英语原文共 11 页，剩余内容已隐藏，支付完成后下载完整资料

---

神经控制系统在使用了超声波传感器的移动机器人在避障中的应用

摘要

本文介绍了神经控制系统在采用了复杂的决策策略（Matlab和Processing）的超声波传感器移动机器人的实时避障中的开发和实现。使用了 Arduino嵌入式平台用于实现现场结果的神经控制。

关键词：神经控制系统，实时实现，导航环境，移动机器人避障。

移动机器人的避障是移动机器人领域中最重要的挑战之一，因为这类机器人必须能够避开他们在实现目标时遇到的障碍。 许多研究人员将他们的研究集中在控制技术和智能车辆导航上，因为传统的监测技术由于车辆打算移动的环境的不确定性而受到限制。 因此，需要开发智能控制策略，如神经网络，因为它们提供了非常好的解决方案，解决了车辆导航问题，学习输入值与传感器值输出之间非线性关系的能力。

简而言之，问题是位于特定环境中的车辆，该环境包含许多随机障碍物和目标。 我们可以提出几种方法来解决这个问题，一方面，可能会出现一些经典的方法，如路线规划或可见性图。 另一方面，我们可以选择使用基于人工智能技术的智能控制系统，如神经网络，模糊控制等。这些系统能够解决许多控制问题，因为它能够模拟某些人的特征。

在[1]中，源和目标之间的无碰撞路径是基于神经网络在部分结构化环境中为移动机器人避障构建的。 所提出的方案使用两个神经网络来完成任务。 使用反向传播的神经网络多层感知器（MLP）。 所提出的方案在英特尔奔腾350 MHz处理器上实时执行; 机器人能够避开所有障碍物从最初的起点到达其目标。

在[3]中，移动机器人的避障问题借助于局部神经网络的模型来解决。 这个网络是一组子模型，代表了各种操作点的动态系统建模。 每个子模型是用反向传播算法训练的前馈神经网络。 这些子模型的输出在具有基本功能的神经网络的帮助下被加权以生成机器人的运动命令。 将局部神经网络的性能与多层感知器网络和径向基函数作为测量性能的参数进行比较，测量需要花费机器人到达其目标或目的地所花费的时间。

避障控制器主要由一组三个子网神经设计组成（见4和5）。 前两者负责智能车辆的最重要行为，即目标的位置和避障。 两个控制器都是分类器，通过反向传播监督技术进行训练。 第三个神经网络作为主管，负责根据前两个网络的输出做出最终决策。 该驱动程序或神经网络由用于学习的关联奖励 - 惩罚的算法变体训练。 由于其层次结构，系统复杂度降低，使得响应时间更快。

文章的这一部分描述了机器人结构分析，所使用的电机功能，神经网络传感器系统，系统框图以及神经网络的设计和实现。

2.1移动机器人结构

本次设计的移动机器人很容易进行修改和适应新的和未来的研究。 对机器人的外观进行了评估，并根据移动机器人的功能性标准，可用材料和机动性对设计进行了定义。 对导向机器人的不同结构进行了分析，结构简单，结构简单（如图1所示），另一个考虑的因素是以前机器人机械结构的工作经验。

