基于協(xié)同神經(jīng)網(wǎng)絡(luò)的智能車行駛路徑記憶算法優(yōu)化

童友波

(合肥職業(yè)技術(shù)學院 信息工程與傳媒學院,安徽 合肥 238000)

0 引言

目前,路徑記憶算法被廣泛應(yīng)用于各大領(lǐng)域,尤其是移動機器人與人工智能領(lǐng)域,例如智能車、智能機器人等。隨著智能車的興起以及我國越來越復(fù)雜的交通情況,對路徑記憶算法的需求也在逐漸的提升,對路徑記憶算法相關(guān)的指標要求也在不斷的增長,如何對路徑記憶算法進行優(yōu)化是現(xiàn)今研究的重點問題之一[1]。

協(xié)同神經(jīng)網(wǎng)絡(luò)是在20世紀80年代末期由Haken教授提出的,主要是將協(xié)同學與神經(jīng)網(wǎng)絡(luò)進行了有效的結(jié)合,形成了新的概念——協(xié)同神經(jīng)網(wǎng)絡(luò)。協(xié)同神經(jīng)網(wǎng)絡(luò)運行過程主要包括兩個階段,第一階段為網(wǎng)絡(luò)的學習訓練階段,第二階段為網(wǎng)絡(luò)的識別階段[2]。協(xié)同神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)相比具備更多的功能與優(yōu)勢,例如協(xié)同神經(jīng)網(wǎng)絡(luò)模式訓練時間短,網(wǎng)絡(luò)學習速度快,網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜程度低,聯(lián)想效果好,無偽狀態(tài)等。因此,將其引入到路徑記憶算法中,可以對路徑記憶算法進行極大的優(yōu)化。

傳統(tǒng)智能車行駛路徑記憶算法由于路徑信息計算量大、計算過程復(fù)雜,導致算法的效率較低,從而使智能車的行駛速度降低,為此提出基于協(xié)同神經(jīng)網(wǎng)絡(luò)的智能車行駛路徑記憶算法優(yōu)化研究[3]。通過優(yōu)化智能車行駛路徑記憶算法,提高算法的效率,使智能車達到穩(wěn)定、較快行駛速度的控制目的。設(shè)計仿真實驗對優(yōu)化的智能車行駛路徑記憶算法性能進行驗證,主要是將傳統(tǒng)智能車行駛路徑記憶算法與優(yōu)化的智能車行駛路徑記憶算法應(yīng)用到智能車競速導航中。結(jié)果表明，相同距離導航時間較少的優(yōu)化智能車行駛路徑算法具備更好的性能[4]。

1 優(yōu)化智能車行駛路徑記憶算法

智能行駛路徑記憶算法主要是對智能車行駛路徑的長度與轉(zhuǎn)角值進行記憶,通過路徑記憶對智能車的行駛路徑與速度等進行控制。傳統(tǒng)智能車行駛路徑記憶算法最大的問題就是效率低,因此主要是對智能行駛路徑記憶算法的效率進行優(yōu)化。通過簡化算法的計算過程、減小路徑信息可存儲空間、增強響應(yīng)的實時性等對算法的效率進行提升[5]。優(yōu)化智能行駛路徑記憶算法如下所示。

1.1 智能車行駛路徑圖像邊緣信息獲取

采用傳感器對智能車行駛圖像信息進行采集,通過圖像特征提取與圖像處理得到路徑邊緣信息,為下述智能車行駛路徑信息的獲取提供準備。具體的準備過程如下所示。

表1 下位機圖像信息發(fā)送流程表Table 1 Under a machine image information flow table

傳統(tǒng)智能行駛路徑記憶算法主要是采用攝像頭對智能車行駛圖像信息進行采集,由于傳輸信息量過大導致響應(yīng)速度過慢。而優(yōu)化智能行駛路徑記憶算法主要采用傳感器對圖像信息進行采集,只需要對圖像的邊緣信息進行提取,通過邊緣信息就可以得到響應(yīng)的智能車行駛路徑信息。

選中傳感器界面上的接收邊緣線選項,同時對傳感器中的上位機與下位機的圖像大小進行相應(yīng)的設(shè)置。由于上位機需要在接收到邊緣線后對其進行還原,因此,將上位機與下位機的圖像大小設(shè)置為相同。若是設(shè)置為不同,上位機還原得到的邊緣線位置就會發(fā)生改變。

