wǎng)絡(luò)訓(xùn)練，機(jī)器人能夠?qū)τ?xùn)練過程中沒有經(jīng)歷的實際情況做出合理的反應(yīng)。這種算法的魯棒性和容錯性很強(qiáng)，能夠適應(yīng)自主吸塵機(jī)器人非結(jié)構(gòu)化的工作環(huán)境。