基于改进BP神经网络的移动机器人寻线控制

1、基于改进BP神经网络的移动机器人寻线控制张晓琴基金项目：COSTIND(A3120060264)。作者简介:张晓琴(1974-),女,四川省绵阳市人,讲师,硕士,研究领域为智能控制。 (西南科技大学 信息工程学院，四川省绵阳621010)摘 要：神经网络系统具有自学习和自适应的能力，同时有很强的容错性和鲁棒性，适用于处理难于语言化的模式信息。为使移动机器人沿地面标志线自主运动，采用CCD 图像传感器与PC/104总线相结合的硬件系统，运用神经网络的模式识别功能，实现了机器人的寻线控制，实验结果表明该方法是可行的，能有效地提高移动机器人对环境的适应性和其智能化水平。关键词：BP神经网络；CCD传

2、感器；移动机器人；寻线控制中图分类号：TP242 文献标识码 ALine-tracking Control of Mobile Robot Based on the improved BP Neural NetworkZhang Xiao-qin(School of Information Engineering, Southwest University of Science and Technology, Mianyang 621010, China)Abstract: Neural Network has the ability of self-learning and self-ada

3、ptation, also has strong fault-tolerance and robustness, as well as adapts to deal with pattern information which is difficult to demonstrate by language. In order to let the robot move along guide lines, the CCD image sensor and PC/104 are used to compose hardware system, and applies pattern recogn

4、ition function of neural network, then realizes line-tracking control of mobile robot. The experiment results indicate that the proposed method is practicable and can improve the adaptability and intelligence of mobile robot.Key words: BP neural network; CCD sensor; mobile robot; line-tracking contr

5、ol1引言移动机器人的自主导航技术十分关键，一般需要设置引导线、标志物来帮助机器人定位，完成既定的任务。识别这些引导线和标志物的方法有很多，如竞赛机器人多采用光电检测技术来完成在赛场上的定位，机器人按照预先编制好的程序寻迹，设计方法简单、实用，运行速度快，能较好的实现实时控制，但光电传感器对光线比较敏感，受周围环境的影响较大，容易出现误操作，系统的智能化水平较低。而神经网络控制是一种基本上不依赖于模型的控制方法，比较适用于那些具有不确定性或高度非线性的控制对象，具有较强的自适应和自学习能力，现在已经提出了各种基于神经网络的机器人控制方法，并取得了一定的研究成果1 。本文提出了一种基于改进BP神

6、经网络2-5的移动机器人寻线控制系统，其控制目标要求机器人小车能沿地面上的白色引导线运动，并在白色圆盘等处快速准确定位。系统采用CCD传感器对图像进行采集和处理，用PC/104完成对机器人的控制，通过计算机仿真试验，系统能有效的实现寻线控制，且可靠性也大大提高。 2 控制系统硬件设计2.1 CCD信号分离电路CCD图像传感器作为一种光电转换器，由于其高精度、高分辨率、性能稳定、功耗低以及具有自扫描功能等特点，被广泛应用于摄像、图像采集、扫描仪以及工业测量等领域。系统设计时需要处理的图像简单，电路力求简洁有效，且保持较高的稳定性。CCD信号分离电路中，选用LM393比较器，它具有两路比较电路，输

7、出标准的TTL逻辑电平，通过两块LM393比较器将视频信号的场、行信号分离出来，其具体电路如图1。视频信号经电阻送入A中，得到复合同步信号，再经过积分电路将其整理，送入比较电路B中，取出信号高脉冲部分进行比较，得到场同步信号。同时，A输出的信号送入 C中，经过比较判断后便得到行同步信号。2.2 小车控制系统机器人小车本体采用二轮驱动方式。用PC/104对其进行控制，PC/104是专门为嵌入式控制而定义的工业控制总线之一，在硬件上具有结构微型化、总线驱动能力高等优点，且运行速度快，实时性强。主板选择PCM3346，接口选择多功能I/O模块AX10410A。由驱动控制电路、CCD信号分离电路和PC

