ACISCgydF4y2Ba 应用计算智能和软计算gydF4y2Ba 1687 - 9732gydF4y2Ba 1687 - 9724gydF4y2Ba Hindawi出版公司gydF4y2Ba 657095年gydF4y2Ba 10.1155 / 2009/657095gydF4y2Ba 657095年gydF4y2Ba 研究文章gydF4y2Ba 神经模糊控制器在机器人协作应用程序使用虚拟仪器gydF4y2Ba 男妓gydF4y2Ba 希兰E。gydF4y2Ba AraizagydF4y2Ba DejaniragydF4y2Ba 男妓gydF4y2Ba 佩德罗gydF4y2Ba 其gydF4y2Ba 弗朗西斯科gydF4y2Ba 医学院Graduados en Ingenieria y Arquitectura部门de Ingenieria y ArquitecturagydF4y2Ba 西班牙著名y de Estudios优越de蒙特雷gydF4y2Ba 校园之城墨西哥,14380年墨西哥城gydF4y2Ba 墨西哥gydF4y2Ba itesm.mxgydF4y2Ba 2009年gydF4y2Ba 14gydF4y2Ba 07年gydF4y2Ba 2009年gydF4y2Ba 2009年gydF4y2Ba 15gydF4y2Ba 11gydF4y2Ba 2008年gydF4y2Ba 20.gydF4y2Ba 03gydF4y2Ba 2009年gydF4y2Ba 25gydF4y2Ba 06gydF4y2Ba 2009年gydF4y2Ba 2009年gydF4y2Ba 版权©2009gydF4y2Ba 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。gydF4y2Ba

神经模糊控制器设计和使用虚拟仪器实现移动机器人平台。控制器是基于模糊集群,神经网络和搜索技术。同时,与蓝牙无线通信协议是用来交流的机器人控制器运行在虚拟仪器中,允许一个简单的协作任务,包括在挑选对象,通过了解机器人的位置和测量距离的对象。神经模糊控制器分成了两部分:位置控制器和逃税控制器对碰撞。gydF4y2Ba

 1。介绍gydF4y2Ba

可以解决许多问题,影响社会使用软件和硬件,包括强大的人工智能工具。例如,确定必要的钱在一个特定的银行根据需求,有一个数据库了解墨西哥儿童最常见的疾病有足够的药品和机构提供医疗援助,在小企业做决定,所有这一切都意味着可能使用技术资源达到发展和改善生活的质量在不同国家的人gydF4y2Ba 1gydF4y2Ba]。gydF4y2Ba

所有上面提到的,通用的和全球的生成工具来开发算法和程序是一个具有挑战性的领域,值得学术界的关注,随着更多训练有素的专业人员需要为了开发和使用工具,以改善情况和解决问题。这个项目主要集中在使用现代工具如模糊控制、神经网络、计算搜索、无线通信,和其他人,生成材料和想法实现的解决方案。的结果可以推断之外的任务,选择发展合作,但可以在其他任何领域中描述为例(gydF4y2Ba 2gydF4y2Ba,gydF4y2Ba 3gydF4y2Ba]。gydF4y2Ba

这个项目的主要目标包括在一群微型机器人,实现协作任务暗示自主导航在确定区域,通过使用和开发的算法。为了实现这一目标,工作是分为三个目标:设计和实现一个神经模糊控制器根据以往的作品(gydF4y2Ba 4gydF4y2Ba,gydF4y2Ba 5gydF4y2Ba)确定区域内自主导航,实现协同工作。gydF4y2Ba

此外,一些具体目标声明:使用虚拟仪器(gydF4y2Ba 6gydF4y2Ba)设计和实现的算法评估他们使用,设计一个协作任务中使用的微型机器人项目,并生成一个新的结构设计,廉价且灵活,为未来的项目。gydF4y2Ba

第一步在项目涉及研究的理论支撑着这项工作,主要是模糊控制器,神经网络,模糊集群和搜索技术。随后,努力都集中在设计神经模糊控制器(gydF4y2Ba 7gydF4y2Ba),包括系统的模型来验证控制器,并做适当的调整机器人的物理结构。最后,内部通信的实现是通过使用蓝牙技术,设计和协作任务,其次是一些测试和测量验证工作。gydF4y2Ba

 2。原型描述gydF4y2Ba

在这个项目中考虑使用机器人gydF4y2Ba 15gydF4y2Ba ×gydF4y2Ba 15gydF4y2Ba cm设计,塑料基地,两个微分修改伺服电机,一个简单的轮对的支持,和不同板包括一个微处理器基本邮票2,三个萍超声波距离传感器导航一个在前面,另两个在左右,和嵌入式蓝牙无线通信收发器,在每一个机器人。该系统还包括一个磁铁的协作任务。gydF4y2Ba

为了控制避免障碍物和机器人的运动神经模糊控制器实现运行在虚拟仪器平台(gydF4y2Ba 6gydF4y2Ba),在与机器人通过蓝牙通信协议,使用Belkin USB-Bluetooth适配器。gydF4y2Ba

