© 1994-2010 China Academic Journal Electronic Publishing House. All rights reserved. http://www.cnki.net
基于 BP 神经网络的移动机器人路径规划
朱云国 , 周松林
(铜陵学院 , 安徽 铜陵 244000)
摘 要 : 对BP 神经网络算法进行了改进 ,克服了直接使用神经网络算法进行路径规划的不足
之处。仿真
表
关于同志近三年现实表现材料材料类招标技术评分表图表与交易pdf视力表打印pdf用图表说话 pdf
明 ,
设计
领导形象设计圆作业设计ao工艺污水处理厂设计附属工程施工组织设计清扫机器人结构设计
了附加动量项的BP 神经网络 ,能有效地提高算法的收敛速度。最后在MAT2
LAB 中给出了在有静止和运动障碍物的动态环境中路径规划仿真结果 ,结果表明此方法是可行的。
关键词 : 移动机器人 ; 路径规划 ; BP 神经网络 ; 附加动量项
中图分类号 : TP183 文献标志码 : A 文章编号 :100320794 (2007) 0820042203
Path Planning for Mobile Robot Based on BP Neural Network Algorithm
ZHU Yun - guo , ZHOU Song - lin
(Tongling College , Tongling 244000 , China)
Abstract : Improves the BP neural network algorithm , so the shortage of path - planning with the BP neural
network algorithm is overcomed . The simulation results indicate that on the bases of accessional momentum
method can efficiently improve this algorithm in convergence speed. At last , mobile robot dynamic path plan2
ning simulation is carried out in the environment with immobile and mobile obstacle , the simulation result indi2
cates that the method is feasible.
Key words :mobile robot ; path planning ; BP neural network ; accessional momentum
0 引言
现代机器人在多种行业中得到广泛的应用 ,尤
其在一些工作环境恶劣 ,劳动强度较大的场合 ,机器
人必将为代替人工劳动而发挥巨大的作用。路径规
划是机器人应用中的一项非常重要的技术 , 是现代
机器人控制领域内的一个焦点问题 ,本
论文
政研论文下载论文大学下载论文大学下载关于长拳的论文浙大论文封面下载
主要对
如何寻找到一条从起点到终点无碰撞的路径作了研
究 ,在机器人硬件系统的精度短期内不能得到解决
的情况下 ,对算法的研究就显得十分重要。神经网
络是由大量的处理单元广泛互连而成的网络 ,是在
现代神经网络科学研究成果基础上提出来的。它能
模拟人脑的识别、思维、认识过程 ,反映人脑功能的
某些基本特性 ,但它并不是人脑的真实描写 ,而只是
它的某种抽象、简化与模拟。神经网络是一个具有
高度非线性超大规模的连续时间动力学系统 ,其最
主要的特征为连续时间非线性动力学、网络的全局
作用、大规模并行分布处理及高度的鲁棒性和学习
联想能力 ,同时它又具有一般非线性动力系统的共
性 :不可预测性、吸引性、耗散性、非平衡性、不可逆
性、高维性、广泛连接性和自适应性等。因此它实际
上是一个超大规模非线性连续时间的自适应信息处
理系统。
1 带动量项 BP 神经网络控制原理和结构
1 . 1 问题的提出
BP 神经网络并不是一个十分完善的网络 ,它还
存在着一些缺陷 :
(1)学习收敛速度太慢 ,一个比较简单的问题 ,
有时也需要几百次甚至上千次的学习才能收敛 ;
(2)不能保证收敛到全局最小点 ,会出现局部极
小值的问题 ;
(3)网络隐含层的层数及隐含层的单元数的选
取到现在为止 ,还没有理论上的指导 ,而是根据
经验
班主任工作经验交流宣传工作经验交流材料优秀班主任经验交流小学课改经验典型材料房地产总经理管理经验
确定。因此 ,网络往往有很大的冗余性 ,无形中增加
了网络的学习时间 ;
(4)网络的学习、记忆具有不稳定性。一个训练
结束的 BP 网络 ,当给它提供新的记忆模式时 ,将使
原来的连接权值被打乱 ,导致原来已经记忆好的学
习模式的信息消失。要使这种情况不出现 ,就要将
新的模式加在原来已经学习过的模式一起来进行训
练。而对于人类的大脑来说 ,新的信息不会影响已
记忆的信息 ,这就是人的大脑的记忆的稳定性。
为了克服上面提到的不足 ,本文提出了附加动
量项的 BP 算法。BP 算法的改进主要目标是为了加
快训练速度 ,避免陷入局部极小值。避免网络陷于
局部极小值的方法主要有 :模拟退火算法、遗传算
法、附加动量法 ,以及在训练模式中注入噪声的方
法 ,即在训练早期 ,由随机信号发生器产生的噪声可
能很大 ,随着训练的进行 ,噪声渐渐减小 ,最终减至
为零 ,因而算法收敛。标准的 BP 算法只是一种最
简单的负梯度下降的静态寻优算法 ,它的收敛速度
比较慢 ,严重影响了该网络在许多方面的实际应用。
由于附加动量法简单且有效 ,成为研究的热点 ,它将
