基于LWR算法的避障行為學(xué)習(xí)控制器設(shè)計(jì)及在機(jī)器人上的實(shí)現(xiàn).pdf

1、對于機(jī)器人控制系統(tǒng)來說，核心問題可以抽象為函數(shù)的逼近。對這個(gè)問題通常有兩條途徑，一是盡可能建立與被控對象比較接近的數(shù)學(xué)模型，然后求出數(shù)學(xué)模型的系數(shù)；二是模擬智慧生物對自然界的反應(yīng)方式，這種方式并不建立精確的數(shù)學(xué)模型，而是對被控對象尋找另外的描述方式，如人工神經(jīng)網(wǎng)絡(luò)，模糊邏輯或云模型等方法。LWR即局部加權(quán)回歸算法是一種利用簡單的數(shù)學(xué)模型擬合復(fù)雜函數(shù)的方法。一般的回歸算法對于越復(fù)雜的問題就要建立越復(fù)雜的數(shù)學(xué)模型，要建立一個(gè)合適的模型有時(shí)候

2、需要設(shè)計(jì)者經(jīng)驗(yàn)，即便如此這種湊數(shù)學(xué)模型的方法也需要碰運(yùn)氣。LWR算法對被控對象進(jìn)行局部化逼近，通過使用每個(gè)預(yù)測點(diǎn)的相似點(diǎn)生成該預(yù)測點(diǎn)的預(yù)測模型的方式，解決了拼湊復(fù)雜數(shù)學(xué)模型的問題，同時(shí)具有了逼近非線性函數(shù)的能力。LWR算法可以稱為惰性算法，因?yàn)檫@種算法要在需要預(yù)測的時(shí)候才產(chǎn)生預(yù)測模型，而不是像其他一些方法那樣先通過訓(xùn)練得出模型；也可以稱為基于樣本點(diǎn)存儲(chǔ)的算法，因?yàn)長WR算法每次預(yù)測都需要用到所有的樣本點(diǎn)，而不是像神經(jīng)網(wǎng)絡(luò)那樣訓(xùn)練得出模型

3、之后就不再需要樣本點(diǎn)了。正是由于LWR算法的這些特點(diǎn)，使得該算法具有了一些顯著的優(yōu)點(diǎn)，比如模型簡單，對新增樣本點(diǎn)產(chǎn)生新模型只需要增加極少的計(jì)算量，以及對樣本點(diǎn)沒有覆蓋的區(qū)域也有一定的預(yù)測能力。本文設(shè)計(jì)了基于LWR算法的移動(dòng)機(jī)器人漫游避障控制器和跟墻控制器，并通過實(shí)驗(yàn)驗(yàn)證驗(yàn)證了算法的可行性。本文說完成的主要工作包括：
　　首先，在介紹了課題的研究背景意義和LWR算法的基礎(chǔ)上，設(shè)計(jì)了四個(gè)控制器，即基于人工勢場法的漫游內(nèi)生控制器和基于模

4、糊邏輯的跟墻內(nèi)生控制器，基于LWR算法的避障控制器和跟墻控制器。兩個(gè)內(nèi)生控制器供采集訓(xùn)練LWR算法控制器所需的樣本點(diǎn)之用。在我們已知的文獻(xiàn)來看，這是第一次將LWR算法引入移動(dòng)機(jī)器人控制領(lǐng)域。
　　其次，本文還提出了一種新的調(diào)整LWR算法中接受域半徑的方法，即通過樣本點(diǎn)預(yù)測的殘差來調(diào)整LWR模型的非線性程度。
　　最后設(shè)計(jì)搭建了Khepera-II移動(dòng)機(jī)器人的實(shí)驗(yàn)環(huán)境，并在該機(jī)器人平臺(tái)上運(yùn)行了局部接受域半徑的LWR算法控制器，