 3所示。神经模糊控制器gydF4y2Ba

神经模糊控制器用于机器人为了获得所需的运动,也就是说,到达最终位置从一个初始位置。图gydF4y2Ba 1gydF4y2Ba是一个框图的神经模糊控制器。它是基于三角级数(gydF4y2Ba 4gydF4y2Ba)和一个接口的机器人处理系统进行通信。事实上,合作必须在一个基于实时处理。然后,三角人工神经网络(gydF4y2Ba 4gydF4y2Ba)实现,因为他们训练阶段只需要一个时代。此外,该控制器允许障碍回避和适应的参数根据机器人及其环境之间的相互作用。gydF4y2Ba

提出了神经模糊控制器(gydF4y2Ba 4gydF4y2Ba]。gydF4y2Ba

机器人是一个分布式天线系统中,我们必须控制两个轮子的转动通过两个数字脉冲来自单片机。因此,它在两个神经模糊控制器可分为简化模糊控制器的设计部分:避免碰撞与障碍,和一个通过控制位置伺服系统的运动,考虑设置点的位置。gydF4y2Ba

3.1。神经网络gydF4y2Ba

基于模糊控制器的定义和它的零件,并指Sugeno方法的推理机制(gydF4y2Ba 8gydF4y2Ba),神经网络可以应用于集群通过模糊聚类(FCM)方法。模糊推理的形式gydF4y2Ba if_thengydF4y2Ba和神经网络的输出,可以表达gydF4y2Ba RgydF4y2Ba 我gydF4y2Ba :gydF4y2Ba 如果gydF4y2Ba xgydF4y2Ba 1gydF4y2Ba 是gydF4y2Ba BgydF4y2Ba 我gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba ngydF4y2Ba 是gydF4y2Ba BgydF4y2Ba 我gydF4y2Ba ngydF4y2Ba 然后gydF4y2Ba ygydF4y2Ba 我gydF4y2Ba =gydF4y2Ba ggydF4y2Ba 我gydF4y2Ba (gydF4y2Ba *gydF4y2Ba )gydF4y2Ba ,gydF4y2Ba 在那里,gydF4y2Ba ygydF4y2Ba 我gydF4y2Ba =gydF4y2Ba ggydF4y2Ba 我gydF4y2Ba 可以一组三角函数(gydF4y2Ba 4gydF4y2Ba傅里叶级数),考虑到可用于神经网络模型的输入,这方法有用得到系数的权重gydF4y2Ba 9gydF4y2Ba]。gydF4y2Ba

考虑定义的傅里叶级数(gydF4y2Ba 2gydF4y2Ba)和相似性描述神经网络(gydF4y2Ba 3gydF4y2Ba)描述的可能性,它使明显,系数(gydF4y2Ba 2gydF4y2Ba傅里叶系数):gydF4y2Ba fgydF4y2Ba (gydF4y2Ba xgydF4y2Ba )gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 2gydF4y2Ba 一个gydF4y2Ba 0gydF4y2Ba +gydF4y2Ba ∑gydF4y2Ba ngydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ∞gydF4y2Ba (gydF4y2Ba 一个gydF4y2Ba ngydF4y2Ba 因为gydF4y2Ba (gydF4y2Ba ngydF4y2Ba ωgydF4y2Ba xgydF4y2Ba )gydF4y2Ba +gydF4y2Ba bgydF4y2Ba ngydF4y2Ba 罪gydF4y2Ba (gydF4y2Ba ngydF4y2Ba ωgydF4y2Ba xgydF4y2Ba )gydF4y2Ba )gydF4y2Ba ,gydF4y2Ba ωgydF4y2Ba =gydF4y2Ba πgydF4y2Ba lgydF4y2Ba ,gydF4y2Ba YgydF4y2Ba =gydF4y2Ba fgydF4y2Ba (gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 0gydF4y2Ba ngydF4y2Ba XgydF4y2Ba 我gydF4y2Ba ωgydF4y2Ba 我gydF4y2Ba )gydF4y2Ba 。gydF4y2Ba

拓扑结构包括两层的神经元,第一个与三角由神经元激活函数,直接取决于频率的重量。第二个层添加了三角函数,乘以各自的重量加上一个常数,如图gydF4y2Ba 2gydF4y2Ba显示(gydF4y2Ba 9gydF4y2Ba]。或神经网络权重系数可以计算考虑如果信号是奇数还是偶数。最小二乘法用于找到系数分析,通过(gydF4y2Ba 4gydF4y2Ba)在一个矩阵转换(gydF4y2Ba 9gydF4y2Ba]:gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 米gydF4y2Ba ωgydF4y2Ba 我gydF4y2Ba ggydF4y2Ba (gydF4y2Ba bgydF4y2Ba 0gydF4y2Ba ,gydF4y2Ba bgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba bgydF4y2Ba pgydF4y2Ba ;gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba )gydF4y2Ba 罪gydF4y2Ba (gydF4y2Ba jgydF4y2Ba ωgydF4y2Ba xgydF4y2Ba )gydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 米gydF4y2Ba ωgydF4y2Ba 我gydF4y2Ba ygydF4y2Ba 我gydF4y2Ba 罪gydF4y2Ba (gydF4y2Ba jgydF4y2Ba ωgydF4y2Ba xgydF4y2Ba )gydF4y2Ba 为gydF4y2Ba jgydF4y2Ba ≠gydF4y2Ba 0gydF4y2Ba 。gydF4y2Ba

