基于多超声传感器信息和NeuCube移动机器人走廊场景识别.docVIP

基于多超声传感器信息和NeuCube移动机器人走廊场景识别 　　摘要：为提高室内移动机器人的环境感知能力，针对其常处的结构化走廊场景的分类、Spiking神经网络（SNN）和基于SNN的新型计算模型NeuCube进行研究。SNN利用尖脉冲传递时、空信息，比传统的神经网络更适于动态、时序信息的分析，以及各种模式信息的识别和分类。此外，SNN更易于用硬件实现。在对NeuCube的基本原理、学习方法和计算步骤进行讨论的基础上，利用多超声传感信息和NeuCube对室内移动机器人常处的7种走廊场景进行识别。实验结果表明基于多超声传感信息和NeuCube的移动机器人走廊场景分类方法可以对7种走廊场景进行有效识别，该方法有助于增强移动机器人的自主性和提高其智能水平。 　　关键词：移动机器人；多超声传感信息；spiking 神经网络；环境感知；分类 　　中图分类号： TP242.6 　　文献标志码：A 　　Abstract： To improve the perception ability of indoor mobile robots， the classification method for the commonly structured corridorscenes， Spiking Neural Network （SNN） and NeuCube， which is a novel computing model based on SNN， were studied. SNN can convey spatiotemporal information by spikes. Besides， SNN is more suitable for analyzing dynamic and timeseries data， and for recognizing data of various patterns than traditional Neural Network （NN）. It is easy to be implemented by hardware. The principle， learning methods and calculation steps of NeuCube were discussed. Then seven common corridor scenes were recognized by the classification method based on multisonarsensor information and NeuCube. The experimental results show that the proposed method is effective. Additionally， it is helpful for improving autonomy and intelligence of mobile robots. 　　Key words： mobile robot； multisonarsensor information； Spiking Neural Network （SNN）； environment perception； classification 　　0引言 　　作为机器人学重要分支之一的移动机器人有着广泛的应用前景。机器人智能是机器人研究的关键技术之一。机器人智能程度的高低决定其能否在实际应用中自主地实现各种功能、顺利地完成给定的任务；而机器人智能与人工智能的发展紧密相关，其中神经网络是人工智能应用的一个新领域。 　　传统点火率神经网络（Neural Network， NN）难以实现与时序相关的编码，及进行带有步骤或时间次序的计算。生物学实验研究表明，真实的生物脑、视觉神经元通过所发出和接收的Spike（尖脉冲）来传递信息。基于此，20世纪90年代中后期出现了似真的Spiking神经网络（Spiking NN， SNN），又称脉冲神经网络（Pulse NN， PNN）。在SNN中，脉冲（Spiking）神经元就像真正的生物神经元那样利用脉冲编码将时空信息融入到信息的传递和计算当中去。Spiking神经元通过输出脉冲而产生一个短暂的活动，这使得SNN能够工作在离散时间，这也是Spiking神经元与传统神经元的明显差别。多用于脑成像及图像处理技术的脉冲耦合神经网络（Pulse Coupled NN， PCNN）[1-3]可以看作是SNN的一种特例。 　　奥地利Graz工业大学的Maass教授将迄今为止人工神经网络的发展分为三代[4]：第一代神经网络以McCullochPitts神经元作为计算单元，包括感知机神经元、阈值神经元等；第二