Vision-basedrobotmotionplanningusingatopology.ppt

Vision-based robot motion planning using a topology representing neural network;Neurale netwerken: een overzicht;Neurale netwerken: een overzicht;Neurale netwerken: een overzicht;Neurale netwerken: een overzicht;Vision-based robot motion planning; Zeller’s onderzoek: Integratie van waarneming in configuratieruimte - Perceptual Control Manifold (PCM) - Topology Representing Neural Networks - Diffusion-based search algorithm - Implementatie in robotarm ;Vision-based robot motion planning;Vision-based robot motion planning;Vision-based robot motion planning;Topology Representing Network (TRN) Principe: - Grid-achtige benadering van PCM m.b.v. neurale netwerken. Neuraal netwerk: - inputlaag = dimensies (activatie = dimensiewaarde) - input = robotconfiguratie - outputlaag = nodes in grid (activatie = afstand tot robotconfiguratie) - gewichten = posities van nodes Edges = connecties tussen neuronen in outputlaag (in tabel) Leermethode: - Neural-gas vector quantization - Competitive Hebbian learning;Vision-based robot motion planning;Vision-based robot motion planning;Topology Representing Network (TRN) Leermethode: Hybride algoritme van neural-gas methode (nodes) en competitive Hebbian learning (edges). 1) gewichten (w1…wd) van neuraal netwerk worden random ingesteld en alle connecties in de connectietabel op 0 gezet 2) for n random inputpatronen u (= robotconfiguraties) do - bepaal rank r van elk outputneuron gebaseerd op aktivatie (0 = aktiefst, 1 = daarna aktiefst, … , k = minst aktief) - pas gewichten aan: wi(t+1) = wi (t) + ?(r,t)·(u - wi) waar: ?(r,t) = een functie die afneemt naarmate r en t toenemen - zet connectie ckl = 1 en leeftijdkl = 1 waar: k is neuron met r = 0, l is neuron met r = 1 - incrementeer leeftijd van alle connecties met 1 - zet connectiewaarde op 0 voor alle connecties met een leeftijd boven een bepaalde threshold;a) Gewichten worden random tusse