基于神經網絡的移動機器人主動嗅覺定位研究

任坤 劉鵬

[摘要]本文提出了一種新的移動機器人主動嗅覺定位方法。通過風速和濃度梯度，黃蜂能夠在較短的時間內找到氣源。但是，移動機器人很難精確地模仿黃蜂的行為。因此，除了仿生學之外，我們引入BP神經網絡來幫助移動機器人尋找氣源。在這個模擬的環境中，測試移動機器人跟蹤氣體煙羽并找到氣源。

[關鍵詞]神經網絡；移動機器人；氣源定位；濃度梯度

一、引言

近年來，氣源定位研究吸引了眾多的研究人員的注意。利用一個具有主動嗅覺定位功能的移動機器人可以探測危險氣體的泄露。由于采用模擬的方式效率高而且費用低，因此我們采用模擬的方式研究移動機器人的主動嗅覺定位問題。

到目前為止，很多研究人員在該領域取得了一些成就。但是他們的機器人機構復雜，而且不能夠用最優的路徑找到氣源[1、2、3]。在本文中，我們基于高斯煙羽模型建立了一個氣體煙羽擴散模型。然后將訓練好的BP神經網絡引入到移動機器人中。通過使用這個智能的算法，移動機器人能夠在較短的時間內找到氣源。

二、在MATLAB中模擬煙羽

在本文中，我們采用數值接近的方法來生成煙羽，使用MATLAB生成煙羽擴散模型。高斯模型非常適合模擬從一個點氣源擴散開來的煙羽模型。因此，本文采用高斯模型建模。由于沒有考慮重力的影響，高斯煙羽模型只適用于氣體密度小于空氣密度的擴散模型。

三、BP神經網絡

擁有高度并行結構和處理能力的人工神經網絡是智能識別方法的一種。由于固有的非線性特征，人工神經網絡具有逼近任何非線性映射的能力。一個經過適當訓練的神經網絡能夠解決數學模型或描述性規則不能解決的問題。移動機器人的主動嗅覺定位即屬于該類問題。

BP神經網絡是一種多層正反饋神經網絡，通過學習已知的樣本，它能夠識別未知的樣本。只有一個隱含層的BP神經網絡可以任意地接近任何一個在閉區間內連續的函數[4]。因此，在本文中我們采用含有一個隱含層的BP神經網絡。

根據本研究，這里有五個輸入節點和兩個輸出節點。

在BP神經網絡中，隱含層節點的數量對精度的影響很大。經過多次測試，可以得到不同節點的隱含層的效果。隨著隱含層節點數量的增多，BP神經網絡的效果先增大然后減小。根據需要，我們選取隱含層節點的數量為4，這樣就得到了結構確定的PB神經網絡。

四、初步模擬和討論

移動機器人由一種基于仿生學的BP神經網絡智能煙羽跟蹤算法來控制，以此跟蹤模擬的氣體煙羽。在模擬中，我們沒有考慮機器人本身的尺寸及障礙物對煙羽擴散的影響。根據機器人的傳感系統，從傳感器到控制器有五個輸入。其中三個來自紅外傳感器，另外兩個分別來自離子傳感器和風向傳感器。a1、a2和a3分別表示機器人前方左側、中間和右側三個紅外傳感器的輸出信號，b1表示離子傳感器的輸出信號，c1表示風向傳感器的輸出信號。利用采集的樣本訓練神經網絡后，神經網絡便能對未知樣本作出相應的判別。下面以單障礙物環境下移動機器人跟蹤氣體煙羽并確定氣源的模擬過程進行說明：

1、當a1=1，a2=1，a3=1，b1≤0.0972，c1=180°時，機器人前方沒有障礙物，運動方向正好迎著風向并且沿著氣體濃度增大的方向。此時，機器人直行。

2、當a1=1，a2=0，a3=1時，不管b1和c1為何值，機器人必須拐彎。因為此時機器人前方有障礙物，必須要避開障礙物后再繼續跟蹤氣體煙羽。

3、當a1=1，a2=1，a3=1，b1=0.0953，c1=270°時，機器人前方沒有障礙物，其所處位置的氣體濃度超過設定的閥值。因此機器人轉彎，繼續沿著氣體濃度增大的方向運動。

4、當a1=1，a2=1，a3=1，b1=0.1031，c1=225°時，機器人前方沒有障礙物，但是機器人轉彎，原因與3中的相同。

5、當a1=1，a2=1，a3=1，b1=0.1656，c1=135°時，機器人前方沒有障礙物，但是機器人轉彎，原因與3中的相同。

6、當a1=1，a2=0，a3=1，b1=1.9331，c1=180°時，機器人前方遇到障礙物，此時探測到的氣體的濃度與平均濃度之比高于設定的閥值，達到氣味源確認的條件，機器人找到氣源，停止運動。

在模擬的環境中，機器人能夠感知氣體煙羽并跟蹤煙羽不斷地趨近氣源所在的位置。機器人在尋找氣源的過程中其運動軌跡并不是一條直線，這是因為在跟蹤氣體煙羽時機器人需要調整其朝向以保證面向氣流的方向和氣體濃度增大的方向。

五、結論和進一步的工作

在本文中，我們采用了數值方法來生成氣體煙羽模型，在移動機器人模仿黃蜂行為的基礎上利用BP神經網絡提供更高效的智能算法。在該算法中，機器人在模擬的環境中感知并追蹤氣體煙羽，直至找到氣源。但是這個模型并不完美。首先，研究人員必須熟悉MATLAB并且具有編程能力；其次，我們假設機器人和障礙物不影響煙羽的擴散。但是當機器人和障礙物較大時，這個假設并不成立。

將來，可以采用考慮了機器人和障礙物尺寸的更為真實的模擬環境及開發更為智能的算法來研究移動機器人氣源定位問題。

參考文獻

[1]H.Ishida， G，Hakayama， T.Nakamoto and T.Moriizumi， Controlling a gas plume-tracing robot based on transient responses of gas sensors. IEEE， 2002： 1665～1760.

[2]R.Russell， D.Thiel and A.Mackay-Sim， Sensing odor trails for mobile robot navigation. IEEE International Conference on Robotics and Automation， 1994： 2672～2677.

[3]Zhenzhang Liu， A simulation framework for plume-tracing research.

[4]Rober Hechi-Nielson， Theory of the back porpagation neural network. Proc. of IJCNN. 1989： 593～603.