模糊控制器的设计倒传递演算法修正模糊规则.ppt

DECISION AND CONTROL LAB DECISION AND CONTROL LAB * 應用類神經網路於移動機器人之路徑規劃 Path Planning Based on Application of Neural Networks in Robot Juing-Shian Chiou and Cheng-Yu Tsai * Outline Abstract Introduction 模糊控制器的設計 倒傳遞演算法修正模糊規則 Simulation results Conclusions 參考文獻 * Abstract 本論文提出一套應用最佳化混合控制器於機器人之路徑規劃。透過混合控制系統，去調整出足球機器人的最佳角度和移動速度。本論文的主要實驗平台為FIRA 5對5足球機器人模擬器和MATLAB模擬平台。 該混合控制器包括模糊控制器( Fuzzy Logic Controller, FLC )以及倒傳遞演算法( Back-propagation Algorithm, BP )。模糊控制器的設計確定了速度( , )。接著產生狀態方程式，並使用倒傳遞演算法調整混合控制器使機器人快速到達目標。 * Introduction 資料分類而言，我們已知有一些效果不錯的方法。例如：Nearest Neighbor、類神經網路(Neural Networks)、Decision Tree等等方式，而如果在正確的使用的前提之下，這些方式的準確率相去不遠。 本文提出了最佳足球機器人的設計，使用倒傳遞演算法，是目前應用最廣的學習演算法。倒傳遞演算法的優勢在於學習準確度高，可以處理複雜的樣本問題以及回想速度快速。 * Simulation platform 圖 1. Five-versus-five simulation platform * System architecture 圖 2. 系統架構圖 FLC產生機器人 左右輪速度 BP調整 模糊規則 行動 環境 * 模糊控制器的設計 (1/10) 首先利用模糊控制器設計機器人的右輪和左輪的速度，接著定義狀態方程式去尋找更好的解。之後，我們可以利用倒傳遞演算法去調整模糊控制器的輸出歸屬函數，使其模糊控制器達到最佳化效果。 * 模糊控制器的設計 (2/10) 首先設計一個FLC去產生機器人兩輪的速度。FLC的二個輸入的參數是距離(d)和角度( )。前者d是機器人和目標之間的距離。後者是機器人轉向目標的角度，如圖3 所示。 圖 3. d和 之間的關係 * 模糊控制器的設計 (3/10) 每一個輸入參數可分為七個模糊等級，如圖4 和圖5所示。輸出 所代表的是左輪速度( )和右輪速度( )的總和。規則庫有49個路徑規則，如表1所示，使用重心解模糊化法，計算左右輪的轉速。 * 模糊控制器的設計 (4/10) 圖 5. 機器人轉向目標的夾角歸屬函數示意圖 圖 4. 機器人到達目標的距離歸屬函數示意圖 * 模糊控制器的設計 (5/10) 表 1 規則表 * 模糊控制器的設計 (6/10) 我們使用重心解模糊化的方法去計算機器人兩個輪子的速度如(1) 。 * 模糊控制器的設計 (7/10) 當速度由模糊控制產生之後，接著將定義機器人的狀態方程式。機器人的移動的速度根據 計算，其中 是移動機器人的速度。機器人的移動加速度根據 計算。在這個方程式中， 代表是機器人的輪子的半徑(在本文 是4cm )，是它的移動的角速度(始初和)，D是移動機器人的移動距離。因此，我們能計算出左右輪子的加速度。我們定義了機器人的移動方程式的數學模型如下(2)： * 模糊控制器的設計 (8/10) * 模糊控制器的設計 (9/10) 接著再定義狀態變數， ， ， ， ， ， ， ， ， ， 。我們可以決定狀態方程式(3)： * 模糊控制器的設計 (10/10) 其中： 是機器人左輪沿著水平軸的速度向量。 是機器人左輪沿著垂直軸的速度向量。 是機器人右輪沿著水平軸的速度向量。 是機器人右輪沿著垂直軸的速度向量。 x是機器人左輪沿著水平軸的移位向量。 y是機器人左輪沿著垂直軸的移位向量。 m是機器人右輪沿著水平軸的移位向量。 n是機器人右輪沿著垂直軸的移位向量。 　　因此，我們確定了左輪速度的最佳向量為 ，而右輪為 。在此之後，我們改變向量為純量和決定了移動機器人左右輪的最佳速度。 * 倒傳遞演算法修正模糊規則 (1/5) 當確定狀態方程式之後，將使用倒傳遞演算法來調整模糊規則，它主要克服了認知單元只能處理線性