文摘
Bioinspired智能算法(BIA)是一种智能计算方法,它是用比其他类型更逼真的生物工作机制。偏见已经取得了显著的进展在神经科学和生物系统的理解和应用到各个领域。移动机器人控制偏差的主要应用领域之一,吸引了越来越多的关注,因为移动机器人可以广泛应用和一般人工智能算法满足在这个领域发展瓶颈,如复杂的计算和依赖高精度传感器。提出偏差,最近的一项调查研究,侧重于研究各种偏见的实现基于不同的工作机制和移动机器人控制的应用程序,来帮助理解偏差全面、清楚。调查有四个主要部分:分类偏见的仿生机制,总结不同级别的几种典型的偏见,偏见的当前应用程序概述移动机器人控制,并描述一些未来可能的研究方向。
1。介绍
最近,一种新型的智能计算方法克服了传统人工智能方法的局限性。最重要的特性之一,这些智能计算方法是他们的工作机制更逼真的个人或一群生物,这是可以理解的很好。这些方法通常有更高的效率比传统的人工智能方法。这种类型的智能计算方法被定义为bioinspired智能算法(偏见)来区分他们从传统的人工智能方法。偏见已经取得了显著的进展在神经科学和生物系统的理解和应用到各个领域,如移动机器人控制。
本文的目的是提供一个最近的研究调查bioinspired智能移动机器人控制算法及其应用。我们专注于各种偏见的研究实现基于不同的机制。帮助理解偏差,我们专注为控制移动机器人的应用程序,是一个偏差的主要应用领域。其他文献的调查领域的偏见和移动机器人控制,本文补充(见,例如,1,2])。
总结了本文的主要贡献如下。(1)详细分析偏差的特性。并提出了一种新的分类的仿生机理的偏见。(2)提供了最近的调查偏差,和一些偏见精心挑选,关注的仿生机制和实现处理偏差。(3)概述的应用程序在移动机器人控制偏差,给出进一步说明偏差。此外,一些未来可能的研究方向的偏差进行了讨论。
本文的组织结构如下:在部分2的偏见,我们提供一个大概的介绍,给出了一个分类这些偏见。部分3分析和总结了一些典型的偏见。偏见的主要应用在移动机器人控制介绍了部分4。部分5探讨了未来的研究方向偏差的理论及其在移动机器人应用程序控制。最后,给出了结论部分6。
2。偏差的分类
主要有两个方面为人类向自然学习。第一个是让发明通过模仿生物的结构。例如,人类创造了载人滑翔机飞行基于鸟类的飞行原理和发明了回声定位声纳系统设计灵感来自蝙蝠的回声定位功能。另一个是设计一些算法(技术)的灵感来自各种自然的原则。例如,根据蚂蚁觅食过程中,蚁群算法开发;基于自然进化的过程,如遗传、变异、选择、交叉,提出了遗传算法。随着科学技术的发展,人类将面临越来越多的挑战。一些传统的人工智能算法太简单结构或功能来满足发展的要求。从20世纪后期,越来越多的新型人工智能算法被提出,如bioinspired神经网络、人工免疫算法,和膜计算算法。这些新颖的人工智能方法以及一些其他智能算法(如蚁群算法和遗传算法上面提到的)有一个共同的特性。 Namely, they have more lifelike biological working mechanisms than other types. The artificial intelligent methods of this type are the bioinspired intelligent algorithms (BIAs) discussed in this paper.
