CMAC網(wǎng)絡(luò)在機(jī)器人手眼系統(tǒng)位置控制中的應(yīng)用

摘要：在機(jī)器人手眼系統(tǒng)位置控制中，用CMAC神經(jīng)網(wǎng)絡(luò)建立了機(jī)器人非線性視覺(jué)映射關(guān)系模型，實(shí)現(xiàn)了圖像坐標(biāo)到機(jī)器人坐標(biāo)的變換。該模型采用了一種新的多維CMAC網(wǎng)絡(luò)的處理方法——疊加處理法。實(shí)驗(yàn)，與BP網(wǎng)絡(luò)相比，CMAC網(wǎng)絡(luò)能以羅高的精度和較快的速度完成手眼系統(tǒng)的坐標(biāo)變換。

近年來(lái)，在智能機(jī)器人領(lǐng)域，關(guān)于機(jī)器人手眼系統(tǒng)位置控制問(wèn)題的研究受到越來(lái)越多的關(guān)注。在研究中發(fā)現(xiàn)存在這樣一個(gè)問(wèn)題，即如何以較高的精度和較快的速度實(shí)現(xiàn)機(jī)器人手眼系統(tǒng)位置控制，以使機(jī)器人能快速實(shí)現(xiàn)對(duì)目標(biāo)物體的準(zhǔn)確定位和自動(dòng)抓取。這個(gè)問(wèn)題也就是機(jī)器人手眼系統(tǒng)中非線性視覺(jué)映射關(guān)系模型的建模問(wèn)題。采用精確的數(shù)學(xué)模型是機(jī)器人視覺(jué)系統(tǒng)傳統(tǒng)的建模方法。但由于這類(lèi)問(wèn)題是高度的非線性問(wèn)題，參數(shù)多且其間的相關(guān)性強(qiáng)，故這種方法理論上雖然精確，但是建模困難、計(jì)算量大，實(shí)時(shí)性差且沒(méi)有容錯(cuò)能力和自學(xué)習(xí)能力，而神經(jīng)網(wǎng)絡(luò)作為一種智能信息處理的新技術(shù)，具有極強(qiáng)的非線性映射能力。因此采用神經(jīng)網(wǎng)絡(luò)的建模方法與傳統(tǒng)的方法相比具有極大的優(yōu)越性。

作者已經(jīng)采用BP網(wǎng)絡(luò)建立了機(jī)器人視覺(jué)系統(tǒng)的映射模型，并作了初步的研究和實(shí)驗(yàn)。結(jié)果發(fā)現(xiàn)，采用神經(jīng)網(wǎng)絡(luò)建立機(jī)器人視覺(jué)映射模型是一種有效的建模方法。但采用BP網(wǎng)絡(luò)建立模型存在網(wǎng)絡(luò)規(guī)模大、訓(xùn)練時(shí)間長(zhǎng)、容易陷入局部最小解、定位精度較低等缺點(diǎn)。本文采用CMAC神經(jīng)網(wǎng)絡(luò)建立了機(jī)器人視覺(jué)系統(tǒng)的映射模型，取得了十分令人滿意的效果。

1 CMAC神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介

小腦模型關(guān)節(jié)控制器神經(jīng)網(wǎng)絡(luò)(Cerebellar Model Articulation Controller Neural Network，即CMAC神經(jīng)網(wǎng)絡(luò))是Albus根據(jù)小腦的生物模型提出的一種人工神經(jīng)網(wǎng)絡(luò)。它學(xué)習(xí)速度快，具有局域泛化能力，能夠克服BP網(wǎng)絡(luò)容易陷入局部最小點(diǎn)的問(wèn)題，且硬件易于實(shí)現(xiàn)。目前，CMAC神經(jīng)網(wǎng)絡(luò)被廣泛應(yīng)用于機(jī)器人控制、非線性函數(shù)映射、模式識(shí)別以及自適應(yīng)控制等領(lǐng)域。

1.1 CMAC的基本結(jié)構(gòu)和原理

CMAC神經(jīng)網(wǎng)絡(luò)的模型結(jié)構(gòu)原理圖如圖1所示。它本質(zhì)上可看作是一種用于表示復(fù)雜非線性函數(shù)的查表結(jié)構(gòu)。

圖1中，S為n維輸入矢量空間；A為聯(lián)想記憶空間；Y是輸出響應(yīng)矢量。輸入空間S中的每一矢量S(…，Si，…，Sj，…)被量化后送人存鍺區(qū)A，每個(gè)輸入變量Si激活存儲(chǔ)區(qū)A中C個(gè)連續(xù)存儲(chǔ)單元。網(wǎng)絡(luò)輸出yi為這C個(gè)對(duì)應(yīng)單元中值(即權(quán)wi)的累加結(jié)果，對(duì)某一輸入樣本，總可通過(guò)調(diào)整權(quán)值達(dá)到期望輸出值。由圖1可以看出，每一輸入樣本對(duì)應(yīng)于存儲(chǔ)區(qū)A中的C個(gè)單元，當(dāng)各樣本分散存儲(chǔ)在A中時(shí)，在S中比較靠近的那些樣本就會(huì)在A中出現(xiàn)交疊現(xiàn)象，其輸出值也比較相近，即這C個(gè)單元遵循輸入相鄰，輸出相近的原則，這種現(xiàn)象被稱(chēng)為CMAC神經(jīng)網(wǎng)絡(luò)的局部泛化特性，C為泛化參數(shù)：C越大，對(duì)樣本的映射關(guān)系影響越大，泛化能力越好。

CMAC網(wǎng)絡(luò)的學(xué)習(xí)采用誤差糾正算法，計(jì)算量少斂速度快。其權(quán)值修正公式及輸出可表示如下：

式中，η為學(xué)習(xí)步長(zhǎng)，yd為期望輸出，mi為輸入變量S激活存儲(chǔ)單元的首地址。修正方法可以采用每個(gè)樣本修正一次的增量學(xué)習(xí)方法，也可以采用所有樣本都輸入一輪后再修正的批量學(xué)習(xí)方法。

1.2 多維CMAC網(wǎng)絡(luò)的計(jì)算方法

由上述CMAC模型的算法可知，應(yīng)用傳統(tǒng)的多維CMAC概念映射算法會(huì)因輸入維數(shù)的增大而使存儲(chǔ)空間劇烈增大，從而使網(wǎng)絡(luò)計(jì)算量增大，收斂速度變慢。這里采用一種新的多維CMAC網(wǎng)絡(luò)的處理方法--疊加處理法。即把輸入空間為n維的多維CMAC網(wǎng)絡(luò)看作是由n個(gè)一維CMAC網(wǎng)絡(luò)疊加而成，其輸出為n個(gè)一維子網(wǎng)絡(luò)的輸出的疊加。par

當(dāng)輸入空間的維數(shù)n=1時(shí)，對(duì)于每一個(gè)輸入變量，都激活C個(gè)連續(xù)存儲(chǔ)單元，即有C個(gè)對(duì)應(yīng)單元的權(quán)值輸出非零。它的激勵(lì)情況如表l所示。