[发明专利]一种基于神经网络的车厢智能服务机器人行进的控制方法

说明书

本发明公开了一种基于神经网络的车厢智能服务机器人行进的控制方法，分为训练阶段和学习阶段，在训练阶段中，车厢内设置定位基站传感器，机器人本体设置摄像头与红外探测器，采集机器人本体的位置参数作为输入变量，以至少两个输入节点与一个输出节点的形式建立SCFNN模型架构，并进行SCFNN模型内的四层运算得到推论输出值；在学习阶段中，输入节点经过结构学习产生新的规则，并经过参数学习得到一个推论输出值，同时对连结权重、归属函数的平均值与标准偏差的修正量然后进行修正，每一笔输入节点进入SCFNN模型就进行一次修正，直至SCFNN模型学习完成。本发明具有以下优点和效果：应用SCFNN神经网络能缩短运算周期，优化机器人行进距离与速度实现人工智能的提升。

技术领域

本发明涉及机器人的学习领域，特别涉及一种基于神经网络的车厢智能服务机器人行进的控制方法。

背景技术

机器人的应用越来越广泛，几乎渗透到所有领域，移动机器人是机器人学中的一个重要分支。早在60年代，就已经开始了关于移动机器人的研究，关于移动机器人的研究涉及许多方面，其中，移动机器人的路径规划技术便处于举足轻重的地位，所谓路径规划技术，就是机器人根据自身传感器对环境的感知，自行规划处一条安全的运行路线，同时高效完成作业任务。同时，在机器人完成作业任务的前提下，应尽量优化机器人的运行轨迹。

传统移动机器人的路径规划方法为模板匹配路径规划技术与人工势场路径规划技术。其中，模板匹配路径规划技术主要是利用历史积累的路径模板库，将当前规划任务和环境信息与模板库中模板进行匹配，以寻找一个最优匹配模板，该方法原理简单，匹配成功时效果较好，但是该方法的致命缺陷是过于依赖机器人的过去经验，如果模板库中没有足够的路径模板，就可能找不到与当前相匹配的路径，同时该方法无法应对动态环境，局限性大；人工势场路径规划技术的基本思想时将机器人在环境中的运动视为一种在虚拟的人工受力场中的运动，障碍物对机器人产生斥力，目标点对机器人产生引力，引力和斥力的合力作为机器人的控制力，从而控制机器人避开障碍物到达目标位置，但是，在引力和斥力场设计时存在人为不确定因素，且在障碍物较多时存在计算量过大的问题。

随着神经计算科学的发展，神经网络已经在分类问题、模式识别、数字信号处理等许多领域取得了很大的成就。目前关于神经网络拓扑结构的选择以及神经网络权值的调整都已经有了严格的理论分析方法。鉴于神经网络的学习能力以及它与非线性系统理论中一系列已经发展成熟的工具的融合能力，基于神经网络的控制方法在机器人领域被广泛研究。

但是，应用于机器人的神经网络的方法并不完善，虽然能在静态、动态环境下，产生实时避障轨迹，但机器人的运动速度都比较慢，存在响应延迟的问题，影响动态环境中其他机器人的行动；而且这些方法会随着输入节点数和隐含层数的增加，模型结构将变得越来越复杂，网络的收敛速度将会变得很慢，出现运算周期长、延迟高的缺点。

发明内容

本发明的目的是提供一种基于神经网络的车厢智能服务机器人行进的控制方法，应用SCFNN神经网络能缩短运算周期，优化机器人行进距离与速度实现人工智能的提升。

本发明的上述技术目的是通过以下技术方案得以实现的：一种基于神经网络的车厢智能服务机器人行进的控制方法，分为训练阶段和学习阶段，包括以下步骤：

1)训练阶段；具体步骤如下：

1-1)车厢内设置定位基站传感器，机器人本体设置摄像头与红外探测器，采集机器人本体的位置参数作为输入变量；

1-2)识别输入变量，以至少两个输入节点与一个输出节点的形式建立SCFNN模型架构；

1-3)所述SCFNN模型包括四层运算，输入节点经过第一层后，进入第二层的归属函数节点与第三层的乘积运作节点，并逐步调整第二层每一个高斯型归属函数的平均值m_ji、标准偏差σ_ji，第三层与输出节点间的连结权重w_j，最终于第四层得到推论输出值；