现在,偏见仍在发展阶段,所以没有严格的定义和统一的分类。Binitha和Sathya1)的起源和优势描述bioinspired计算算法和指出,偏见是启发式方法,模仿大自然的策略,这是一个简单而抽象的偏差的定义。邦加德(3]介绍了bioinspired计算算法的开发过程和分析偏差之间的关系和传统的智能计算方法。基于我们的专业知识,bioinspired智能计算算法可以定义如下:它是一种智能计算方法与一个很生活化的生物工作机制,模仿生物体的功能和结构,个人和群体行为,生活和社会的演变过程。然而,这不是一项容易的工作,这些方法排除偏见,不严格bioinspired。在这篇文章中,我们不打算区分不同类型的智能计算算法,但分析偏差的主要特征,进行分类这些算法的模拟生物工作机制,和调查处理以及不同类别集中在实现移动机器人控制的应用程序。
基于我们的研究工作和大量的文献的概述,偏差的显著特点探讨总结如下(1,4- - - - - -7]:(1)Bioinspired特点:工作机制是非常接近自然生物的生物或生态机制。bioinspired算法尽可能地模仿自然生物处理实际问题的能力。(2)简单和出现:策略和计算往往是非常简单的,但是他们的合成效果是非常惊人的,它反映的原则出现。(3)鲁棒性:这些算法对环境的变化具有较强的鲁棒性,参数,和任务;也就是说,这些算法具有良好的适用性和灵活性。(4)自组织:这些算法可以通过自学或自组织,实现提高适应性进化成功。(5)其他特点:这些算法有一些好的特性,比如并行性在本质上和非确定性。
正如上面介绍的,偏见有很多优秀的特点,可以满足研究的需要。引入偏差明显和容易理解,偏差应分类。从不同的视角,不同的分类可以获得;例如,从整个效果,我们可以看到所有的偏见是一种进化的优化算法。在本文中,我们将从他们的来源分类的偏见的仿生机制;然后偏见可以分为三类:(1)从有机体行为启发;(2)启发从有机体结构;(3)启发的进化。摘要分类是单身;也就是说,一个bioinspired算法不会分为两个或两个以上的不同类别。 The classification map is shown in Figure1每个类别,将在下一节中介绍清楚,一些典型的算法。
3所示。理论概述
有一些相似之处每个类别的属性和应用相同的仿生机制。在这篇文章中,我们将关注一些新颖的算法的实现处理提出了在过去的二十年里,以及一些独特的或代表方法据我们所知。
3.1。灵感来自生物的行为
每个生物都能生存和保护自己的方式,比如觅食的食物,防御天敌,求爱显示。基于这些重要的生物行为的特点,开发了一些偏见。在这些偏见,大多数生物的觅食行为的启发,比如蚁群算法,蜜蜂蜂群算法,细菌觅食算法,鱼群算法,接着青蛙跳跃的算法。还有一些算法的启发与其他生物的行为。例如,猴子爬算法模拟了猴子的攀爬行为,和细菌趋药性算法模拟了细菌趋化性行为。有几个其他文献的调查行为偏差(见[8- - - - - -10]),所以我们只选择两种算法引入觅食行为的详细实现过程——(细菌觅食算法)和其他行为——基于(猴子爬算法)的偏见,分别。
3.1.1。细菌觅食算法
2002年,Passino提出了一个新颖的BIA的行为大肠杆菌细菌觅食的营养与食品在人们的肠管,叫做细菌觅食算法(11]。细菌觅食,有一些特殊的行为模式,如游泳、翻滚,趋化现象的行为(见图2)。细菌觅食算法的基本步骤与这些行为抽象,它介绍了如下(11- - - - - -13]。
(一)
(b)
(c)
(1)趋化性。这是细菌收集到营养区域的行为,其中包括暴跌和游泳。游泳是搬到一个任意方向在单位阶跃和翻滚的方向决定细菌。细菌将刷新其健身价值暴跌的每一步,不会停止翻滚到健身价值不再是更好或步骤的数量限制。让代表的状态细菌(的位置th细菌);然后翻滚的行为可以用 在哪里是细菌的序列号;是繁殖的数量;趋化性的数量;是传播的数量;代表一个基本趋药性的步长;代表的下一个状态th暴跌后细菌;是一个随机向量的元素是随机数。游泳的行为可以用
(2)繁殖。这是选择性增殖的细菌的行为。即细菌具有良好的健身选择传播,他们的后代会有相同的立场和步骤。但是细菌和糟糕的健康会被淘汰。消除机制是基于细菌的成本的总和超过它的生命周期。的健康th细菌通过计算 在哪里成本的位置th细菌;的生命周期的长度是的th细菌趋药性的步骤。更高的成本意味着更低的健康,所以细菌值最高的会死。
(3)传播。这是分散的行为细菌在一定概率随机位置。这种行为旨在避免细菌觅食算法的局部最小值,实现全局搜索。
