JPH06149357A - Learning method and guidance method for path - Google Patents
Learning method and guidance method for pathInfo
- Publication number
- JPH06149357A JPH06149357A JP4316637A JP31663792A JPH06149357A JP H06149357 A JPH06149357 A JP H06149357A JP 4316637 A JP4316637 A JP 4316637A JP 31663792 A JP31663792 A JP 31663792A JP H06149357 A JPH06149357 A JP H06149357A
- Authority
- JP
- Japan
- Prior art keywords
- path
- destination
- vector
- mobile robot
- learning
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 210000002569 neuron Anatomy 0.000 claims description 72
- 238000013528 artificial neural network Methods 0.000 claims description 29
- 238000010304 firing Methods 0.000 claims description 16
- 230000000644 propagated effect Effects 0.000 claims description 3
- 239000013598 vector Substances 0.000 abstract description 54
- 238000010586 diagram Methods 0.000 description 25
- 230000000739 chaotic effect Effects 0.000 description 13
- 238000002945 steepest descent method Methods 0.000 description 12
- 238000013139 quantization Methods 0.000 description 8
- 238000002474 experimental method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000005484 gravity Effects 0.000 description 3
- 240000008042 Zea mays Species 0.000 description 1
- 235000016383 Zea mays subsp huehuetenangensis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 235000009973 maize Nutrition 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007595 memory recall Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000032258 transport Effects 0.000 description 1
Landscapes
- Feedback Control In General (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
Description
【０００１】[0001]
【産業上の利用分野】本発明は、例えば工場などで移動
ロボットに、物品を運搬する径路を学習させ、径路をガ
イダンスする場合に用いて好適な径路の学習方法および
ガイダンス方法に関する。BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to a route learning method and a guidance method suitable for use in a case where a mobile robot learns a route for carrying an article and guides the route in a factory or the like.
【０００２】[0002]
【従来の技術】従来、例えば工場などで移動ロボットに
より物品を運搬する場合においては、移動ロボットが、
地面あるいは建物内の床などに埋め込まれたガイド線を
トレースすることにより所定の目的地にガイダンスされ
るようになっている。2. Description of the Related Art Conventionally, when a mobile robot transports an article in a factory, the mobile robot is
By tracing a guide line embedded on the ground or a floor in a building, guidance is given to a predetermined destination.
【０００３】さらに、このような方法による場合、例え
ば特開平３−７３００４号公報に開示されているよう
に、移動ロボットを臨時にガイド線から離し、再びガイ
ド線に沿って走行させるようにすることにより、途中に
意図しない障害物などがあっても、障害物を回避し、目
的地に到達することができるようにすることができる。Further, in the case of such a method, as disclosed in, for example, Japanese Patent Laid-Open No. 3-73004, the mobile robot is temporarily separated from the guide line and is allowed to travel again along the guide line. Thus, even if there is an unintended obstacle on the way, it is possible to avoid the obstacle and reach the destination.
【０００４】しかしながら、以上のような方法において
は、基本的にガイド線に沿って移動ロボットが進むよう
になっており、ガイド線を設けなければならず、また工
場内のレイアウトを変更した場合においては、ガイド線
も変更しなければならず、ガイド線の設置または変更は
容易ではなかった。However, in the above method, the mobile robot basically moves along the guide line, and it is necessary to provide the guide line, and when the layout in the factory is changed. Had to change the guide wire, and it was not easy to install or change the guide wire.
【０００５】そこで、移動ロボットに目的地から発せら
れている、例えば電波を受信させ、その電波の発する方
向に移動させる方法が提案されている。Therefore, a method has been proposed in which a mobile robot receives, for example, a radio wave emitted from a destination and moves the robot in the direction in which the radio wave is emitted.
【０００６】[0006]
【発明が解決しようとする課題】しかしながら、この場
合、いわゆるローカルミニマムの課題を解決することが
困難であった。即ち、障害物を回避しつつ所定の位置ま
で移動してきた場合において、たまたまそこが他の位置
より目的地に近い位置であるが、それ以上目的地に近づ
くことができないような位置であると、一旦元の位置に
戻らなければならないが、元の位置に戻ると目的地から
遠くなってしまうために、結果的にその極小位置から離
脱することができなくなるときがあった。However, in this case, it was difficult to solve the problem of so-called local minimum. That is, when moving to a predetermined position while avoiding obstacles, it happens that the position is closer to the destination than other positions, but it is a position where the destination cannot be approached any further, I had to go back to the original position once, but once I got back to the original position, I was too far from my destination, and as a result, I was sometimes unable to leave the minimum position.
【０００７】また、極小位置に停留することなく目的地
まで到達することができたとしても、障害物を回避する
ときに経済的な径路を走行するとは限らず、むしろ不経
済な径路を走行し、目的地に到達するまで時間がかかる
課題があった。Even if the vehicle can reach the destination without stopping at the minimum position, it does not always travel on an economical path when avoiding an obstacle, but rather travels on an uneconomical path. , There was a problem that it took time to reach the destination.
【０００８】そこで、移動ロボットに経済的な径路を学
習させる方法がある。しかしながら、従来の径路の学習
は、例えば ○いわゆるメイズなどのように、移動ロボットの移動
（走行）する径路が縦横にくっきりと直行している ○移動ロボットの移動（走行）する径路の途中に、複雑
な形状の障害物が存在しない などのような、単純なジオメトリを有する環境において
のみ可能であり、複雑なジオメトリの環境において行う
ことは困難であった。Therefore, there is a method of making a mobile robot learn an economical route. However, in the conventional learning of a path, for example, a path for moving (running) a mobile robot goes straight vertically and horizontally like a so-called maize. This is possible only in an environment having a simple geometry, such as the absence of obstacles having a complicated shape, and it is difficult to do it in an environment having a complicated geometry.
【０００９】本発明は、このような状況に鑑みてなされ
たものであり、ローカルミニマムの課題を解決するとと
もに、いかなるジオメトリの環境においても径路を学習
し、経済的な径路を得ることができるようにするもので
ある。The present invention has been made in view of the above circumstances, and solves the problem of the local minimum, and learns a route in any geometry environment so that an economical route can be obtained. It is something to do.
【００１０】[0010]
【課題を解決するための手段】請求項１に記載の径路の
学習方法は、物体が目的地に到達するまでの径路を、例
えばカオス的最急降下法などのカオスによって、少なく
とも１回探索し、所定の条件を満足する径路を学習する
ことを特徴とする。A route learning method according to claim 1 searches a route until an object reaches a destination at least once by chaos such as chaotic steepest descent method, The method is characterized by learning a route that satisfies a predetermined condition.
【００１１】請求項２に記載の径路の学習方法は、所定
の条件が、物体が目的地に到達するまでの時間が短いこ
とであることを特徴とする。A learning method of a route according to a second aspect is characterized in that the predetermined condition is that an object takes a short time to reach a destination.
【００１２】請求項３に記載の径路の学習方法は、所定
の条件が、物体が目的地に到達するまでの距離が短いこ
とであることを特徴とする。The method for learning a route according to a third aspect is characterized in that the predetermined condition is that the distance until the object reaches the destination is short.
【００１３】請求項４に記載の径路の学習方法は、物体
が、移動ロボットであることを特徴とする。According to a fourth aspect of the present invention, there is provided a learning method for a path, wherein the object is a mobile robot.
【００１４】請求項５に記載の径路の学習方法は、目的
地に向かう吸引力を設定して径路を探索することを特徴
とする。According to a fifth aspect of the present invention, there is provided a learning method for a route, which is characterized in that a suction force toward a destination is set to search the route.
