《基于改进BP神经网络的移动机器人寻线控制》由会员分享，可在线阅读，更多相关《基于改进BP神经网络的移动机器人寻线控制（4页珍藏版）》请在金锄头文库上搜索。
1、基于改进BP神经网络的移动机器人寻线控制摘 要：神经网络系统具有自学习和自适应的能力，同时有很强的容错性和鲁棒性，适用于处理难于语言化的模式信息。 为使移动机器人沿地面标志线自主运动，采用CCD图像传感器与PC./101总线相结合的破件系统，运用神经网络的模式识 别功能，实现了机器人的寻线控制，实验结杲表明该方法是可行的，能有效地提高移动机器人对环境的适应性和其智能 化水平。关键词：BP神经网络；CCD传感器；移动机器人；寻线控制Line-tracking Control of Mobile Robot Based on the improved BP Neural NetworkAbstra
2、ct: Neurdl Network has the ability of self-learning and self-adaptation, also has strong fault-tolerance tind robustness, as well as adapts to deal with pattern infomuition which is difficult to demonstrate by Ianguage In order to let the robot move along guide lines, the CCD image sensor and PC/104
3、 are used to compose hardware system, and applies pattern recognit ion function of neural network, then realizes line-tracking control of mobile robot The experiment results indicate that the proposed method is practicable and can improve the adaptability and intelligence of mobile robot.Key words:
4、BP neural network; CCD sensor; mobile robot; line-tracking control1引言移动机器人的自主导航技术I-分关键，一般 需要设置引导线、标志物来帮助机器人定位，完 成既定的任务。识别这些引导线和标志物的方法 有很多，如竞赛机器人多采用光电检测技术来完 成在赛场上的定位，机器人按照预先编制好的程 序寻迹，设计方法简单、实用，运行速度快，能 较好的实现实时控制，但光电传感器对光线比较 敏感，受周囤环境的影响较大，容易出现谋操作, 系统的智能化水平较低。而神经网络控制是一种 基木上不依赖于模型的控制方法，比较适用于那 些具有不确定性或高度非
5、线性的控制对彖，具有 较强的自适应和自学习能力，现在已经提出了各 种基于神经网络的机器人控制方法，并取得了一 定的研究成果。木文提出了一种基于改进BP神经网络-的 移动机器人寻线控制系统，其控制目标要求机器 人小车能沿地面上的白色引导线运动，并在白色 圆盘等处快速准确定位。系统采用CCD传感器对 图像进行采集和处理，用PC/104完成对机器人的 控制，通过计算机仿真试验，系统能有效的实现 寻线控制，且可靠性也大大提高。2控制系统硬件设计2.1 CCD信号分离电路CCD图像传感器作为一种光电转换器，由于 其高精度、高分辨率、性能稳定、功耗低以及具 有白扫描功能等特点，被广泛应用于摄像、图像 采集
6、、扫描仪以及T业测量等领域。系统设计时 需要处理的图像简单，电路力求简洁有效，且保 持较高的稳定性。CCD信号分离电路中，选用 LM393比较器，它具有两路比较电路，输出标准 的TTL逻辑电平，通过两块LM393比较器将视频 信号的场、行信号分离出来，其具体电路如图1。 视频信号经电阻送入A中，得到复合同步信号， 再经过积分电路将其整理，送入比较电路B中， 取出信号高脉冲部分进行比校，得到场同步信号o 同时，A输出的信号送入C中，经过比较判断后 便得到行同步信号。2.2小车控制系统机器人小车木体采用二轮驱动方式。用 PC/104对-其进行控制，PC/104是专门为嵌入式控 制而定义的T业控制总
7、线在硬件上具有结 构微型化、总线驱动能力高等优点，且运行速度 快，实时性强。主板选择PCM3346,接口选择多 功能I/O模块AX10410Ao由驱动控制电路、CCD 信号分离电路和PC104的两个模块组成了小车寻 线控制的驶件系统。机器人驱动采用真流电机， 由I/O模块的2路数字量通道输出控制信号到 L298驱动电路，控制机器人的运动。图1 CCI）信号分离电路Figi CCD Signal separation circuit3 BP神经网络设计BP神经网络是利用输出响应与期望输出Z 间的谋旁作为导师信号，对网络连接强度进行多 次调节，达到谋差最小，以完成学习过程。这属 于全局逼近算法，具
8、有较好的“泛化”能力，同 时算法中采用了并行计算，提高了系统的速度， 为实时处理问题打下基础。但经典BP算法存在 -些不足：学习算法收敛速度慢；容易出现局部 极值而产匸谋弟振荡；影响网络收敛的隐层神经 元个数及初始权值的选取基木依据经验，缺乏足 够的理论指导等。针对这些不足，木文将附加动 量项BP算法和白适应学习速率算法结合起来，分 阶段进行学习调報，使网络性能得到显著优化。3.1分阶段学习BP算法设计分阶段学习算法以误差作为导向，需要使整 个学习过程中的误羌保持下降趋势，即网络在有 利的条件下，加快学习速度，不利的条件下，放 慢学习速度。由此，将学习过程分为两个阶段， 分别采用不同的动量项和
