基于LWR算法的避障行為學(xué)習(xí)控制器設(shè)計及在機器人上的實現(xiàn).pdf

1、對于機器人控制系統(tǒng)來說，核心問題可以抽象為函數(shù)的逼近。對這個問題通常有兩條途徑，一是盡可能建立與被控對象比較接近的數(shù)學(xué)模型，然后求出數(shù)學(xué)模型的系數(shù)；二是模擬智慧生物對自然界的反應(yīng)方式，這種方式并不建立精確的數(shù)學(xué)模型，而是對被控對象尋找另外的描述方式，如人工神經(jīng)網(wǎng)絡(luò)，模糊邏輯或云模型等方法。LWR即局部加權(quán)回歸算法是一種利用簡單的數(shù)學(xué)模型擬合復(fù)雜函數(shù)的方法。一般的回歸算法對于越復(fù)雜的問題就要建立越復(fù)雜的數(shù)學(xué)模型，要建立一個合適的模型有時候

2、需要設(shè)計者經(jīng)驗，即便如此這種湊數(shù)學(xué)模型的方法也需要碰運氣。LWR算法對被控對象進行局部化逼近，通過使用每個預(yù)測點的相似點生成該預(yù)測點的預(yù)測模型的方式，解決了拼湊復(fù)雜數(shù)學(xué)模型的問題，同時具有了逼近非線性函數(shù)的能力。LWR算法可以稱為惰性算法，因為這種算法要在需要預(yù)測的時候才產(chǎn)生預(yù)測模型，而不是像其他一些方法那樣先通過訓(xùn)練得出模型；也可以稱為基于樣本點存儲的算法，因為LWR算法每次預(yù)測都需要用到所有的樣本點，而不是像神經(jīng)網(wǎng)絡(luò)那樣訓(xùn)練得出模型

3、之后就不再需要樣本點了。正是由于LWR算法的這些特點，使得該算法具有了一些顯著的優(yōu)點，比如模型簡單，對新增樣本點產(chǎn)生新模型只需要增加極少的計算量，以及對樣本點沒有覆蓋的區(qū)域也有一定的預(yù)測能力。本文設(shè)計了基于LWR算法的移動機器人漫游避障控制器和跟墻控制器，并通過實驗驗證驗證了算法的可行性。本文說完成的主要工作包括：
　　首先，在介紹了課題的研究背景意義和LWR算法的基礎(chǔ)上，設(shè)計了四個控制器，即基于人工勢場法的漫游內(nèi)生控制器和基于模

4、糊邏輯的跟墻內(nèi)生控制器，基于LWR算法的避障控制器和跟墻控制器。兩個內(nèi)生控制器供采集訓(xùn)練LWR算法控制器所需的樣本點之用。在我們已知的文獻來看，這是第一次將LWR算法引入移動機器人控制領(lǐng)域。
　　其次，本文還提出了一種新的調(diào)整LWR算法中接受域半徑的方法，即通過樣本點預(yù)測的殘差來調(diào)整LWR模型的非線性程度。
　　最后設(shè)計搭建了Khepera-II移動機器人的實驗環(huán)境，并在該機器人平臺上運行了局部接受域半徑的LWR算法控制器，