CN115782606A - 基于脉冲神经网络的小车轮速自调控方法及自调控*** - Google Patents
基于脉冲神经网络的小车轮速自调控方法及自调控*** Download PDFInfo
- Publication number
- CN115782606A CN115782606A CN202111062796.XA CN202111062796A CN115782606A CN 115782606 A CN115782606 A CN 115782606A CN 202111062796 A CN202111062796 A CN 202111062796A CN 115782606 A CN115782606 A CN 115782606A
- Authority
- CN
- China
- Prior art keywords
- neuron
- value
- pwm
- trolley
- pwm value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L15/00—Methods, circuits, or devices for controlling the traction-motor speed of electrically-propelled vehicles
- B60L15/20—Methods, circuits, or devices for controlling the traction-motor speed of electrically-propelled vehicles for control of the vehicle or its driving motor to achieve a desired performance, e.g. speed, torque, programmed variation of speed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B62—LAND VEHICLES FOR TRAVELLING OTHERWISE THAN ON RAILS
- B62D—MOTOR VEHICLES; TRAILERS
- B62D11/00—Steering non-deflectable wheels; Steering endless tracks or the like
- B62D11/02—Steering non-deflectable wheels; Steering endless tracks or the like by differentially driving ground-engaging elements on opposite vehicle sides
- B62D11/04—Steering non-deflectable wheels; Steering endless tracks or the like by differentially driving ground-engaging elements on opposite vehicle sides by means of separate power sources
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D3/00—Control of position or direction
- G05D3/12—Control of position or direction using feedback
- G05D3/20—Control of position or direction using feedback using a digital comparing device
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/72—Electric energy management in electromobility
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Mechanical Engineering (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Transportation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Power Engineering (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Automation & Control Theory (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供了一种基于脉冲神经网络的小车轮速自调控方法及自调控***,方法包括:获取小车左轮电机PWM值;通过控制状态处理器对PWM值进行数值调整;获取惯性测量单元记录的小车运动角度的偏移量;通过角度处理器对偏移量进行数值调整;通过所述脉冲神经网络的有监督学习算法,结合所述角度信号,对PWM控制信号进行调整并应用到小车上,调整小车轮速;循环上述步骤实现小车轮速的实时调整。本发明利用了脉冲神经网络低功耗、高动态性的特点,将脉冲神经网络和IMU相结合进行小车直走控制,使小车具备轮速自适应能力,解决了小车由于其自身电机特性不相同、外界环境干扰等因素造成的走不直问题。
