[发明专利]基于发育网络的移动机器人运动方向预先决策方法

说明书

本发明属于机器人智能控制技术领域，公开一种基于发育网络的移动机器人运动方向预先决策方法，包括以下步骤：1)发育网络的创建、训练和测试；2)在每次执行任务后的非工作状态下，由动作输出层激活次数最高的某个神经元触发发育网络中间层神经元的侧向激励机制，实现机器人运动方向的预先决策：计算Z层神经元的激活概率p_i：其中，按照激活概率大小排序，激活前几个概率不为0的Z层神经元；激活每个Z层神经元时，依次执行如下过程：由Z层向Y层输入数据→激活Y层神经元→侧向激励→在新激活的神经元中保存新知识→建立保存有新知识的Y层神经元与Z层对应的神经元之间的权值连接。本发明可提高机器人的行为决策效率。

技术领域

本发明属于机器人智能控制技术领域，具体涉及一种基于发育网络的移动机器人运动方向预先决策方法。

背景技术

神经生物学研究表明，感知学习不是与感知皮层的神经活动变化相关联，而是与决策相关的高级区域的神经活动变化相关联。研究发现，在运动方向辨识任务中，行为的改进与侧顶叶内皮层(决策区域)的神经元可塑性相关，但与颞中回(感觉区域)的神经元可塑性无关。

既然感知学习与与决策相关的高级区域内的神经元活动变化相关联，很自然就产生了将人脑的感知学习机理引入到机器人的行为决策中来的想法，模仿人脑感知环境过程中的迁移学习机理，使机器人在进行感知学习的过程中，在执行任务的间隙，仍可以进行思考。该过程类似于人类在无外界输入信号时，仍在进行思考，对未来的事情进行预演或彩排，这种预演会对人类后续的行为产生影响。同理，机器人在非任务状态下的思考，可以对后续的运动行为进行预先决策，同时将决策的结果写到数据库中，不断更新数据库，使机器人在下次执行任务时得到更好的决策指导。

若能将迁移学习思想应用于机器人领域，使机器人在工作间隙也能进行思考，必将大大提高机器人行为学习的效率。但这些关于感知学习中状态迁移的思想，目前都只应用于模式识别领域，在机器人行为学习中未见使用。

近年来，随着人工智能的发展和硬件水平的不断进步，智能机器人也有了很大的进步和更加广阔的应用，对于移动机器人自主行为学习的研究也越来越引起人们的重视。本发明在移动机器人领域引入自主发育网络，使机器人在环境感知过程的间隙，通过非工作状态下的“思考”，将机器人已经学习过的环境位置信息与对应的运动方向预先建立联系，使机器人在后续的环境认知过程中，遇到类似的环境信息时，通过迁移学习，迅速确定运动方向，实现对运动行为的自主决策，不断提高机器人的智能。

现有的机器人运动方向预测方法，大多是采用模型预测方法，通过对运动过程进行建模来预测其运动角度、位置或者姿态。但基于模型预测控制的机器人运动控制方法需要辨识模型，分析干扰，确定性能指标，整个问题集合了众多信息，在线计算量较大，难以实时控制，且开环控制+滚动优化的实施需要闭环特性的分析，甚至是标称稳定性的分析，一定程度上限制了该方法的使用。

发明内容

针对上述情况，本发明的目的是提供一种基于发育网络的移动机器人运动方向预先决策方法，在机器人工作的间隙，即非工作状态下，通过发育网络中间层神经元的侧向激励机制，在发放的神经元周围激活(或招募)更多的神经元来存储类似的环境位置信息，并将这些位置信息与机器人最佳的运动方向预先建立联系，当机器人在后续环境认知过程中，遇到类似的环境位置信息时，机器人就可以从已经学习的知识中，迅速确定运动方向，提高行为决策的效率。

本发明提供了一种基于发育网络的移动机器人运动方向预先决策方法，包括以下步骤：

1)发育网络的创建、训练和测试；

发育网络分为三层：X层、Y层、Z层；X层作为网络输入层，其神经元个数与输入矩阵元素个数相同；Y层为中间层，设置了10000个神经元，用于存储知识；Z层作为动作输出层，每个神经元分别代表8个方向之一；