拓扑的三角人工神经网络(gydF4y2Ba 9gydF4y2Ba]。gydF4y2Ba

 3.2。模糊聚类方法gydF4y2Ba

在输入,已经证明,使用称为模糊聚类的方法得到了更好的结果意味着适应和优化隶属度函数根据机器人周围的环境。这种方法允许的元素之间的距离最小化每个集群和最大化的单独的簇的质心的距离。这可以定义的目标函数(gydF4y2Ba 5gydF4y2Ba)。gydF4y2Ba

神经网络基于三角级数可以应用在获取集群后,为了减轻隶属函数的形状,并接近三角级数(gydF4y2Ba 4gydF4y2Ba]:gydF4y2Ba JgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 2gydF4y2Ba ∑gydF4y2Ba xgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba NgydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba cgydF4y2Ba μgydF4y2Ba xgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba 米gydF4y2Ba dgydF4y2Ba 2gydF4y2Ba (gydF4y2Ba zgydF4y2Ba xgydF4y2Ba ,gydF4y2Ba vgydF4y2Ba 我gydF4y2Ba )gydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba μgydF4y2Ba xgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba 元素的成员值吗gydF4y2Ba xgydF4y2Ba =gydF4y2Ba {gydF4y2Ba 1、2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba NgydF4y2Ba }gydF4y2Ba 在模糊聚类gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba {gydF4y2Ba 1、2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba cgydF4y2Ba }gydF4y2Ba ;gydF4y2Ba vgydF4y2Ba 我gydF4y2Ba 每个集群的重心;gydF4y2Ba zgydF4y2Ba xgydF4y2Ba ,gydF4y2Ba xgydF4y2Ba =gydF4y2Ba {gydF4y2Ba 1、2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba NgydF4y2Ba }gydF4y2Ba 组数据;gydF4y2Ba 米gydF4y2Ba 是fuzzyfication价值;gydF4y2Ba dgydF4y2Ba 2gydF4y2Ba (gydF4y2Ba zgydF4y2Ba xgydF4y2Ba ,gydF4y2Ba vgydF4y2Ba 我gydF4y2Ba )gydF4y2Ba 之间的欧式距离吗gydF4y2Ba zgydF4y2Ba xgydF4y2Ba 和gydF4y2Ba vgydF4y2Ba 我gydF4y2Ba ;gydF4y2Ba NgydF4y2Ba 在数据样本的数量;gydF4y2Ba cgydF4y2Ba 是集群的数量(gydF4y2Ba 10gydF4y2Ba]。gydF4y2Ba

 3.3。禁忌搜索方法gydF4y2Ba

禁忌搜索方法是一种启发式方法来找到一个最佳解决方案结合几个策略:派生的方法,长期和短期记忆,和多样化的策略。作为搜索正在发生,所有可能的解决方案的一些命名为“禁忌”和包含在一个列表通过记忆,在定义的迭代次数。这些解决方案将无法访问在某些点的搜索;与此同时找到更好的解决方案来取代一个初始解决方案(gydF4y2Ba 11gydF4y2Ba]。gydF4y2Ba

一套算法来找到一个更好的模糊规则比提出的开发和编程,并包括在图中gydF4y2Ba 3gydF4y2Ba。gydF4y2Ba

禁忌搜索算法。gydF4y2Ba

 3.4。每个控制器的设计gydF4y2Ba

设计的过程是描述的数据gydF4y2Ba 4gydF4y2Ba和gydF4y2Ba 5gydF4y2Ba,两个位置控制器和逃避。gydF4y2Ba

位置控制器的设计。gydF4y2Ba

逃避控制器的设计。gydF4y2Ba

最后的神经模糊控制器可以解释如下。gydF4y2Ba

两个神经模糊控制器并行运行:一个避免障碍,一个用于修正机器人的位置。gydF4y2Ba

每个神经模糊控制器有图的结构gydF4y2Ba 1gydF4y2Ba中,输入是由会员fuzzified从模糊聚类获得由环境和三角函数神经网络。然后,一组最优规则获得的禁忌搜索方法评估为了获得所需的模糊输出。最后,输出计算三角函数神经网络。看到,隶属度函数和规则正在改变取决于环境,给机器人适应的特点。gydF4y2Ba

