基于神经网络的智能车控制(chinese)

1、基于神经网络的智能车控制对于智能小车的控制算法, 神经网络应该是不错的选择。 神经网络的研究一般是基于 OFF-LINE 的,另外,神经网络无论在分类还是拟合作用上,计算精确性并不是 100%,这 也是航空技术不用神网的原因。 此篇论文主要讨论神经网络用在小车控制算法上的可能性 以及如何利用神经网络于小车控制算法。一般用机理分析法和系统辨识法对实验数据建模, 得到传递函数, 然后通过调试实际 系统, 从开环到闭环, 不断调整参数和控制参数。 举个例子:要建立小车直线、 弧线行走 的控制模型, 即通过实测数据建立驱动控制和小车转弯偏移量的关系, 那么输入的参数是 当前速度, 曲率大小, 转弯弧度

2、, 最大安全速度, 目前偏移角度等等参数, 而输出的就是 目标速度, 目标角度。 这个输入和输出之间的关系就是控制模型, 一般也叫控制器。 小车 跑得快,跑得稳,主要就是这个”控制器“,控制器拟合得好,适应性强,效果就不差。 小车控制算法要解决的问题是 : 输入 >控制模型 >输出控制参数。 按一般的 方法, 控制模型的建立需要大量数据, 离线在线都必需调试多遍, 系统的适应性不佳。 而 尝试神经网络,这些问题就都可以很大程度地避免了。首先, 有必要介绍一下神经网络, 到底神经网络是干什么用的, 如何用。 神经网络的 理论并不复杂, 我想是有些书或论文把简单问题复杂化了。 大家不要

3、对它恐惧。 一堆数据 A ,通过一个 NET 不断调整,得到另一堆数据 B 。而 A 和目标结果数据 C 都是已知的, NET 是未知的,这个调整 NET 的过程就是训练, NET 训练好的结果是使 B 和 C 的误差最小,误 差合理就收敛。收敛完了,这个 NET 就可以用了。神经网格的核心就是得到一个 NET 。控 制模型就是一个 NET , NET 包含很多参数,如权值,隐含层数,训练方法,神经元模型, 传递函数等,只要建立一个 NET ,那么输入和输出的关系就建立起来了。神经网络主要有 两个作用:一个是分类,另一个是回归(拟合 。如果把它运用于小车控制算法,毫无疑 问是用于回归拟合的功能

4、。 回归什么呢?对, 回归上面所说的控制模型, 这个 NET 就是控 制器。 神经网络用于小车控制算法上的优势比较明显, 模型可以随时调整, 而且模型不是 通过公式表示, 只是一个 NET 来表达, 避免复杂的参数调整和试算过程。 通过新的环境参 数得到新的 NET ,增强系统的适应性。 为什么有些车在自己的场地上跑得好好的,在其 它的场地上就不行呢? 为什么有些车不断地调整控制模型, 控制效果却不好呢? 如何选 择控制器的输入参数,参数的权重如何介定呢? 一系列的问题,神经网络可以给大家答 案。神经网络常用的一般有:感知器, BP , HOPFILED , RBF , ANN , ART 和

5、 Kohonen 网络。 如果不用工具箱函数 (即 MATLAB 的 API 函数 , 自己写的话, 无所谓, 说不定自己可以创 造一种网络。 只要收敛快, 计算量小, 泛化性能好, 网络耗费资源小就行, 话说起来简单, 却有一定难度。但是小车的需求低,精度无需太高,因此应该来说比较容易实现。神经网络比 PID , 模糊控制,遗传算法, bangbang 等算法,更宏观,可以理解为从 系统整体入手建模。 但是正如本博文开头所说:计算量和收敛性必需保证, 神经网络才有 运用的可能性。我建议从以下几个方面解决这两个问题:(1不要指望神经网络的实时性。神经网络最要命的耗费时间是训练,神经网络在车运

6、行时进行一两次成功的训练即可。 在小车跑直线时通过获得的数据训练, 因为直线时 CPU 会有空闲时间。另外,相信大家经常用拨码开关去选择多种控制决策,这不失一种方法。 但是,这个控制决策是死的,也是事先规划好的,必定不能适应新的 KT 板的各种路径。 (2最好用片内 FLASH 或 SD 卡, 数据的处理是很重要的, 数据也非常宝贵的, 把数据存 起来, 传给 PC , OFFLINE 时研究神经网络的算法 (有无数种训练算法 , 这是其一。 其二, 训练好的网络存在 SD 卡里,下次如果需要再训练,从老的网络开始(一般网络权值是随 机开始 ,效率会高很多。(3正如数据融合一样,有决策层和数据

7、层的融合,神经网络也一样,有决策层和数据 层的运用。 由于小车的路径是连续的, 那么数据层的神经网络肯定是用得着的。 在图像采 集里, 一般是 40mS 采集一次路径并做控制判决, 那么这 40mS 的时间不够用怎么办?大家 常用的一种方法是干脆 80mS 采集一次。我的建议是前 60ms 采集一次图像并作控制决策。 后 20ms 运用前 4Oms 提取的路径信息并用神网预测路径的变化,这么一来相当于在 20ms 的时间里采集了一次图像。可想而知,效率提高了。(4上面是从数据层采用神经网络,这里讲一下从决策层采作神经网络。举个例子,假 如控制器的输出 -3 -2 -1 0 1 2 3分别代表舵

8、机左偏 30,左偏 20,左偏 10,直行,右偏 10,右偏 20,右偏 30,而小车前 7次的控制决策是:直行,右偏 10,直行,左偏 10,直 行,右偏 10,直行, (0 1 0 -1 0 1 0 ,那么第 8次的决策通过神网应该就是左偏(-1 。 如果实际需要的不是左偏的话,就应该把神网“惩罚”一下。(5寻找合适的误差阈值。小车寻迹不像激光切割,精度要求并不高。其训练的误差值 可以“商量”的。(6神网的训练数据不是抓到一个就可以的, 是要选择的。 但这个选择也是要耗时间的,如果是在 PC 上, FCM (模糊聚类 是不错的选择。 但是 MCU 是扛不起这个重任的, 于是选 择合适的训练

9、数据和目标数据也是一个重要的研究话题。 这里, 如何优化神网输入不是重 点,略过。(7重视归一化处理和神经网络训练算法。 这两点很重要, 归一化可以理解为把 (100 45 -67 90归一化为(1 0.45 -0.67 0.9 , 好处是改进数据的规范性,加快收敛。另外训 练算法的重要性不言而喻,如用梯度下降法训练法使误差达到最小,什么是梯度下降法 呢?打个比方 ,你要下山,山前的坡度是 30度,山后是悬崖坡度是 90度,要下山快, 当然是找坡度大的直接跳。这个下山坡度和训练梯度是同一个含义(8 个人觉得利用神经网络进行速度控制有较大优势, 比 PID 控制起来精度会有些缺陷, 但速度快。 由于摩阻力, 小车动力性能, 小车驱动性能, 电池等原因, 需要对速度闭环控 制。 假如:小车以单位时间 10ms 为节拍, 速度从 X1m/s->Y1m/s, 需要 PWM 为 d1%占空比, 速度从