傳感器中下位機采集的圖像大小為130像素×50像素,采用ImageData二維數(shù)組對圖像進行存儲,SendByte()為發(fā)送函數(shù)[6]。采用發(fā)送函數(shù)將下位機采集的圖像信息傳輸給上位機。下位機圖像信息發(fā)送流程如表1所示。

設(shè)置上位機的圖像大小為130像素×50像素,對下位機發(fā)送的圖像信息進行接收,采用擬合方法對圖像邊緣信息進行提取。首先將圖像的方向圖與梯度圖采用擬合方法進行擬合,以梯度圖導數(shù)的最大值作為圖像邊緣信息的臨界值[7]。圖像梯度向量求取過程為:首先對圖像進行灰度描述,具體表示為

f(x,y)=ax+by+c

(1)

其中,f(x,y)表示的是圖像信息;a,b,c分別表示的是需要設(shè)置的變換函數(shù)。

設(shè)置原點為圖像的中心,采用下述公式可以對a,b值進行求取,公式為

(2)

則圖像梯度的大小與角度分別為

(3)

根據(jù)公式(3)可以得到圖像的方向圖與梯度圖,對其進行擬合,設(shè)定灰度閾值,采用圖像二值化方法對其進行逐層處理,得到圖像邊緣信息[8]。為下述智能車行駛路徑信息的獲取提供信息支撐。

1.2 智能車行駛路徑信息計算

以得到的圖像邊緣信息為基礎(chǔ),采用曲率計算公式對智能車行駛路徑的曲率與轉(zhuǎn)角信息進行計算,從而得到智能車行駛路徑完整信息,為下述智能車行駛路徑信息的記憶做準備[9]。

轉(zhuǎn)角信息求解過程為:根據(jù)圖像邊緣信息得到路徑中線圖像,將路徑中線的中點設(shè)置為A,路徑的端點設(shè)置為B和C,則A,B,C可以形成一個三角形,則三角形面積為

(4)

其中,|AB|與|AC|表示的是邊AB與AC的長度。若是三角形是以順時針的方向分布的,其面積為負,反之則為正。根據(jù)三角形面積的符號對智能車進行左、右轉(zhuǎn)向的控制[10]。

智能車行駛路徑的曲率指的是三角形的外接圓半徑,其計算公式為

(5)

根據(jù)得到的曲率信息對智能車行駛路徑的轉(zhuǎn)角信息進行計算。首先對閾值進行設(shè)定,將路徑信息的有效值作為控制值,將控制值的最小值與閾值進行比較。若是控制值大于閾值,則認為當前的控制值最小值即為轉(zhuǎn)向偏差。若是控制值小于閾值,則認為閾值為轉(zhuǎn)向偏差。則轉(zhuǎn)角為

(6)

通過上述過程的計算,得到了智能車行駛路徑的曲率與轉(zhuǎn)角信息,也就是說得到了智能車行駛路徑的完整信息,為下述智能車行駛路徑信息記憶的實現(xiàn)做準備。

1.3 實現(xiàn)智能車行駛路徑信息記憶

以上述得到的智能車行駛路徑信息為基礎(chǔ),采用協(xié)同神經(jīng)網(wǎng)絡(luò)對其進行記憶,為智能車導航系統(tǒng)提供支撐,保障智能車穩(wěn)定、高速的行駛[11]。

采用協(xié)同神經(jīng)網(wǎng)絡(luò)對智能車行駛路徑進行記憶,主要采用的是路徑分段形式,這樣的分段路徑記憶方式,不僅提高了智能車運行速度,而且保證智能車穩(wěn)定運行[12]。協(xié)同神經(jīng)網(wǎng)絡(luò)記憶過程如圖1所示。

圖1 協(xié)同神經(jīng)網(wǎng)絡(luò)記憶過程圖Fig.1 Collaborative neural metwork memory process diagram

協(xié)同神經(jīng)網(wǎng)絡(luò)具有自學習能力,可以對輸入的信息進行自動分類建立相應(yīng)的學習矩陣,并對識別出的信息進行反饋學習,以此來對智能車行駛路徑進行記憶。同時該方法還具備一定的適應(yīng)能力,主要表現(xiàn)在優(yōu)化重構(gòu)序參量的過程中,使其識別能力更強、更精準,另外該網(wǎng)絡(luò)可以減少迭代的次數(shù),提高路徑信息的識別速度,從而提升智能車行駛路徑記憶的效率[13]。