避免障碍神经模糊控制器使用左,右,和中心测量机器人之间的距离和最近的障碍。输出的脉冲修正机器人的位置产生的一些障碍。gydF4y2Ba

位置神经模糊控制器使用最后的位置作为输入和输出的脉冲修正机器人的位置。gydF4y2Ba

避免障碍控制器具有最高优先级。gydF4y2Ba

4所示。协作任务gydF4y2Ba

协作任务的总体想法选择意味着检测和小对象的集合通过使用基本sensors-ultrasonic和红外传感器。本地化和收集对象后,机器人搬到存款在某个地方,使用电脑和机器人之间的内部通信控制动作。gydF4y2Ba

某些物理参数表示了合作的任务:一个平面gydF4y2Ba 2gydF4y2Ba ×gydF4y2Ba 2gydF4y2Ba 米每一面,15厘米高的墙表面,五个球形物体与金属水垢,照亮空间的一半。其他特定参数10厘米最低每个对象之间的分离,与一个预先确定的分布对象和机器人。这是见图gydF4y2Ba 6gydF4y2Ba。gydF4y2Ba

固定参数的协作任务。gydF4y2Ba

该算法对场景示意图的方式,如图所示gydF4y2Ba 7gydF4y2Ba。每个机器人的初始位置gydF4y2Ba 家gydF4y2Ba,它是对象的地方将沉积后的回忆。特别是,该算法被证明有两个机器人。实际上,扩展机器人的数量也可能与这个神经模糊控制器的实现。gydF4y2Ba

算法简单的协作任务。gydF4y2Ba

 5。结果gydF4y2Ba 5.1。神经模糊控制器gydF4y2Ba

主要的结果是通用的神经模糊控制器。设计基于Sugeno方法通用模糊控制器,并对虚拟仪器编程(gydF4y2Ba 6gydF4y2Ba)作为框架来创建一个通用方法,允许创建任何类型的神经模糊控制器只改变等基本参数的隶属度函数的数量。这个通用控制器允许的可伸缩性的机器人协作任务。总控制器上实现虚拟仪器如图gydF4y2Ba 8gydF4y2Ba。gydF4y2Ba

控制器开发的虚拟仪器(框图)。gydF4y2Ba

 5.2。位置控制器gydF4y2Ba

与所有项目准备好了在虚拟仪器gydF4y2Ba 6gydF4y2Ba],几个测试验证位置控制器误差在不同的轨迹,也证明逃避控制器使用正确的行为的情况下在该场景中最常见的障碍。gydF4y2Ba

位置控制器,一个线性期望轨迹如图位置的结果gydF4y2Ba 9gydF4y2Ba,一个错误的5.46%。另一方面,一个对角线的位置的轨迹图gydF4y2Ba 10gydF4y2Ba和6.2%的误差。gydF4y2Ba

轨迹线性期望的位置。gydF4y2Ba

轨迹为一个对角线的位置。gydF4y2Ba

一组模糊规则提出了使用禁忌搜索方法,用这组规则和其他随机选择,结果如表所示gydF4y2Ba 1gydF4y2Ba和gydF4y2Ba 2gydF4y2Ba分别对这两种情况下。gydF4y2Ba

禁忌的方法结果提出了家人。gydF4y2Ba

最初的gydF4y2Ba 禁忌的结果gydF4y2Ba
左脉gydF4y2Ba 对脉冲gydF4y2Ba 左脉gydF4y2Ba 对脉冲gydF4y2Ba
0gydF4y2Ba 10gydF4y2Ba 0gydF4y2Ba 10gydF4y2Ba
0gydF4y2Ba 5gydF4y2Ba 0gydF4y2Ba 5gydF4y2Ba
10gydF4y2Ba 10gydF4y2Ba 10gydF4y2Ba 10gydF4y2Ba
5gydF4y2Ba 0gydF4y2Ba 5gydF4y2Ba 0gydF4y2Ba
10gydF4y2Ba 0gydF4y2Ba 10gydF4y2Ba 0gydF4y2Ba
0gydF4y2Ba 10gydF4y2Ba 0gydF4y2Ba 10gydF4y2Ba
0gydF4y2Ba 5gydF4y2Ba 0gydF4y2Ba 5gydF4y2Ba
5gydF4y2Ba 5gydF4y2Ba 5gydF4y2Ba 5gydF4y2Ba
5gydF4y2Ba 0gydF4y2Ba 5gydF4y2Ba 0gydF4y2Ba
10gydF4y2Ba 0gydF4y2Ba 10gydF4y2Ba 0gydF4y2Ba
0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba
0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba
0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba
0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba
0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba
0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba
0gydF4y2Ba 10gydF4y2Ba 0gydF4y2Ba 10gydF4y2Ba
0gydF4y2Ba 5gydF4y2Ba 0gydF4y2Ba 5gydF4y2Ba
- - - - - -gydF4y2Ba 5gydF4y2Ba - - - - - -gydF4y2Ba 5gydF4y2Ba - - - - - -gydF4y2Ba 5gydF4y2Ba - - - - - -gydF4y2Ba 5gydF4y2Ba
5gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 10gydF4y2Ba
10gydF4y2Ba 0gydF4y2Ba 10gydF4y2Ba 0gydF4y2Ba
0gydF4y2Ba 10gydF4y2Ba 0gydF4y2Ba 10gydF4y2Ba
0gydF4y2Ba 5gydF4y2Ba 0gydF4y2Ba 5gydF4y2Ba
- - - - - -gydF4y2Ba 10gydF4y2Ba - - - - - -gydF4y2Ba 10gydF4y2Ba - - - - - -gydF4y2Ba 10gydF4y2Ba - - - - - -gydF4y2Ba 10gydF4y2Ba
5gydF4y2Ba 0gydF4y2Ba 5gydF4y2Ba 0gydF4y2Ba
10gydF4y2Ba 0gydF4y2Ba 10gydF4y2Ba 0gydF4y2Ba