Description
技术领域
本发明涉及智能小车控制领域,具体而言,涉及一种基于脉冲神经网络的小车轮速自调控方法及自调控***。
背景技术
在险恶的环境下工作,人类必需采取严密的保护措施,而机器人可以进入或穿过这些危险区域进行维护和探测工作,且不需要得到像对人一样的保护。智能小车尤其适用于在条件恶劣的环境中工作,并且小车具有控制方便、算法部署测试简单等特点,该技术可以广泛应用于无人驾驶机动车,无人生产线、仓库、服务机器人等领域。而在教育领域,也可以通过智能小车来进行智能算法的实际教学。
在目前的智能小车中,差分驱动仍是主流。所谓“差分驱动”,就是左、右轮分别用电机驱动,通过改变两个电机的转速实现小车前进和转向。但使用这种方法进行控制会导致小车无法稳定地“走直线”。原因在二:其一、由于制备工艺的限制,控制两个轮子的电机本身的驱动特性不可能完全相同,两个电机的外形大小不可能是完全一致的,组装时的精度也会出现差异;其二、小车在行驶过程中,轮胎在滚动时可能发生打滑或遇到细小的障碍物等情况,这都会造成左右轮的速度出现差异,从而走不直。
没有反馈机制的开环控制是无法消除上述左右轮的速度误差的,因为上述的扰动是随机的。要想小车走一条直线,唯有实现闭环控制,当小车受到扰动时能对左右轮及时给予反馈,修正两轮的速度偏差,从而可以走出一条直线。
目前在智能小车领域,PID算法和轮速检测装置结合是用来解决小车“走不直”的常用方法,但是其不适用于复杂环境并且自适应能力较弱,且轮速检测装置对于现成的小车电机方案不一定适配。
因此,需要一种能够适用于复杂环境且自适应能力强以使小车走直线的方案,能够解决上述问题。
发明内容
基于现有技术存在的问题,本发明提供了一种基于脉冲神经网络的小车轮速自调控方法及自调控***。具体方案如下:
一种基于脉冲神经网络的小车轮速自调控方法,包括如下步骤:
获取小车左轮电机的第一PWM值和小车右轮电机的第二PWM值;
通过预设控制状态处理器对所述第一PWM值和所述第二PWM值进行第一数值调整,得到能够适配预设脉冲神经网络的PWM控制信号;
获取预设惯性测量单元记录的小车运动角度的偏移量;
通过预设角度处理器对所述偏移量进行第二数值调整,得到能够适配所述脉冲神经网络的角度信号;
通过所述脉冲神经网络的有监督学习算法,结合所述角度信号,对所述PWM控制信号进行调整,得到左PWM值和右PWM值;
将所述左PWM值和所述右PWM值分别应用到小车的左轮电机和右轮电机上,调整小车轮速;
循环上述步骤实现小车轮速的实时调整。
在一个具体实施例中,“通过所述脉冲神经网络的有监督学习算法,结合所述角度信号,对所述轮速值进行调整”具体包括:
基于预设的神经元模型,以所述控制状态处理器输出的所述PWM控制信号为训练信号,结合所述神经元模型的非线性神经激活函数,得到抽象化的神经元活动;
基于所述神经元活动和所述PWM控制信号,得到神经元解码器;
以所述角度处理器输出的所述角度信号为学习信号,以所述脉冲神经网络的有监督学习算法作为学习算法,结合所述神经元解码器和所述神经元活动,得到神经元之间的连接权重;
综合所述神经元活动、所述神经元解码器和所述连接权重,得到修正后的所述左PWM值和所述右PWM值。
在一个具体实施例中,所述第一数值调整包括对所述第一PWM值和所述第二PWM值进行缩放,线性映射到[0,1]区间;
所述第二数值调整包括对所述偏移量进行缩放,线性映射到[-1,1]区间。
在一个具体实施例中,所述第一数值调整的表达式为:
其中,x′表示所述PWM调整信号,x表示所述第一PWM值或所述第二PWM值,min(x)表示所述第一PWM值的最小值或所述第二PWM值的最小值,max(x)表示所述第一PWM值的最大值或所述第二PWM值的最大值;
所述第二数值调整的表达式为:
其中,θ′表示所述角度信号,θ表示偏移量,max(θ)表示偏移量的最大值,min(θ)表示偏移量的最小值,mean(θ)表示偏移量的平均值。
在一个具体实施例中,所述神经元活动的抽象化表达式为:
a=G[αe·x]
其中,a表示所述神经元活动,α是与神经元相关的标度因子,e表示神经元的编码器,x表示要编码的信息,G[·]表示由预设神经元模型决定的非线性神经激活函数;
所述解码器的表达式包括:
d=r-1T
Tij=∫aiajdx
r=∫ajxdx
其中,d表示解码器,ai表示神经元i的活动,aj表示神经元j的活动,T和r为中间变量,x表示输入数据。
在一个具体实施例中,所述有监督学习算法为Prescribed Error Sensitivity有监督学习算法,得到的权重修正值Δωij可由以下公式求得:
其中,Δωij表示权重修正值,E表示希望最小化的错误向量,κ表示学习率,d表示解码器,n为解码器的维度,ω表示连接权重,α表示与神经元相关的标度因子,e表示神经元的编码器,i、j表示神经元,ai表示神经元i的活动。
在一个具体实施例中,综合所述神经元活动、所述神经元解码器和所述连接权重得到修正后的PWM值,具体表达式为:
其中,a表示神经元活动,ω表示神经元之间的连接权重,d表示神经元解码器,P表示修正后的PWM值。
一种基于脉冲神经网络的小车轮速自调控***,包括如下:
轮速获取单元:用于获取小车左轮电机的第一PWM值和小车右轮电机的第二PWM值;
轮速调整单元:内置有控制状态处理器,用于通过所述控制状态处理器对所述第一PWM值和所述第二PWM值进行第一数值调整,得到能够适配预设脉冲神经网络的PWM控制信号;
偏移获取单元:用于获取惯性测量单元记录的小车运动角度的偏移量;
偏移调整单元:内置有角度处理器,用于通过所述角度处理器对进行第二数值调整,得到能够适配所述脉冲神经网络的角度信号;
调整控制单元:内置有脉冲神经网络,用于通过所述脉冲神经网络的有监督学习算法,结合所述角度信号,对所述PWM控制信号进行调整,得到左PWM值和右PWM值;
移速应用单元:用于将所述左PWM值和所述右PWM值分别应用到小车的左轮电机和右轮电机上,调整小车轮速;
实时调整单元:用于依次循环所述轮速获取单元、所述轮速调整单元、所述偏移获取单元、所述偏移调整单元、所述调整控制单元和所述移速应用单元,实现小车轮速的实时调整。
在一个具体实施例中,所述调整控制单元具体包括:
神经元活动模块:用于基于预设的神经元模型,以所述控制状态处理器输出的所述PWM控制信号为训练信号,结合所述神经元模型的非线性神经激活函数,得到抽象化的神经元活动;
解码器模块:用于基于所述神经元活动和所述PWM控制信号,得到神经元解码器;
连接权重模块:用于以所述角度处理器输出的角度信号为学习信号,以所述脉冲神经网络的有监督学习算法作为学习算法,结合所述神经元解码器和所述神经元活动,得到神经元之间的连接权重;
输出模块:用于综合所述神经元活动、所述神经元解码器和所述连接权重,得到修正后的所述左PWM值和所述右PWM值。
在一个具体实施例中,所述轮速调整单元包括对所述第一PWM值和所述第二PWM值进行缩放,线性映射到[0,1]区间;
所述偏移调整单元包括对所述偏移量进行缩放,线性映射到[-1,1]区间。
本发明具有如下有益效果:
本发明提供了一种基于脉冲神经网络的小车轮速自调控方法及自调控***。小车轮速自调控方法利用了脉冲神经网络低功耗、高动态性的特点,将脉冲神经网络和IMU相结合进行小车直走控制,使小车具备轮速自适应能力,解决了小车由于其自身电机特性不相同、外界环境干扰等因素造成的“走不直”问题。相较于现有PID结合轮速检测装置的方案,本发明提供的方案即使在复杂环境下,也能通过实时调整轮速实现小车直走,具备高度的适应性和抗干扰能力,并且所能适配的智能小车的类型也更为广泛。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1是本发明实施例的小车轮速自调控方法流程示意图;
图2是本发明实施例的小车轮速自调控方法原理示意图;
图3是本发明实施例的小车轮速自调控方法原理公式示意图;
图4是本发明实施例的步骤105具体流程示意图;
图5是本发明实施例的实验结果图;
图6是本发明实施例的小车轮速自调控***结构框图;
图7是本发明实施例的调整控制单元结构示意图。
附图标记:1-循环轮速获取单元;2-轮速调整单元;3-偏移获取单元;4-偏移调整单元;5-调整控制单元;6-移速应用单元;7-实时调整单元;51-神经元活动模块;52-解码器模块;53-连接权重模块;54-输出模块。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
本实施例提出了一种基于脉冲神经网络的小车轮速自调控方法,通过脉冲神经网络和IMU相结合实现小车直走控制,解决了小车由于其自身电机特性不相同、外界环境干扰等因素造成的“走不直”问题。自调控方法的流程示意图如说明书附图1所示。具体方案如下:
一种基于脉冲神经网络的小车轮速自调控方法,包括如下步骤:
101、获取小车左轮电机的第一PWM值和小车右轮电机的第二PWM值;
102、通过预设控制状态处理器对第一PWM值和第二PWM值进行第一数值调整,得到能够适配预设脉冲神经网络的PWM控制信号;
103、获取预设惯性测量单元记录的小车运动角度的偏移量;
104、通过预设角度处理器对所述偏移量进行第二数值调整,得到能够适配脉冲神经网络的角度信号;
105、通过脉冲神经网络的有监督学习算法,结合角度信号,对PWM控制信号进行调整,得到左PWM值和右PWM值;
106、将左PWM值和右PWM值分别应用到小车的左轮电机和右轮电机上,调整小车轮速;
107、循环上述步骤101-106,实现小车轮速的实时调整。
在本实施例中,小车的轮速控制采用脉冲宽度调制(PWM)。脉冲宽度调制是利用微处理器的数字输出来对模拟电路进行控制的一种非常有效的技术,其通过对脉冲的宽度进行调制来等效的获得所需要的波形,以此实现小车轮速的控制。
说明书附图2为本实施例的原理示意图,说明书附图3为说明书附图2中各模块的公式表达示意图。通过闭环控制实现小车轮速的自适应。
具体地,101、获取小车左轮电机的第一PWM值和小车右轮电机的第二PWM值。在本实施例中,小车的左轮和右轮各由一个电机进行驱动,左轮电机驱动小车的左轮,右轮电机驱动小车的右轮。
