CMAC網(wǎng)絡(luò )在機器人手眼系統位置控制中的應用

摘要：在機器人手眼系統位置控制中，用CMAC神經(jīng)網(wǎng)絡(luò )建立了機器人非線(xiàn)性視覺(jué)映射關(guān)系模型，實(shí)現了圖像坐標到機器人坐標的變換。該模型采用了一種新的多維CMAC網(wǎng)絡(luò )的處理方法——疊加處理法。實(shí)驗，與BP網(wǎng)絡(luò )相比，CMAC網(wǎng)絡(luò )能以羅高的精度和較快的速度完成手眼系統的坐標變換。

近年來(lái)，在智能機器人領(lǐng)域，關(guān)于機器人手眼系統位置控制問(wèn)題的研究受到越來(lái)越多的關(guān)注。在研究中發(fā)現存在這樣一個(gè)問(wèn)題，即如何以較高的精度和較快的速度實(shí)現機器人手眼系統位置控制，以使機器人能快速實(shí)現對目標物體的準確定位和自動(dòng)抓取。這個(gè)問(wèn)題也就是機器人手眼系統中非線(xiàn)性視覺(jué)映射關(guān)系模型的建模問(wèn)題。采用精確的數學(xué)模型是機器人視覺(jué)系統傳統的建模方法。但由于這類(lèi)問(wèn)題是高度的非線(xiàn)性問(wèn)題，參數多且其間的相關(guān)性強，故這種方法理論上雖然精確，但是建模困難、計算量大，實(shí)時(shí)性差且沒(méi)有容錯能力和自學(xué)習能力，而神經(jīng)網(wǎng)絡(luò )作為一種智能信息處理的新技術(shù)，具有極強的非線(xiàn)性映射能力。因此采用神經(jīng)網(wǎng)絡(luò )的建模方法與傳統的方法相比具有極大的優(yōu)越性。

作者已經(jīng)采用BP網(wǎng)絡(luò )建立了機器人視覺(jué)系統的映射模型，并作了初步的研究和實(shí)驗。結果發(fā)現，采用神經(jīng)網(wǎng)絡(luò )建立機器人視覺(jué)映射模型是一種有效的建模方法。但采用BP網(wǎng)絡(luò )建立模型存在網(wǎng)絡(luò )規模大、訓練時(shí)間長(cháng)、容易陷入局部最小解、定位精度較低等缺點(diǎn)。本文采用CMAC神經(jīng)網(wǎng)絡(luò )建立了機器人視覺(jué)系統的映射模型，取得了十分令人滿(mǎn)意的效果。

1 CMAC神經(jīng)網(wǎng)絡(luò )簡(jiǎn)介

小腦模型關(guān)節控制器神經(jīng)網(wǎng)絡(luò )(Cerebellar Model Articulation Controller Neural Network，即CMAC神經(jīng)網(wǎng)絡(luò ))是Albus根據小腦的生物模型提出的一種人工神經(jīng)網(wǎng)絡(luò )。它學(xué)習速度快，具有局域泛化能力，能夠克服BP網(wǎng)絡(luò )容易陷入局部最小點(diǎn)的問(wèn)題，且硬件易于實(shí)現。目前，CMAC神經(jīng)網(wǎng)絡(luò )被廣泛應用于機器人控制、非線(xiàn)性函數映射、模式識別以及自適應控制等領(lǐng)域。

1.1 CMAC的基本結構和原理

CMAC神經(jīng)網(wǎng)絡(luò )的模型結構原理圖如圖1所示。它本質(zhì)上可看作是一種用于表示復雜非線(xiàn)性函數的查表結構。

圖1中，S為n維輸入矢量空間；A為聯(lián)想記憶空間；Y是輸出響應矢量。輸入空間S中的每一矢量S(…，Si，…，Sj，…)被量化后送人存鍺區A，每個(gè)輸入變量Si激活存儲區A中C個(gè)連續存儲單元。網(wǎng)絡(luò )輸出yi為這C個(gè)對應單元中值(即權wi)的累加結果，對某一輸入樣本，總可通過(guò)調整權值達到期望輸出值。由圖1可以看出，每一輸入樣本對應于存儲區A中的C個(gè)單元，當各樣本分散存儲在A(yíng)中時(shí)，在S中比較靠近的那些樣本就會(huì )在A(yíng)中出現交疊現象，其輸出值也比較相近，即這C個(gè)單元遵循輸入相鄰，輸出相近的原則，這種現象被稱(chēng)為CMAC神經(jīng)網(wǎng)絡(luò )的局部泛化特性，C為泛化參數：C越大，對樣本的映射關(guān)系影響越大，泛化能力越好。

CMAC網(wǎng)絡(luò )的學(xué)習采用誤差糾正算法，計算量少斂速度快。其權值修正公式及輸出可表示如下：

式中，η為學(xué)習步長(cháng)，yd為期望輸出，mi為輸入變量S激活存儲單元的首地址。修正方法可以采用每個(gè)樣本修正一次的增量學(xué)習方法，也可以采用所有樣本都輸入一輪后再修正的批量學(xué)習方法。

1.2 多維CMAC網(wǎng)絡(luò )的計算方法

由上述CMAC模型的算法可知，應用傳統的多維CMAC概念映射算法會(huì )因輸入維數的增大而使存儲空間劇烈增大，從而使網(wǎng)絡(luò )計算量增大，收斂速度變慢。這里采用一種新的多維CMAC網(wǎng)絡(luò )的處理方法--疊加處理法。即把輸入空間為n維的多維CMAC網(wǎng)絡(luò )看作是由n個(gè)一維CMAC網(wǎng)絡(luò )疊加而成，其輸出為n個(gè)一維子網(wǎng)絡(luò )的輸出的疊加。par

當輸入空間的維數n=1時(shí)，對于每一個(gè)輸入變量，都激活C個(gè)連續存儲單元，即有C個(gè)對應單元的權值輸出非零。它的激勵情況如表l所示。