禁忌的方法随机FAM的结果。gydF4y2Ba

最初的gydF4y2Ba 禁忌的结果gydF4y2Ba
左脉gydF4y2Ba 对脉冲gydF4y2Ba 左脉gydF4y2Ba 对脉冲gydF4y2Ba
0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba
0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba
0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba
0gydF4y2Ba 5gydF4y2Ba 0gydF4y2Ba 5gydF4y2Ba
0gydF4y2Ba 5gydF4y2Ba 0gydF4y2Ba 5gydF4y2Ba
10gydF4y2Ba 0gydF4y2Ba 10gydF4y2Ba 0gydF4y2Ba
10gydF4y2Ba 10gydF4y2Ba 10gydF4y2Ba 10gydF4y2Ba
5gydF4y2Ba 0gydF4y2Ba 5gydF4y2Ba 0gydF4y2Ba
5gydF4y2Ba 0gydF4y2Ba 5gydF4y2Ba 0gydF4y2Ba
10gydF4y2Ba 10gydF4y2Ba 10gydF4y2Ba 10gydF4y2Ba
0gydF4y2Ba 10gydF4y2Ba 5gydF4y2Ba 0gydF4y2Ba
0gydF4y2Ba 5gydF4y2Ba 0gydF4y2Ba 5gydF4y2Ba
5gydF4y2Ba 0gydF4y2Ba 5gydF4y2Ba 0gydF4y2Ba
10gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba
10gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba
5gydF4y2Ba 5gydF4y2Ba 5gydF4y2Ba 5gydF4y2Ba
5gydF4y2Ba 0gydF4y2Ba 5gydF4y2Ba 0gydF4y2Ba
0gydF4y2Ba 5gydF4y2Ba 0gydF4y2Ba 5gydF4y2Ba
10gydF4y2Ba 0gydF4y2Ba 10gydF4y2Ba 0gydF4y2Ba
10gydF4y2Ba 0gydF4y2Ba 10gydF4y2Ba 0gydF4y2Ba
10gydF4y2Ba 10gydF4y2Ba 10gydF4y2Ba 10gydF4y2Ba
0gydF4y2Ba 10gydF4y2Ba 0gydF4y2Ba 10gydF4y2Ba
0gydF4y2Ba 10gydF4y2Ba 0gydF4y2Ba 10gydF4y2Ba
5gydF4y2Ba 0gydF4y2Ba 5gydF4y2Ba 0gydF4y2Ba
5gydF4y2Ba 0gydF4y2Ba 5gydF4y2Ba 0gydF4y2Ba
5.3。植物的数学模型gydF4y2Ba

为了完成位置控制的设计和调整,需要导航行为的数学模型。为此,伺服电机的特点首先,然后一个模型,该模型预测的位置根据实际运动伺服系统。gydF4y2Ba

这个模型描述了脉冲应用于伺服系统之间的关系和位移考虑的方向。伺服电机的特性。措施的结果如图gydF4y2Ba 11gydF4y2Ba,这一过程可以表达为gydF4y2Ba 6gydF4y2Ba)gydF4y2Ba θgydF4y2Ba =gydF4y2Ba 11.927gydF4y2Ba pgydF4y2Ba +gydF4y2Ba 9.220gydF4y2Ba 。gydF4y2Ba

测量角度的伺服电动机。gydF4y2Ba

定义输入变量gydF4y2Ba ugydF4y2Ba =gydF4y2Ba (gydF4y2Ba ugydF4y2Ba 1gydF4y2Ba ugydF4y2Ba 2gydF4y2Ba ]gydF4y2Ba TgydF4y2Ba 的向量机时间需要把轮子,和输出变量gydF4y2Ba ygydF4y2Ba =gydF4y2Ba (gydF4y2Ba ygydF4y2Ba 1gydF4y2Ba ygydF4y2Ba 2gydF4y2Ba ygydF4y2Ba 3gydF4y2Ba ]gydF4y2Ba TgydF4y2Ba 的位置向量2 d导航飞机,从协调平面扩展方向角的尊重gydF4y2Ba 米gydF4y2Ba在gydF4y2Ba ℜgydF4y2Ba 2gydF4y2Ba 中定义的初始状态。gydF4y2Ba

