基于神經(jīng)網(wǎng)絡(luò)的智能車控制(chinese)

《基于神經(jīng)網(wǎng)絡(luò)的智能車控制(chinese)》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫。

1、智能控制課程論文中文版基于神經(jīng)網(wǎng)絡(luò)的智能車控制對(duì)于智能小車的控制算法，神經(jīng)網(wǎng)絡(luò)應(yīng)該是不錯(cuò)的選擇。神經(jīng)網(wǎng)絡(luò)的研究一般是基于OFF-LINE的，另外，神經(jīng)網(wǎng)絡(luò)無論在分類還是擬合作用上，計(jì)算精確性并不是100%，這也是航空技術(shù)不用神網(wǎng)的原因。此篇論文主要討論神經(jīng)網(wǎng)絡(luò)用在小車控制算法上的可能性以及如何利用神經(jīng)網(wǎng)絡(luò)于小車控制算法。一般用機(jī)理分析法和系統(tǒng)辨識(shí)法對(duì)實(shí)驗(yàn)數(shù)據(jù)建模，得到傳遞函數(shù)，然后通過調(diào)試實(shí)際系統(tǒng)，從開環(huán)到閉環(huán)，不斷調(diào)整參數(shù)和控制參數(shù)。舉個(gè)例子：要建立小車直線、弧線行走的控制模型，即通過實(shí)測(cè)數(shù)據(jù)建立驅(qū)動(dòng)控制和小車轉(zhuǎn)彎偏移量的關(guān)系，那么輸入的參數(shù)是當(dāng)前速度

2、，曲率大小，轉(zhuǎn)彎弧度，最大安全速度，目前偏移角度等等參數(shù)，而輸出的就是目標(biāo)速度，目標(biāo)角度。這個(gè)輸入和輸出之間的關(guān)系就是控制模型，一般也叫控制器。小車跑得快，跑得穩(wěn)，主要就是這個(gè)”控制器“，控制器擬合得好，適應(yīng)性強(qiáng)，效果就不差。小車控制算法要解決的問題是:輸入——>控制模型——>輸出控制參數(shù)。按一般的方法，控制模型的建立需要大量數(shù)據(jù)，離線在線都必需調(diào)試多遍，系統(tǒng)的適應(yīng)性不佳。而嘗試神經(jīng)網(wǎng)絡(luò)，這些問題就都可以很大程度地避免了。首先，有必要介紹一下神經(jīng)網(wǎng)絡(luò)，到底神經(jīng)網(wǎng)絡(luò)是干什么用的，如何用。神經(jīng)網(wǎng)絡(luò)的理論并不復(fù)雜，我想是有些書或論文把簡(jiǎn)單問題復(fù)雜化了。大家不要

3、對(duì)它恐懼。一堆數(shù)據(jù)A，通過一個(gè)NET不斷調(diào)整，得到另一堆數(shù)據(jù)B。而A和目標(biāo)結(jié)果數(shù)據(jù)C都是已知的，NET是未知的，這個(gè)調(diào)整NET的過程就是訓(xùn)練，NET訓(xùn)練好的結(jié)果是使B和C的誤差最小，誤差合理就收斂。收斂完了，這個(gè)NET就可以用了。神經(jīng)網(wǎng)格的核心就是得到一個(gè)NET?？刂颇Ｐ途褪且粋€(gè)NET，NET包含很多參數(shù)，如權(quán)值，隱含層數(shù)，訓(xùn)練方法，神經(jīng)元模型，傳遞函數(shù)等，只要建立一個(gè)NET，那么輸入和輸出的關(guān)系就建立起來了。神經(jīng)網(wǎng)絡(luò)主要有兩個(gè)作用：一個(gè)是分類，另一個(gè)是回歸（擬合）。如果把它運(yùn)用于小車控制算法，毫無疑問是用于回歸擬合的功能?；貧w什么呢？對(duì)，回歸上面所說的

