基于神經(jīng)網(wǎng)絡(luò)的移動(dòng)機(jī)器人主動(dòng)嗅覺(jué)定位研究

任坤 劉鵬

國(guó)家知識(shí)產(chǎn)權(quán)局專(zhuān)利局專(zhuān)利審查協(xié)作河南中心 河南鄭州 450003

基于神經(jīng)網(wǎng)絡(luò)的移動(dòng)機(jī)器人主動(dòng)嗅覺(jué)定位研究

任坤 劉鵬

國(guó)家知識(shí)產(chǎn)權(quán)局專(zhuān)利局專(zhuān)利審查協(xié)作河南中心 河南鄭州 450003

本文提出了一種新的移動(dòng)機(jī)器人主動(dòng)嗅覺(jué)定位方法。通過(guò)風(fēng)速和濃度梯度，黃蜂能夠在較短的時(shí)間內(nèi)找到氣源。但是，移動(dòng)機(jī)器人很難精確地模仿黃蜂的行為。因此，除了仿生學(xué)之外，我們引入BP神經(jīng)網(wǎng)絡(luò)來(lái)幫助移動(dòng)機(jī)器人尋找氣源。在這個(gè)模擬的環(huán)境中，測(cè)試移動(dòng)機(jī)器人跟蹤氣體煙羽并找到氣源。

神經(jīng)網(wǎng)絡(luò)；移動(dòng)機(jī)器人；氣源定位；濃度梯度

一、引言

近年來(lái)，氣源定位研究吸引了眾多的研究人員的注意。利用一個(gè)具有主動(dòng)嗅覺(jué)定位功能的移動(dòng)機(jī)器人可以探測(cè)危險(xiǎn)氣體的泄露。由于采用模擬的方式效率高而且費(fèi)用低，因此我們采用模擬的方式研究移動(dòng)機(jī)器人的主動(dòng)嗅覺(jué)定位問(wèn)題。

到目前為止，很多研究人員在該領(lǐng)域取得了一些成就。但是他們的機(jī)器人機(jī)構(gòu)復(fù)雜，而且不能夠用最優(yōu)的路徑找到氣源[1、2、3]。在本文中，我們基于高斯煙羽模型建立了一個(gè)氣體煙羽擴(kuò)散模型。然后將訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)引入到移動(dòng)機(jī)器人中。通過(guò)使用這個(gè)智能的算法，移動(dòng)機(jī)器人能夠在較短的時(shí)間內(nèi)找到氣源。

二、在MATLAB中模擬煙羽

在本文中，我們采用數(shù)值接近的方法來(lái)生成煙羽，使用MATLAB生成煙羽擴(kuò)散模型。高斯模型非常適合模擬從一個(gè)點(diǎn)氣源擴(kuò)散開(kāi)來(lái)的煙羽模型。因此，本文采用高斯模型建模。由于沒(méi)有考慮重力的影響，高斯煙羽模型只適用于氣體密度小于空氣密度的擴(kuò)散模型。

三、BP神經(jīng)網(wǎng)絡(luò)

擁有高度并行結(jié)構(gòu)和處理能力的人工神經(jīng)網(wǎng)絡(luò)是智能識(shí)別方法的一種。由于固有的非線性特征，人工神經(jīng)網(wǎng)絡(luò)具有逼近任何非線性映射的能力。一個(gè)經(jīng)過(guò)適當(dāng)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)能夠解決數(shù)學(xué)模型或描述性規(guī)則不能解決的問(wèn)題。移動(dòng)機(jī)器人的主動(dòng)嗅覺(jué)定位即屬于該類(lèi)問(wèn)題。

BP神經(jīng)網(wǎng)絡(luò)是一種多層正反饋神經(jīng)網(wǎng)絡(luò)，通過(guò)學(xué)習(xí)已知的樣本，它能夠識(shí)別未知的樣本。只有一個(gè)隱含層的BP神經(jīng)網(wǎng)絡(luò)可以任意地接近任何一個(gè)在閉區(qū)間內(nèi)連續(xù)的函數(shù)[4]。因此，在本文中我們采用含有一個(gè)隱含層的BP神經(jīng)網(wǎng)絡(luò)。

根據(jù)本研究，這里有五個(gè)輸入節(jié)點(diǎn)和兩個(gè)輸出節(jié)點(diǎn)。

在BP神經(jīng)網(wǎng)絡(luò)中，隱含層節(jié)點(diǎn)的數(shù)量對(duì)精度的影響很大。經(jīng)過(guò)多次測(cè)試，可以得到不同節(jié)點(diǎn)的隱含層的效果。隨著隱含層節(jié)點(diǎn)數(shù)量的增多，BP神經(jīng)網(wǎng)絡(luò)的效果先增大然后減小。根據(jù)需要，我們選取隱含層節(jié)點(diǎn)的數(shù)量為4，這樣就得到了結(jié)構(gòu)確定的PB神經(jīng)網(wǎng)絡(luò)。