从图1中可见 ：

1.后轮

2.减速箱

3.由5mm Zintra制成的基座结构。

4.控制板由Arduino板组成。

5.L293B电路驱动电机。

6.允许机器人旋转。

7.SRF02传感器左侧

8.中央SRF02传感器

9.SRF02传感器

图1.机器人机械机构俯视图

2.2嵌入式架构，接近传感器和齿轮

机器人发动机器人使用的系统减速箱模块型号为：B02_1-180。

其主要的特征有：

bull;齿轮马达

bull;5V直流电压

bull;3KgF*cm扭矩

bull;每分钟转数43

bull;空载电流消耗：75mA

bull;粘滞电流消耗：670mA

bull;输出轴直径5mm

bull;螺丝安装孔

bull;测量：65mm*22mm*18.5mm

重量：32gr

图2展示了用于移动机器人设计的电机。

图2 电机 B02_1-180

嵌入式系统开发平台将具有基于人工神经网络的决策系统，具有以下特点：

bull;微控制器ATmega368

bull;控制电压：5V

bull;输入电压：7-12V直流电源

bull;数字I/O引脚：14

bull;模拟输入引脚

bull;引脚电流：40mA

bull;3.3V电压引脚电流：50mA

bull;时钟：16MHz

图3展示了用于移动机器人中的电路模块。

图3用于实现决策的RNA实现嵌入式系统

在移动机器人中采用了超声检测障碍物。SRF02传感器模块具有以下特点：

bull;检测范围：15-600cm

bull;5V电压供应

bull;电流消耗4mA

bull;频率40KHz

bull;TTL电平

bull;尺寸为24*20*17mm

bull;通过串口和I2C协议通信

bull;低成本

图4展示了用于障碍物检测的传感器。

图4.SRF02 超声传感器模块

移动机器人总体连接图如图5所示，其中包括了嵌入式系统，SFR02传感器，B02_1-108减速箱和显示传感器与电机状态的LCD屏幕。

在图6中，示出了系统操作的框图。

2.3决策神经网络的设计

控制移动机器人的运动，必须产生一个路径，允许自己导航避开障碍物而不碰撞，被识别为模式分类的问题。对于这样的问题，我们可以找到网络作为单感知器，多层感知器，反向传播网络，径向基网络和概率神经网络（PNN）等，作为最常用的在这种类型的应用。

用于机器人避障控制系统开发的神经网络是多层感知器（MLP），这是因为这样的网络具有良好的特性来解决障碍物分类的问题。此外，我们可以补充说，它提出了能在机器人中实现的一个相对简单的架构。

图7示出了网络的结构，使用了三个输入的神经网络，4个元素的矢量输出，使用了4层配置和[5, 4, 4，4 ]，在第一隐藏层中，激活函数类型“TANSIG”在第二隐藏层和第三层具有隐藏的功能。NcType类型“Logsig”作为输出层激活函数。

神经网络的输入是来自位于左侧，中间和右侧的超声波传感器的信息，并且传感器会根据实际中的障碍物接近情况而被激活产生输出。 神经网络会根据这个部位的传感器的输出，调整小车的的姿态或转向，从而使小车躲避障碍物。 正如我们熟知的那样，神经网络的输出函数使得输出值是范围[0 1]中的十进制数

我们可以在Arduino上编写一个简单的比较函数，将有障碍物的方向上的传感器输出值设置为1，另外两个设为0。

图7.使用三个输入的神经网络和四个元素的矢量输出的网络结构

3.结果

输出矢量由与可以控制机器人的每个基本活动相对应的三个元素组成。 这些元素的值被编码，从而相应的移动运行es1，另外三个移动到0.因此，如果控制动作要向右转，网络将提供响应向量（1,0,0,0） 如果要左转给与向量（0,1,0,0）;如果要控制小车前进，则输出为（0,0,1，0）;如果是要控制小车返回，则输出为（0,0,0,1）。

开发的算法如图8所示。

1.读取传感器数据和小车的位置

2. 利用RNA-BP算法处理来自传感器的数据

执行RNA-BP算法给出的运行指令

4．传感器再次读取数据并返回到步骤1

图8.使用RNA-BP进行决策的算法

在移动机器人中开发和实现的神经算法利用C语言编程，并在在嵌入式系统上实现。 神经网络体系结构和算法设计，Matlab进行离线计算和观察，其中突触权重和偏差提取值分别为值。 神经网络训练的参数：

图9显示了神经网络在训练反向传播Matlab中的性能特征，显示了令人满意的观察训练结果

图9.训练反向传播中神经网络的性能特征

图10显示了错误率在训练RNA-BP期间不断下降。

为嵌入式系统中的移动机器人开发和实现的BP神经网络的编程主要取决于

：bull;隐藏层的权重

bull;输出层的权重

bull;每层偏置或王比索

bull;了解每个层中使用的激活函数。 在第一个隐藏层中使用了tansig函数，其余的使用了logsig函数

对于输入层的权重，使用命令“net.IW {}”和其余图层的权重，使用命令：“net.LW {}”，最后得到偏差值：“net .b {}“。 这些数据和偏差权重以矩阵形式存储在单片机的存储器中，以应用于验证公式MLP网络，其中：

W^O_JI=将输入层连接到隐藏层的权重

P_i=输入向量的组件

B^o_j=隐藏层的增益，网络中的额外权重

该公式将每个输入与其自身的权重相乘，然后将每个神经元的相应偏差相加。 第一个隐藏层的每个神经元的输出由下式给出：

其余层的剩余神经元具有由以下公式给出的激活函数：

将输入层与隐藏层连接的权值存储在具有五行三列的W1矩阵中，获取的传感器的变量输入并存储在P[]向量中，将隐藏层与下一层连接的权重存储在四行五列W2矩阵中。将下一层连接到下一层的权重存储在四行四列W3矩阵中，与最后一层隐藏层一样，层输出被存储在四行四列的W4矩阵中。对应于存储在向量中的每一层的偏置，总共有四个向量，B1〔5〕、B2〔4〕、B3〔4〕、B4〔4〕。这个网络的输出决定了小车后续的避障动作，因此小车可以躲避在实际环境中遇到的障碍物。