细菌觅食算法有很多优势,如参数不敏感,鲁棒性强,且容易实现。很多研究成果已经通过该算法;例如,Sanyal et al。14]提出了一种自适应细菌觅食算法对灰度图像的分割,在细菌觅食算法用于基于模糊熵最大化实现所需的阈值分割;刘等人。15)提出了一个基于细菌觅食算法的移动机器人路径规划方法,其中细菌觅食算法最小化路径长度和匝数不与障碍物发生碰撞。
3.1.2。猴子爬算法
2008年,赵和唐16)提出了猴子爬算法受猴子的行为当他们爬上树的最好地方基于某些原因,解决全局优化问题。在这个算法中有三个主要过程,即攀登过程,watch-jump过程,转变的过程。(1)攀爬过程:这个过程表示算法的局部搜索。猴子爬上从最初的位置,找到各自的局部最优位置。(2)Watch-jump过程:这个过程代表了全球最优搜索过程从局部最优。当周围的猴子会到达当地的最佳位置。如果能找到一些更好的职位,猴子会跳这些新职位;否则,他们将继续他们在哪里。(3)转变过程:这个过程代表了搜索过程避免了局部最优。猴子会翻筋斗新的职位在一定概率和开始新的搜索。
步骤1。初始化大小的猴子所有的猴子和初始位置。为猴子,它的位置是用,在那里是解决方案的维度。
步骤2。优化猴子爬的位置。集,,在那里是一个信号函数;的步长是攀爬过程;和是目标函数的伪梯度在这个职位计算了 在哪里和或相同的概率。如果位置猴子是可行的,更新的位置吗与。
步骤3。寻找更好的地方在视觉范围内的猴子和更新他们的位置。详细的计算过程如下:生成一个数字,在那里是一个常数来表示猴子的视力。如果和位置是可行的,猴子将从职位来,转到第2步。
步骤4。生成一个随机数,在那里翻筋斗间隔。得到一个新的,在那里,。如果位置是可行的,然后迫使猴子去新的工作并再次开始搜索。
第5步。如果结果满足结束条件,搜索过程结束,输出位置向量(最优解)。否则,转到第2步。
备注1。每一步都在这个算法(包括步骤2,3,4)会重复,如果无法找到切实可行的和最佳的位置,直到每一步迭代的数量达到最大值或满足一些条件。
猴子爬算法的一个优点是pseudo-gradient计算的目标函数在攀爬过程中,只需要两个测量维度的目标函数无论现实世界的问题。这个优势可以降低计算成本,避免局部最小值的问题。此外,猴子爬算法有一些参数调整,这使得它特别容易实现。例如,易建联et al。18)使用一个协作猴子爬算法处理的最佳健康监测的传感器配置问题,高层建筑结构。该算法的有效性,通过一个算例演示了一个高层结构,结果表明,该算法可以为传感器网络提供一个健壮的设计。Suguna和Maheswari19)提出了一种基于猴子搜索优化的特征选择和提取的方法进行图像分类和识别在医学图像分割的过程。结果表明,该方法是一个合适的图像分割算法。
3.2。灵感从生物结构
大自然创造了一切,生活是最神奇的一个。每一个生活的一部分成分可以给我们一些启示。例如,灵感的双螺旋结构和互补的DNA碱基配对规则,提出了DNA计算[期刊20.];灵感来自生物细胞的结构和合作在不同的细胞,Paun提出了膜计算的概念(21];从生物免疫系统的免疫机制的启发,Bersini Varela首先提出了一个基于人工免疫系统的方法来处理现实问题(22]。此外,灵感的链接结构和信息传导机制在人类或动物大脑和神经系统,提出了一些bioinspired神经元网络(23,24]。
在本节中,三种典型偏见灵感来自不同的生活水平给出了细节,分别即DNA计算(染色体)的水平,膜计算(细胞水平)和人工免疫系统(系统)的水平。
3.2.1之上。DNA计算
现代分子生物学的研究结果表明,生活的非常复杂的结构体是遗传信息的操作结果由DNA序列。为“00”和“10”用于表示信息在计算机、一条DNA链可以看作为代表multituple解码信息的方法,在那里,表示腺嘌呤、鸟嘌呤、胞嘧啶、胸腺嘧啶,分别。然后酶和其他生物生化操作DNA序列上的经营者的行为。基于上面这些想法,发表期刊论文题为“分子计算的解决方案组合问题”在《科学》杂志上(1994年),这意味着诞生的一个新的研究领域:DNA计算(25]。
DNA反应之间的映射在生物学和DNA计算的过程如图3。DNA计算的基本过程是代码问题,(1)通过使用特殊的双螺旋结构和互补的DNA碱基配对规则,并将对象映射到DNA分子链;(2)生产各种生物数据池的行为与DNA酶在试管中解决方案;(3)将原问题的数据操作映射到可控生化过程根据一定的规则;(4)获取计算结果采用分子生物学技术,如聚合酶链反应、平行重叠组装、亲和色谱法、分子净化和磁珠分离。