【００１５】請求項６に記載の径路の学習方法は、探索
した径路をベクトル量子化して学習することを特徴とす
る。According to a sixth aspect of the present invention, there is provided a learning method for a path, wherein the searched path is vector-quantized for learning.
【００１６】請求項７に記載の径路のガイダンス方法
は、物体が目的地に到達するまでの径路をカオスによっ
て、少なくとも１回探索させ、所定の条件を満足する径
路を学習させた、非平衡力学系を適用したニューロンか
ら構成される相互結合型ニューラルネットワークの所定
のニューロンを状態発火し、相互結合型ニューラルネッ
トワークにおける状態発火が伝播する軌跡に基づいて、
物体が目的地に到達するまでの径路をガイダンスするこ
とを特徴とする。According to a seventh aspect of the present invention, there is provided a non-equilibrium dynamics method in which a path for an object to reach a destination is searched at least once by chaos to learn a path satisfying a predetermined condition. Based on the trajectory of state firing in a given neuron of an interconnected neural network consisting of neurons to which the system is applied, and the state firing in the interconnected neural network,
It is characterized in that it guides a route through which an object reaches a destination.
【００１７】請求項８に記載の径路のガイダンス方法
は、相互結合型ニューラルネットワークの、目的地に対
応するニューロンに正のバイアスを与えるとともに、相
互結合型ニューラルネットワークの、径路の始点に対応
するニューロンを初期状態にして発火し、相互結合型ニ
ューラルネットワークの状態発火を、径路の始点から目
的地に伝播させることを特徴とする。The route guidance method according to claim 8 applies a positive bias to a neuron corresponding to a destination of a mutual connection type neural network, and a neuron corresponding to a start point of a route of the mutual connection type neural network. Is fired in the initial state, and the state firing of the interconnected neural network is propagated from the starting point of the path to the destination.
【００１８】請求項９に記載の径路のガイダンス方法
は、相互結合型ニューラルネットワークが、コホーネン
型ニューラルネットワークの結合を決定したものである
ことを特徴とする。The route guidance method according to a ninth aspect is characterized in that the mutual connection type neural network determines the connection of the Kohonen type neural network.
【００１９】[0019]
【作用】本発明の径路の学習方法においては、例えば移
動ロボット１などの物体が目的地４２に到達するまでの
径路を、例えばカオス的最急降下法などのカオスによっ
て、少なくとも１回探索し、移動ロボット１が目的地４
２に到達するまでの時間や距離が短いといった、所定の
条件を満足する径路を学習する。従って、任意のジオメ
トリを有する環境において有効な径路の学習を行うこと
ができる。In the path learning method of the present invention, the path until an object such as the mobile robot 1 reaches the destination 42 is searched at least once by chaos such as the chaotic steepest descent method and moved. Robot 1 is destination 4
A route that satisfies a predetermined condition such as a short time to reach 2 and a short distance is learned. Therefore, effective route learning can be performed in an environment having an arbitrary geometry.
【００２０】さらに、この径路の学習方法においては、
目的地に向かう吸引力を設定して径路を探索するように
することができるので、径路の探索を迅速に行うことが
できる。Furthermore, in this path learning method,
Since it is possible to search the path by setting the suction force toward the destination, it is possible to quickly search the path.
【００２１】また、この径路の学習方法においては、探
索した径路をベクトル量子化して学習するようにするこ
とができるので、径路の学習を迅速に行うことができ
る。Further, in this route learning method, since the searched route can be vector-quantized and learned, the route can be learned quickly.
【００２２】本発明の径路のガイダンス方法において
は、移動ロボット１が目的地４２に到達するまでの径路
をカオス的最急降下法によって、少なくとも１回探索さ
せ、所定の条件を満足する径路を学習させた、非平衡力
学系を適用したニューロンから構成される相互結合型ニ
ューラルネットワークの、例えば目的地４２に対応する
ニューロンに正のバイアスを与えるとともに、径路の始
点に対応するニューロンなどの所定のニューロンを初期
状態にして状態発火し、状態発火が伝播する軌跡に基づ
いて、移動ロボット１が目的地４２に到達するまでの径
路をガイダンスする。従って、経済的な径路を通って目
的地４２に到達することができる。In the path guidance method of the present invention, the path until the mobile robot 1 reaches the destination 42 is searched at least once by the chaotic steepest descent method, and the path satisfying a predetermined condition is learned. Further, in a mutual connection type neural network composed of neurons to which a non-equilibrium dynamic system is applied, for example, a positive bias is applied to a neuron corresponding to the destination 42, and a predetermined neuron such as a neuron corresponding to the start point of the path is set. In the initial state, state firing occurs, and based on the trajectory of state firing, the mobile robot 1 guides the path to reach the destination 42. Therefore, the destination 42 can be reached through an economical route.
【００２３】[0023]
【実施例】図１は本発明の径路の学習方法によって径路
を学習し、その学習結果に基づいて移動する移動ロボッ
トの一実施例の外観構成を示している。移動ロボット１
は前輪２と後輪３，４を有しており、前輪２はその方向
を所定の方向に向けることができ、後輪３，４は回転さ
れて、移動ロボット１を移動させることができるように
なされている。複数のレンジセンサ５は移動ロボット１
のほぼ中央に環状に配置され、障害物１２の方向と距離
を検出することができるようになされている。このレン
ジセンサ５は例えば超音波センサ等により構成すること
ができる。目的地ガイダンスセンサ６は目的地１１より
出力される信号（電波）を受信し、目的地１１の方向と
距離を検出することができるようになされている。DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS FIG. 1 shows the external configuration of an embodiment of a mobile robot that learns a path by the path learning method of the present invention and moves based on the learning result. Mobile robot 1
Has a front wheel 2 and rear wheels 3 and 4, so that the front wheel 2 can turn its direction to a predetermined direction, and the rear wheels 3 and 4 can be rotated to move the mobile robot 1. Has been done. The plurality of range sensors 5 is the mobile robot 1
It is arranged in a ring shape at approximately the center of the position, and the direction and distance of the obstacle 12 can be detected. The range sensor 5 can be composed of, for example, an ultrasonic sensor. The destination guidance sensor 6 can receive the signal (radio wave) output from the destination 11 and detect the direction and distance of the destination 11.
【００２４】即ち、レンジセンサ５は障害物１２に対す
るベクトルを検出し、目的地ガイダンスセンサ６は目的
地１１に対するベクトルを検出することができるように
なされている。コンピュータ７はレンジセンサ５や目的
地ガイダンスセンサ６の出力をモニタし、その出力から
所定の演算を実行し、移動ロボット１の動作を制御する
ようになされている。That is, the range sensor 5 can detect the vector for the obstacle 12, and the destination guidance sensor 6 can detect the vector for the destination 11. The computer 7 monitors the outputs of the range sensor 5 and the destination guidance sensor 6 and executes a predetermined calculation from the outputs to control the operation of the mobile robot 1.
【００２５】図２は移動ロボット１の電気的構成を示し
ている。レンジセンサ５の出力はノイズを除去するフィ
ルタ２１を介してコンピュータ７に供給されるようにな
されている。また、目的地ガイダンスセンサ６の出力も
コンピュータ７に供給されている。前輪角度サーボ回路
２２はコンピュータ７により制御され、モータ２３を駆
動して前輪２の方向を所定の方向に駆動するようになさ
れている。また、駆動速度制御回路２４はコンピュータ
７により制御され、モータ２５を所定の速度で回転させ
るようになされている。このモータ２５により後輪３，
４が回転されるようになされている。FIG. 2 shows an electrical configuration of the mobile robot 1. The output of the range sensor 5 is supplied to the computer 7 via a filter 21 that removes noise. The output of the destination guidance sensor 6 is also supplied to the computer 7. The front wheel angle servo circuit 22 is controlled by the computer 7, and drives the motor 23 to drive the front wheels 2 in a predetermined direction. The drive speed control circuit 24 is controlled by the computer 7 to rotate the motor 25 at a predetermined speed. With this motor 25, the rear wheels 3,
4 is adapted to be rotated.