小车的PWM值的大小是随着小车速度的大小所变化的。由于制备工艺的限制,控制两个轮子的电机本身的驱动特性不可能完全相同,两个电机的外形大小不可能是完全一致,组装时的精度也会出现差异;加之,小车在行驶过程中,轮胎在滚动时可能发生打滑或遇到细小的障碍物等情况,这都会造成左右轮的速度出现差异,从而走不直。本实施例通过实时采集并控制小车左轮电机和右轮电机的PWM值,以此实现小车稳定的直行。
具体地,102、通过预设的控制状态处理器对第一PWM值和第二PWM值进行第一数值调整,得到能够适配预设脉冲神经网络的PWM控制信号。由于小车的PWM值的大小是变化的,为了使PWM值能够适配脉冲神经网络的神经元模型,需要将其值进行缩放。
需要说明的是,第一数值调整采用的缩放方式包括但不限于任何一种已知的数值缩放方式。本实施例以重标度为例。
示例性的,通过控制状态处理器对第一PWM值和第二PWM值进行第一数值调整,将其线性映射到[0,1]的区间,以适配脉冲神经网络的神经元模型。第一数值调整的表达式为:
其中,x′表示调整后的输出信号,在本实施例中即为PWM调整信号。x表示调整前的输入信号,在本实施例中即为第一PWM值或第二PWM值。min(x)表示输入信号的最小值,在本实施例中即为第一PWM值的最小值或第二PWM值的最小值。max(x)表示输入信号的最大值,在本实施例中即为第一PWM值的最大值或第二PWM值的最大值。
具体地,103、获取预设惯性测量单元记录的小车运动角度的偏移量。在本实施例中,通过惯性测量单元测量小车运动时的偏移量。
惯性测量单元(Inertial measurement unit,简称IMU)是测量物体三轴姿态角(或角速率)以及加速度的装置。陀螺仪及加速度计是IMU的主要元件,其精度直接影响到惯性***的精度。在实际工作中,由于不可避免的各种干扰因素,而导致陀螺仪及加速度计产生误差,从初始对准开始,其导航误差就随时间而增长,尤其是位置误差,这是惯导***的主要缺点。所以需要利用外部信息进行辅助,实现组合导航,使其有效地减小误差随时间积累的问题。为了提高可靠性,还可以为每个轴配备更多的传感器。一般而言IMU要安装在被测物体的重心上。惯性测量单元相较于传统的轮速检测装置,对小车型号的适配范围更广,更容易加装到小车上。
具体地,104、通过预设的角度处理器对所述偏移量进行第二数值调整,得到能够适配脉冲神经网络的角度信号。偏移量的处理与PWM值的处理相似,都是为了适应脉冲神经网络的神经元模型。
需要说明的是,第二数值调整采用的缩放方式包括但不限于任何一种已知的数值缩放方式。本实施例以重标度为例。
示例性的,通过角度处理器器对偏移量进行第二数值调整,以适配脉冲神经网络的神经元模型。与第一数值调整不同的是,第二数值调整是将偏移量线性映射到[-1,1]的区间,得到角度信号,以角度信号的正负值来表示小车的偏移方向。第二数值调整的表达式为:
其中,θ′表示调整后的输出信号,在本实施例中为角度信号。θ表示调整前的输入信号,在本实施例中为偏移量。max(θ)表示输入信号的最大值,在本实施例即为偏移量的最大值,min(θ)表示输入信号的最小值,在本实施例即为偏移量的最小值,mean(θ)表示偏移量的平均值。
具体地,105、通过脉冲神经网络的有监督学习算法,结合角度信号,对PWM控制信号进行调整,得到左PWM值和右PWM值。该步骤由脉冲神经网络实现,脉冲神经网络以控制状态处理器输出的PWM控制信号为训练信号,以角度处理器输出的角度信号为学习信号,使用相应的脉冲神经网络有监督学习算法作为学习算法进行PWM控制信号的调整。
步骤105如说明书附图4所示,具体包括:
10501、基于预设的神经元模型,以控制状态处理器输出的PWM控制信号为训练信号,结合神经元模型的非线性神经激活函数,得到抽象化的神经元活动;
10502、基于神经元活动和PWM控制信号,得到神经元解码器;
10503、以角度处理器输出的角度信号为学习信号,以脉冲神经网络的有监督学习算法作为学习算法,结合神经元解码器和神经元活动,得到神经元之间的连接权重;
10504、综合神经元活动、神经元解码器和连接权重,得到修正后的左PWM值和右PWM值。
脉冲神经网络(SNN)被认为是第三代神经网络,是更具有生物意义、运行机制最类似大脑的神经网络模型。脉冲神经网络利用不同的神经元模型来进行信息的传递和计算,不同的神经元模型有不同的特性,可以通过更换神经元来寻找更合适的模型。
在步骤10501中,脉冲神经网络中的神经元活动的可抽象表达为:
a=G[αe·x]
其中,a表示神经元活动,α是与神经元相关的标度因子,e表示神经元的编码器,x表示待编码的信息,即为PWM控制信号。G[·]表示非线性神经激活函数,由具体的神经元模型决定;
在步骤10502中,解码器d可以按照以下公式计算得到:
d=r-1T
Tij=∫aiajdx
r=∫ajxdx
其中,d表示解码器,ai表示神经元i的活动,aj表示神经元j的活动,T和r为中间变量,x表示输入数据,即为PWM控制信号。
在步骤10503中,有监督的学习算法包括多种,可以根据实际需求更换。在本实施例中,有监督学习算法为Prescribed Error Sensitivity有监督学习算法。利用Prescribed Error Sensitivity有监督学习算法得到的权重修正值Δωij可由以下公式求得:
其中,Δωij表示权重修正值,E表示希望最小化的错误向量,在本实施例中即为角度偏移量。κ表示学习率,d表示解码器,n为解码器的维度,ω表示连接权重,α表示与神经元相关的标度因子,e表示神经元的编码器,i、j表示神经元,ai表示神经元i的活动。
综合神经元活动、神经元解码器和连接权重得到修正后的PWM值,具体表达式为:
其中,a表示神经元活动,ω表示神经元之间的连接权重,d表示神经元解码器,P表示修正后的PWM值。
将PWM控制信号输入到脉冲神经网络即可得到修正后的PWM值,即左PWM值和右PWM值。脉冲神经网络具有低功耗、动态性好的特点,通过脉冲神经网络结合惯性测量单元(IMU)可以为小车“走不直”的问题提供高度自适应、相对低功耗的解决方案。
具体地,106、将左PWM值和右PWM值分别应用到小车的左轮电机和右轮电机上,调整小车轮速。经过步骤105即可得到左轮和右轮的修正值,将左PWM值和右PWM值应用到小车中,即可调整小车左轮和右轮的移速。
具体地,107、循环上述步骤101-106,实现小车轮速的实时调整。每调整完一次小车的轮速即可采集当前的轮速和偏移量,实现小车轮速的自适应。尤其在复杂环境下,小车时刻受到环境因素的干扰,通过实时调整轮速能够让小车具备更高的适应性。
说明书附图5为本实施例的实验结果图,使用脉冲神经网络和IMU结合后进行小车直走控制的结果。其中,x轴为时间,y轴为角度偏移。通过实验结果可明显看出,经过6s的自适应调整后,小车能够呈直线行走,基本不存在角度偏移。
本实施例提出了一种基于脉冲神经网络的小车轮速自调控方法,利用了脉冲神经网络低功耗、高动态性的特点,将脉冲神经网络和IMU相结合进行小车直走控制,使小车具备轮速自适应能力,解决了小车由于其自身电机特性不相同、外界环境干扰等因素造成的“走不直”问题。相较于现有PID结合轮速检测装置的方案,本实施例提供的方案即使在复杂环境下,也能通过实时调整轮速实现小车直走,具备高度的适应性和抗干扰能力,并且所能适配的智能小车的类型也更为广泛。
实施例2
本实施例提出了一种基于脉冲神经网络的小车轮速自调控***,采用实施例1提出的一种基于脉冲神经网络的小车轮速自调控方法,小车轮速自调控***的模块示意图如说明书附图6所示。具体方案如下:
一种基于脉冲神经网络的小车轮速自调控***,包括循环轮速获取单元1、轮速调整单元2、偏移获取单元3、偏移调整单元4、调整控制单元5、移速应用单元6和实时调整单元7如下:
轮速获取单元1:用于获取小车左轮电机的第一PWM值和小车右轮电机的第二PWM值;
轮速调整单元2:内置有控制状态处理器,用于通过控制状态处理器对第一PWM值和第二PWM值进行第一数值调整,得到能够适配预设脉冲神经网络的PWM控制信号。轮速调整单元2包括对第一PWM值和第二PWM值进行缩放,线性映射到[0,1]区间。
偏移获取单元3:用于获取惯性测量单元记录的小车运动角度的偏移量;
偏移调整单元4:内置有角度处理器,用于通过角度处理器对所述偏移量进行第二数值调整,得到能够适配脉冲神经网络的角度信号。偏移调整单元4包括对偏移量进行缩放,线性映射到[-1,1]区间。
调整控制单元5:内置有脉冲神经网络,用于通过脉冲神经网络的有监督学习算法,结合角度信号,对PWM控制信号进行调整,得到左PWM值和右PWM值;
移速应用单元6:用于将左PWM值和右PWM值分别应用到小车的左轮电机和右轮电机上,调整小车轮速;
实时调整单元7:用于依次循环轮速获取单元1、轮速调整单元2、偏移获取单元3、偏移调整单元4、调整控制单元5和移速应用单元6,实现小车轮速的实时调整。
调整控制单元5包括神经元活动模块51、解码器模块52、连接权重模块53和输出模块54,具体如说明书附图7所示。
神经元活动模块51:用于基于预设的神经元模型,以控制状态处理器输出的PWM控制信号为训练信号,结合神经元模型的非线性神经激活函数,得到抽象化的神经元活动。
脉冲神经网络中的神经元活动的可抽象表达为:
a=G[αe·x]
其中,a表示神经元活动,α是与神经元相关的标度因子,e表示神经元的编码器,x表示要编码的信息,即为PWM控制信号。G[·]表示非线性神经激活函数,由具体的神经元模型决定。
解码器模块52:用于基于神经元活动和PWM控制信号,得到神经元解码器。
解码器d可以按照以下公式计算得到:
d=r-1T
Tij=∫aiajdx
r=∫ajxdx
其中,d表示解码器,ai表示神经元i的活动,aj表示神经元j的活动,T和r为中间变量,x表示输入数据,即为PWM控制信号。
连接权重模块53:用于以角度处理器输出的角度信号为学习信号,以脉冲神经网络的有监督学习算法作为学习算法,结合神经元解码器和神经元活动,得到神经元之间的连接权重。
在本实施例中,有监督学习算法为Prescribed Error Sensitivity有监督学习算法。利用Prescribed Error Sensitivity有监督学习算法得到的权重修正值Δωij可由以下公式求得:
其中,Δωij表示权重修正值,E表示希望最小化的错误向量,在本实施例中即为角度偏移量。κ表示学习率,d表示解码器,n为解码器的维度,ω表示连接权重,α表示与神经元相关的标度因子,e表示神经元的编码器,i、j表示神经元,ai表示神经元i的活动。
输出模块54:用于综合神经元活动、神经元解码器和连接权重,得到修正后的左PWM值和右PWM值。
综合神经元活动、神经元解码器和连接权重得到修正后的PWM值,具体表达式为:
其中,a表示神经元活动,ω表示神经元之间的连接权重,d表示神经元解码器,P表示修正后的PWM值。
将PWM控制信号输入到脉冲神经网络即可得到修正后的PWM值,即左PWM值和右PWM值。脉冲神经网络具有低功耗、动态性好的特点,通过脉冲神经网络结合惯性测量单元(IMU)可以为小车“走不直”的问题提供高度自适应、相对低功耗的解决方案。
本实施例提出了一种基于脉冲神经网络的小车轮速自调控***,将实施例1的基于脉冲神经网络的小车轮速自调控方法***化,使其更具实用性。
本发明提供了一种基于脉冲神经网络的小车轮速自调控方法及自调控***。小车轮速自调控方法利用了脉冲神经网络低功耗、高动态性的特点,将脉冲神经网络和IMU相结合进行小车直走控制,使小车具备轮速自适应能力,解决了小车由于其自身电机特性不相同、外界环境干扰等因素造成的“走不直”问题。相较于现有PID结合轮速检测装置的方案,本发明提供的方案即使在复杂环境下,也能通过实时调整轮速实现小车直走,具备高度的适应性和抗干扰能力,并且所能适配的智能小车的类型也更为广泛。
本领域普通技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个计算装置上,或者分布在多个计算装置所组成的网络上,可选地,他们可以用计算机装置可执行的程序代码来实现,从而可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件的结合。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
以上公开的仅为本发明的几个具体实施场景,但是,本发明并非局限于此,任何本领域的技术人员能思之的变化都应落入本发明的保护范围。
Claims (10)
1.一种基于脉冲神经网络的小车轮速自调控方法,其特征在于,包括如下步骤:
获取小车左轮电机的第一PWM值和右轮电机的第二PWM值;
通过预设控制状态处理器对所述第一PWM值和所述第二PWM值进行第一数值调整,得到能够适配预设脉冲神经网络的PWM控制信号;
获取预设惯性测量单元记录的小车运动角度的偏移量;
通过预设角度处理器对所述偏移量进行第二数值调整,得到能够适配所述脉冲神经网络的角度信号;
通过所述脉冲神经网络的有监督学习算法,结合所述角度信号,对所述PWM控制信号进行调整,得到左PWM值和右PWM值;
将所述左PWM值和所述右PWM值分别应用到小车的左轮电机和右轮电机上,调整小车轮速;
循环上述步骤实现小车轮速的实时调整。
2.根据权利要求1所述的小车轮速自调控方法,其特征在于,“通过所述脉冲神经网络的有监督学习算法,结合所述角度信号,对所述轮速值进行调整”具体包括:
基于预设的神经元模型,以所述控制状态处理器输出的所述PWM控制信号为训练信号,结合所述神经元模型的非线性神经激活函数,得到抽象化的神经元活动;
基于所述神经元活动和所述PWM控制信号,得到神经元解码器;
以所述角度处理器输出的角度信号为学习信号,以所述脉冲神经网络的有监督学习算法作为学习算法,结合所述神经元解码器和所述神经元活动,得到神经元之间的连接权重;
综合所述神经元活动、所述神经元解码器和所述连接权重,得到修正后的所述左PWM值和所述右PWM值。
3.根据权利要求1或2所述的小车轮速自调控方法,其特征在于,所述第一数值调整包括对所述第一PWM值和所述第二PWM值进行缩放,线性映射到[0,1]区间;
所述第二数值调整包括对所述偏移量进行缩放,线性映射到[-1,1]区间。
5.根据权利要求2所述的小车轮速自调控方法,其特征在于,所述神经元活动的抽象化表达式为:
a=G[αe·x]
其中,a表示所述神经元活动,α表示与神经元相关的标度因子,e表示神经元的编码器,x表示待编码的信息,G[·]表示由预设神经元模型决定的非线性神经激活函数;
所述解码器的表达式包括:
d=r-1T
Tij=∫aiajdx
r=∫ajxdx
其中,d表示解码器,ai表示神经元i的活动,aj表示神经元j的活动,T和r为中间变量,x表示输入数据。
8.一种基于脉冲神经网络的小车轮速自调控***,其特征在于,包括如下:
轮速获取单元:用于获取小车左轮电机的第一PWM值和小车右轮电机的第二PWM值;
轮速调整单元:内置有控制状态处理器,用于通过所述控制状态处理器对所述第一PWM值和所述第二PWM值进行第一数值调整,得到能够适配预设脉冲神经网络的PWM控制信号;
偏移获取单元:用于获取预设惯性测量单元记录的小车运动角度的偏移量;
偏移调整单元:内置有角度处理器,用于通过所述角度处理器对进行第二数值调整,得到能够适配所述脉冲神经网络的角度信号;
调整控制单元:内置有脉冲神经网络,用于通过所述脉冲神经网络的有监督学习算法,结合所述角度信号,对所述PWM控制信号进行调整,得到左PWM值和右PWM值;
移速应用单元:用于将所述左PWM值和所述右PWM值分别应用到小车的左轮电机和右轮电机上,调整小车轮速;
实时调整单元:用于依次循环所述轮速获取单元、所述轮速调整单元、所述偏移获取单元、所述偏移调整单元、所述调整控制单元和所述移速应用单元,实现小车轮速的实时调整。
9.根据权利要求8所述的小车轮速自调控***,其特征在于,所述调整控制单元具体包括:
神经元活动模块:用于基于预设的神经元模型,以所述控制状态处理器输出的所述PWM控制信号为训练信号,结合所述神经元模型的非线性神经激活函数,得到抽象化的神经元活动;
解码器模块:用于基于所述神经元活动和所述PWM控制信号,得到神经元解码器;
连接权重模块:用于以所述角度处理器输出的角度信号为学习信号,以所述脉冲神经网络的有监督学习算法作为学习算法,结合所述神经元解码器和所述神经元活动,得到神经元之间的连接权重;
输出模块:用于综合所述神经元活动、所述神经元解码器和所述连接权重,得到修正后的所述左PWM值和所述右PWM值。
10.根据权利要求8或9所述的小车轮速自调控***,其特征在于,所述轮速调整单元包括对所述第一PWM值和所述第二PWM值进行缩放,线性映射到[0,1]区间;
所述偏移调整单元包括对所述偏移量进行缩放,线性映射到[-1,1]区间。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111062796.XA CN115782606A (zh) | 2021-09-10 | 2021-09-10 | 基于脉冲神经网络的小车轮速自调控方法及自调控*** |
PCT/CN2021/137998 WO2023035462A1 (zh) | 2021-09-10 | 2021-12-14 | 基于脉冲神经网络的小车轮速自调控方法及自调控*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111062796.XA CN115782606A (zh) | 2021-09-10 | 2021-09-10 | 基于脉冲神经网络的小车轮速自调控方法及自调控*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115782606A true CN115782606A (zh) | 2023-03-14 |
Family
ID=85416788
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111062796.XA Pending CN115782606A (zh) | 2021-09-10 | 2021-09-10 | 基于脉冲神经网络的小车轮速自调控方法及自调控*** |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115782606A (zh) |
WO (1) | WO2023035462A1 (zh) |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104950887B (zh) * | 2015-06-19 | 2017-07-21 | 重庆大学 | 基于机器人视觉***和自主跟踪***的运输装置 |
JP6479627B2 (ja) * | 2015-10-29 | 2019-03-06 | 株式会社クボタ | 電動作業車 |
CN105305895B (zh) * | 2015-11-17 | 2017-09-05 | 吉林大学 | 一种基于转矩反馈和换向补偿的无刷电机控制方法 |
CN108427415A (zh) * | 2018-04-02 | 2018-08-21 | 济南大学 | 一种现代物流中自动导引避障机器人小车及其控制方法 |
CN108594829A (zh) * | 2018-06-08 | 2018-09-28 | 武汉蛋玩科技有限公司 | 一种智能巡线机器人以及控制方法 |
CN109240292A (zh) * | 2018-09-10 | 2019-01-18 | 广州大学 | 一种基于bp神经网络的自平衡小车及其姿态控制方法 |
CN109085855A (zh) * | 2018-09-18 | 2018-12-25 | 北京图森未来科技有限公司 | 一种传感器位置调整装置、***、调整方法及车辆 |
CN110109456A (zh) * | 2019-04-25 | 2019-08-09 | 杭州师范大学钱江学院 | 一种小车自动驾驶方法 |
US20210206430A1 (en) * | 2020-01-05 | 2021-07-08 | Eva, Llc | Automated Steering Control Mechanism and System for Wheeled Vehicles |
CN111716359B (zh) * | 2020-06-30 | 2021-09-28 | 福州大学 | 复合导航式差速仓储机器人及其工作方法 |
CN112141210B (zh) * | 2020-08-21 | 2022-08-02 | 天津市天波科达科技有限公司 | 一种基于电子差速底盘的航向控制方法及装置 |
-
2021
- 2021-09-10 CN CN202111062796.XA patent/CN115782606A/zh active Pending
- 2021-12-14 WO PCT/CN2021/137998 patent/WO2023035462A1/zh unknown
Also Published As
Publication number | Publication date |