DNA计算有两个主要优势利用生物分子的特性和生化反应的海量存储和并行能力。它已经被应用于各个领域,发挥了巨大作用,如分类、信息安全、机器人控制(26- - - - - -28]。当然,仍有一些不足之处需要进一步研究在DNA计算。例如,DNA的信息不能被复制和难以移植。
3.2.2。膜计算
膜计算被Paun首先提出了在1998年的一份研究报告,和相关的论文发表在2000年(29日]。膜计算的目的不是为了模型生物膜的功能但是得到一些新的计算思想和设计新的计算模式,激发了活细胞和细胞之间的合作组织,器官,或其他结构。一般来说,膜系统(也称为P-system;参见[29日详情)度可以用多组分系统: 在哪里是一个字母,他的元素称为对象;是一个输出字母;是一个催化剂;是膜结构包含膜;是与该地区相关的对象的多重集吗的,在那里是一组任意字符串组成的字符串;是一个有限集的进化规则;和是一个偏序关系结束了吗,这被称为优先级关系的规则。进化法则可以用一对,在那里是一个字符串中,或(在一组是一个字符串,在那里,是对象与不同地区的目的地,然后呢是一种特殊的符号不是吗)。如果规则包含被执行时,这个膜溶解。
简而言之,膜系统三部分组成:构造层次结构的膜,多组为对象,并进化规则。膜结构的膜系统使用进化规则完成计算,从初始状态(由多组对象)(21,30.]。
膜系统是一个分布式、大规模并行和不确定性的计算模型。因为膜计算的出现,它吸引了大量的关注,成为一个强大的自然计算领域的理论框架。例如,程et al。31日)提出了一个膜数值优化算法,这是一个适当的微分进化算法的组合,一个本地搜索,P-systems。的有效性在广泛的数值优化算法进行了测试实验,结果表明,该算法执行比其对应的微分进化算法。Zhang et al。32)提出了一个基于PSO的膜算法求解广播问题,这被认为是np难组合优化问题。各种广播问题的实验结果显示,该算法有更好的搜索功能,效率,溶液稳定,精度比其他优化方法在文献中报道。此外,膜计算可以使用在许多其他领域,如计算机图形学、语言学、经济学、计算机科学和密码学30.,33,34]。
3.2.3。人工免疫系统
生物免疫系统是一个复杂的自适应系统。免疫系统的目的是确定体内所有细胞(或分子),区分自我和异物。然后异物细胞进一步分类,以构建一个适当的防御机制。人工免疫系统是一个bioinspired智能计算方法受脊椎动物免疫系统的原理和过程。与生物学的进步,越来越多的免疫机制应用于计算算法包括b细胞、t细胞、抗体,抗原,免疫学习、免疫记忆、克隆选择、和免疫反应。
目前,人工免疫系统的理论研究主要关注四个方面。(1)人工免疫网络模型:目前两个有影响力的人工免疫网络模型资源有限的人工免疫系统和aiNet [35]。(2)克隆选择:生物免疫系统的克隆选择是一个重要的学说理论,和它的基本思想是,只有那些能够识别抗原细胞将选择放大和留存36]。(3)免疫进化算法:免疫进化算法是一种通用名称不同的免疫优化算法,开发从进化算法框架通过引入免疫系统的许多功能(5]。(4)负选择算法:消极的选择是一个重要的机制,使免疫系统的免疫耐受的作用。过程是不成熟的t细胞会死亡,如果他们回复自我胸腺在增长。成熟的t细胞将分布在人体的循环系统,结合异物,容忍自我。在此基础上self-nonself免疫系统原理,福勒斯特et al。37)提出了负选择算法,已成为一个主要的人工免疫的方法他们独特的特点。
人工免疫系统有一些优秀的品质,比如噪音耐心,学习没有老师,自组织,和不需要负面的例子,所以被广泛应用。例如,李et al。35)提出了一个基于人工免疫网络的防撞密集的RFID阅读器的算法,主要的免疫算子是为了满足射频识别系统的实际会议,和实验结果表明,基于人工免疫网络的方法是有效的和有效的减轻reader-to-reader在密集的RFID网络碰撞问题。Cai et al。38]介绍了克隆选择算法的问题识别复杂网络社区探测的实验在合成和真实网络演示了该方法的有效性。人工免疫系统是适合处理特征选择的问题,异常检测等(39- - - - - -41]。
3.3。灵感来自进化
自然选择,适者生存是世界上永恒不变的定律。在生物学,进化是指两代人之间人口遗传性状的变化。自然选择可以支持生存和繁殖的遗传特性变得更加普遍和有害特质越来越少。人类作为高级生物形成一个特殊的社会系统,主要以社会文化的发展。从这些复杂的进化过程的生命的启发,提出了一些进化算法,如遗传算法、进化策略、化学遗传程序入侵杂草算法,和文化算法。