【００２６】目的地１１にはアンテナ３２を有する発信
器３１が配置され、この発信器３１がアンテナ３２を介
して出力する電波が目的地ガイダンスセンサ６により受
信されるようになされている。目的地１１へのガイドは
電波の他、赤外線等を用いることも可能である。A transmitter 31 having an antenna 32 is arranged at the destination 11, and a radio wave output from the transmitter 31 via the antenna 32 is received by the destination guidance sensor 6. As a guide to the destination 11, it is possible to use infrared rays or the like in addition to radio waves.
【００２７】次に、移動ロボット１が、目的地１１まで
の径路を探索するときの動作を図３のフローチャートを
参照して説明する。最初にコンピュータ７はステップＳ
１において、目的地ガイダンスセンサ６の出力から目的
地１１の距離と方向（ベクトル）を求める。さらにレン
ジセンサ５の出力をフィルタ２１を介して受け取り、障
害物１２に対する距離と方向（ベクトル）を求める。そ
して、この２つのベクトルから移動ロボット１が受ける
力ベクトルＦを演算する。即ち、目的地ガイダンスセン
サ６が出力する目的地１１に対するベクトルをａ1（＝
（ｘ1−ｘ，ｙ1−ｙ）：（ｘ1，ｙ1）は目的地１１の位
置、（ｘ，ｙ）は移動ロボット１の位置）とし、レンジ
センサ５が出力する障害物１２に対するベクトルをａ2
（＝（ｘ2−ｘ，ｙ2−ｙ）：（ｘ2，ｙ2）は障害物１２
の位置）とするとき、移動ロボット１が受ける仮の力ベ
クトルＦは次のように求められる。Next, the operation of the mobile robot 1 when searching for the path to the destination 11 will be described with reference to the flowchart of FIG. First, the computer 7 performs step S
In 1, the distance and direction (vector) of the destination 11 are obtained from the output of the destination guidance sensor 6. Further, the output of the range sensor 5 is received via the filter 21, and the distance and direction (vector) with respect to the obstacle 12 are obtained. Then, the force vector F received by the mobile robot 1 is calculated from these two vectors. That is, the vector for the destination 11 output by the destination guidance sensor 6 is a1 (=
(X1-x, y1-y): (x1, y1) is the position of the destination 11 and (x, y) is the position of the mobile robot 1), and the vector for the obstacle 12 output by the range sensor 5 is a2.
(= (X2-x, y2-y): (x2, y2) is the obstacle 12
Position), the temporary force vector F received by the mobile robot 1 is obtained as follows.
【００２８】[0028]
【数１】 [Equation 1]
【００２９】上式においては、ベクトルは符号の上に水
平方向の矢印を付して示してある。In the above equations, the vectors are shown with horizontal arrows above the symbols.
【００３０】上式の右辺のベクトルｆ1は移動ロボット
１が目的地１１から受ける力を示しており、目的地１１
に近くなる程大きくなる。また、ベクトルｆ2は移動ロ
ボット１が障害物１１から受ける力を表わしており、障
害物１１に近くなる程小さくなる（負の方向に大きくな
る）。The vector f1 on the right side of the above equation represents the force received by the mobile robot 1 from the destination 11.
The closer it is to, the larger it becomes. Further, the vector f2 represents the force received by the mobile robot 1 from the obstacle 11, and becomes smaller as it gets closer to the obstacle 11 (it becomes larger in the negative direction).
【００３１】ここで関数ｇ1（ｄ），ｇ2（ｄ）は距離ｄ
に単調に反比例する非負の図４に示すような関数であ
る。即ち、ベクトルＦは障害物１２に接触せずに目的地
１１に移動ロボット１を引き寄せるような力ベクトルと
なる。Here, the functions g1 (d) and g2 (d) are distances d
Is a non-negative function that is monotonically inversely proportional to. That is, the vector F is a force vector that attracts the mobile robot 1 to the destination 11 without contacting the obstacle 12.
【００３２】ここでベクトルＦをそのまま移動ロボット
１の速度方向ベクトルにすると、上述したローカルミニ
マムの課題を解決することができなくなる。If the vector F is directly used as the velocity direction vector of the mobile robot 1, the problem of the local minimum described above cannot be solved.
【００３３】そこで本実施例においては、上式より求め
たベクトルＦを次の式に代入し、次の式から移動ロボッ
ト１の実際の移動のための速度方向ベクトルＶを求め
る。Therefore, in the present embodiment, the vector F obtained from the above equation is substituted into the following equation, and the velocity direction vector V for the actual movement of the mobile robot 1 is obtained from the following equation.
【００３４】[0034]
【数２】 [Equation 2]
【００３５】ここで、振動型非線形抵抗ｆを図５に示す
ように比較的遅い周期ωで周期的に変動させると、上記
した方程式の時間発展は極小解を脱出することができる
ようになる。この関係を、力ベクトルＦを距離Ｘで積分
して得られるエネルギＥの変化として示すと、図６に示
すようになる。即ち、図中○印で囲で示す１，２の２つ
の極小解を順次飛び越し、最小解３に到達する。Here, if the oscillating nonlinear resistance f is periodically fluctuated at a relatively slow cycle ω as shown in FIG. 5, the time evolution of the above equation can escape the minimal solution. This relationship is shown in FIG. 6 as a change in energy E obtained by integrating the force vector F with the distance X. That is, the two minimal solutions 1 and 2 indicated by circles in the figure are sequentially skipped, and the minimum solution 3 is reached.
【００３６】このように非線形抵抗を周期的に振動さ
せ、その最小解を求める方法をカオス的最急降下法と定
義する。このカオス的最急降下法の詳細については、例
えば１９９１年８月号、電子通信情報学会、論文誌Ａ、
Ｖｏｌ．Ｊ７４−Ｎｏ．８，Ｐ１２０８−Ｐ１２１５、
「カオス的最急降下法を適用したニューラルネットにお
ける学習および記憶想起の動特性について」や、特願平
３−２４０４６７号（特願平２−２９８９８４号，特願
平２−４１４９０７号，特願平３−１４９６８８号の国
内優先出願）に開示されている。The method of oscillating the non-linear resistance in this manner and obtaining the minimum solution thereof is defined as the chaotic steepest descent method. For details of the chaotic steepest descent method, see, for example, August 1991, The Institute of Electronics, Information and Communication Engineers, Journal A,
Vol. J74-No. 8, P1208-P1215,
"On the dynamic characteristics of learning and memory recall in a neural network to which the chaotic steepest descent method is applied", Japanese Patent Application No. 3-240467 (Japanese Patent Application Nos. 2-298984, 2-414907, and 2-414907). No. 3-149688 (domestic priority application).
