任帥男，王慶輝

(沈陽(yáng)化工大學(xué) 信息工程學(xué)院，遼寧 沈陽(yáng) 110142)

在智能小車領(lǐng)域，避障技術(shù)是智能小車最基本也是比較關(guān)鍵的一項(xiàng)技術(shù)，涉及嵌入式、傳感器、信息融合、自動(dòng)控制以及人工智能等多種技術(shù)[1].近年來(lái)，隨著人工智能技術(shù)的不斷發(fā)展，智能控制系統(tǒng)得到了廣泛的應(yīng)用.神經(jīng)網(wǎng)絡(luò)算法是人工智能領(lǐng)域舉足輕重的成員，其發(fā)展融合了多個(gè)學(xué)科，如心理學(xué)、計(jì)算機(jī)科學(xué)、生理學(xué)等[2]，該算法可以處理難以用模型或規(guī)則描述的過(guò)程或系統(tǒng)，無(wú)需知道控制對(duì)象的結(jié)構(gòu)及參數(shù)，具有較強(qiáng)的信息融合能力，并且在實(shí)際應(yīng)用中便于硬件實(shí)現(xiàn)，很適合應(yīng)用在智能小車的避障領(lǐng)域.現(xiàn)階段一些智能小車雖實(shí)現(xiàn)了避障目的，但多數(shù)研究采用攝像頭作為避障傳感器，不僅成本較高，而且適用環(huán)境局限性較強(qiáng)，還有部分研究使用固定安裝位置的傳感器利用傳統(tǒng)算法進(jìn)行避障處理，魯棒性較差.本研究使用神經(jīng)網(wǎng)絡(luò)算法進(jìn)行深度實(shí)踐，將超聲波測(cè)距傳感器動(dòng)態(tài)采集到的數(shù)據(jù)進(jìn)行融合，不僅達(dá)到了精準(zhǔn)避障的目的，又具有結(jié)構(gòu)靈活、成本低、魯棒性強(qiáng)、擴(kuò)展性好等優(yōu)點(diǎn).

1 硬件結(jié)構(gòu)及采樣方法

1.1 硬件結(jié)構(gòu)

小車的硬件結(jié)構(gòu)實(shí)物如圖1所示.

圖1 “搖頭”避障小車硬件平臺(tái)

小車主體為兩輪平衡車，兩輪平衡車相對(duì)于傳統(tǒng)四輪車轉(zhuǎn)向靈活，并可實(shí)現(xiàn)原地轉(zhuǎn)向動(dòng)作，不需要轉(zhuǎn)向空間，在復(fù)雜環(huán)境中避障效果好，適合作為避障小車的載體.傳感器選用超聲波測(cè)距模塊，該模塊相比于攝像頭具有成本低廉、性能穩(wěn)定的優(yōu)勢(shì)，并且能夠在無(wú)光環(huán)境下正常工作.傳統(tǒng)智能避障小車傳感器安裝在固定位置，不但成本大大提高，而且方位固定，有測(cè)量死角，可拓展性差[3].該模塊搭載在舵機(jī)上與之協(xié)同工作，能夠采集各個(gè)方向角的距離信息，具有成本低、位置準(zhǔn)確、控制靈活等優(yōu)點(diǎn).

1.2 采樣方法

采樣頻率決定小車避障效果，采樣頻率越高，小車避障效果越好，但是會(huì)使小車運(yùn)行速率降低，占用系統(tǒng)資源，增加運(yùn)算負(fù)擔(dān)，采樣頻率太低則會(huì)使避障效果變差，甚至導(dǎo)致算法失效，所以選擇合適的采樣頻率尤為重要.

擬定仿真距離單位為毫米，如圖2所示，為了便于仿真驗(yàn)證，小車看做勻速運(yùn)行，每運(yùn)行1 000 mm采樣一次，采樣過(guò)程中，舵機(jī)從左側(cè)平行小車方向?yàn)榈?個(gè)采樣點(diǎn)，帶超聲波測(cè)距傳感器旋轉(zhuǎn)每30°讀取一次距離數(shù)據(jù)，直到旋轉(zhuǎn)到右側(cè)平行小車方向?yàn)樽詈笠粋€(gè)采樣點(diǎn)為止，一共7個(gè)距離信息.在這里，假定超聲波傳感器距離采樣最大值為5 000 mm.采樣結(jié)束后，通過(guò)神經(jīng)網(wǎng)絡(luò)算法輸出相對(duì)偏轉(zhuǎn)角來(lái)矯正小車運(yùn)行方向.

