基于動態(tài)神經(jīng)網(wǎng)絡(luò)的移動機器人導(dǎo)航方法的研究與實現(xiàn).pdf

1、機器人自主導(dǎo)航是移動機器人研究領(lǐng)域中的一個核心技術(shù)和難點問題，涉及到機器人的感知、規(guī)劃、執(zhí)行等諸多方面。隨著機器人應(yīng)用范圍深度和廣度的延拓以及人工智能科學(xué)的發(fā)展，機器人導(dǎo)航越來越向智能化和自主化方向發(fā)展。模仿人類的行為方式和學(xué)習(xí)能力是智能機器人研究的發(fā)展方向，意義重大。基于這樣的思想，通過機器人和環(huán)境的交互作用，用強化學(xué)習(xí)的策略對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練和調(diào)整，最終完成機器人在未知環(huán)境下的導(dǎo)航任務(wù)。本文采用動態(tài)自組織特征映射網(wǎng)絡(luò)實現(xiàn)對機器人工作

2、環(huán)境的離散劃分，解決了Q學(xué)習(xí)中的狀態(tài)優(yōu)化劃分問題。在此基礎(chǔ)上，采用動態(tài)結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)完成機器人對不同復(fù)雜程度環(huán)境下導(dǎo)航方法的學(xué)習(xí)。對神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)自適應(yīng)優(yōu)化調(diào)整和機器學(xué)習(xí)進行了研究。主要內(nèi)容如下： ⑴針對強化學(xué)習(xí)中環(huán)境狀態(tài)均勻劃分導(dǎo)致狀態(tài)冗余，學(xué)習(xí)效率低下的問題，采用一種動態(tài)自組織特征映射網(wǎng)絡(luò)實現(xiàn)了對環(huán)境狀態(tài)的優(yōu)化劃分。在該網(wǎng)絡(luò)模型中引入了神經(jīng)元節(jié)點的年齡和鄰接關(guān)系的創(chuàng)建和刪除機制，達(dá)到網(wǎng)絡(luò)結(jié)構(gòu)的動態(tài)構(gòu)建。該神經(jīng)網(wǎng)絡(luò)以一個簡單的結(jié)構(gòu)

3、初始，依靠機器人在環(huán)境中巡游進行動態(tài)訓(xùn)練，從而完成對環(huán)境狀態(tài)的聚類。網(wǎng)絡(luò)競爭層神經(jīng)元節(jié)點數(shù)目、節(jié)點之間的連接關(guān)系在訓(xùn)練過程中發(fā)生動態(tài)變化，最終網(wǎng)絡(luò)規(guī)模和環(huán)境復(fù)雜程度相匹配。 ⑵為了解決不同應(yīng)用背景下神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計問題，特別是針對強化學(xué)習(xí)中狀態(tài)空間和動作空間映射關(guān)系的學(xué)習(xí)問題，提出了動態(tài)結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)。該網(wǎng)絡(luò)模型與常用的BP網(wǎng)絡(luò)有很大的不同，首先，網(wǎng)絡(luò)的結(jié)構(gòu)不需要預(yù)先設(shè)定，可以根據(jù)應(yīng)用環(huán)境進行自動調(diào)節(jié)。其次，神經(jīng)元的插入和刪除不

4、限于某一層內(nèi)，網(wǎng)絡(luò)的結(jié)構(gòu)也不限于傳統(tǒng)的三層。這樣，一方面解決了Q學(xué)習(xí)中的狀態(tài)一動作對組合爆炸問題，增強了學(xué)習(xí)結(jié)果的泛化能力：另一方面，也為先驗知識不足的情況下神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計提供了有效的途徑，避免了反復(fù)試湊的盲目性。 ⑶結(jié)合使用動態(tài)神經(jīng)網(wǎng)絡(luò)和Q學(xué)習(xí)方法，構(gòu)建了移動機器人導(dǎo)航控制器。在未知環(huán)境狀態(tài)下，機器人沒有合適的教師信號訓(xùn)練神經(jīng)網(wǎng)絡(luò)，機器人的學(xué)習(xí)能力是完成導(dǎo)航任務(wù)的關(guān)鍵所在。Q學(xué)習(xí)具有不需要建立環(huán)境模型的優(yōu)點，適合于未知環(huán)境