从三个不同的进化水平,详细介绍了三个偏见在本节展示的工作机制和实现过程偏差从进化论的启发,即自私的基因算法(基因进化的水平),入侵杂草算法(人口发展水平),和文化算法(社会进化的水平)。前两个算法属于偏见基于生物进化和文化进化算法是基于社会。
3.3.1。自私的基因算法
自私的基因算法是一个新成员的偏见,这是基于自私基因理论提出的道金斯(42]。自私的基因理论,进化是建议被视为代理在基因水平。生物体或数量的选择是基于基因。此外,人口被视为基因池的数量不感兴趣的个人和他们的具体身份。所以自私的基因算法着重于基因的健康而不是个人。自私的基因算法的主要概念总结如下(43,44和自私的基因算法总结了算法的伪代码1。
|
||||||||||||||||||||||||||||||||||||||||||||||||||
(1)虚拟人口。虚拟人建模旨在基因库的概念定义为道金斯,用一个向量: 在哪里基因的数量和吗表明的存活率th基因。在自私的基因算法中,个体是由其基因组,在基因组中的位置被称为轨迹。
(2)等位基因。值出现的轨迹被定义为等位基因,在那里是基因组中基因的数量。等位基因的成功是基于它的频率出现在虚拟人口。
(3)进化机制。虚拟人口收入的发展一种不明的有性生殖的个体。所以自私的基因算法不依赖于隐式地执行交叉算子和繁殖。自私的基因算法,进化意味着成功的生物将增加其等位基因的频率以牺牲孩子,另一方面生物失败会降低其等位基因的频率。
自私的基因算法已经成功测试了几个问题。例如,安东尼奥[44)提出了一个策略基于迷因的杂交算法和自私的基因算法,克服困难,实现全球复合结构的优化设计问题的解决方案。王等人。45]利用自私基因理论的方法来改善二元分布估计算法的性能。
3.3.2。入侵杂草算法
入侵杂草算法引入Mehrabian和卢卡斯46),模拟了杂草入侵的过程。杂草有强大的生存能力和生存策略,把他们不良的植物在农业。然而,这些杂草的特性是非常有用的对于某些计算算法。有三个主要的机制中使用的外来杂草入侵杂草的算法。(1)传播机制:这种机制意味着杂草会有不同的生殖机会根据他们的健康。(2)扩散机制:这种机制意味着后代杂草将分散在一个空间在一个正态分布模式以父杂草为轴。(3)竞争机制:这种机制意味着所有杂草包括父母和后代选择将基于其优点当空间内杂草的数量达到上限。根据上面的三个机制中,入侵杂草的工作流算法总结如下。
初始化步骤1(人口)。一定数量的杂草分散在一个维空间随机。
步骤2(生长和繁殖)。当杂草生长到开花的时候,他们将根据他们的健康产生种子。母公司的健身杂草和其后代杂草的数量在一个线性关系如下: 在哪里是后代杂草的数量;是健身;和分别是适应性的最大值和最小值;和是最大和最小数量的后代杂草,分别。
步骤3(空间扩散)。后代的种子扩散到维度空间在一个正态分布模式和标准偏差正态分布在不同的迭代的改变按照下列规则: 在哪里迭代次数;表示最大迭代次数;是最初的标准差;是最后的标准差;和是一个非线性谐波指数。
步骤4(竞争排斥)。当环境资源的承载力不再满足需要的所有杂草,弱势群体,即较低的杂草健身,将被淘汰。
第5步。如果满足结束条件,输出最优解。否则转到第2步。
有一些缺点在杂草侵入性算法。例如,参数灵敏度高,没有个体之间的信息交换,搜索深度小于粒子群优化算法等算法和期望最大化算法。现在,提出了一些改进标准入侵杂草算法,和大多数人利用其他算法的优势开发混合入侵杂草算法(47,48]。
3.3.3。文化算法
人类社会的发展进步是复杂的,这是不同于其他生物的自然选择。人类社会的发展是基于知识的传统和文化的传播。文化可以使人口发展和适应环境,在一定的速度高于一般的生物进化完全依赖基因遗传。文化算法(49)来模拟提出了人类社会的进化。在文化算法、一个领域的先验知识和知识从进化获得可用于直接搜索过程。文化算法采用双重进化机制,模拟人类社会的文化演化过程。建立了可靠性空间提取各种信息在进化过程中基于传统的群进化算法。和知识的信息存储在表单,用于引导进化过程。
文化算法有三个主要部分(5,50]。(1)人口空间:人口空间是用来实现任何进化算法基于人口、个人评估和选择,交叉和变异的进化操作。此外,优秀的个人提供可靠性空间样本。(2)空间:可靠性可靠性验收空间接收来自人口样本空间的功能和选择样本中的信息更新函数,抽象,描述和存储形式的知识。最后,各种知识作用于人口影响函数空间,加速进化的收敛,提高算法的环境适应性。(3)沟通渠道:沟通渠道包括接受功能,更新函数,函数的影响。人口空间和可靠性空间是两个独立的进化过程。接受函数和影响函数提供渠道上的知识模型和较低的进化过程,所以这两个函数也称为接口函数。文化算法的基本结构中可以看到[5]。
