基于神经网络的智能移动机器人导航算法研究

移动机器人是机器人领域的一个重要发展方向,广泛地应用于工业、农业、军事、交通、服务业等方面,导航控制技术是其研究核心,也是移动机器人实现智能化及完全自主的关键技术。由于人工神经网络具有很强的学习功能与非线性映射能力,使得其在移动机器人导航控制领域得到了广泛的应用。 本文深入探讨和研究神经网络技术及其在移动机器人导航控制中的应用情况,针对移动机器人导航问题的特点和现状,主要应用神经网络技术,结合其他智能算法如强化学习等,来提高移动机器人自组织、自学习、自适应的智能化水平,解决移动机器人在复杂不确定环境和未知可变环境下的自主导航问题。本文的主要工作和成果如下: 1.针对移动机器人在无固定环境下的实时导航控制问题,研究了一种基于模糊神经网络的导航控制方法,在神经网络框架下,引入定性知识,即在常规神经网络的输入层和输出层加入模糊层,用模糊规则构造神经网络,在使网络权值有明确的物理意义的同时,保留了神经网络的学习机制。这种网络将模糊逻辑推理的知识性结构和神经网络的自学习能力结合在一起,较一般神经网络有更大的针对性。将模糊神经网络算法运用于移动机器人导航控制问题中,根据人类导航专家总结的先验知识,通过自学习修正网络权值,实现较为有效的实时导航控制。 2.为使机器人的行为面向全局任务,提高机器人的自主适应能力,减少前期的经验总结和结构设计工作量的问题,本文提出了一种基于遗传进化神经网络学习算法的移动机器人全局路径规划方法。利用遗传算法的全局性搜索优化神经网络包括拓扑结构和网络权值在内的体系结构,以机器人的全局行为来评价网络性能,控制网络的进化方向,构造具有最优体系结构的移动机器人神经网络控制器,来解决复杂不确定环境下移动机器人的全局路径规划问题。最后通过仿真实验证明,该方法无需任何导航先验知识,充分体现了机器人的智能水平和自主学习能力。 3.为使智能机器人系统能够在未知可变环境中进行自主在线学习,在与环境交互的过程中,逐步掌握有效的避障导航的知识和方法,实现对未知环境的探索和最优行为策略的学习,提出一种ARTQL神经网络模型,并将它应用于智能机器人导航控制中。ARTQL神经网络将Q学习算法的“试错法”行为探索策略和ART2神经网络的自适应竞争学习机制相结合,利用网络中的长期记忆LTM权向量来存储机器人探索过的所有状态空间模式特征以及相应的模式一行为估计值,使其无需任何先验知识即可在完全未知环境中进行行为决策和状态空间模式分类的两层在线学习,通过与环境的交互,不断总结和积累不同环境特征下的导航经验,逐步改进控制策略,提高学习精度。