一般来说,行动的计划可以分为两个主要模块:角位移模型和位置gydF4y2Ba 米gydF4y2Ba 平面,如图gydF4y2Ba 12gydF4y2Ba所示。gydF4y2Ba

模型的框图。gydF4y2Ba

角位移模型改变应用一组gydF4y2Ba ugydF4y2Ba 脉冲的轮子。点gydF4y2Ba GgydF4y2Ba 米gydF4y2Ba 代表对机器人的兴趣点,飞机gydF4y2Ba RgydF4y2Ba 从它的定义。(一)平面gydF4y2Ba RgydF4y2Ba 在脉冲输入,(b)飞机gydF4y2Ba RgydF4y2Ba 运动后产生的脉冲。gydF4y2Ba

角位移模型认为一个输入变量gydF4y2Ba ugydF4y2Ba =gydF4y2Ba (gydF4y2Ba ugydF4y2Ba 1gydF4y2Ba ugydF4y2Ba 2gydF4y2Ba ]gydF4y2Ba TgydF4y2Ba ,其中包含的信息在每个轮子的旋转激活时间,gydF4y2Ba ugydF4y2Ba 1gydF4y2Ba 激活时间在左边的轮子,然后呢gydF4y2Ba ugydF4y2Ba 2gydF4y2Ba 代表了激活时间正确的车轮。输出变量gydF4y2Ba ygydF4y2Ba dgydF4y2Ba =gydF4y2Ba θgydF4y2Ba RgydF4y2Ba 在这一块相对角位移的飞机gydF4y2Ba RgydF4y2Ba 在gydF4y2Ba ℜgydF4y2Ba 2gydF4y2Ba ,它的中心在原点gydF4y2Ba GgydF4y2Ba 米gydF4y2Ba ,引用映射到机器人本身。此块确定的相对角位移根据前面的位置和运动后的新位置(图gydF4y2Ba 11gydF4y2Ba)。gydF4y2Ba

一系列标准的决心清楚地说明角位移模型。(一)机器人可以向前或向后移动和向量gydF4y2Ba ugydF4y2Ba 有其元素相同的值。(b)机器人可以向左转,和gydF4y2Ba ugydF4y2Ba 1gydF4y2Ba =gydF4y2Ba 0gydF4y2Ba ,gydF4y2Ba ugydF4y2Ba 2gydF4y2Ba ≠gydF4y2Ba 0gydF4y2Ba 。(c)的机器人可以向右(左)转gydF4y2Ba ugydF4y2Ba 1gydF4y2Ba ≠gydF4y2Ba 0gydF4y2Ba ,gydF4y2Ba ugydF4y2Ba 2gydF4y2Ba =gydF4y2Ba 0gydF4y2Ba 。(d)机器人能保持静态和向量gydF4y2Ba ugydF4y2Ba 有0值。(e)向前运动发生如果向量是正的。(f)发生向后运动时如果向量是负的。gydF4y2Ba

绝对位移取决于飞机的实际位置gydF4y2Ba 米gydF4y2Ba ;所以一个点gydF4y2Ba GgydF4y2Ba 米gydF4y2Ba 被定义为起源的欧几里得的飞机吗gydF4y2Ba RgydF4y2Ba(图gydF4y2Ba 14gydF4y2Ba)。点gydF4y2Ba GgydF4y2Ba 米gydF4y2Ba 有方向值测量飞机gydF4y2Ba 米gydF4y2Ba 。数学上,gydF4y2Ba GgydF4y2Ba 米gydF4y2Ba 是位置向量(gydF4y2Ba 7gydF4y2Ba):gydF4y2Ba GgydF4y2Ba 米gydF4y2Ba =gydF4y2Ba (gydF4y2Ba xgydF4y2Ba GgydF4y2Ba ygydF4y2Ba GgydF4y2Ba αgydF4y2Ba RgydF4y2Ba ]gydF4y2Ba TgydF4y2Ba 。gydF4y2Ba

平面之间的关系gydF4y2Ba 米gydF4y2Ba 和飞机gydF4y2Ba RgydF4y2Ba ,无论是在gydF4y2Ba ℜgydF4y2Ba 2gydF4y2Ba 。gydF4y2Ba