圖2 避障小車采樣方法

2 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種單向傳播的多層前向網(wǎng)絡(luò)，其基本結(jié)構(gòu)如圖3所示.BP神經(jīng)網(wǎng)絡(luò)包括輸入層、隱層和輸出層，上下層之間實(shí)現(xiàn)全連接，而每層神經(jīng)元之間無(wú)連接[4].

圖3 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

2.1 系統(tǒng)輸入輸出的確立

以小車“搖頭”時(shí)采集到的7組距離數(shù)據(jù)為神經(jīng)網(wǎng)絡(luò)的輸入，如圖2所示，從0°到180°記做x1、x2、x3、x4、x5、x6、x7.以相對(duì)偏轉(zhuǎn)角即小車下一時(shí)刻運(yùn)動(dòng)方向與小車現(xiàn)時(shí)刻左側(cè)平行方向的角度記做α作為神經(jīng)網(wǎng)絡(luò)的輸出.最終確立系統(tǒng)神經(jīng)網(wǎng)絡(luò)為7輸入1輸出.

2.2 系統(tǒng)神經(jīng)網(wǎng)絡(luò)隱層節(jié)點(diǎn)數(shù)的確立

神經(jīng)網(wǎng)絡(luò)隱層節(jié)點(diǎn)數(shù)對(duì)于神經(jīng)網(wǎng)絡(luò)至關(guān)重要.節(jié)點(diǎn)數(shù)不能太大，也不能太少，太大將增加計(jì)算的復(fù)雜度，太少則難以訓(xùn)練神經(jīng)網(wǎng)絡(luò)[5].節(jié)點(diǎn)數(shù)的確定一般先通過(guò)經(jīng)驗(yàn)公式生成，然后觀察訓(xùn)練結(jié)果再進(jìn)行調(diào)整.常用的經(jīng)驗(yàn)公式為[6]

nimplicit=2ninput+1.

式中：nimplicit為隱層神經(jīng)元個(gè)數(shù)；ninput為輸入神經(jīng)元個(gè)數(shù).

3 數(shù)據(jù)處理及算法訓(xùn)練

3.1 仿真訓(xùn)練環(huán)境

BP神經(jīng)網(wǎng)絡(luò)是通過(guò)學(xué)習(xí)樣本的輸入對(duì)各個(gè)鏈接神經(jīng)元的權(quán)值進(jìn)行修正，通過(guò)不斷的誤差逆?zhèn)鞑バ拚咕W(wǎng)絡(luò)對(duì)輸入模式響應(yīng)的正確率不斷上升，所以提供一組正確合理的訓(xùn)練樣本尤為重要.如圖4所示，模擬了一個(gè)訓(xùn)練環(huán)境，小車運(yùn)動(dòng)軌跡是根據(jù)經(jīng)驗(yàn)人為繪制，通過(guò)該運(yùn)行軌跡小車能夠由起點(diǎn)無(wú)碰撞的到達(dá)終點(diǎn).

以該經(jīng)驗(yàn)運(yùn)行軌跡通過(guò)2.2節(jié)所介紹的采樣方式統(tǒng)計(jì)出來(lái)的數(shù)據(jù)為訓(xùn)練樣本，如表1所示.

圖4 避障小車訓(xùn)練環(huán)境及經(jīng)驗(yàn)軌跡

表1 避障小車訓(xùn)練樣本

3.2 數(shù)據(jù)歸一化

為避免不同數(shù)量級(jí)的數(shù)據(jù)互相影響，神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本數(shù)據(jù)需要進(jìn)行歸一化處理，本系統(tǒng)采用Matlab中的mapminmax函數(shù)對(duì)數(shù)據(jù)進(jìn)行歸一化處理，數(shù)據(jù)存儲(chǔ)在矩陣input和output中.

