神经网络在移动机器人路径规划中的应用研究

　　1 引言

　　随着智能控制理论与方法的迅速发展，智能方法在移动机器人路径规划中得到了广泛应用。目前主要存在的智能导航算法主要有模糊算法、神经网络算法、模糊神经网络、遗传算法和进化神经网络等。根据机器人对环境信息掌握的程度, 可分为两种类型: (1)全局路径规划: 指根据先验环境模型找出从起始点到目标点的可行或最优路径, 环境信息大多是静止障碍; (2) 局部路径规划:工作环境是未知和部分未知, 障碍物的尺寸、形状和位置等信息必须通过传感器获得, 再实时做出决策。本文借鉴人脑从粗分到细分的思想, 将无师学习的自组织神经网络和有师学习的多层前馈神经网络相结合, 在二维的环境中对机器人进行全局路径规划和局部路径规划。首先分析了Kohonen 神经网络算法及其识别机理,对机器人所处环境进行识别作出全局规划，再利用在线得到的局部环境信息, 在尽可能短的时间内，避开出现的未知障碍物。避碰规划也就是局部规划，它是感知空间到行动空间的一种映射。

　　映射关系可以用不同的方法来实现，这里采用有师学习的BP 算法。实验表明, 采用该方法进行路径规划后，在机器人路径的合理性、执行任务的准确性和工作效率等方面得到了大幅度的改善, 同时也在很大程度上降低了能量损耗。

　　2 Kohonen神经网络在全局路径规划中的应用

　　Kohonen 神经网络是一个自组织神经网络,其学习的结果能体现出输入样本的分布情况，从而对输入样本实现数据压缩。基于网络的这些特性, 可采用Kohonen 神经元的权向量来表示自由空间，其方法是在自由空间中随机地选取坐标点(可由传感器获得)作为网络输入，神经网络通过对大量的输入样本的学习，其神经元就会体现出一定的分布形式。学习过程如下:开始时网络的权值随机地赋值，每个神经元能最大限度地表示一定的自由空间。神经元权向量的最小生成树可以表示出自由空间的基本框架。网络学习的邻域可以动态地定义成矩形、多边形。神经元数量的选取取决于环境的复杂度，如果神经元的数量太少，它们就不能覆盖整个空间，结果会导致节点穿过障碍物区域。如果节点的数量太大，节点就会表示更多的区域，也就得不到距障碍物的最大距离。在这种情况下，节点是对整个自由空间的学习，而不是学习最小框架空间。节点的数量可以动态地定义，在每个学习阶段的结束，机器人会检查所有的路径，如检测到路径上有障碍物，就意味着没有足够的节点来覆盖整个自由空间，需要增加网络节点来重新学习。所以为了收敛于最小框架表示，应该采用较少的网络节点开始学习，逐步增加其数量。这里采用二维结构表示。Kohonen 模型为两层网络(结构如图1 所示) : 输入层接收输入信号模式, 神经元个数与输入模式的特征数对应; 输出层神经元又称为映射神经元。 Kohonen 网络的输入神经元和输出神经元之间为全连接, 其连接强度由权值控制, 网络的自组织过程就是根据输入信号模式动态地调整权值的过程。算法如下：