【００３７】コンピュータ７はこのようなカオスの時間
発展方程式により次の時刻における移動ロボット１の位
置ＸをステップＳ１で演算し、速度方向ベクトルＶを求
める。そして、ステップＳ２で、この速度方向ベクトル
Ｖに対応して前輪角度サーボ回路２２と駆動速度制御回
路２４を制御する。前輪角度サーボ回路２２はモータ２
３を介して前輪２を所定の方向に向けさせる。また、駆
動速度制御回路２４はモータ２５を駆動し、後輪３，４
を所定の速度で回転させる。これにより移動ロボット１
が所定の方向に所定の速度で移動することになる。The computer 7 calculates the position X of the mobile robot 1 at the next time in step S1 by such a chaotic time evolution equation to obtain the velocity direction vector V. Then, in step S2, the front wheel angle servo circuit 22 and the drive speed control circuit 24 are controlled corresponding to the speed direction vector V. The front wheel angle servo circuit 22 is the motor 2
The front wheel 2 is directed in a predetermined direction through the wheel 3. Further, the drive speed control circuit 24 drives the motor 25 to drive the rear wheels 3, 4
Is rotated at a predetermined speed. As a result, the mobile robot 1
Will move in a predetermined direction at a predetermined speed.
【００３８】次にステップＳ３において、移動ロボット
１の位置が目的地１１の位置と実質的に許容される範囲
内に位置するか否かが判定され、許容される範囲内にな
い（目的地１１に達していない）と判定され場合におい
ては、ステップＳ１に戻り、それ以降の処理が繰り返し
実行される。実質的に目的地１１に達したと判定された
場合においては、ステップＳ４に進み、移動ロボット１
の駆動が停止される。Next, at step S3, it is judged whether or not the position of the mobile robot 1 is substantially within the allowable range with respect to the position of the destination 11, and it is not within the allowable range (the destination 11 If it is determined that the value has not reached (1), the process returns to step S1 and the subsequent processes are repeatedly executed. When it is determined that the destination 11 is substantially reached, the process proceeds to step S4 and the mobile robot 1
Is stopped.
【００３９】図７は、移動ロボット１の現在の位置から
目的地１１に対するベクトルａ1と、障害物１２に対す
るベクトルａ2、ならびに移動ロボット１の目的地１１
から受ける力ベクトルｆ1と障害物１２から受ける力ベ
クトルｆ2との関係を示している。同図に示すようにベ
クトルａ1は移動ロボット１と目的地１１とを結ぶ直線
上のベクトルで表わされ、また、ベクトルａ2は移動ロ
ボット１と障害物１２の最も近い位置とを結ぶ直線上の
ベクトルで示すことができる。力ベクトルｆ1はこのベ
クトルａ1と同一方向のベクトルとして表わすことがで
き、力ベクトルｆ2はベクトルａ2と反対方向のベクトル
として表わすことができる。そして、力ベクトルＦは力
ベクトルｆ1とｆ2を合成したものとして示すことができ
る。FIG. 7 shows a vector a1 for the destination 11 from the current position of the mobile robot 1, a vector a2 for the obstacle 12, and the destination 11 of the mobile robot 1.
The relationship between the force vector f1 received from the vehicle and the force vector f2 received from the obstacle 12 is shown. As shown in the figure, the vector a1 is represented by a vector on a straight line connecting the mobile robot 1 and the destination 11, and the vector a2 is on a straight line connecting the mobile robot 1 and the closest position of the obstacle 12. It can be shown as a vector. The force vector f1 can be represented as a vector in the same direction as this vector a1, and the force vector f2 can be represented as a vector in the opposite direction to the vector a2. The force vector F can be shown as a combination of the force vectors f1 and f2.
【００４０】図８は、移動ロボット１が障害物１２を回
避しながら、目的地１１に到達する様子を示している。
図中、等高線のように示される線はエネルギを表わして
おり、このエネルギは上記したベクトルＦをベクトルＸ
（＝（ｘ，ｙ））で積分することにより求めることがで
きる。このエネルギは目的地１１において最も小さくな
り、移動ロボット１はよりエネルギが小さくなる方向を
指向して移動することになる。FIG. 8 shows how the mobile robot 1 reaches the destination 11 while avoiding the obstacle 12.
In the figure, lines indicated by contour lines represent energy, and this energy is obtained by converting the above vector F into vector X.
It can be obtained by integrating with (= (x, y)). This energy becomes the smallest at the destination 11, and the mobile robot 1 moves in a direction in which the energy becomes smaller.
【００４１】カオス的最急降下法を用いない場合におい
ては、同図に示すように、障害物１２が目的地１１の方
向に窪んでいると、移動ロボット１は比較的小さいエネ
ルギレベル（−３）の位置に移動したとき、そこから離
れるとエネルギが大きくなってしまうために、そこから
離脱することができなくなる課題（ローカルミニマムの
課題）があったのであるが、本実施例のようにカオス的
最急降下法を用いる場合においては、上述したように非
線形抵抗が振動されるために、この極小解（−３）にと
らわれず、そこから離脱して、最小解（−６）（目的
地）に到達するこができるのである。When the chaotic steepest descent method is not used, when the obstacle 12 is recessed in the direction of the destination 11 as shown in the figure, the mobile robot 1 has a relatively low energy level (-3). There is a problem (local minimum problem) in which it is impossible to separate from the position when moving to the position because the energy increases when it moves away from the position. In the case of using the steepest descent method, since the nonlinear resistance is vibrated as described above, the minimum solution (-3) is not caught and the minimum solution (-6) (destination) is reached. You can reach it.
【００４２】次に、例えば図９に示すような、障害物４
３乃至４５が配置された障害物環境において、図の左上
の目的地４２に、目的地１１（図１）における場合と同
様にアンテナ３２を有する発信器３１（図２）を配置
し、移動ロボット１が図の右下のスタート地点４１か
ら、前述したステップＳ１乃至Ｓ４の処理に基づいて移
動する場合、移動ロボット１は、前述したように障害物
４３乃至４５を避けながら目的地４２に向かって行く
が、その径路としては、大きく分けて次の３つのパター
ンが考えられる。Next, an obstacle 4 as shown in FIG. 9, for example.
In an obstacle environment in which 3 to 45 are arranged, a transmitter 31 (FIG. 2) having an antenna 32 is arranged at a destination 42 at the upper left of the figure as in the case of the destination 11 (FIG. 1), and a mobile robot When 1 moves from the start point 41 at the lower right of the figure based on the processing of steps S1 to S4 described above, the mobile robot 1 moves toward the destination 42 while avoiding the obstacles 43 to 45 as described above. There are the following three patterns for the route.
【００４３】（１）障害物４３を避けて、図の左下を回
る径路 （２）障害物４３を避けて、図の右上を回る径路 （３）障害物４３の中に一度入り込んでから、図の左下
あるいは右下を回る径路(1) Path around the lower left of the figure, avoiding the obstacle 43. (2) Path around the upper right of the figure, avoiding the obstacle 43. (3) After entering the obstacle 43 once, Path around the lower left or lower right of
【００４４】パターン（３）の径路においては、前述し
たカオス的最急降下法を用いることにより、移動ロボッ
ト１が障害物４３の中に一度入り込んでも、その中から
出ることができるわけであるが、この場合、スタート地
点４１から目的地４２に到達するまでの時間がかかるこ
とになる。In the path of the pattern (3), by using the chaotic steepest descent method described above, even if the mobile robot 1 enters the obstacle 43 once, it can exit from it. In this case, it takes time to reach the destination 42 from the start point 41.
【００４５】そこで、この移動ロボット１においては、
径路を学習し、その学習結果に基づいて、パターン
（１）あるいは（２）などの経済的な径路を移動する。Therefore, in this mobile robot 1,
The route is learned, and the economical route such as the pattern (1) or (2) is moved based on the learning result.
