CMAC神经网络为基础的机器人视觉系统映射模型建立要点透视

　　机器人非线性视觉映射关系模型采用了一种新的多维CMAC 网络的处理方法——叠加处理法。与BP网络相比，CMAC网络能以罗高的精度和较快的速度完成手眼系统的坐标变换。在机器人手眼系统位置控制中，用CMAC神经网络建立了机器人非线性视觉映射关系模型，实现了图像坐标到机器人坐标的变换。

　　近年来，在智能机器人领域，关于机器人手眼系统位置控制问题的研究受到越来越多的关注。在研究 中发现存在这样一个问题，即如何以较高的精度和较快的速度实现机器人手眼系统位置控制，以使机器人能快速实现对目标物体的准确定位和自动抓取。这个问题也就是机器人手眼系统中非线性视觉映射关系模型的建模问题。采用精确的数学模型是机器人视觉系统传统的建模方法。但由于这类问题是高度的非线 性问题，参数多且其间的相关性强，故这种方法理论上虽然精确，但是建模困难、计算量大，实时性差且没有容错能力和自学习能力，而神经网络作为一种智能信息处理的新技术，具有极强的非线性映射能力。因此采用神经网络的建模方法与传统的方法相比具有极大的优越性。

　　1、CMAC神经网络简介

　　小脑模型关节控制器神经网络(Cerebellar Model Articulation Controller Neural Network，即CMAC神经网络)是Albus根据小脑的生物模型提出的一种人工神经网络。它学习速度快，具有局域泛化能力，能够克服BP网络容易陷 入局部最小点的问题，且硬件易于实现。目前，CMAC神经网络被广泛应用于机器人控制、非线性函数映射、模式识别以及自适应控制等领域。

　　1.1 CMAC的基本结构和原理

　　CMAC神经网络的模型结构原理图如图1所示。它本质上可看作是一种用于表示复杂非线性函数的查表结构。

　　图1 CMAC网络的模型结构原理图

　　图1中，S为n维输入矢量空间;A为联想记忆空间;Y是输出响应矢量。输入空间S中的每一矢量S(…，Si，…，Sj，…)被量化后送人存锗区A，每个输入变量Si激活存储区A中C个连续存储单元。网络输出yi为这C个对应单元中值(即权wi)的累加结果，对某一输入样本，总可通过调整权值达到期望输出值。由图1可以看出，每一输入样本对应于存储区A中的C个单元，当各样本分散存储在A中时，在S中比较靠近的那些样本就会在A中出现交叠现 象，其输出值也比较相近，即这C个单元遵循"输入相邻，输出相近"的原则，这种现象被称为CMAC神经网络的局部泛化特性，C为泛化参数：C越大，对样本 的映射关系影响越大，泛化能力越好。

　　CMAC网络的学习采用误差纠正算法，计算量少敛速度快。其权值修正公式及输出可表示如下：