[发明专利]基于认知网络的机器人避障方法

权利要求书

1.基于认知网络的机器人避障方法，其特征在于：包括构造认知网络集，在机器人的感知空间中利用短时记忆、整合长时记忆对认知网络集进行发育学习，并采用动态进化方法在认知网络集中进行多样性搜索，扩展认知网络集的规模，寻找更合理的认知网络集来完成避障行动；

具体包括以下步骤：

步骤一、构造认知网络集：认知网络集包括若干个认知网络，认知网络包括感知层、处理层、推理层、思维层和行动层，层内和层间由若干节点连接而成，连接不存在权重；初始的认知网络集中只有一个认知网络，所述认知网络只有感知层、思维层和行动层；

感知层用来接收外界输入，保存规整化数据，所述的外界输入包括对各个方向障碍物距离的感知输入、自身姿态的感知输入、自身动作的感知输入和外界奖励输入；处理层用来以感知层和处理层的其它节点作为输入并完成处理；推理层用来表征关于观察空间的知识，帮助动态认知网络作出最终决策；思维层用来作出决策；行动层根据决策动作控制机器人执行部件完成动作输出；

步骤二、发育学习认知网络：对认知网络集中的每一个认知网络，利用感知层和处理层的短时记忆，整合长时记忆，构造推理层的推理节点以及观察空间；并根据环境输入构造和/或调整推理层的推理节点中的推理场景；

步骤三、推理和决策：对认知网络集中的每一个认知网络，思维层在观察空间内随机选择若干个可执行的假想动作，对每一个假想动作，结合最新观察值匹配最近似的推理场景，计算每个推理场景的平均评估值，并选择获得评估值最大的假想动作作为实际决策动作，输出给行动层，行动层根据实际决策动作完成避障行动；

步骤四、决策评估：对认知网络集中的每一个认知网络，计算每一个推理场景的准确度和评估值属性；

步骤五、动态进化：在认知网络集中进行多样性搜索，通过种群扩展的动态进化方法逐步构造、扩展和完善认知网络集的规模；

步骤六、回到步骤二，直到所有避障任务都完成。

2.根据权利要求1所述的基于认知网络的机器人避障方法，其特征在于：所述步骤一中的处理层的处理节点包括：

差值处理节点，用来计算任两个节点在当前时刻的输入值的差值；

均值处理节点，用来计算任意多个有限输入节点在当前时刻输入值的均值；

速率处理节点，用来计算任一个节点在t时刻和t-1时刻输入值的差值。

3.根据权利要求1所述的基于认知网络的机器人避障方法，其特征在于：所述步骤一中的推理层由推理节点构成，构成方法包括：设定认知网络有N个感知节点和M个处理节点，将所有感知节点和处理节点统一称为输入节点INPUTS，

推理层的推理节点INF定义为:

C₁₁(t-f1),C₁₂(t-f2),...,C_1p(t-fp)＝C₂₁(t),C₂₂(t),...,C_2q(t)；

其中C₁₁,C₁₂,...,C_1p称为INF的前置条件输入节点，C₂₁,C₂₂,...,C_2q称为INF的后置输入节点，C_ij(t-fj)表示在输入节点i上附加的时间戳为t-fj，t为当前时刻，t-fj为当前时刻之前的某一时刻，这里i∈{1，2，...p},j∈{1，2，...，q}，t-fjT，T为短时记忆容量；

推理节点INF中的第k个推理场景为：

其中k∈{1，2，...，M}k∈{1，2，...，M},M为INF中所有推理场景的数量，分别为节点C_1i在t-fi时刻的值，分别为节点C_2j在t时刻的值，t表示当前时刻，每个推理场景代表一个高斯分量，推理节点根据感知层和处理层的短时记忆数据更新混合高斯模型，当混合高斯模型趋于稳定时，构成观察空间的分布特征。