由于生成的C函数的正确性，与单片机浮点输出的数值等于Matlab处理后的浮点输出。因此就可以成功地将神经网络集成到单片机系统中。

4.实际测试和分析

图9和图10所示的最终机器人的尺寸为长26厘米，高12厘米，轮距24厘米，以平均速度为10厘米/秒的速度直线行驶。 车轮上覆盖有防滑材料以改善小车在光滑表面的行动性能。 令传感器工作在信号接收的状态，这些障碍物必须是相对致密的材料制成的，以便超声波信号能被反射成功并被传感器检测到。

完整的小车避障和障碍物学习算法在C语言的编写下能在不超过200行代码的情况下实现，并且这些代码非常易于扩展以使避障算法能够包含新的障碍物情况和避障操作。

机器人的适应性实验是通过让机器人在开阔的场景下与一群人进行互动来实现的的。周围的人扮演着动态的障碍的障碍物，即利用自己的脚阻挡机器人的运动，甚至还有另一个移动机器人来充当障碍物。

5．结论

神经网络是适用于移动机器人避开障碍物的优秀工具。它拥有能够处理模糊的障碍物信息的能力。

RNA-BP的神经网络架构是在嵌入式处理能力的实时系统中实现的，生成响应案例，这些案例在培训时没有考虑到，而这些案例都是可靠的容错控制。车辆控制产生了稳健的差速驱动系统。

虽然所使用的SRF02传感器适用于此次的设计应用中，然而，在进一步的研究中建议选用一个SRF08系列的传感器，与SRF02系列相比，SRF08系列的传感器可以提供更好的检测效果，简便单校准效果和更小的尺寸。在日后的设计中还需要实现：反向传播神经网络设计的实施和处理的可靠性。

对于今后更高级的应用中，建议使用DSP技术。建议使用更多的传感器，陀螺仪，电子罗盘和其他编码器，以读取和控制设备在空间中的位置和角度。只要DSP支持的话，使用更多的传感器（至少5-6个）将会产生更多的神经网络的单元，让系统对环境有一个更加好的识别效果 。

基于单片机的数据采集与传输系统的设计

关键词：数据采集、传输系统、单片机

摘要：数据采集技术是一种实用的电子技术，广泛应用于信号检测、信号处理、仪器仪表等领域。近年来，随着数字技术的不断发展，数据采集技术也呈现出处理速度快、信道多的特点。数据采集是对温度、压力、流量、速度、位移、光强、声音等物理量进行测量和控制，通过传感器将物理量转换成模拟物理量的电信号，然后处理模拟电信号。并将其转换成计算机能够识别的数字信号，然后发送到计算机进行处理、存储、传输和显示。本文介绍了数据采集与传输系统的软硬件系统结构。

介绍

数据收集技术在20世纪50年代开始出现，1956的军事数据采集系统在美国得到了成功的发展。该系统在使用中有两个优点，一方面，它不能在应用程序文件中使用相关的检测，另一方面，没有专业人员的培训也可以操作它。由于该系统具有一定的高速性和灵活性，可以完成许多其他方法无法完成的实验任务，因此美国军方已经得到认可。从20世纪70年代末开始，国外就已经有了成熟的数据采集设备。20世纪70年代末，随着微型计算机技术的发展，一种新型的数据采集设备，它是一种集设备、数字仪表和微机的结合，因为它的功能比传统的数据采集系统强，所以很快得到应用。离子与促进。但这一次的数据采集系统开始分为两类，一种是实验室使用，另一种主要用于工业生产。到了20世纪80年代，计算机技术发展迅速，数据采集系统也开始脱离原来的特色，逐渐走向多功能性。这个时代的数据采集系统已经开始发展成模块化结构，使用过程中可以增加或减少终端的数据通信，已经有现场总线、计算机接口技术等新技术，并且由于采用了模块化。设计使整个系统结合起来，使用更加方便简单。从二十世纪开始，80年末，数据采集系统的组成结构发生了很大的变化，软硬件结合的思想开始出现在系统设计过程中，现阶段数据采集系统硬件一般由工业计算机组成。ER和大规模集成电路组成，软件主要负责整个系统的协调和管理。这种设计不仅节约了生产成本，减少了体积，而且有效地提高了系统效率。自20世纪90年代以来，数据采集已成为一种专业技术，出现了一种高精度、高可靠性、高速的单片

全文共8257字，剩余内容已隐藏，支付完成后下载完整资料

---

资料编号：[12653]，资料为PDF文档或Word文档，PDF文档可免费转换为Word