基于神經(jīng)網(wǎng)絡(luò )的自主吸塵機器人混合視覺(jué)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。在執行算法之前，首先要設置變量和參量。其中：Wmi(n)為第n次迭代時(shí)輸入層與隱層I之間的權值向量；Wip(n)為第n次迭代時(shí)輸出層與隱層I之間的權值向量；n為迭代次數，K為訓練樣本的下標，Maxloop為最大迭代次數，Maxtrain為訓練樣本的總數，ξ為能量最小誤差。

仿真結果

用FoxPro建立輸入樣本的數據庫，用VC編程訓練網(wǎng)絡(luò )。訓練時(shí)用了72組輸入樣本，并且循環(huán)4000次訓練網(wǎng)絡(luò )，訓練時(shí)間15s。表1給出了部分訓練樣本的示例(P0表示樣本0，以下同)。

表1 訓練樣本示例

初始權值為-0.01～0.01的隨機數值。下面給出了網(wǎng)絡(luò )訓練的權值輸出。

輸入層與隱層權值

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

為了驗證訓練權值的正確性與強壯性，對大量的輸入樣本(包括沒(méi)有經(jīng)歷訓練過(guò)程的樣本)進(jìn)行實(shí)驗，網(wǎng)絡(luò )產(chǎn)生相匹配的輸出。實(shí)驗結果表明，網(wǎng)絡(luò )的訓練是成功的。

部分實(shí)驗數據如下：

輸入數據組數：6
第0組輸入數據：0000000
第0組輸出為：1000
第1組輸入數據：0001000
第1組輸出為：0001
第2組輸入數據：1101000
第2組輸出為：0010
第3組輸入數據：1110000
第3組輸出為：1010
第4組輸入數據：0001100
第4組輸出為：0100
第5組輸入數據：1101001
第5組輸出為：0001

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

實(shí)際應用過(guò)程的思路為：將BP網(wǎng)絡(luò )訓練的權值移植到機器人的處理器中；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(guò)神經(jīng)網(wǎng)絡(luò )計算得到匹配的實(shí)時(shí)輸出；行走電機根據輸出信號作出相應的避障行為。

本文將超聲波傳感器和紅外傳感器融合進(jìn)自主吸塵機器人的視覺(jué)系統，從而獲得相對于單一傳感器更加準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(guò)網(wǎng)絡(luò )訓練，機器人能夠對訓練過(guò)程中沒(méi)有經(jīng)歷的實(shí)際情況做出合理的反應。這種算法的魯棒性和容錯性很強，能夠適應自主吸塵機器人非結構化的工作環(huán)境。