文化算法提供权力交替搜索问题,还可以提供一个理解的文化现象和底层技术利用人类物种。文化算法可以用来处理模式识别,multirobot协调、故障分类,等等50- - - - - -52]。
简要概述了bioinspired智能算法,提出了在上面的部分中,见表1,这些算法的主要优点和应用程序。和相关的文献也上市。
4所示。应用程序的概述为移动机器人控制偏差
介绍了在节3,偏见已经广泛应用于很多领域。引入偏见显然,我们专注在移动机器人控制的应用领域在这一节中,这是最重要的应用领域之一的偏见。移动机器人控制的主要应用基于偏差总结这是基于作者最清楚。虽然不全面,这里引用的应用程序可以证明的一些关键特性的偏见。减少重复和引入更多的偏见,偏见这一节介绍不同的部分3。
移动机器人,作为一种重要的机器人研究分支,发展非常迅速,可用于完成各种任务,不适合人类,例如当危险和有毒的工作环境,任务是充满单调和枯燥的重复,和深海勘探任务或外太空61年- - - - - -63年]。必须解决的主要问题,在移动机器人控制包括路径规划、同步定位和映射,multirobots合作控制,将详细介绍如下。
4.1。路径规划
路径规划是移动机器人控制领域的基本问题,这是非常重要的实现移动机器人的智能和自主权。路径规划的目标是找到一个最优或次优路径从起始位置到目标位置64年,65年]。各种方法已经被用来处理路径规划问题,如势场方法和模糊控制方法。这些方法取得了一定的成功。然而,仍然有一些问题需要进一步研究,包括未知动态环境中的路径规划和局部最小值问题的优化算法。最近,一些偏见提出了解决移动机器人的路径规划问题。典型的偏见的详细信息在机器人路径规划中所描述的续集。
迪克和Amavasai66年)提出了一种基于行为的控制器受到脊髓的概念领域中发现青蛙和老鼠。的核心理念bioinspired行为控制器,机器人控制器由一个负责生成的脊髓字段集合行为取决于他们的激活水平。脊髓领域用的集合。传感器融合单位用的集合。传感器之间的映射、融合单元和脊髓字段如图4。在他们的研究中,选择了四个基本的行为,也就是说,四个行为映射到相应的机器人车轮速度。然后脊髓的功能领域实现的行为表示为。最后,四与Khepera机器人进行实验,结果表明,发达bioinspired行为控制器简单而强大。
杨和孟67年)使用bioinspired神经网络实现移动机器人的动态无碰撞轨迹生成一个不稳定的环境。这bioinspired神经网络基于一个分流模型,得到一个计算膜模型一片膜在生物神经系统(何杰金氏病和赫胥黎提出的1952年(23])。的核心理念bioinspired基于神经网络的机器人轨迹生成方法,神经网络拓扑组织,每个神经元的动力学特征是分流方程: 在哪里的神经活动(膜电位)th神经元;,,都是非负的常量,代表被动衰减率和神经活动的上下界,分别;和和是兴奋和抑制性神经元的输入。兴奋性输入结果目标和横向连接相邻的神经元,而抑制性输入障碍的结果。这样的微分方程神经元是由 在哪里的神经连接的数量吗th神经元内相邻神经元感受野;横向连接的重量吗th神经元的th神经元;函数被定义为和函数被定义为。外部的输入吗th神经元,它被定义为 在哪里是一个积极的常数和。拓扑的动态活动景观组织神经网络用于确定下一个机器人位置: 在哪里,是所有邻近的神经元的活动的神经元(目前机器人的位置);神经元的位置与最大活动这些神经元(机器人的下一个可能的位置)。的路径规划结果在u型环境中基于该bioinspired神经网络图所示5,生成的路径如图5(一个)神经活动,而三维景观图所示5 (b)。
(一)
(b)
4.2。同时定位和地图
解决同步定位和映射(大满贯)问题是移动机器人领域的一个关键问题的控制,被认为是一个“圣杯”的自主移动机器人(68年]。大满贯的核心任务是,机器人在未知环境中探索学习环境(map)通过利用传感器上,同时使用该环境中的地图定位。提出了很多方法来解决SLAM问题,最典型的和广泛使用的SLAM算法是目前EKF-based大满贯。然而,大满贯的问题没有有效的解决。例如,系统噪声和观测噪声模型的精度将决定的最终精度EKF-based SLAM算法。最近,越来越多的注意力已经集中在模拟生物系统被认为是负责动物地图和导航,介绍如下。