—24—
第 28 卷第 8 期
2007 年 8 月
煤 矿 机 械
Coal Mine Machinery
Vol128No18Aug. 2007
© 1994-2010 China Academic Journal Electronic Publishing House. All rights reserved. http://www.cnki.net
最后一次权值变化的影响 ,通过一个动量因子来传
递 ,促使权值的调节向着误差曲面底部的平均方向
变化 ,有助于使网络从局部最小值中跳出来。这种
方法所加入的动量项实质上相当于阻尼项 ,它积累
了以前的学习经验 ,减小了学习过程的振荡趋势 ,改
善了收敛性。本文采用这种改进型的 BP 算法获得
了较好的控制效果。
用附加动量项的 BP 神经网络来对移动机器人
进行路径规划 ,附加动量项 BP 神经网络的训练主
要包括样本输入 ,网络学习及网络输出 3 部分组成。
神经网络学习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。
1 . 2 网络结构的确定
BP 神经网络的输入层起缓冲存储器的作用 ,把
数据源加到网络上。其节点数目取决于数据源的维
数 ,即输入特征向量的维数。选择特征向量时 ,要考
虑到应选的向量是否完全描述了事物的本质特征。
如果特征向量不能有效地表达事物的特征 ,网络经
训练后的输出可能与实际有较大的误差。当然 ,特
征向量的选取并不是维数越多越好 ,输入特征向量
维数的增多 ,将使网络的计算量呈指数增长 ,会导致
组合爆炸。所以 ,在选取特征向量时 ,应从实际出
发 ,适当地选取最能表现事物本质的那些特征。良
好的特征应该具有以下 4 个特点 :可区别性、可靠
性、独立性、数量少。输出层节点数的确定 ,有一定
的规律可循 : (1) 当模式类别较少时 ,输出层节点数
等于模式类别数 , m 类的输出用 m 个输出单元 ,每
个输出节点对应一个模式类别 ,即当某输出节点值
为 1 ,其余输出节点值均为 0 时 ,对应输入为某一特
定模式类的样本。(2)当模式类别较多时 ,用输出节
点的编码表示各模式类别 ,即 m 类的输出只要
log2 m 个输出单元即可。隐含层起抽象的作用 ,即
它能从输入提取特征。增加隐含层可以增强神经网
络的处理能力 ,但会使网络训练复杂化、训练样本数
目增加和训练时间增长。一般说来 ,开始设置一个
隐含层 ,然后按需要再增加隐含层数。
本文根据实际情况 ,设计了有 1 个输入层、1 个
隐含层、1 个输出层的 3 层 BP 神经网络结构 ,其中输
入层中有 3 个神经元 ,分别为左、前、右 3 个方向的障
碍物到移动机器人的距离 (分别是机器人 3 组传感器
所测数据进行融合后的结果作为输入) ;隐含层有 6
个神经元 (网络隐含层的层数及隐含层的单元数的选
取没有理论指导 ,只能按实验结果确定) ;输出层有 2
个输出 (分别控制机器人的运行速度和偏转方向) 。
建立神经网络 ,并在MATLAB 中进行仿真。
2 神经网络参数的确定
(1)样本数量
样本数量是影响神经网络将来路径规划效果的
一个重要因素。神经网络的最大特点是学习能力 ,
通过某种学习方法将某方面的信息存储起来 ,并调
整它内部的参数 ,完成特定的路径规划目的 ,所以 ,
如果训练样本集非常多且能够较全面反映规划路径
所需要的信息 ,经过学习后 ,路径规划效果肯定好 ,
如果训练样本较少 ,且结构单一 ,则路径规划的效果
必定会变差 ,甚至有碰撞的危险。本文所选用的训
练样本是根据人行走的经验得到速度和偏转角。总
的训练样本的个数为 6 个。初始权值选为由 MAT2
LAB 中 rand 函数所产生的随机数 ;期望误差值选取
01000 1 ;训练次数为小于 1 500 次。
(2)学习速率、动量项
因为网络的改进与学习速率、动量项的选取有
密切关系 ,在实验中重点对它们进行了分析 ,在一定
范围内 ,学习速率大时 ,迭代次数会减小 ,误差收敛
速度快。但超过一定值时 ,误差曲线会出现振荡甚
至发散 ,达不到所要求的控制误差效果。动量项与
误差及迭代次数也有类似的关系。在本控制系统中
采用的学习速率为 014 ,动量项为 012。经过多次实
验结果令人满意 ,使误差得到了较好的收敛 ,并且迭
代次数较少。图 1 是学习率为 014 动量项为 0 时的
误差收敛示意图 ,达到期望误差值时迭代次数为
773 次 ,收敛较慢。图 2 是学习率为 014 ,动量项为
012 时的误差收敛曲线示意图 ,达到期望误差值时
迭代次数为 280 次 ,收敛较快。
图 1 附加动量项为 0 时的误差收敛曲线
图 2 附加动量项为 012 时的误差收敛曲线
3 仿真结果
建立机器人运行的不确定环境 ,起点定在 (5 ,
5) ,终点定在 (50 ,50) ,将点 (10 ,9) , (18 ,20) , (25 ,
25) , (32 ,29) , (40 ,42) , (45 ,43)分别设为静态障碍
—34—
第 28 卷第 8 期 基于 BP 神经网络的移动机器人路径规划 ———朱云国 ,等 Vol128No18
© 1994-2010 China Academic Journal Electronic Publishing House. All rights reserved. http://www.cnki.net
旋转冲击式井下煤矸分离可行性研究
丁开旭1 , 张志高2 , 张建臣3
(1. 中国矿业大学 机电学院 , 江苏 徐州 221008 ; 2. 新汶矿业集团 良庄煤矿 , 山东 泰安 271000 ;
3. 神火集团煤电公司 , 河南 商丘 476000)