8、104的两个模块组成了小车寻线控制的硬件系统。机器人驱动采用直流电机，由I/O模块的2路数字量通道输出控制信号到L298驱动电路，控制机器人的运动。视频信号控制器接口图1 CCD信号分离电路Fig1 CCD Signal separation circuit3 BP神经网络设计 BP 神经网络是利用输出响应与期望输出之间的误差作为导师信号，对网络连接强度进行多次调节，达到误差最小，以完成学习过程。这属于全局逼近算法，具有较好的“泛化”能力，同时算法中采用了并行计算，提高了系统的速度，为实时处理问题打下基础。但经典BP 算法存在一些不足：学习算法收敛速度慢；容易出现局部极值而产生误差振荡；影响网

9、络收敛的隐层神经元个数及初始权值的选取基本依据经验，缺乏足够的理论指导等。针对这些不足，本文将附加动量项BP算法和自适应学习速率算法结合起来，分阶段进行学习调整，使网络性能得到显著优化。3.1 分阶段学习BP算法设计分阶段学习算法以误差作为导向，需要使整个学习过程中的误差保持下降趋势，即网络在有利的条件下，加快学习速度，不利的条件下，放慢学习速度。由此，将学习过程分为两个阶段，分别采用不同的动量项和学习速率值。在学习的初始阶段，若本次迭代使误差下降，应增大学习速率，并使动量项保持一定的值，若本次迭代使误差增大到一定的范围，应减小学习速率，并使动量项为0，其余情况保持不变。当临近极值点时，若本次

10、迭代使误差下降，应减小学习速率，增大动量项的值，以便于对当前区域进行细致的搜索，找到更优的值。若本次迭代使误差增大，应增大学习速率，动量项置为0，使网络尽快跨过当前的不利搜索区域。学习速率和动量项调整公式如下：在学习的初始阶段： 在临近极值点：其中，、均为网络初始化时学习速率和动量项的预置值，为隐层神经元个数。神经网络训练是一个反复学习的过程，一组训练模式，需经过数百次乃至上千次的学习过程才可能使网络收敛，得到实验要求的最佳模型，训练程序流程见图2。开始输入学习模式网络初始化计算各层单元输出及误差学习次数<上限值？YesNo误差<规定值？No保存训练好的网络Yes调整权值与偏差更新

11、学习模式计算学习速率和动量项图2 网络训练程序流程图Fig2 The procedure of network study program3.2 BP神经网络识别流程在机器人小车运行时，用CCD传感器采集图像并转化为二值信号，作为识别系统的输入，经过运算得到识别的结果，由此调整机器人小车左右轮的速度，完成各种运动。如识别结果为直线，小车左右轮速度相等；如为右斜线，小车向右偏离直线运行，需要使右轮的速度加快，左轮的速度减慢，调节小车向左运行；如为圆盘，小车停止运行等。识别程序流程见图3。开始输入待识别的模式运行训练好的网络计算各层单元输出模式在误差范围存在？与目标模式比较No控制小车运行Yes确

12、定待识别的模式图3 网络识别程序流程图Fig3 The procedure network recognition program4 仿真实验及分析实验以C+作为开发工具。主要包括网络训练和网络识别过程。4.1样本数量的确定仿真试验以机器人大赛场地为研究目标，背景为深绿色，路径为白线，通过BP神经网络判断场地上的直线、交叉线和圆盘交叉线等。因只要求对两种颜色进行分辨，且识别的路径是规则的，不需要对复杂图像进行处理，设计的电路力求简单有效，处理速度较快、且稳定。将处理好的二值图像用8×8的点阵表示，作为网络系统的输入，根据实际需要，把图形样本归为20种，包括直线、斜线、圆盘、交叉线等，

