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 |