摘 要 : 随着采煤机械化程度的日益提高 ,煤中混入矸石量逐渐增加 ,在地面分选 ,造成环境
污染 ,占用农田、增加成本。介绍一种新型的井下煤矸分离方法 ,根据煤矸硬度、破碎力不同 ,采用
旋转冲击方式对煤矸进行打击 ,从而达到煤矸分离的目的。
关键词 : 煤矸分离 ; 冲击破碎 ; 选择性破碎
中图分类号 : TD451 文献标志码 : A 文章编号 :100320794 (2007) 0820044202
Feasibility Study of Rotating - impact Method of Coal - gangue
Separation Underground - well
DING Kai - xu1 , ZHANG Zhi - gao2 , ZHANG Jian - chen3
(1. College of Mechanical and Electrical Engineering of China University of Mining & Technology , Xuzhou 221008 ,China ;
2.Liangzhuang Coal Mine of Xinwen Liability Company , Tai’an 271000 ,China ;
3. Shenhuo Group Electric Coal Liability Company , Shangqiu 476000 ,China)
Abstract :As the increase in mechanization of the shearer , the discard in the coal is gradual increasing. Sepa2
rating on the ground , made environmental pollution and occupancied farmland and raised cost . One new under2
ground separating method is introduced. According to the difference of the coal gangue hardness and crushing
force , adopted rotating impact method to the coal gangue , so that separated the coal and the coal gangue.
Key words :coal - gangue separation ; impact crushing ; selected crushing
0 引言
随着采煤机械化程度的日益提高 ,煤中混入矸
石量逐渐增加 ,特别是夹矸层 ,这不仅给预先筛分、
手选及破碎等其他作业造成困难 ,而且大量块矸石
进入选煤作业 ,直接影响选煤操作 ,不利于产品质量
的提高。同时 ,大量矸石堆积在地面上污染环境。
因此 ,当煤中夹矸含量较大时 ,采用机械的方式 ,在
井下预先清除大部分的矸石 ,对于解放劳动力 ,提高
物 ,即图中的小圆圈。然后利用附加动量项的 BP
神经网络在 MATLAB 中进行仿真实验 ,在不确定环
境中仿真的行驶路径如图 3 所示 ,从图 3 中可以看
出机器人能合理地躲避路障并到达目标点。
图 3 静态障碍物环境的路径规划图
图 4 动态障碍物环境的路径规划图
当障碍物为运动的障碍物时 ,如图 4 所示 ,起点
定在 (5 ,5) ,终点定在 (50 ,50) ,设障碍物从点 (25 ,10)
出发 ,以速度 013 mΠs 垂直向上运动。从图 4 中可以
看出 ,机器人对障碍物采取了避让动作。图中的交叉
点是机器人与障碍物在不同的时刻留下的轨迹。
仿真结果表明 ,应用本文所述方法 ,对不确定环
境中的静态障碍物、动态障碍物都可以很好地避障
与规划路径。
参考文献 :
[1 ]李慧 ,杨东梅 ,沈洁 ,等. BP 神经网络在路径规划中的应用[J ] . 应
用科技 ,2004 (9) :15 - 17.
[2 ]闻新 ,周露 ,李翔 ,等. MATLAB 神经网络仿真与应用[M] . 北京 :科
学出版社 ,2003.
[3 ]韦巍. 智能控制技术[M] . 北京 :机械工业出版社 ,2001.
[4 ]Freund E , Mayr R1 Nonlinear path control in automated vehicle guidance
[J ] . IEEE Trans1 on Robotics and Automation , 1997 ,13 (1) :49 - 60.
[5 ] Yang S X , Max M1 Neural network approaches to dynamic collision - free
trajectory generation[J ]1 IEEE Trans - actions on System Man , and cy2
bernetics , Part B , 2001 , 31 (3) : 302 - 318.
[6 ]王耀南. 机器人智能控制工程[M] . 北京 :科学出版社 ,2004.
作者简介 : 朱云国 (1976 - ) ,安徽宿松人 ,2006 年毕业于合肥工
业大学电气工程系 ,获硕士学位 ,现为铜陵学院电气工程系讲师 ,研
究方向 : 智能控制 , 电话 : 0562 - 2121890 , 电子信箱 : zdhkm @
tlu1edu1cn.
收稿日期 :2007204205
—44—
第 28 卷第 8 期
2007 年 8 月
煤 矿 机 械
Coal Mine Machinery
Vol128No18Aug. 2007