平面之间的转换gydF4y2Ba RgydF4y2Ba 和飞机gydF4y2Ba 米gydF4y2Ba 使用齐次矩阵(gydF4y2Ba 12gydF4y2Ba,gydF4y2Ba 13gydF4y2Ba),映射gydF4y2Ba φgydF4y2Ba :gydF4y2Ba RgydF4y2Ba →gydF4y2Ba 米gydF4y2Ba 开始(gydF4y2Ba 8gydF4y2Ba):gydF4y2Ba φgydF4y2Ba ′gydF4y2Ba =gydF4y2Ba TgydF4y2Ba βgydF4y2Ba ′gydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba TgydF4y2Ba =gydF4y2Ba (gydF4y2Ba 因为gydF4y2Ba αgydF4y2Ba RgydF4y2Ba - - - - - -gydF4y2Ba 罪gydF4y2Ba αgydF4y2Ba RgydF4y2Ba xgydF4y2Ba GgydF4y2Ba 罪gydF4y2Ba αgydF4y2Ba RgydF4y2Ba 因为gydF4y2Ba αgydF4y2Ba RgydF4y2Ba ygydF4y2Ba GgydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 1gydF4y2Ba ]gydF4y2Ba ,gydF4y2Ba βgydF4y2Ba ′gydF4y2Ba =gydF4y2Ba (gydF4y2Ba 0gydF4y2Ba 1gydF4y2Ba ]gydF4y2Ba 。gydF4y2Ba

的坐标gydF4y2Ba φgydF4y2Ba 对应于飞机的新职位gydF4y2Ba 米gydF4y2Ba 。新方向角(gydF4y2Ba 10gydF4y2Ba):gydF4y2Ba αgydF4y2Ba RgydF4y2Ba kgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba =gydF4y2Ba {gydF4y2Ba αgydF4y2Ba RgydF4y2Ba kgydF4y2Ba ,gydF4y2Ba ugydF4y2Ba 1gydF4y2Ba =gydF4y2Ba ugydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba αgydF4y2Ba RgydF4y2Ba kgydF4y2Ba +gydF4y2Ba θgydF4y2Ba RgydF4y2Ba ,gydF4y2Ba ugydF4y2Ba 1gydF4y2Ba =gydF4y2Ba 0gydF4y2Ba ,gydF4y2Ba ugydF4y2Ba 2gydF4y2Ba ≠gydF4y2Ba 0gydF4y2Ba ,gydF4y2Ba αgydF4y2Ba RgydF4y2Ba kgydF4y2Ba - - - - - -gydF4y2Ba θgydF4y2Ba RgydF4y2Ba ,gydF4y2Ba ugydF4y2Ba 1gydF4y2Ba ≠gydF4y2Ba 0gydF4y2Ba ,gydF4y2Ba ugydF4y2Ba 2gydF4y2Ba =gydF4y2Ba 0gydF4y2Ba 。gydF4y2Ba

被定义为输出向量gydF4y2Ba ygydF4y2Ba =gydF4y2Ba (gydF4y2Ba ygydF4y2Ba 1gydF4y2Ba ygydF4y2Ba 2gydF4y2Ba ygydF4y2Ba 3gydF4y2Ba ]gydF4y2Ba TgydF4y2Ba ,其元素的值意味着(gydF4y2Ba 11gydF4y2Ba):gydF4y2Ba ygydF4y2Ba =gydF4y2Ba (gydF4y2Ba φgydF4y2Ba αgydF4y2Ba RgydF4y2Ba kgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba ]gydF4y2Ba 。gydF4y2Ba

二十的观察来验证该模型。gydF4y2Ba

 5.4。逃避控制器gydF4y2Ba

四种不同的情况下进行测试,以验证逃税与障碍,如图gydF4y2Ba 15gydF4y2Ba与机器人的轨迹跟踪。这个controllerisacceptable的评价。gydF4y2Ba

不同情况下的逃避控制器评估。gydF4y2Ba

 5.5。无线通信gydF4y2Ba

为了发送和接收数字数据从单片机和计算机,一个基本的协议设计。这个协议发送字符如“走”或“嗨”作为控制信号,然后各自的数字校正信号或反馈。gydF4y2Ba

建立和实施通过蓝牙通信,常规设计基于预先确定的块包括勘探发现设备,发送和接收。gydF4y2Ba

 5.6。设计一个新的机器人gydF4y2Ba

寻找一个更灵活和更少的昂贵的平台,一个新的结构设计并实现如图gydF4y2Ba 16gydF4y2Ba,使用塑料和聚合物代替铝和其他较重的材料。节省16%的成本和重量的10%。gydF4y2Ba

新结构设计的实现。gydF4y2Ba

 5.7。协作任务gydF4y2Ba

实验观察到的性能提出了系统协作任务期间,和机器人的轨迹跟踪的结果如图所示gydF4y2Ba 17gydF4y2Ba根据前面提出的算法。的总时间是17分20秒。结果显示,时间可能被证明增强其他通信协议和移除主站。以这种方式,机器人必须有一个更好的单片机,允许编程inanyone整个神经模糊控制器。另一方面,数字gydF4y2Ba 18gydF4y2Ba显示了一个机器人是如何捕捉对象与磁在前面部分协作任务。然而,神经模糊控制器,其主要特点,可用于其他任务不同于一个,因为其固有的适应环境。gydF4y2Ba