3.3 構(gòu)建BP神經(jīng)網(wǎng)絡(luò)

Matlab中有神經(jīng)網(wǎng)絡(luò)工具箱可供使用，工作區(qū)輸入nntool調(diào)出神經(jīng)網(wǎng)絡(luò)工具箱，將訓(xùn)練樣本導(dǎo)入工具箱，新建神經(jīng)網(wǎng)絡(luò)，選擇BP神經(jīng)網(wǎng)絡(luò)，Trainbfg函數(shù)作為訓(xùn)練函數(shù)，Learngdm作為學(xué)習(xí)函數(shù)，性能函數(shù)為MSE，層數(shù)為3層，分別構(gòu)建隱層為5個(gè)節(jié)點(diǎn)、18個(gè)節(jié)點(diǎn)以及30個(gè)節(jié)點(diǎn)的神經(jīng)網(wǎng)絡(luò)，之后分別導(dǎo)入訓(xùn)練樣本進(jìn)行訓(xùn)練，訓(xùn)練結(jié)果如圖5、圖6和圖7所示.通過(guò)這3種典型的節(jié)點(diǎn)數(shù)訓(xùn)練結(jié)果對(duì)比，5個(gè)隱層節(jié)點(diǎn)的神經(jīng)網(wǎng)絡(luò)經(jīng)過(guò)32個(gè)訓(xùn)練周期才完成訓(xùn)練，訓(xùn)練周期較長(zhǎng)，最佳驗(yàn)證性能在第26周期，均方誤差為0.051 009°；30個(gè)隱層節(jié)點(diǎn)的神經(jīng)網(wǎng)絡(luò)經(jīng)過(guò)15個(gè)訓(xùn)練周期完成訓(xùn)練，最佳驗(yàn)證性能在第9訓(xùn)練周期，均方誤差較大，達(dá)到了0.252 38°；18個(gè)隱層節(jié)點(diǎn)的神經(jīng)網(wǎng)絡(luò)僅用7個(gè)周期就完成了神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，并且最佳驗(yàn)證性能在第1個(gè)訓(xùn)練周期，均方誤差較小，為0.017 327°，效果最佳.選擇合適的隱層節(jié)點(diǎn)對(duì)系統(tǒng)的訓(xùn)練結(jié)果有很大影響，不能太多，也不能太少，此系統(tǒng)中選擇18個(gè)隱層節(jié)點(diǎn)的訓(xùn)練結(jié)果作為小車的神經(jīng)網(wǎng)絡(luò)算法.

圖5 5個(gè)隱層節(jié)點(diǎn)訓(xùn)練結(jié)果

圖6 18個(gè)隱層節(jié)點(diǎn)訓(xùn)練結(jié)果

圖7 30個(gè)隱層節(jié)點(diǎn)訓(xùn)練結(jié)果

4 系統(tǒng)仿真驗(yàn)證

為驗(yàn)證算法的可行性，模擬了如圖8所示的仿真環(huán)境，其中不僅變換了障礙物的位置和距離，在小車運(yùn)行途中還隨機(jī)加入了不同形狀的障礙物來(lái)模擬非結(jié)構(gòu)化環(huán)境，將小車所處環(huán)境下傳感器采集到的距離數(shù)據(jù)輸入到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)中進(jìn)行分析，得到小車的模擬運(yùn)行軌跡.由圖8可以看出：小車可以從起點(diǎn)無(wú)碰撞的安全到達(dá)終點(diǎn)，并且選擇的路線較為合理，對(duì)障礙物的識(shí)別能力較高.

圖8 避障小車在陌生環(huán)境下的運(yùn)行軌跡

5 結(jié) 論

本文以兩輪平衡小車為主體，通過(guò)單超聲波傳感器配合舵機(jī)協(xié)同工作，使數(shù)據(jù)采集更加靈活多變.訓(xùn)練樣本簡(jiǎn)單易得.利用BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行數(shù)據(jù)融合，仿真驗(yàn)證了算法的可行性.此外，本文只列舉了一種采樣方法，在實(shí)際應(yīng)用中可改變采樣方式比如增加采樣頻率，增加采樣角度個(gè)數(shù)都可以適應(yīng)更復(fù)雜的非結(jié)構(gòu)化環(huán)境，同時(shí)只需要改變神經(jīng)網(wǎng)絡(luò)的輸入量和隱層節(jié)點(diǎn)數(shù)便可以完成對(duì)小車的算法升級(jí).