【００４６】即ち、まず図１０に示すステップＳ１１に
おいて、前述した図３のステップＳ１乃至Ｓ４の処理を
１ステップとして繰り返すことにより、スタート地点４
１から目的地４２に到達するまでの径路の探索が、所定
のトライアル回数だけ行われ、各トライアルごとの、１
ステップごとの移動ロボット１が移動した軌跡（座標）
（ｘ，ｙ）が、コンピュータ７（図２）の内蔵するメモ
リ（図示せず）に記憶される（図１１）。That is, first, in step S11 shown in FIG. 10, by repeating the processing of steps S1 to S4 in FIG.
The route from 1 to the destination 42 is searched for a predetermined number of trials, and 1 for each trial.
Trajectory (coordinates) of the mobile robot 1 for each step
(X, y) is stored in the internal memory (not shown) of the computer 7 (FIG. 2) (FIG. 11).
【００４７】ここで、実験で径路の探索を１００トライ
アルだけ行ったときの、１ステップごとの移動ロボット
１の移動した軌跡（移動ロボット１の軌跡）をプロット
したものを図１２に示す。なお、この図１２に示す軌跡
は、１トライアルにつき３００００ステップまで行って
プロットしたものである。Here, FIG. 12 shows a plot of the locus of movement of the mobile robot 1 (the locus of the mobile robot 1) for each step when 100 path trials are performed in the experiment. The locus shown in FIG. 12 is obtained by plotting up to 30,000 steps per trial.
【００４８】そして、ステップＳ１２に進み、例えば所
定の時間（所定のステップ数）内に、目的地４２まで到
達できたときの（目的地４２の位置と実質的に許容され
る範囲内に移動ロボット１が位置することができたとき
の）、移動ロボット１が移動した軌跡（ｘ，ｙ）だけ
が、コンピュータ７（図２）の内蔵するメモリに保持さ
れる（他の軌跡は削除される）。Then, the process proceeds to step S12 and, for example, when the destination 42 can be reached within a predetermined time (a predetermined number of steps) (the position of the destination 42 and the range of the mobile robot are substantially allowed). Only the locus (x, y) that the mobile robot 1 has moved (when 1 was able to be located) is held in the internal memory of the computer 7 (FIG. 2) (other loci are deleted). .
【００４９】ここで、実験で１トライアルにつき１７０
００ステップまでに目的地４２に到達できたときの、移
動ロボット１の軌跡をプロットしたものを図１３に示
す。この場合、図１２に示す軌跡と比較して、パターン
（３）のような不経済な径路の軌跡が除かれていること
が判る。Here, 170 per trial in the experiment.
FIG. 13 shows a plot of the trajectory of the mobile robot 1 when the destination 42 can be reached by step 00. In this case, as compared with the locus shown in FIG. 12, it can be seen that the uneconomical path locus such as the pattern (3) is eliminated.
【００５０】以上のようにして、パターン（１）あるい
は（２）のような経済的な径路の軌跡（図１３）を得た
後、ステップＳ１３に進み、相互結合型ニューラルネッ
トワークとしての、例えばコホーネン型ニューラルネッ
トワークを用いて、図１３に示す移動ロボット１の軌跡
がベクトル量子化学習される。After the economical path locus (FIG. 13) such as the pattern (1) or (2) is obtained as described above, the process proceeds to step S13, for example, Kohonen as an interconnected neural network. The vector trajectory of the mobile robot 1 shown in FIG.
【００５１】ここで、実験で図１３に示す移動ロボット
１の軌跡を、６４のニューロンからなるコホーネン型ニ
ューラルネットワークによって、"A neural gas networ
k learns topology", in Proc. ICANN 91(Helsinki), 1
991に開示されているニューロガスアルゴリズムを用い
てベクトル量子化した結果を図１４に示す。なお、図
中、黒丸で示す部分がニューロンである。Here, in the experiment, the trajectory of the mobile robot 1 shown in FIG. 13 is calculated by the "A neural gas networ" by a Kohonen type neural network consisting of 64 neurons.
k learns topology ", in Proc. ICANN 91 (Helsinki), 1
FIG. 14 shows the result of vector quantization using the neurogas algorithm disclosed in 991. In the figure, the part indicated by the black circle is a neuron.
【００５２】コホーネン型ニューラルネットワークにお
ける６４の各ニューロンは、自身の位置を示すベクトル
（座標）（ｘ，ｙ）を有しており、図１３に示す移動ロ
ボット１の軌跡をベクトル量子化学習することにより、
各ニューロンの位置（ｘ，ｙ）が決定される。Each of the 64 neurons in the Kohonen type neural network has a vector (coordinates) (x, y) indicating its own position, and the locus of the mobile robot 1 shown in FIG. 13 is vector-quantized and learned. Due to
The position (x, y) of each neuron is determined.
【００５３】なお、ここでは、各ニューロンの位置
（ｘ，ｙ）が決定されるだけで、まだ互いに結合しては
いない。Here, the position (x, y) of each neuron is only determined and not yet connected to each other.
【００５４】ステップＳ１３でのベクトル量子化学習に
より、コホーネン型ニューラルネットワークにおける６
４のニューロンは、図１４に示すように、スタート地点
４１から目的地４２までの径路を一般化した形で表現す
るようになる。By the vector quantization learning in step S13, 6 in the Kohonen type neural network is obtained.
As shown in FIG. 14, the neuron of No. 4 represents the path from the start point 41 to the destination 42 in a generalized form.
【００５５】ベクトル量子化学習により、ニューロンの
位置が決定された後、ステップＳ１４に進み、各ニュー
ロン間どうしの距離に基づいて、結合重みが決定され
る。即ち、ステップＳ１４では、図１４に示す６４の各
ニューロンにおいて、ニューロンｉに対するニューロン
ｊからの入力結合をＷijとし、ニューロンｉからニュー
ロンｊまでの距離をＤij（＝Ｄji）とした場合、例えば
まずニューロンｉから、他の６３のニューロンまでの距
離Ｄij（ｊ＝１，２，・・・，６４、但しｊ≠ｉ）がそ
れぞれ求められ、距離Ｄij（ｊ＝１，２，・・・，６
４、但しｊ≠ｉ）の小さい順に、１，２，・・・，６３
という具合にランクＲijが決定される。After the position of the neuron is determined by the vector quantization learning, the process proceeds to step S14, and the connection weight is determined based on the distance between the neurons. That is, in step S14, in each of the 64 neurons shown in FIG. 14, if the input connection from the neuron j to the neuron i is Wij and the distance from the neuron i to the neuron j is Dij (= Dji), The distances Dij (j = 1, 2, ..., 64, where j ≠ i) from i to the other 63 neurons are obtained, and the distances Dij (j = 1, 2, ..., 6) are obtained.
4, but j ≠ i) in ascending order of 1, 2, ..., 63
The rank Rij is determined accordingly.
【００５６】つまり、例えばニューロン２に対して、ニ
ューロン３が一番距離の近いところに位置している場
合、ランクＲ23＝１と決定される。また、ニューロン２
に対して、ニューロン１が一番距離の遠いところに位置
している場合、ランクＲ21＝６３と決定される。That is, for example, when the neuron 3 is located closest to the neuron 2, the rank R23 = 1 is determined. Also, neuron 2
On the other hand, when the neuron 1 is located at the farthest position, the rank R21 = 63 is determined.