轨迹中紧随其后的是两个机器人协作任务。gydF4y2Ba

一个机器人对象与磁。gydF4y2Ba

 6。结论gydF4y2Ba

提出了一种神经模糊控制器拓扑控制机器人的自主导航,并实现虚拟仪器(gydF4y2Ba 6gydF4y2Ba协作任务)进行测试。控制器作为预期,收集对象和躲避障碍物。提出的算法允许多次调整参数,因为它是必要的,和整个方法给其他情况下可能的推断结果和任务。最后的原型虚拟仪器通用神经模糊控制器的编程,它可以扩展到其他情况(gydF4y2Ba 2gydF4y2Ba,gydF4y2Ba 3gydF4y2Ba]。gydF4y2Ba

 加西亚费尔南德斯gydF4y2Ba l。gydF4y2Ba uso y aplicaciones de la inteligencia人工gydF4y2Ba La Ciencia y el男人gydF4y2Ba 2004年gydF4y2Ba 17gydF4y2Ba 3gydF4y2Ba 1gydF4y2Ba 野生动物gydF4y2Ba R。gydF4y2Ba AwasthigydF4y2Ba 一个。gydF4y2Ba AggarawalgydF4y2Ba N。gydF4y2Ba GulatigydF4y2Ba J。gydF4y2Ba 应用模糊和噪生物医学健康科学gydF4y2Ba IEEE国际会议上电子信息技术gydF4y2Ba 2006年gydF4y2Ba 美国密歇根州东兰辛gydF4y2Ba 60gydF4y2Ba 65年gydF4y2Ba 10.1109 / EIT.2006.252165gydF4y2Ba eid2 s2.0 - 34250799598gydF4y2Ba BhoglegydF4y2Ba P P。gydF4y2Ba PatregydF4y2Ba b . M。gydF4y2Ba WaghmaregydF4y2Ba l . M。gydF4y2Ba PanchadegydF4y2Ba 诉M。gydF4y2Ba 神经模糊温度控制器gydF4y2Ba 《IEEE国际会议上机电一体化和自动化(国际' 07)gydF4y2Ba 2007年gydF4y2Ba 3344年gydF4y2Ba 3348年gydF4y2Ba 10.1109 / ICMA.2007.4304099gydF4y2Ba eid2 s2.0 - 37049000141gydF4y2Ba 克鲁兹gydF4y2Ba P P。gydF4y2Ba 一种新颖的神经模糊控制器基于三角级数和模糊集群gydF4y2Ba 学府de蒙特雷,墨西哥,2006年gydF4y2Ba 门德斯gydF4y2Ba D。gydF4y2Ba 拉米雷斯gydF4y2Ba f . D。gydF4y2Ba Sistema de Navegacion Neuro-Difuso对位移动机器人gydF4y2Ba 西班牙著名y de Estudios优越de蒙特雷,墨西哥校园之城,2007年gydF4y2Ba 国家仪器。8.5虚拟仪器gydF4y2Ba 编程软件。美国,2007年gydF4y2Ba 藤gydF4y2Ba k . S。gydF4y2Ba SandhugydF4y2Ba g S。gydF4y2Ba 比例微分神经模糊控制器的设计gydF4y2Ba 18日学报》国际年会的北美模糊信息处理学会(NAFIPS 99)gydF4y2Ba 1999年gydF4y2Ba 纽约,纽约,美国gydF4y2Ba 874年gydF4y2Ba 878年gydF4y2Ba eid2 s2.0 - 0032591693gydF4y2Ba 阮gydF4y2Ba H。gydF4y2Ba 模糊和神经控制的第一道菜gydF4y2Ba 2002年gydF4y2Ba 1日gydF4y2Ba 美国佛罗里达州波卡拉顿gydF4y2Ba 查普曼&大厅gydF4y2Ba 克鲁兹gydF4y2Ba P P。gydF4y2Ba 苏亚雷斯gydF4y2Ba r·s·M。gydF4y2Ba 基于傅里叶级数的神经网络gydF4y2Ba 学府de蒙特雷,墨西哥,2005年gydF4y2Ba BezdekgydF4y2Ba j . C。gydF4y2Ba 朋友gydF4y2Ba 美国K。gydF4y2Ba 模糊模式识别模型gydF4y2Ba 1992年gydF4y2Ba 纽约,纽约,美国gydF4y2Ba 电气和电子研究所根据合同gydF4y2Ba 格洛弗gydF4y2Ba F。gydF4y2Ba 拉古纳gydF4y2Ba M。gydF4y2Ba 禁忌搜索gydF4y2Ba 1997年gydF4y2Ba 波士顿,美国质量gydF4y2Ba Kluwer学术出版社gydF4y2Ba EfimovgydF4y2Ba N。gydF4y2Ba 简称Formas cuadraticas y矩阵gydF4y2Ba 1970年gydF4y2Ba Moscou、俄罗斯gydF4y2Ba 米尔版本gydF4y2Ba Departamento de Arquitectura y de Computadoras TecnologiagydF4y2Ba 矩阵homogeneasgydF4y2Ba 幻灯片演示。西班牙塞维利亚大学gydF4y2Ba