為了滿足智能車行駛路徑信息的記憶,采用協(xié)同分類器對輸入的智能車行駛路徑信息格式進行轉(zhuǎn)換,使其格式為標準格式,以信息屬性為標準對其進行分類形成相應(yīng)的學習矩陣,然后對其進行反饋自學習[14]。則智能車行駛路徑記憶步驟如下所示:

步驟一:以上述得到的智能車行駛路徑信息為基礎(chǔ),采用協(xié)同分類器對其格式進行轉(zhuǎn)換,得到標準格式的路徑信息為

X(i)=(x1,x2,…,xn)

(7)

以屬性為依據(jù)進行分類,分類結(jié)果為

(8)

步驟二:將學習矩陣進行原型聚合,并適當?shù)貙ζ溥M行修改;

步驟三:對上述原型聚合后的學習矩陣進行歸一化預(yù)處理;

步驟四:采用相似度序參量重構(gòu)法對初始序參量進行構(gòu)造;

步驟五:采用網(wǎng)絡(luò)識別模式,對上述序參量進行識別,從而實現(xiàn)智能車行駛路徑的記憶[15]。

通過上述過程完成了對智能車行駛路徑的記憶,為智能車導航系統(tǒng)提供數(shù)據(jù)信息的支撐,保障智能車的穩(wěn)定行駛。

2 優(yōu)化智能車行駛路徑記憶算法效率分析

上述過程對智能車行駛路徑記憶算法進行了優(yōu)化,但對其優(yōu)化效果還有待檢驗。智能車行駛路徑記憶算法主要應(yīng)用于智能車的導航系統(tǒng),導航系統(tǒng)可以通過該算法對智能車進行相應(yīng)的控制。因此,將傳統(tǒng)智能車行駛路徑記憶算法與優(yōu)化智能車行駛路徑記憶算法引入到導航系統(tǒng)中,并保持導航系統(tǒng)其它部件完全一致進行實驗。

在實驗過程中,將兩輛采用不同智能車行駛路徑記憶算法的智能車放置于同一賽道進行比賽。為了方便路徑記憶,將賽道分成直道A,S型彎道B,左轉(zhuǎn)彎道C,右轉(zhuǎn)彎道D,左彎道轉(zhuǎn)至右彎道的過渡賽道E,右彎道轉(zhuǎn)至左彎道的過渡賽道F,其他彎道G。賽道總計長度為500 km。采用兩輛智能車進行比賽實驗,哪輛智能車使用的時間少,則說明其采用的智能車行駛路徑記憶算法效率高。

當智能車低速賽試跑時,兩輛智能車使用時間對比圖如圖2所示。當智能車競速賽跑時,兩輛智能車使用時間對比圖如圖3所示。

圖2 低速試跑使用時間對比圖Fig.2 Comparison of using time of low-speed test run

圖3 競速試跑使用時間對比圖Fig.3 Racing try run time contrast figure

為了方便實驗結(jié)論的描述,將上述采用傳統(tǒng)智能車行駛路徑記憶算法的智能車稱為對照組,將采用優(yōu)化智能車行駛路徑記憶算法的智能車稱為實驗組。如圖2所示,實驗組的使用時間普遍低于對照組；經(jīng)計算，智能車在低速試跑時,實驗組使用時間的平均值比對照組少了1.8 h。如圖3所示,實驗組的使用時間普遍低于對照組；智能車在競速賽跑時,實驗組使用時間的平均值比對照組少了2.1 h。

由上述兩個實驗結(jié)果可知,采用優(yōu)化智能車行駛路徑記憶算法的智能車使用時間更少,充分說明優(yōu)化智能車行駛路徑記憶算法具備更高的效率。

3 結(jié)束語

優(yōu)化的智能車行駛路徑記憶算法極大地提升了算法的效率,為智能車安全、穩(wěn)定行駛提供有力的保障。但是在實驗過程中,由于忽略了干擾因素的影響導致實驗結(jié)果產(chǎn)生少許的偏差,因此需要對智能車行駛路徑記憶算法進行進一步的研究與探索。