【００５７】以上のようにして、６４のすべてのニュー
ロンに対してランクＲij（ｉ＝１，２，・・・，６４，
ｊ＝１，２，・・・，６４、但しｉ≠ｊ）が決定された
後、結合重み（入力結合）Ｗijが、例えば次式にしたが
って算出される。As described above, the rank Rij (i = 1, 2, ..., 64,
After j = 1, 2, ..., 64, i ≠ j) is determined, the connection weight (input connection) Wij is calculated according to the following equation, for example.
【００５８】 Ｗij＝１．５−１．５／５×Ｒij （但し、Ｒij≦５） Ｗij＝−１．０×（Ｒij−５）／５５ （但し、Ｒij＞５）Wij = 1.5−1.5 / 5 × Rij (where Rij ≦ 5) Wij = −1.0 × (Rij−5) / 55 (where Rij> 5)
【００５９】以上により、距離の近いニューロン間は正
結合となり、距離の離れたニューロン間は負結合となる
（図１５）。As described above, neurons with a short distance are positively connected, and neurons with a long distance are negatively connected (FIG. 15).
【００６０】以上のステップＳ１４の処理により、図１
４に示すニューロンを結合した状態を図１６に示す。な
お、図１６においては、結合が正結合なったニューロン
間を線で結んで示してある。As a result of the processing in step S14 described above, FIG.
FIG. 16 shows a state in which the neurons shown in FIG. Note that, in FIG. 16, neurons whose connections have been positively connected are connected by lines.
【００６１】ステップＳ１１乃至Ｓ１４の処理により学
習が終わると、ステップＳ１５に進み、コホーネン型ニ
ューラルネットワークの想起のダイナミクスに、前述し
たカオス的最急降下法を適用して、ニューロンｉの発火
状態ａiが次式により計算される。When the learning is completed by the processing of steps S11 to S14, the process proceeds to step S15, and the chaotic steepest descent method described above is applied to the dynamics of recall of the Kohonen type neural network, and the firing state ai of the neuron i is Calculated by the formula.
【００６２】[0062]
【数３】 但し、ｕiは、ニューロンｉの内部状態を示し、ｂi，Ｋ
はそれぞれ定数である。[Equation 3] However, ui indicates the internal state of the neuron i, and bi, K
Are constants.
【００６３】ここで、この場合、例えば目的地４２に対
応するニューロンに正のバイアスが与えられるととも
に、スタート地点４１に対応するニューロンが初期状態
として発火されるようになっている。これにより、ニュ
ーロンの発火が、例えば図１７乃至図２３に示すよう
に、スタート地点４１に対応するニューロンから目的地
４２に対応するニューロンへ順次伝播していき、スター
ト地点４１から目的地４２までの径路が想起されること
になる。In this case, for example, the neuron corresponding to the destination 42 is given a positive bias, and the neuron corresponding to the start point 41 is fired as an initial state. As a result, the firing of the neuron sequentially propagates from the neuron corresponding to the start point 41 to the neuron corresponding to the destination 42, as shown in, for example, FIGS. 17 to 23, from the start point 41 to the destination 42. The path will be remembered.
【００６４】なお、ニューロンの発火は、図１７乃至図
２３に示すように、図の左下を伝播する場合（パターン
（１））だけでなく、例えば図２４乃至図３０に示すよ
うに図の右上を伝播する場合（パターン（２））もあ
り、この伝播の仕方はカオス的である。即ち、６４のニ
ューロン（コホーネン型ニューラルネットワーク）は、
移動ロボット１が探索した径路の中から、いくつかの経
済的な径路を学習し、その径路を想起するわけである。The firing of the neuron is not limited to the case of propagating in the lower left part of the figure (pattern (1)) as shown in FIGS. 17 to 23, but is also the upper right part of the figure as shown in FIGS. May be propagated (pattern (2)), and the manner of this propagation is chaotic. That is, 64 neurons (Kohonen neural network) are
From the paths searched by the mobile robot 1, some economical paths are learned and the paths are recalled.
【００６５】ここで、図１７乃至図２３、図２４乃至図
３０において、丸の大きさは、ニューロンの発火状態に
対応している。即ち、図中、大きく描いた丸に対応する
ニューロンほど、激しく発火していることを示してい
る。Here, in FIGS. 17 to 23 and 24 to 30, the size of the circle corresponds to the firing state of the neuron. That is, in the figure, it is shown that the neuron corresponding to the larger circle is firing more intensely.
【００６６】ステップＳ１５においては、上述したよう
にしてニューロンの発火状態が計算されるとともに、発
火伝播するニューロン（ニューロン群）の、所定の時間
ごとの位置重心が算出される。In step S15, the firing state of the neuron is calculated as described above, and the position center of gravity of the firing-propagating neuron (neuron group) is calculated every predetermined time.
【００６７】コンピュータ７は、以上のステップＳ１１
乃至Ｓ１５の処理を行い、発火伝播するニューロン群の
位置重心を算出して、そこに移動ロボット１をガイダン
スし、これにより、移動ロボット１は、発火伝播するニ
ューロン群の位置重心を追うように移動し、経済的な径
路をたどって、目的地４１に到達することになる。The computer 7 executes the above step S11.
Through S15 to calculate the position / center of gravity of the firing-propagating neuron group, and guide the mobile robot 1 to the position, whereby the mobile robot 1 moves so as to follow the position / center of gravity of the firing-propagation neuron group. Then, it follows an economical route to reach the destination 41.
【００６８】なお、本実施例においては、所定の時間
（ステップ数）内で目的地４２に到達する径路の軌跡だ
けを求め、コホーネン型ニューラルネットワークにベク
トル量子化学習させるようにしたが、例えば目的地４２
に到達するまでの径路の軌跡長が所定の距離以下になる
軌跡だけを求め、ベクトル量子化学習させるようにする
ことができる。In this embodiment, only the trajectory of the path reaching the destination 42 within a predetermined time (the number of steps) is obtained and the Kohonen neural network is subjected to vector quantization learning. Ground 42
It is possible to perform vector quantization learning only by obtaining a locus in which the locus length of the path until reaching the distance is less than or equal to a predetermined distance.
【００６９】さらに、本実施例では、ステップＳ１３で
ニューロガスアルゴリズムによりコホーネン型ニューラ
ルネットワークにベクトル量子化学習させるようにした
が、他のベクトル量子化学習方法を適用するようにする
ことができる。Furthermore, in this embodiment, the Kohonen type neural network is made to perform vector quantization learning by the Neurogas algorithm in step S13, but other vector quantization learning methods can be applied.
【００７０】また、径路を学習させるニューラルネット
ワークもコホーネン型ニューラルネットワークに限られ
ることなく、あらゆるベクトル量子化型ニューラルネッ
トワークを適用することができる。Further, the neural network for learning the path is not limited to the Kohonen type neural network, and any vector quantization type neural network can be applied.
【００７１】[0071]
【発明の効果】以上の如く、本発明の径路の学習方法に
よれば、物体が目的地に到達するまでの径路をカオスに
よって、少なくとも１回探索し、例えば物体が目的地に
到達するまでの時間や距離が短いといった、所定の条件
を満足する径路を学習する。従って、任意のジオメトリ
を有する環境において有効な径路の学習を行うことがで
きる。As described above, according to the path learning method of the present invention, the path until the object reaches the destination is searched at least once by chaos, and for example, the path until the object reaches the destination. A route that satisfies a predetermined condition such as a short time or a short distance is learned. Therefore, effective route learning can be performed in an environment having an arbitrary geometry.
【００７２】さらに、この径路の学習方法によれば、目
的地に向かう吸引力を設定して径路を探索するようにす
ることができるので、径路の探索を迅速に行うことがで
きる。Further, according to this route learning method, the attraction force toward the destination can be set to search the route, so that the route can be searched quickly.
