支援向量机结合粒子群运动模糊控制器於机器人移动路径.pptVIP

支援向量機結合粒子群運動模糊控制器於機器人移動路徑規劃 大綱 1.摘要 2.前言 3.模糊運動控制器設計 4.SVM-PSO修正模糊規則 5.模擬結果 6.結論 7.參考文獻 1.摘要 本篇論文提出了使用支援向量機結合模糊粒子群演算法(SVM-PSO)用於移動式機器人路徑規劃。 透過(SVM-PSO)調整移動式機器人的模糊歸屬函數，藉由調整歸屬函數讓移動式機器人能夠更加的快速並且更有效率的到達目標 . 2.前言 機器人足球系統有兩個聯盟: Federation of international Robot Soccer association (FIRA) 和 the Robot World Cup Soccer Games. 在本篇論文裡我們所採用的是FIRA的5對5的模擬平台 模擬平台 系統架構 環境設定 模糊運動控制器設計 利用SVM-PSO修正模糊運動控制器的歸屬函數 3.模糊運動控制器設計 設定輸入參數 ，機器人距離模糊控制輸出參數 ，輸入機器人的模糊角度 輸出參數 ，代表的機器人左輪的運動方向與角度 ，代表的右輪機器人的運動方向與角度 3.模糊運動控制器設計 設定模糊輸入變數與輸出變數：　 3.模糊運動控制器設計 NB代表著負數的非常大(negative big) NM代表著負數的中間(negative middle) NS代表的為負數的非常小(negative small) Z代表著0的意思(ZERO) PS代表著正數的非常小(positive small) PM代表著正數的中間值(positive middle) PB代表著正數的非常大(positive big) 3.模糊運動控制器設計 模糊規則庫： 表1.左輪機器人模糊規則庫 3.模糊運動控制器設計 模糊規則庫： 表2.右輪機器人模糊規則庫 3.模糊運動控制器設計 圖2.(a) 模糊集合( ); (b) 模糊集合( ) 4. SVM-PSO修正模糊規則 我們確定狀態方程式，將進入支援向量機去修正模糊規則，首先我們先定義訓練樣本 4. SVM-PSO修正模糊規則 為了找出分割超平面，需求解下面的兩次規劃問題，其中約束條件為: 並且求出函數最小值: 4. SVM-PSO修正模糊規則 而限制上是為線性方程式，此型式屬於典型的二次規劃問題，因此使用Lagrange乘子解決這個具有線性約束的二次規劃問題，可得到式子: 4. SVM-PSO修正模糊規則 而 和 分別代表著最大值和最小值在第j-th的參數。 和 代表著速度的最大值和最小值在於第j-th的參數。rand()代表著隨機分佈均勻的數字在於[0，1]之間 4. SVM-PSO修正模糊規則 4. SVM-PSO修正模糊規則 記錄著目前為止最好並且最適合的子代在於h-th子代，而 為開始到目前位子的記錄。接著找尋較高並且叫適合的Q粒子 決定 和 最好最適合的價值並且從開始到達目標點。 4. SVM-PSO修正模糊規則 當g=G的時候我們確定了 的粒子群最佳位置和 最適合的結果 4. SVM-PSO修正模糊規則 其中 表示常數項，而 表示兩個均勻分布的的隨機粒子 4. SVM-PSO修正模糊規則 4. SVM-PSO修正模糊規則 5.模擬結果 5.模擬結果 6.結論 利用SVM-PSO的方法我們去設計模糊運動控制器，提出了移動式機器人的左右兩輪馬達的控制器，使得移動式機器人能夠在二維平面下移動到任何所需要的位置。在未來我們將提高SVM-PSO的運算時間及訓練模式，來使的模糊控制器能夠達到最佳化和更完美的最短路徑。 Thanks for your attention! * DECISION AND CONTROL LAB DECISION AND CONTROL LAB 指導教授:邱俊賢 報告學生:胡育嘉、鄭世文 圖1. FIRA 5對5 模擬平台 (a) (b) w表示權重值，表示最大值最小值。 之後檢查下列的速度參數變化 開始比對目前的狀態位子和粒子群的搜尋範圍 最後令g=g+1把數值丟回(3)去做運算找 出最適合的結果 和最好的位子 (a) (b) (c) 圖3.SVM-PSO歸屬函數(a) (b) (c) 圖4.利用SVM-PSO來修正移動式機器人的路徑 使用FIRA模擬器