四、初步模擬和討論

移動(dòng)機(jī)器人由一種基于仿生學(xué)的BP神經(jīng)網(wǎng)絡(luò)智能煙羽跟蹤算法來(lái)控制，以此跟蹤模擬的氣體煙羽。在模擬中，我們沒(méi)有考慮機(jī)器人本身的尺寸及障礙物對(duì)煙羽擴(kuò)散的影響。根據(jù)機(jī)器人的傳感系統(tǒng)，從傳感器到控制器有五個(gè)輸入。其中三個(gè)來(lái)自紅外傳感器，另外兩個(gè)分別來(lái)自離子傳感器和風(fēng)向傳感器。a1、a2和a3分別表示機(jī)器人前方左側(cè)、中間和右側(cè)三個(gè)紅外傳感器的輸出信號(hào)，b1表示離子傳感器的輸出信號(hào)，c1表示風(fēng)向傳感器的輸出信號(hào)。利用采集的樣本訓(xùn)練神經(jīng)網(wǎng)絡(luò)后，神經(jīng)網(wǎng)絡(luò)便能對(duì)未知樣本作出相應(yīng)的判別。下面以單障礙物環(huán)境下移動(dòng)機(jī)器人跟蹤氣體煙羽并確定氣源的模擬過(guò)程進(jìn)行說(shuō)明:

1、當(dāng)a1=1，a2=1，a3=1，b1≤0.0972，c1=180°時(shí)，機(jī)器人前方?jīng)]有障礙物，運(yùn)動(dòng)方向正好迎著風(fēng)向并且沿著氣體濃度增大的方向。此時(shí)，機(jī)器人直行。

2、當(dāng)a1=1，a2=0，a3=1時(shí)，不管b1和c1為何值，機(jī)器人必須拐彎。因?yàn)榇藭r(shí)機(jī)器人前方有障礙物，必須要避開(kāi)障礙物后再繼續(xù)跟蹤氣體煙羽。

3、當(dāng)a1=1，a2=1，a3=1，b1=0.0953，c1=270°時(shí)，機(jī)器人前方?jīng)]有障礙物，其所處位置的氣體濃度超過(guò)設(shè)定的閥值。因此機(jī)器人轉(zhuǎn)彎，繼續(xù)沿著氣體濃度增大的方向運(yùn)動(dòng)。

4、當(dāng)a1=1，a2=1，a3=1，b1=0.1031，c1=225°時(shí)，機(jī)器人前方?jīng)]有障礙物，但是機(jī)器人轉(zhuǎn)彎，原因與3中的相同。

5、當(dāng)a1=1，a2=1，a3=1，b1=0.1656，c1=135°時(shí)，機(jī)器人前方?jīng)]有障礙物，但是機(jī)器人轉(zhuǎn)彎，原因與3中的相同。

6、當(dāng)a1=1，a2=0，a3=1，b1=1.9331，c1=180°時(shí)，機(jī)器人前方遇到障礙物，此時(shí)探測(cè)到的氣體的濃度與平均濃度之比高于設(shè)定的閥值，達(dá)到氣味源確認(rèn)的條件，機(jī)器人找到氣源，停止運(yùn)動(dòng)。

在模擬的環(huán)境中，機(jī)器人能夠感知?dú)怏w煙羽并跟蹤煙羽不斷地趨近氣源所在的位置。機(jī)器人在尋找氣源的過(guò)程中其運(yùn)動(dòng)軌跡并不是一條直線，這是因?yàn)樵诟櫄怏w煙羽時(shí)機(jī)器人需要調(diào)整其朝向以保證面向氣流的方向和氣體濃度增大的方向。

五、結(jié)論和進(jìn)一步的工作

在本文中，我們采用了數(shù)值方法來(lái)生成氣體煙羽模型，在移動(dòng)機(jī)器人模仿黃蜂行為的基礎(chǔ)上利用BP神經(jīng)網(wǎng)絡(luò)提供更高效的智能算法。在該算法中，機(jī)器人在模擬的環(huán)境中感知并追蹤氣體煙羽，直至找到氣源。但是這個(gè)模型并不完美。首先，研究人員必須熟悉MATLAB并且具有編程能力；其次，我們假設(shè)機(jī)器人和障礙物不影響煙羽的擴(kuò)散。但是當(dāng)機(jī)器人和障礙物較大時(shí)，這個(gè)假設(shè)并不成立。

將來(lái)，可以采用考慮了機(jī)器人和障礙物尺寸的更為真實(shí)的模擬環(huán)境及開(kāi)發(fā)更為智能的算法來(lái)研究移動(dòng)機(jī)器人氣源定位問(wèn)題。

[1]H.Ishida, G,Hakayama, T.Nakamoto and T.Moriizumi, Controlling a gas plume-tracing robot based on transient responses of gas sensors. IEEE, 2002: 1665～1760.

[2]R.Russell, D.Thiel and A.Mackay-Sim, Sensing odor trails for mobile robot navigation. IEEE International Conference on Robotics and Automation, 1994: 2672～2677.

[3]Zhenzhang Liu, A simulation framework for plume-tracing research.

[4]Rober Hechi-Nielson, Theory of the back porpagation neural network. Proc. of IJCNN. 1989: 593～603.