米尔福德和惠氏(69年]调查持续的自主机器人的导航和映射问题,和一个生物启发大满贯系统基于模型映射的啮齿动物海马(RatSLAM)。拟议中的RatSLAM由三部分组成:一组本地视图细胞,构成的网络细胞,一种体验地图(见[69年]详情)。构成细胞三维连续吸引子网络(可以)。对于每个构成细胞,当地的兴奋和抑制是通过一个三维的高斯分布的加权连接。分布是由 在哪里和变体常量的地方和方向,分别和,,代表单位之间的距离,,坐标,分别。客人提供便于单位的本地视图细胞是一个数组用来表示机器人是什么看。本地视图单元格之间的连接和构成细胞存储在一个矩阵计算了 在哪里是学习速率。体验地方的地图是一种半度量的拓扑地图包含表示(称为经验)和链接在经历描述这些地方之间的转换。RatSLAM执行大满贯不断而与全球和本地交互导航系统和任务选择模块选择的任务在探索中,交付,和充电模式。真正的机器人进行实验,工作场所的地板在两个不同的建筑在布里斯班的昆士兰大学,澳大利亚。结果表明RatSLAM可以作为一个可靠的资源映射为一个自治系统在多个环境中。
巴雷拉和Weitzenfeld24)提出了一种机器人体系结构与空间认知和导航功能,抓住了老鼠大脑的一些性质结构参与学习和记忆。他们提出的详细的生物框架模型在他们的论文中可以看出,其中包括四个主要模块:集成模块,地标处理模块,表示模块,和学习模块。这个模型的基本步骤总结如下:(1)包括动觉感官信息信息,视觉信息和相应信息输入后顶叶皮层(PPC)模块,这是建议作为神经网络的一部分中介路径整合;(2)海马从retrosplenial皮层接收动觉和视觉信息和内嗅皮层存在的PPC模块,分别;(3)内部状态与激励相结合,这是外侧下丘脑控制;(4)所有的过程结果(包括相应的知觉模式,具有里程碑意义的知觉模式,和学习结果)集成到地方表示模块由一个细胞层和一个图形层世界,获得决策依据行为选择模块,它将确定机器人的运动输出。从机器人的角度来看,这项工作可以放在映射之间的差距和地图开发目前存在的文学。
4.3。合作控制
Multirobot系统一直是许多研究的主题自1970年代以来的各种任务。协调multirobot系统最近吸引了越来越多的关注,因为移动机器人团队可以迅速和有效地完成一项任务6,70年]。很多工作已经完成合作multirobot系统,和在这一领域的主要问题包括狩猎、调度和觅食。在这篇文章中,与这些问题相关的一些文献解决偏见概况。
谭et al。71年)提出了一个multirobot合作控制算法B-T-cell环境探索基于免疫网络模型。在他们的算法,将检测到的环境视为抗原。机器人被认为是一个b细胞。机器人的行为策略视为b细胞产生的抗体。算法的控制参数相当于监管t细胞的影响。激励的抗体水平的动态方程和浓度如下: 在哪里的激励水平吗th抗体;的浓度吗th抗体;抗体的数量;代表之间的关联系数th和th抗体;代表拒绝之间的系数th和th抗体;代表之间的互动率th抗体和其他抗体;代表之间的互动率th抗体和抗原;代表了t细胞的浓度调节b细胞的抗体浓度;代表的自然死亡率th抗体;和代表之间的匹配率抗体和抗原。每个机器人检测到环境根据抗体和抗原之间的匹配率,直到完成环境中探索。
杨和壮族72年)提出了一种改进的蚁群优化算法求解移动代理(机器人)的路由问题。蚂蚁合作使用一种间接的交流方式由费洛蒙香水和找到最好的解决方案,他们的任务指导下(剥削)已获得信息和搜索(勘探)的新路线。当蚂蚁旅行期间,蚂蚁的概率选择下一个要访问主机 在哪里的概率是蚂蚁吗选择了th主机作为下一个目的地;是当前主机的蚂蚁是;是一个移动代理所需要的时间的th的th主机;之间的路径上的信息素轨迹吗th和th主机;的概率是移动代理完成的任务吗th主机,然后在这个主机是表示时间延迟;主机的设置,仍然被蚂蚁访问定位在th主机; 是一个参数来控制能见度(建设性的启发式)之间的权衡和追踪信息素浓度。然后更多的路径上的信息素轨迹,蚂蚁选择延迟时间越短,越高的概率蚂蚁会选择这条路。路径上的信息素轨迹可以随着时间的推移,蒸发和信息素轨迹的路线可以更新毕竟蚂蚁完成旅游,分别并返回到最初的主机。算法已成功集成到一个模拟仿人机器人系统,赢得了举办2008年世界竞争的第四位。
4.4。其他应用程序
很多研究已经完成的偏差在移动机器人控制除了以上介绍的,如机器视觉、机器人探索,嗅觉追踪。
