BP神經(jīng)網(wǎng)絡算法在“搖頭”避障小車中的應用

任帥男，王慶輝

(沈陽化工大學 信息工程學院，遼寧 沈陽 110142)

在智能小車領域，避障技術是智能小車最基本也是比較關鍵的一項技術，涉及嵌入式、傳感器、信息融合、自動控制以及人工智能等多種技術[1].近年來，隨著人工智能技術的不斷發(fā)展，智能控制系統(tǒng)得到了廣泛的應用.神經(jīng)網(wǎng)絡算法是人工智能領域舉足輕重的成員，其發(fā)展融合了多個學科，如心理學、計算機科學、生理學等[2]，該算法可以處理難以用模型或規(guī)則描述的過程或系統(tǒng)，無需知道控制對象的結構及參數(shù)，具有較強的信息融合能力，并且在實際應用中便于硬件實現(xiàn)，很適合應用在智能小車的避障領域.現(xiàn)階段一些智能小車雖實現(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，還有部分研究使用固定安裝位置的傳感器利用傳統(tǒng)算法進行避障處理，魯棒性較差.本研究使用神經(jīng)網(wǎng)絡算法進行深度實踐，將超聲波測距傳感器動態(tài)采集到的數(shù)據(jù)進行融合，不僅達到了精準避障的目的，又具有結構靈活、成本低、魯棒性強、擴展性好等優(yōu)點.

1 硬件結構及采樣方法

1.1 硬件結構

小車的硬件結構實物如圖1所示.

圖1 “搖頭”避障小車硬件平臺

小車主體為兩輪平衡車，兩輪平衡車相對于傳統(tǒng)四輪車轉向靈活，并可實現(xiàn)原地轉向動作，不需要轉向空間，在復雜環(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，并且能夠在無光環(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，有測量死角，可拓展性差[3].該模塊搭載在舵機上與之協(xié)同工作，能夠采集各個方向角的距離信息，具有成本低、位置準確、控制靈活等優(yōu)點.

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，但是會使小車運行速率降低，占用系統(tǒng)資源，增加運算負擔，采樣頻率太低則會使避障效果變差，甚至導致算法失效，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，為了便于仿真驗證，小車看做勻速運行，每運行1 000 mm采樣一次，采樣過程中，舵機從左側平行小車方向為第1個采樣點，帶超聲波測距傳感器旋轉每30°讀取一次距離數(shù)據(jù)，直到旋轉到右側平行小車方向為最后一個采樣點為止，一共7個距離信息.在這里，假定超聲波傳感器距離采樣最大值為5 000 mm.采樣結束后，通過神經(jīng)網(wǎng)絡算法輸出相對偏轉角來矯正小車運行方向.

圖2 避障小車采樣方法

2 BP神經(jīng)網(wǎng)絡

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

圖3 BP神經(jīng)網(wǎng)絡結構

2.1 系統(tǒng)輸入輸出的確立

以小車“搖頭”時采集到的7組距離數(shù)據(jù)為神經(jīng)網(wǎng)絡的輸入，如圖2所示，從0°到180°記做x1、x2、x3、x4、x5、x6、x7.以相對偏轉角即小車下一時刻運動方向與小車現(xiàn)時刻左側平行方向的角度記做α作為神經(jīng)網(wǎng)絡的輸出.最終確立系統(tǒng)神經(jīng)網(wǎng)絡為7輸入1輸出.

2.2 系統(tǒng)神經(jīng)網(wǎng)絡隱層節(jié)點數(shù)的確立

神經(jīng)網(wǎng)絡隱層節(jié)點數(shù)對于神經(jīng)網(wǎng)絡至關重要.節(jié)點數(shù)不能太大，也不能太少，太大將增加計算的復雜度，太少則難以訓練神經(jīng)網(wǎng)絡[5].節(jié)點數(shù)的確定一般先通過經(jīng)驗公式生成，然后觀察訓練結果再進行調整.常用的經(jīng)驗公式為[6]

nimplicit=2ninput+1.