9、学习速率值。在学习的 初始阶段，若木次迭代使谋差下降，应增大学习 速率，并使动量项保持一定的值，若木次迭代使 误差增大到一定的范围，应减小学习速率，并使 动量项为0,其余情况保持不变。当临近极值点时, 若木次迭代使误差下降，应减小学习速率，增大 动最项的值，以便于对当前区域进行细致的搜索, 找到更优的值。若木次迭代使误差增大，应增大 学习速率，动量项置为（），使网络尽快跨过当前的 不利搜索区域。学习速率和动量项调粥公式如下:在学习的初始阶段：1.05（0）,叽（0）曲 + 1）曲）?（t + 1）, M . （r + 1） * O.7?7（O）,0 曲 + 1）1.04 苗）（0），M0） -
10、其它在临近极值点:O.877（O）,1.2M（O）e（/ + l）e（r） I7（0）,0（/ + 1）苗）其中，（0）、Mo）均为网络初始化时学习 速率和动量项的预置值，为隐层神经元个数。神经网络训练是一个反复学习的过程，一组 训练模式，需经过数百次乃至上千次的学习过程才可能使网络收敛，得到实验要求的最佳模型, 训练稈序流稈见图2。图2网络训练程序流程图Fig2 The procedure of network study program3.2 BP神经网络识别流程在机器人小车运行时，用CCD传感器采集图 像并转化为二值信号，作为识别系统的输入，经 过运算得到识别的结果，由此调報机器人小车左
11、 右轮的速度，完成各种运动。如识别结果为直线, 小车左右轮速度相等；如为右斜线，小车向右偏 离直线运行，需要使右轮的速度加快，左轮的速 度减慢，调节小车向左运行；如为圆盘，小车停 止运行等。识别程序流程见图3。实验中，分别对三种改进算法进行比较。结 果显示，带动量项算法迭代次数为340,均方根误 差为0.000999,自适应学习速率算法迭代次数为 380,均方根误差为0.000998,分阶段学习算法迭 代次数为30,均方根误差为0. 000819。它们的误 羌曲线见图4所示，其中，图a)为带动量项BP算 法，图b)为白适应学习速率BP算法 图c)为分阶 段学习BP算法。图3网络识别程序流程图F
12、ig3 The procedure network recognition program4仿真实验及分析实验以C+作为开发工具。主要包括网络训 练和网络识别过稈。4.1样本数量的确定仿真试验以机髀人大赛场地为研究目标，背 景为深绿色，路径为白线，通过BP神经网络判断 场地上的直线、交叉线和圆盘交叉线等。因只要 求对两种颜色进行分辨，且识别的路径是规则的, 不需要对复杂图像进行处理，设计的电路力求简 单有效，处理速度较快、且稳定。将处理好的二 值图像用8X8的点阵表示，作为网络系统的输入, 根据实际需要，把图形样木归为20种，包括頁线、 斜线、圆盘、交叉线等，如直线样木为：(00011000
13、00011000 00011000 00011000 00011000 0001100 0 00011000 00011000),左斜线样本为:(11000000 11100000 0111000000111000 000111000000111000 0001110000001l)o4.2神经网络参数的确定实验采用三层BP神经网络，根据图像点阵的 大小，确定网络神经元拓扑结构为64-18-6,初始 权值为(-1,1)2间的随机数，期望误差值选取 0. 001,训练次数小于1000次。实验中先对动量 项及学习速率的基木值进行研究，结果表明， 值越大，迭代次数越少，网络收敛速度越快，当 取0.
14、9时,迭代次数最少。对于学习速率“ 0.5时， 随看的增加，迭代次数明显减少，0.5时， 随着的增加，迭代次数增加，当2.0时，网 络不收敛。由此选取基木最佳值：动量项为0.9, 学习速率为0.4。4.3分阶段学习算法仿真结果分析a)b)c)图4 BP馀法误差關线Fig4 BP algorithm errors curve从图3可以看出，改进算法能有效的缩短训 练时间，提高网络的收敛速度及T作效率。带动 量项的算法与白适应学习速率的算法效果改善不 明显，将白适应学习速率与动量项算法结合的分 阶段算法能大大的改善网络的性能，使收敛速度 明显提高。其次，不分阶段算法在临近极值点时 收敛速度变慢，陷
15、入局部极小值，如对临近极值 点时采取措施，若木次迭代使误差下降，减小学 习速率，增大动量项，若木次迭代使误差增大， 增大学习速率，动量项置为0,就能很快跳离局部 极小值。4.4网络识别结果及性能分析在识别过程中，设计了一些典型样木去验证 网络的性能，将各样木旋转(一1010以内)的识 别率为100%,即网络具有较强的“泛化”能力。 同时将标准样木图像随机加入噪声，识别结果见 表1,可见改进的神经网络随着噪声数量的增加， 识别误差增大，当小于5个时，能满足误差小于 0.001的要求,具有较强的抗噪能力和抗干扰能力, 识别的可靠性较好。表1噪声数量与识别误差比较lb.l Noise and recognition error噪声数135812噪声率0. 024%0.073%0.122%0. 195%0. 293%误差0. 0000590.0003660. 0016880.0047220. 0265365结束语神经网络对于信息的处理过程具有并行、自 组织、白学习及分布式存储信息等特点，为智能 机器人技术开发提供了一种强有力的手段，尤其 是在模式识别领域，取得了迅猛的发展。但目前 的人工神经网络还只是真正神经网络的一种“过 分简化”，存在着训练时间长，易陷入局部最小， 模型复杂，样木数量要求大，网络的泛化能力弱 等缺点。因此需要对网络结构不断的进行优化， 并与其它