---|---|
WO2023035462A1 (zh) | 2023-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10747330B2 (en) | Device and method for determination of angular position in three-dimensional space, and corresponding electronic apparatus | |
Yue et al. | Neural network based terminal sliding mode control for WMRs affected by an augmented ground friction with slippage effect | |
CN110989597B (zh) | 一种集成模糊神经网络的自适应路径跟踪方法 | |
CN104942809A (zh) | 基于视觉伺服***的机械臂动态模糊逼近器 | |
CN111897347A (zh) | 一种基于神经网络pid控制的双电机推进无人艇的航向保持器及保持方法 | |
CN110109363B (zh) | 一种轮式移动机器人编队的神经网络自适应控制方法 | |
Prkačin et al. | State and parameter estimation of suspended load using quadrotor onboard sensors | |
Zhang et al. | EKF-based LQR tracking control of a quadrotor helicopter subject to uncertainties | |
US20230409035A1 (en) | Method for building controller for robot, method, device for controlling motion of robot, and robot | |
CN111258326B (zh) | 基于反作用轮的仿生机器鱼横滚稳定控制方法及*** | |
CN115782606A (zh) | 基于脉冲神经网络的小车轮速自调控方法及自调控*** | |
CN110109353B (zh) | 一种反作用轮平衡自行车机器人模糊自适应滑模控制*** | |
Reis et al. | Super-twisting control with quaternion feedback for a 3-DoF inertial stabilization platform | |
Gavani et al. | Path planning of three wheeled omni-directional robot using bezier curve tracing technique and pid control algorithm | |
CN114734437A (zh) | 机器人关节控制方法及装置 | |
Chaudhari et al. | Path planning and controlling of omni-directional robot using Cartesian odometry and PID algorithm | |
CN113848954A (zh) | 一种改进型多神经元神经网络pid算法的无人车伺服控制*** | |
Fényes et al. | Observer design with performance guarantees for vehicle control purposes via the integration of learning-based and LPV approaches | |
Muñoz-Hernandez et al. | ADRC attitude controller based on ROS for a Two-Wheeled Self-Balancing mobile robot | |
CN116811592A (zh) | 一种基于脉冲神经网络的小车方向调控方法及其应用 | |
Sanca et al. | Stability analysis of a multirotor UAV with robust backstepping controller | |
CN112051736A (zh) | 一种基于单控制器的轨迹跟踪控制*** | |
Ivoilov et al. | The power consumption decreasing of the two-wheeled balancing robot | |
CN115840367B (zh) | 受扰四旋翼无人机姿态与高度***的非线性鲁棒控制方法 | |
Yu et al. | Experiment and controller design for two-wheeled robot with nonlinear damping and road disturbance |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |