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

1、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, 曲率大小, 轉(zhuǎn)彎弧度

2、, 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 ?？?制模型就是一個(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

4、。 回歸什么呢?對(duì), 回歸上面所說的控制模型, 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。神經(jīng)網(wǎng)絡(luò)常用的一般有:感知器, BP , HOPFILED , RBF , ANN , ART 和

5、 Kohonen 網(wǎng)絡(luò)。 如果不用工具箱函數(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)

6、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)

7、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。可想而知,效率提高了。(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 -1 0 1 2 3分別代表舵

8、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次的控制決策是: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次的決策通過神網(wǎng)應(yīng)該就是左偏(-1 。 如果實(shí)際需要的不是左偏的話,就應(yīng)該把神網(wǎng)“懲罰”一下。(5尋找合適的誤差閾值。小車尋跡不像激光切割,精度要求并不高。其訓(xùn)練的誤差值 可以“商量”的。(6神網(wǎng)的訓(xùn)練數(shù)據(jù)不是抓到一個(gè)就可以的, 是要選擇的。 但這個(gè)選擇也是要耗時(shí)間的,如果是在 PC 上, FCM (模糊聚類 是不錯(cuò)的選擇。 但是 MCU 是扛不起這個(gè)重任的, 于是選 擇合適的訓(xùn)練

9、數(shù)據(jù)和目標(biāo)數(shù)據(jù)也是一個(gè)重要的研究話題。 這里, 如何優(yōu)化神網(wǎng)輸入不是重 點(diǎn),略過。(7重視歸一化處理和神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法。 這兩點(diǎn)很重要, 歸一化可以理解為把 (100 45 -67 90歸一化為(1 0.45 -0.67 0.9 , 好處是改進(jìn)數(shù)據(jù)的規(guī)范性,加快收斂。另外訓(xùn) 練算法的重要性不言而喻,如用梯度下降法訓(xùn)練法使誤差達(dá)到最小,什么是梯度下降法 呢?打個(gè)比方 ,你要下山,山前的坡度是 30度,山后是懸崖坡度是 90度,要下山快, 當(dāng)然是找坡度大的直接跳。這個(gè)下山坡度和訓(xùn)練梯度是同一個(gè)含義(8 個(gè)人覺得利用神經(jīng)網(wǎng)絡(luò)進(jìn)行速度控制有較大優(yōu)勢(shì), 比 PID 控制起來精度會(huì)有些缺陷, 但速度快。 由于摩阻力, 小車動(dòng)力性能, 小車驅(qū)動(dòng)性能, 電池等原因, 需要對(duì)速度閉環(huán)控 制。 假如:小車以單位時(shí)間 10ms 為節(jié)拍, 速度從 X1m/s->Y1m/s, 需要 PWM 為 d1%占空比, 速度從