【００７３】また、この径路の学習方法によれば、探索
した径路をベクトル量子化して学習するようにすること
ができるので、径路の学習を迅速に行うことができる。According to this path learning method, the searched path can be vector-quantized for learning, so that the path can be learned quickly.
【００７４】本発明の径路のガイダンス方法によれば、
物体が目的地に到達するまでの径路をカオスによって、
少なくとも１回探索させ、所定の条件を満足する径路を
学習させた、非平衡力学系を適用したニューロンから構
成される相互結合型ニューラルネットワークの、例えば
目的地に対応するニューロンに正のバイアスを与えると
ともに、径路の始点に対応するニューロンなどの所定の
ニューロンを初期状態にして状態発火し、状態発火が伝
播する軌跡に基づいて、物体が目的地に到達するまでの
径路をガイダンスする。従って、経済的な径路を通って
目的地に到達することができる。According to the route guidance method of the present invention,
By chaos, the path that an object takes to reach its destination is
A positive bias is applied to, for example, a neuron corresponding to a destination of an interconnected neural network composed of neurons to which a non-equilibrium dynamic system is applied, which is searched at least once and a path satisfying a predetermined condition is learned. At the same time, a predetermined neuron, such as a neuron corresponding to the starting point of the path, is set to an initial state, state firing occurs, and a path for an object to reach a destination is guided based on a trajectory along which the state firing propagates. Therefore, the destination can be reached through an economical route.
【図１】本発明の径路の学習方法によって径路を学習し
て移動する移動ロボットの一実施例の外観構成を示す平
面図である。FIG. 1 is a plan view showing an external configuration of an embodiment of a mobile robot that learns a path and moves by a path learning method of the present invention.
【図２】図１の移動ロボット１の電気的構成例を示すブ
ロック図である。FIG. 2 is a block diagram showing an electrical configuration example of the mobile robot 1 of FIG.
【図３】図１の移動ロボット１が径路を探索するときの
動作を説明するフローチャートである。FIG. 3 is a flowchart illustrating an operation when the mobile robot 1 of FIG. 1 searches a path.
【図４】関数ｇ1（ｄ），ｇ2（ｄ）の特性図である。FIG. 4 is a characteristic diagram of functions g1 (d) and g2 (d).
【図５】カオス的最急降下法による非線形抵抗の振動の
様子を説明する図である。FIG. 5 is a diagram illustrating a state of vibration of a non-linear resistance according to the chaotic steepest descent method.
【図６】カオス的最急降下法による極小値からの脱出を
説明する図である。FIG. 6 is a diagram illustrating escape from a minimum value by a chaotic steepest descent method.
【図７】図１の実施例における移動ロボット１と障害物
１２および目的地１１との関係を説明する図である。FIG. 7 is a diagram for explaining the relationship between the mobile robot 1 and the obstacle 12 and the destination 11 in the embodiment of FIG.
【図８】移動ロボット１が障害物１２を回避して目的地
１１に到達する様子を説明する図である。FIG. 8 is a diagram for explaining how the mobile robot 1 avoids an obstacle 12 and reaches a destination 11.
【図９】障害物環境を示す平面図である。FIG. 9 is a plan view showing an obstacle environment.
【図１０】図１の移動ロボット１が径路を学習し、その
学習結果に基づいてガイダンスされるときの動作を説明
するフローチャートである。FIG. 10 is a flowchart illustrating an operation when the mobile robot 1 of FIG. 1 learns a path and is guided based on the learning result.
【図１１】図１０のフローチャートのステップＳ１１で
移動ロボット１が探索した径路の軌跡（ｘ，ｙ）を示す
図である。11 is a diagram showing a trajectory (x, y) of a path searched by the mobile robot 1 in step S11 of the flowchart of FIG.
【図１２】移動ロボット１に径路の探索を１００トライ
アルだけ行わせたときの、１ステップごとの移動ロボッ
ト１の移動した軌跡（移動ロボット１の軌跡）を、３０
０００ステップまでプロットした図である。FIG. 12 shows a locus (locus of the mobile robot 1) moved by the mobile robot 1 for each step when the mobile robot 1 is made to perform a path search for 100 trials.
It is the figure which plotted up to 000 steps.
【図１３】１トライアルにつき１７０００ステップまで
に目的地４２に到達できたときの、移動ロボット１の軌
跡をプロットした図である。FIG. 13 is a diagram in which the trajectory of the mobile robot 1 is plotted when the destination 42 can be reached by 17,000 steps per trial.
【図１４】図１３の径路の軌跡を６４のニューロンから
なるコホーネン型ニューラルネットワークにベクトル量
子化学習させたときの、ニューロンの位置を示す図であ
る。14 is a diagram showing the positions of neurons when vector-learning learning is performed on the path of FIG. 13 by a Kohonen type neural network consisting of 64 neurons.
【図１５】図１４のニューロンの結合関係を説明するた
めの図である。FIG. 15 is a diagram for explaining the connection relationship of the neurons in FIG.
【図１６】図１４のニューロンの正の結合を示す図であ
る。16 is a diagram showing the positive connection of the neurons of FIG.
【図１７】ニューロンにより径路が想起されている様子
を示す図である。FIG. 17 is a diagram showing how a neuron recalls a path.
【図１８】ニューロンにより径路が想起されている様子
を示す図である。FIG. 18 is a diagram showing how a neuron recalls a path.
【図１９】ニューロンにより径路が想起されている様子
を示す図である。FIG. 19 is a diagram showing a manner in which a path is recalled by a neuron.
【図２０】ニューロンにより径路が想起されている様子
を示す図である。FIG. 20 is a diagram showing how a path is recalled by a neuron.
【図２１】ニューロンにより径路が想起されている様子
を示す図である。FIG. 21 is a diagram showing a manner in which a path is recalled by a neuron.
【図２２】ニューロンにより径路が想起されている様子
を示す図である。FIG. 22 is a diagram showing how a path is recalled by a neuron.
【図２３】ニューロンにより径路が想起されている様子
を示す図である。FIG. 23 is a diagram showing how a path is recalled by a neuron.
【図２４】ニューロンにより径路が想起されている様子
を示す図である。FIG. 24 is a diagram showing a manner in which a path is recalled by a neuron.
【図２５】ニューロンにより径路が想起されている様子
を示す図である。FIG. 25 is a diagram showing a manner in which a path is recalled by a neuron.
【図２６】ニューロンにより径路が想起されている様子
を示す図である。FIG. 26 is a diagram showing a manner in which a path is recalled by a neuron.
【図２７】ニューロンにより径路が想起されている様子
を示す図である。FIG. 27 is a diagram showing a manner in which a path is recalled by a neuron.
【図２８】ニューロンにより径路が想起されている様子
を示す図である。FIG. 28 is a diagram showing a manner in which a path is recalled by a neuron.
【図２９】ニューロンにより径路が想起されている様子
を示す図である。FIG. 29 is a diagram showing a manner in which a path is recalled by a neuron.
【図３０】ニューロンにより径路が想起されている様子
を示す図である。FIG. 30 is a diagram showing a manner in which a path is recalled by a neuron.
