基于lwr算法的避障行为学习控制器设计及在机器人上的实现-控制科学与工程专业论文.docxVIP

中文摘要 中文摘要 重庆大学硕 重庆大学硕士学位论文 I I PAGE PAGE VI 摘 要 对于机器人控制系统来说，核心问题可以抽象为函数的逼近。对这个问题通 常有两条途径，一是尽可能建立与被控对象比较接近的数学模型，然后求出数学 模型的系数；二是模拟智慧生物对自然界的反应方式，这种方式并不建立精确的 数学模型，而是对被控对象寻找另外的描述方式，如人工神经网络，模糊逻辑或 云模型等方法。LWR 即局部加权回归算法是一种利用简单的数学模型拟合复杂函 数的方法。一般的回归算法对于越复杂的问题就要建立越复杂的数学模型，要建 立一个合适的模型有时候需要设计者经验，即便如此这种凑数学模型的方法也需 要碰运气。LWR 算法对被控对象进行局部化逼近，通过使用每个预测点的相似点 生成该预测点的预测模型的方式，解决了拼凑复杂数学模型的问题，同时具有了 逼近非线性函数的能力。LWR 算法可以称为惰性算法，因为这种算法要在需要预 测的时候才产生预测模型，而不是像其他一些方法那样先通过训练得出模型；也 可以称为基于样本点存储的算法，因为 LWR 算法每次预测都需要用到所有的样本 点，而不是像神经网络那样训练得出模型之后就不再需要样本点了。正是由于 LWR 算法的这些特点，使得该算法具有了一些显著的优点，比如模型简单，对新增样 本点产生新模型只需要增加极少的计算量，以及对样本点没有覆盖的区域也有一