神經網絡在智能機器人導航系統中的應用研究1神經網絡在環境感知中的應 用
對環境 的感 知 ，環境模型 妁表示 是非常重要 的。未 知
環境中的障礙物的幾何形狀是不確定的，常用的表示方浩是
槽格法。如果用冊格法表示范圍較大的工作環境，在滿足
精度要求 的情況下，必定要占用大量的內存，并且采用柵
格法進行路徑規劃，其計算量是相當大的。Kohon~n自組織
神經瞬絡為機器人對未知環境的蒜知提供了一條途徑。
Kohone~沖經網絡是一十自組織神經網絡，其學習的結
果能體現出輸入樣本的分布情況，從而對輸入樣本實現數
據壓縮 ?；?網絡 的這些特 性，可采 用K0h0n曲 神經元 的
權向量來表示 自由空間，其方法是在 自由空間中隨機地選
取坐標點xltl【可由傳感器獲得】作為網絡輸入，神經嘲絡通
過對大量的輸八樣本的學習，其神經元就會體現出一定的
分布形 式 學習過程如下：開 始時網絡的權值隨機地賦值 ，
其后接下式進行學 習：
， 、 JM(，)+叫f)f，)一珥ff)) ∈N，(f)
(，) VfeN．(f1
其 中M(f1：神經元 1在t時刻對 應的權值 ；a(∽ 謂整系 數 ；
(『l網絡的輸八矢量；Ⅳ()：學習的 I域。每個神經元能最
大限度 地表示一 定 的自由空間 。神經 元權 向量的最 小生成
樹可以表示出自由空問的基本框架。網絡學習的鄰域 (，)
可 以動 態地 定義 成矩形 、多邊 形 。神經 元數量 的選取取 決
于環境 的復雜度 ，如果神 經元 的數量 太少 ．它們就 不能 覆
蓋整十空間，結果會導致節點穿過障礙物區域 如果節點
妁數量太大 ．節點就會表示更多的區域，也就得不到距障
礙物的最大距離。在這種情況下，節點是對整個 自由空間
的學 習，而不是 學習最 小框架空 間 。節 點的數 量可 以動態
地定義，在每個學習階段的結柬．機器人會檢查所有的路
徑．如檢鍘刊路徑上有障礙物 ，就意味著沒有足夠的節點
來 覆蓋整 十 自由窯 間，需要增加 網絡節點來 重新學 習 所
138一
以為了收斂于最小框架表示 ，應該采用較少的網絡 節點升
始學習，逐步增加其數量。這種方法比較適臺對擁擠的'E{=
境的學習，自由空間教小，就可用線段表示；若自由空問
較大，就需要由二維結構表示 。
采用Kohonen~沖經阿絡表示環境是一個新的方法。由
于網絡的并行結構，可在較短的時間內進行大量的計算。并
且不需要了解障礙物的過細信息．如形狀、位置等 通過
學習可用樹結構表示自由空問的基本框架，起、終點問路
徑 可利用樹的遍 歷技術報容易地被找到
在機器人對環境的感知的過程中，可采用人】：神經嘲
絡技術對 多傳 感器的信息進 行融臺 。由于單個傳感器僅能
提 供部分不 完全 的環境信息 ，因此只有秉 甩 多種傳感器 才
能提高機器凡的感知能力。
2 神經 網絡在局部路徑規射中的應 用
局部路徑 規刪足稱動吝避碰 規劃 ，足以全局規荊為指
導 利用在線得到的局部環境信息，在盡可能短的時問內
標簽：
神經網絡
智能機器人
導航
上傳時間：
2022-02-12
上傳用戶：qingfengchizhu