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

3 數(shù)據(jù)處理及算法訓練

3.1 仿真訓練環(huán)境

BP神經(jīng)網(wǎng)絡是通過學習樣本的輸入對各個鏈接神經(jīng)元的權值進行修正，通過不斷的誤差逆?zhèn)鞑バ拚咕W(wǎng)絡對輸入模式響應的正確率不斷上升，所以提供一組正確合理的訓練樣本尤為重要.如圖4所示，模擬了一個訓練環(huán)境，小車運動軌跡是根據(jù)經(jīng)驗人為繪制，通過該運行軌跡小車能夠由起點無碰撞的到達終點.

以該經(jīng)驗運行軌跡通過2.2節(jié)所介紹的采樣方式統(tǒng)計出來的數(shù)據(jù)為訓練樣本，如表1所示.

圖4 避障小車訓練環(huán)境及經(jīng)驗軌跡

表1 避障小車訓練樣本

3.2 數(shù)據(jù)歸一化

為避免不同數(shù)量級的數(shù)據(jù)互相影響，神經(jīng)網(wǎng)絡訓練樣本數(shù)據(jù)需要進行歸一化處理，本系統(tǒng)采用Matlab中的mapminmax函數(shù)對數(shù)據(jù)進行歸一化處理，數(shù)據(jù)存儲在矩陣input和output中.

3.3 構建BP神經(jīng)網(wǎng)絡

Matlab中有神經(jīng)網(wǎng)絡工具箱可供使用，工作區(qū)輸入nntool調出神經(jīng)網(wǎng)絡工具箱，將訓練樣本導入工具箱，新建神經(jīng)網(wǎng)絡，選擇BP神經(jīng)網(wǎng)絡，Trainbfg函數(shù)作為訓練函數(shù)，Learngdm作為學習函數(shù)，性能函數(shù)為MSE，層數(shù)為3層，分別構建隱層為5個節(jié)點、18個節(jié)點以及30個節(jié)點的神經(jīng)網(wǎng)絡，之后分別導入訓練樣本進行訓練，訓練結果如圖5、圖6和圖7所示.通過這3種典型的節(jié)點數(shù)訓練結果對比，5個隱層節(jié)點的神經(jīng)網(wǎng)絡經(jīng)過32個訓練周期才完成訓練，訓練周期較長，最佳驗證性能在第26周期，均方誤差為0.051 009°；30個隱層節(jié)點的神經(jīng)網(wǎng)絡經(jīng)過15個訓練周期完成訓練，最佳驗證性能在第9訓練周期，均方誤差較大，達到了0.252 38°；18個隱層節(jié)點的神經(jīng)網(wǎng)絡僅用7個周期就完成了神經(jīng)網(wǎng)絡的訓練，并且最佳驗證性能在第1個訓練周期，均方誤差較小，為0.017 327°，效果最佳.選擇合適的隱層節(jié)點對系統(tǒng)的訓練結果有很大影響，不能太多，也不能太少，此系統(tǒng)中選擇18個隱層節(jié)點的訓練結果作為小車的神經(jīng)網(wǎng)絡算法.

圖5 5個隱層節(jié)點訓練結果

圖6 18個隱層節(jié)點訓練結果

圖7 30個隱層節(jié)點訓練結果

4 系統(tǒng)仿真驗證

為驗證算法的可行性，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，在小車運行途中還隨機加入了不同形狀的障礙物來模擬非結構化環(huán)境，將小車所處環(huán)境下傳感器采集到的距離數(shù)據(jù)輸入到訓練好的神經(jīng)網(wǎng)絡中進行分析，得到小車的模擬運行軌跡.由圖8可以看出：小車可以從起點無碰撞的安全到達終點，并且選擇的路線較為合理，對障礙物的識別能力較高.

圖8 避障小車在陌生環(huán)境下的運行軌跡

5 結 論

本文以兩輪平衡小車為主體，通過單超聲波傳感器配合舵機協(xié)同工作，使數(shù)據(jù)采集更加靈活多變.訓練樣本簡單易得.利用BP神經(jīng)網(wǎng)絡算法進行數(shù)據(jù)融合，仿真驗證了算法的可行性.此外，本文只列舉了一種采樣方法，在實際應用中可改變采樣方式比如增加采樣頻率，增加采樣角度個數(shù)都可以適應更復雜的非結構化環(huán)境，同時只需要改變神經(jīng)網(wǎng)絡的輸入量和隱層節(jié)點數(shù)便可以完成對小車的算法升級.