13、如直线样本为：( 4.2神经网络参数的确定实验采用三层BP神经网络，根据图像点阵的大小，确定网络神经元拓扑结构为64-18-6，初始权值为(-1,1)之间的随机数，期望误差值选取0.001，训练次数小于1000次。实验中先对动量项及学习速率的基本值进行研究，结果表明，值越大，迭代次数越少，网络收敛速度越快，当取0.9时，迭代次数最少。对于学习速率时，随着的增加，迭代次数明显减少，时，随着的增加，迭代次数增加，当时，网络不收敛。由此选取基本最佳值：动量项为0.9，学习速率为0.4。4.3分阶段学习算法仿真结果分析实验中，分别对三种改进算法进行比较。结果显示，带动量项算法迭代次数为340，均方根误

14、差为0.000999，自适应学习速率算法迭代次数为380，均方根误差为0.000998，分阶段学习算法迭代次数为30，均方根误差为0.000819。它们的误差曲线见图4所示，其中，图a)为带动量项BP算法，图b)为自适应学习速率BP算法，图c)为分阶段学习BP算法。图4 BP算法误差曲线Fig4 BP algorithm errors curvec) a) b) 从图3可以看出，改进算法能有效的缩短训练时间，提高网络的收敛速度及工作效率。带动量项的算法与自适应学习速率的算法效果改善不明显，将自适应学习速率与动量项算法结合的分阶段算法能大大的改善网络的性能，使收敛速度明显提高。其次，不分阶段算法

15、在临近极值点时收敛速度变慢，陷入局部极小值，如对临近极值点时采取措施，若本次迭代使误差下降，减小学习速率，增大动量项，若本次迭代使误差增大，增大学习速率，动量项置为0，就能很快跳离局部极小值。4.4 网络识别结果及性能分析在识别过程中，设计了一些典型样本去验证网络的性能，将各样本旋转(10º10º以内)的识别率为100，即网络具有较强的“泛化”能力。同时将标准样本图像随机加入噪声，识别结果见表1，可见改进的神经网络随着噪声数量的增加，识别误差增大，当小于5个时，能满足误差小于0.001的要求，具有较强的抗噪能力和抗干扰能力，识别的可靠性较好。表1 噪声数量与识别误差比较 T

16、ab.1 Noise and recognition error噪声数135812噪声率0.024%0.073%0.122%0.195%0.293%误差0.0000590.0003660.0016880.0047220.0265365 结束语神经网络对于信息的处理过程具有并行、自组织、自学习及分布式存储信息等特点，为智能机器人技术开发提供了一种强有力的手段，尤其是在模式识别领域，取得了迅猛的发展。但目前的人工神经网络还只是真正神经网络的一种“过分简化”，存在着训练时间长，易陷入局部最小，模型复杂，样本数量要求大，网络的泛化能力弱等缺点。因此需要对网络结构不断的进行优化，并与其它智能控制方法相结

17、合，取长补短，使设计出的神经网络效率更高，更能适应动态环境的变化。本文在对神经网络结构的研究过程中，以提高收敛速度、跳离局部极小值为目的，通过对附加动量项法和自适应学习速率法的研究，提出了分阶段学习法。并以机器人大赛场地为目标进行仿真研究，结果表明分阶段学习法能大大减少迭代次数，跳离局部极小值，当把学习好的网络用于路径识别时，有较高的识别能力，以及较强的“泛化”能力、抗噪能力和抗干扰能力。实验中由于算法较为复杂，使得系统的运行速度较慢，实时性还有待于进一步提高。参考文献:1 陆新华,张桂林. 室内服务机器人导航方法研究J. 机器人, 2003, 25(1):80-87.(Lu X H, Zha

18、ng G L.Summarization on indoor service robot navigationJ. Robot, 2003, 25(1): 80- 87.)2 Li Daolun,Lu Detang, Kong Xiangyan. Implicit curves and surfaces based on BP neural networkJ. Journal of information&computational science 2005, 2(2):259-271.3 D.Benny Karunakar,GL.Datta. Prevention of defects in castings using back propagation neural networksJ. The International Journal of dvanced Manufacturing Technology, 2007, 34(9):1035-1043.4 Shih-Wei Lin,Shuo-Yan Chou,Shih-Chieh Chen. Irregular shapes classification by back-propagation