Villacorta-Atienza et al。73年)提出了一种内部表示神经网络(IRNN),可以创建紧凑的内部表征(cir)的动态情况,描述了移动代理的行为在一个环境运动障碍。出现一个圆形IRNN可以看作是虚拟环境的探索的结果。的一般架构这IRNN如图6,它由两个耦合的子网:轨迹建模RNN (TM-RNN)和因果神经网络(CNN)。TM-RNN的输出时间是独立的,因此它将固定对象映射到CNN的动力学模型虚拟探索的过程 在哪里是神经元状态变量,代表虚拟代理在细胞的浓度;时间导数是关于精神(内在的)时间;表示离散拉普拉斯算子描述当地的(最近邻)interneuronal耦合,其强度控制(一个常数);和账户为目标;如果是被一个目标,;否则。在他们的工作的有效性IRNN证明一些测试在不同的模拟环境中,包括与单个移动环境障碍和现实环境。
Sturzl和穆勒74年]介绍了全景图像的insect-inspired方位估计方法。相对定位参考图像可以通过计算图像旋转估计最小化当前图像的区别;也就是说, 在哪里表示图像旋转的角度绕轴和权重计算使用,在那里应该给的信息质量的像素估计旋转。例如,它应该低像素是否属于一个图像显示关闭一部分对象。简约的方法,varivalues计算像素差异的图像记录在附近的位置相同的姿态。
马丁内斯et al。56]介绍了仿生机器人跟踪特定的气味在动荡的羽毛,构造了一个嗅觉机器人,由考拉的机器人和一个内置的电脑和两个电子鼻子(电子鼻)放在双方的机器人。提出了一种简单的生物启发策略,两个空间上分开的机器人导航传感器阵列。让和的气味浓度估计的时间传感器的左和右,分别。浓度的差异指出的是。当只有一边受到气味补丁是已知的,机器人的转动速度将 在哪里是一种自适应参数对机器人速度。拟议中的bioinspired方法适合建筑专用电路和机上实现真正的机器人。同样,bioinspired自主机器人设计研究有目的的运动,游泳七鳃鳗的启发。机器人七鳃鳗由模拟控制中枢模式发生器网络产生特有的运动运动(见[75年]详情)。
5。未来的发展方向
Bioinspired智能计算是一个相对新颖的跨学科的研究领域,还有很多理论问题需要解决。最重要和广泛研究理论问题收敛问题,有效性问题,评价标准问题。因为大多数的偏见是基于概率搜索,很难严格数学证明的收敛性和有效性的偏见。目前,许多理论研究结果是针对一个特定的算法开展研究工作。未来的工作之一是将一些相关的算法集成到公共理论框架的收敛性和有效性的证明。此外,偏见的评价应该在一个特定的方面进行一个特定的任务,如计算速度或解决方案的正确性,因为很难找到BIA,适合所有的问题。当我们设计一个算法,实际应遵循原则,和不必要的复杂的算法不应该被选中。其他研究分支理论研究的偏差包括初始参数的选择问题和收敛速度的问题。我们相信很多小说的偏见将不断发展深化的生物研究。
在未来,偏见会在越来越多的领域发挥着重要的作用。在移动机器人控制偏差的基础上,应用领域未来的发展方向主要包括bioinspired传感器、认知模型,bioinspired机器人。在机器人传感器、传统传感器的发展遇到了一个大问题;变得越来越难,提高传感器的精度,和传感器的生产成本越来越高。然而,正如我们所知,很多生物没有任何高精度传感器,当他们可以达到完美意义上的功能。所以bioinspired传感器机器人传感器的可能是一个好的解决方案。在认知模型,目前许多研究成果取得了工作机制的基础上,老鼠和人类的大脑。应该关注的另一个重要的问题是移动机器人的性能的偏见在真实的应用程序中。在不久的将来,机器人与高智商,自主学习,自我将成为移动机器人领域的主流。
6。结论
在这个调查,我们分析了偏见基于我们工作的主要特点和文献的概述,给出一个分类偏见的仿生机制。根据分类,我们调查了每个类别的实现过程偏差的一些具体算法谨慎挑选。此外,我们有调查偏差集中在移动机器人控制的应用领域。最后,我们为未来的研究提供了一些可能的方向。由于大量增长的文学在这一领域,许多有趣的结果没有被包括在试图捕获在这个领域的一些关键领域。
很明显,偏见是最热门的研究指出在计算智能领域,包括理论和应用研究。和偏见会在移动机器人控制起着重要的作用,这将是一个不错的解决方案来提高移动机器人的智能和自主权,可以解决传统技术的发展瓶颈,如精度和成本之间的平衡。目前,许多基本问题的移动机器人控制基于偏见一直探索和结果是令人兴奋的展示潜在的偏见。然而,大多数可用的结果只是进行了仿真;需要额外的努力去开发一些更有效的偏见和运输这些结果在移动机器人控制真实的应用程序中。
利益冲突
作者宣称,关于这项工作他们没有利益冲突。
确认
作者要感谢中国国家自然科学基金(61203365,61203365),江苏省自然科学基金(BK2012149),中央大学的基础研究基金(2015 b20114 2015 b14614)和江苏省研究生创新项目(KYLX15_0496)的支持。作者还要感谢作者的所有引用。