１ 移動ロボット ２ 前輪 ３，４ 後輪 ５ レンジセンサ ６ 目的地ガイダンスセンサ ７ コンピュータ １１ 目的地 １２ 障害物 ２１ フィルタ ２２ 前輪角度サーボ回路 ２３ モータ ２４ 駆動速度制御回路 ２５ モータ ３１ 発振器 ３２ アンテナ ４１ スタート地点 ４２ 目的地 ４３乃至４５ 障害物 1 Mobile Robot 2 Front Wheels 3, 4 Rear Wheels 5 Range Sensor 6 Destination Guidance Sensor 7 Computer 11 Destination 12 Obstacle 21 Filter 22 Front Wheel Angle Servo Circuit 23 Motor 24 Drive Speed Control Circuit 25 Motor 31 Oscillator 32 Antenna 41 Start Point 42 Destination 43-45 Obstacle
Claims (9)
オスによって、少なくとも１回探索し、 所定の条件を満足する前記径路を学習することを特徴と
する径路の学習方法。1. A path learning method, characterized in that a path for an object to reach a destination is searched at least once by chaos, and the path satisfying a predetermined condition is learned.
到達するまでの時間が短いことであることを特徴とする
請求項１に記載の径路の学習方法。2. The method for learning a route according to claim 1, wherein the predetermined condition is that it takes a short time for the object to reach a destination.
到達するまでの距離が短いことであることを特徴とする
請求項１に記載の径路の学習方法。3. The route learning method according to claim 1, wherein the predetermined condition is that a distance until the object reaches a destination is short.
特徴とする請求項１乃至３のいずれかに記載の径路の学
習方法。4. The path learning method according to claim 1, wherein the object is a mobile robot.
記径路を探索することを特徴とする請求項１乃至４のい
ずれかに記載の径路の学習方法。5. The path learning method according to claim 1, wherein the path is searched by setting a suction force toward the destination.
学習することを特徴とする請求項１乃至５のいずれかに
記載の学習方法。6. The learning method according to claim 1, wherein the searched path is vector-quantized for learning.
方法により学習させた、非平衡力学系を適用したニュー
ロンから構成される相互結合型ニューラルネットワーク
の所定のニューロンを状態発火し、 前記相互結合型ニューラルネットワークにおける状態発
火が伝播する軌跡に基づいて、物体が目的地に到達する
までの径路をガイダンスすることを特徴とする径路のガ
イダンス方法。7. A state firing of a predetermined neuron of an interconnected neural network, which is made up of neurons to which a non-equilibrium dynamic system is applied, learned by the learning method according to claim 1, A path guidance method, wherein a path for an object to reach a destination is guided based on a trajectory of state firing in an interconnected neural network.
の、前記目的地に対応するニューロンに正のバイアスを
与えるとともに、前記相互結合型ニューラルネットワー
クの、前記径路の始点に対応するニューロンを初期状態
にして発火し、 前記相互結合型ニューラルネットワークの状態発火を、
前記径路の始点から前記目的地に伝播させることを特徴
とする請求項７に記載の径路のガイダンス方法。8. The neuron corresponding to the destination of the mutual connection type neural network is given a positive bias, and the neuron corresponding to the starting point of the path of the mutual connection type neural network is set to an initial state and fired. Then, the state firing of the mutual connection type neural network is
The route guidance method according to claim 7, wherein the route is propagated from the starting point of the route to the destination.
は、コホーネン型ニューラルネットワークの結合を決定
したものであることを特徴とする請求項７または８のい
ずれかに記載の径路のガイダンス方法。9. The path guidance method according to claim 7, wherein the mutual connection type neural network determines connection of a Kohonen type neural network.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP4316637A JPH06149357A (en) | 1992-10-30 | 1992-10-30 | Learning method and guidance method for path |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP4316637A JPH06149357A (en) | 1992-10-30 | 1992-10-30 | Learning method and guidance method for path |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH06149357A true JPH06149357A (en) | 1994-05-27 |
Family
ID=18079256
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP4316637A Pending JPH06149357A (en) | 1992-10-30 | 1992-10-30 | Learning method and guidance method for path |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH06149357A (en) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006004175A (en) * | 2004-06-17 | 2006-01-05 | Toshiba Corp | Self-position identification device and self-position identification method |
| US9943889B2 (en) | 2012-04-03 | 2018-04-17 | The Boeing Company | Hole cleaning apparatus and method |
| WO2018213619A1 (en) * | 2017-05-17 | 2018-11-22 | Sphero, Inc. | Illustration robot movement |
| JP2018202579A (en) * | 2017-06-08 | 2018-12-27 | 株式会社デンソー | Control device and control system for movable body |
| CN112241174A (en) * | 2020-11-03 | 2021-01-19 | 山东理工大学 | Static obstacle avoidance method and system for security robot |
-
1992
- 1992-10-30 JP JP4316637A patent/JPH06149357A/en active Pending
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006004175A (en) * | 2004-06-17 | 2006-01-05 | Toshiba Corp | Self-position identification device and self-position identification method |
| US7489255B2 (en) | 2004-06-17 | 2009-02-10 | Kabushiki Kaisha Toshiba | Self-position identification apparatus and self-position identification method |
| US9943889B2 (en) | 2012-04-03 | 2018-04-17 | The Boeing Company | Hole cleaning apparatus and method |
| WO2018213619A1 (en) * | 2017-05-17 | 2018-11-22 | Sphero, Inc. | Illustration robot movement |
| US10787027B2 (en) | 2017-05-17 | 2020-09-29 | Sphero, Inc. | Illustration robot movement |
| JP2018202579A (en) * | 2017-06-08 | 2018-12-27 | 株式会社デンソー | Control device and control system for movable body |
| CN112241174A (en) * | 2020-11-03 | 2021-01-19 | 山东理工大学 | Static obstacle avoidance method and system for security robot |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20200363800A1 (en) | Decision Making Methods and Systems for Automated Vehicle | |
| Parhi et al. | Navigational control of several mobile robotic agents using Petri-potential-fuzzy hybrid controller | |
| US20210097852A1 (en) | Moving robot | |
| US20220097785A1 (en) | Robot | |
| CN115578876A (en) | Automatic driving method, system, equipment and storage medium of vehicle | |
| CN113467476B (en) | Collision-free detection rapid random tree global path planning method considering corner constraint | |
| JPH03113513A (en) | Speed-sensitive steering controller for self-traveling vehicle | |
| CN112631269A (en) | Autonomous mobile robot and control program for autonomous mobile robot | |
| JPH06149357A (en) | Learning method and guidance method for path | |
| US11314263B2 (en) | Robot system and control method of the same | |
| US11801829B2 (en) | In-vehicle device, system and method for automatic parking assistance | |
| US20210078180A1 (en) | Robot system and control method of the same | |
| JPH07306719A (en) | Route search method for autonomous locomotion unit | |
| JP3022889B2 (en) | Mobile robot control method | |
| CN116009530A (en) | Path planning method and system for self-adaptive tangential obstacle avoidance | |
| CN115903773A (en) | Mobile object control device, mobile object, learning device and method, and storage medium | |
| Hentout et al. | RRT-A*-BT approach for optimal collision-free path planning for mobile robots | |
| CN114442634A (en) | Vehicle path planning method, device, equipment and medium | |
| KR20220043864A (en) | Robot And Control method of the same | |
| JPH05189035A (en) | Arrangement control method | |
| Rasheed et al. | Road trajectory mining and autonomous steering control for vision-based unmanned vehicles | |
| CN118276565A (en) | Track correction system and method thereof | |
| CN116520836A (en) | Reinforced learning-based indoor mobile robot obstacle avoidance method and system | |
| Xiaowei et al. | Real-time self-reaction of mobile robot with genetic fuzzy neural network in unknown environment | |
| Hu et al. | Motion-Prediction-Based Obstacle Avoidance Method for Mobile Robots via Deep Reinforcement Learning |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20010928 |