4、控制模型，這個(gè)NET就是控制器。神經(jīng)網(wǎng)絡(luò)用于小車控制算法上的優(yōu)勢(shì)比較明顯，模型可以隨時(shí)調(diào)整，而且模型不是通過公式表示，只是一個(gè)NET來表達(dá)，避免復(fù)雜的參數(shù)調(diào)整和試算過程。通過新的環(huán)境參數(shù)得到新的NET，增強(qiáng)系統(tǒng)的適應(yīng)性。為什么有些車在自己的場(chǎng)地上跑得好好的，在其它的場(chǎng)地上就不行呢？為什么有些車不斷地調(diào)整控制模型，控制效果卻不好呢？如何選擇控制器的輸入?yún)?shù)，參數(shù)的權(quán)重如何介定呢？一系列的問題，神經(jīng)網(wǎng)絡(luò)可以給大家答案。第3頁智能控制課程論文中文版神經(jīng)網(wǎng)絡(luò)常用的一般有：感知器，BP，HOPFILED，RBF，ANN，ART和Kohonen網(wǎng)絡(luò)。如果不用工具箱函

5、數(shù)（即MATLAB的API函數(shù)），自己寫的話，無所謂，說不定自己可以創(chuàng)造一種網(wǎng)絡(luò)。只要收斂快，計(jì)算量小，泛化性能好，網(wǎng)絡(luò)耗費(fèi)資源小就行，話說起來簡(jiǎn)單，卻有一定難度。但是小車的需求低，精度無需太高，因此應(yīng)該來說比較容易實(shí)現(xiàn)。神經(jīng)網(wǎng)絡(luò)比PID，模糊控制，遺傳算法，bangbang等算法，更宏觀，可以理解為從系統(tǒng)整體入手建模。但是正如本博文開頭所說：計(jì)算量和收斂性必需保證，神經(jīng)網(wǎng)絡(luò)才有運(yùn)用的可能性。我建議從以下幾個(gè)方面解決這兩個(gè)問題：（1）不要指望神經(jīng)網(wǎng)絡(luò)的實(shí)時(shí)性。神經(jīng)網(wǎng)絡(luò)最要命的耗費(fèi)時(shí)間是訓(xùn)練，神經(jīng)網(wǎng)絡(luò)在車運(yùn)行時(shí)進(jìn)行一兩次成功的訓(xùn)練即可。在小車跑直線時(shí)通過獲

6、得的數(shù)據(jù)訓(xùn)練，因?yàn)橹本€時(shí)CPU會(huì)有空閑時(shí)間。另外，相信大家經(jīng)常用撥碼開關(guān)去選擇多種控制決策，這不失一種方法。但是，這個(gè)控制決策是死的，也是事先規(guī)劃好的，必定不能適應(yīng)新的KT板的各種路徑。（2）最好用片內(nèi)FLASH或SD卡，數(shù)據(jù)的處理是很重要的，數(shù)據(jù)也非常寶貴的，把數(shù)據(jù)存起來，傳給PC，OFFLINE時(shí)研究神經(jīng)網(wǎng)絡(luò)的算法（有無數(shù)種訓(xùn)練算法），這是其一。其二，訓(xùn)練好的網(wǎng)絡(luò)存在SD卡里，下次如果需要再訓(xùn)練，從老的網(wǎng)絡(luò)開始（一般網(wǎng)絡(luò)權(quán)值是隨機(jī)開始），效率會(huì)高很多。（3）正如數(shù)據(jù)融合一樣，有決策層和數(shù)據(jù)層的融合，神經(jīng)網(wǎng)絡(luò)也一樣，有決策層和數(shù)據(jù)層的運(yùn)用。由于小車的路

7、徑是連續(xù)的，那么數(shù)據(jù)層的神經(jīng)網(wǎng)絡(luò)肯定是用得著的。在圖像采集里，一般是40mS采集一次路徑并做控制判決，那么這40mS的時(shí)間不夠用怎么辦？大家常用的一種方法是干脆80mS采集一次。我的建議是前60ms采集一次圖像并作控制決策。后20ms運(yùn)用前4Oms提取的路徑信息并用神網(wǎng)預(yù)測(cè)路徑的變化，這么一來相當(dāng)于在20ms的時(shí)間里采集了一次圖像?？上攵侍岣吡?。（4）上面是從數(shù)據(jù)層采用神經(jīng)網(wǎng)絡(luò)，這里講一下從決策層采作神經(jīng)網(wǎng)絡(luò)。舉個(gè)例子，假如控制器的輸出-3-2-10123分別代表舵機(jī)左偏30，左偏20，左偏10，直行，右偏10，右偏20，右偏30，而小車前7次的

8、控制決策是：直行，右偏10，直行，左偏10，直行，右偏10，直行，（010-10