两轮自平衡柔性机器人的仿生自主学习控制.docxVIP

两轮自平衡柔性机器人的仿生自主学习控制 摘要：木文提一种丿鸟丁-斯金纳的操作性杀件发射理论的OCPA(opcrant conditioning probabilistic automaton操作 性条件发射概率机器人)仿生自主学习控制系统，为的是解决两轮柔性机器人的平衡问题。该OCPA学习系统由两个 阶段组成：在第一个阶段，一个操作性动作在一套操作性动作里随机选择，然后作为控制系统的输入；在第二个阶 段，学习系统采集该系统的方位信息并使用它进行优化，直到达到控制目标。该操作性动作集的范围会在学习过程 中自动降低以避免小概率事件发生。在论文中对设计OCPA学习系统进行了理论分析，从理论上证明了操作性条件 学习机制在OCPA学习系统中的收敛性，即操作性的行动爛收敛到最小的学习过程。然后OCPA学习系统被应用于 两轮自平衡柔性机器人的姿势平衡控制。机器人在初始状态下是没冇保持平衡的技巧的，并且每个操作在操作性集 中的选中概率是一样的。随着学习进行，选中最佳操作的概率会逐渐变成1,而且操作性的行动嫡逐渐趋向最小，因 此机器人逐渐学会姿态的平衡技巧。 关键词：两轮柔性机器人；姿态平衡控制；操作性条件反射；概率机器人；仿生自主学习 1引言 两轮直立机器人是最重要的移动机器人之 一：这种类型的机器人的重要并不仅仅体现在实 际应用领域，也是科学家发展机器人技术和控制 科学的新思路的重要平台之一。在过去，大多数 两轮直立机器人是刚性的，但随着机器人技术和 柔性口动技术的发展，能模仿人的功能的柔性机 器人已经成为新的研究热点。北京工业大学人工 智能与机器人研究所已经开发出采用弹簧模仿 人的脊椎的两轮柔性机器人。由于其非线性特性, 这种机器人的建模与控制成为一个具有挑战性 和引人入胜的任务。 对两轮直立刚性机器人的平衡控制问题深 入研究会促进最优控制方案的开发。然而，这样 的结果并不适用于柔性机器人，因为其数学模型 要复杂得多。众所周知，对复杂机器人系统的一 个有效控制方案便是学习控制。其中，可用于两 轮柔性机器人的一种学习方案便是霍普菲尔徳 神经网络。然而，这种方法学习速度很低，并且 不能应用于实际的机器人系统。一个名为仿生自 主学习控制不同的方法可能比一般的学习方法 好。该方法的主要特征是它模拟原始的动物的学 习方法。 仿生自主学习策略适用于实时捕捉动态系 统中的问题，因为它需要较少的先验系统信息。 这种方法，学习型机器人法learning automaton (LA)已被广泛用于在人工智能和机器学习领 域。然而，LA学习算法具有一个缺陷，这使得 它不适用于这个特殊问题：它忽略智能体本身的 取向信息，往往不能学习到最优的行为。本文提 出了一种新的仿生自主学习模式，克服Fla法 的这个缺陷，适用于复杂的两轮柔性机器人的平 衡控制。 仿生自主学习方法是由斯金纳开发的操作 性条件反射（OC）机制派生的。斯金纳OC是 研究人类和动物行为的重要工具，现在被用于机 器人技术来模仿OC行为。自20世纪90年代中 期开始，美国卡内基?梅隆大学主要研究关于斯 金纳OC的汁算理论和计算模型,期望这种模型 能复制动物学习操作或控制的实验，然后在自主 机器人上实现这种模型。 近些年來，我们很多有关仿生模型的研究都 是基于斯金纳OC。一个仿生学习模型的设计是 基于已成功应用于倒立摆系统的模糊逻辑和概 率机器人。然而，OC学习算法是线性的，操作 性动作集是固定的。因此，该学习模式很难适用 于两轮柔性机器人系统。随后，非线性OC学习 的目的是当其应用于两轮机器人系统时取得良 好的学习表现。但是，作为规则结论集的操作性 动作是固定的，结果上来说学习精度差，并且这 个学习策略无法应用于两伦柔性机器人系统。 本文构建了基于斯金纳OC和概率机器人 的操作性条件反射概率机器人（OCPA）仿生自 主学习系统，它可以用于控制两轮柔性机器人的 平衡。在第一个阶段，一个操作性动作在一套操 作性动作里随机选择，然后作为控制系统的输入; 在第二个阶段，学习系统采集该系统的方位信息 并使用它进行优化，直到达到控制目标。如果有 小概率事件发生，那么系统的性能必将受到影响 ——因此，有必要实现该学习方法，使得操作性 动作集可自动减小范圉以除去无用的动作事件。 在制作一个更好的自我学习和组织系统的过程 屮，该学习方法的这种性质同时提高了其学习过 程的速度和精度。仿真和实验结果表明：OCPA 学习系统可以应用于解决两轮柔性机器人的平 衡控制问题， 2 OCPA学习系统的设计 2.1 OCPA学习系统 斯金纳OC理论可以概括?为：动物的神经组 织随着动物的学习过程改变，改变的结果将构成 规则和动作之间的关系。从规则到动作再反馈给 规则，这是不断循环的。不断从规则到动作，从 动作再反馈给规则的这个循环过程，