神经网络用于智能车控制的一点心得
说了半天,小车控制算法要解决的问题是: 输入——>控制模型——>输出控制参数。
2 WJ本人对神经网络用于小车控制的一点思考。
(1)不要指望神经网络的实时性。神经网络最要命的耗费时间是训练,神经网络在车运行时进行一两次成功的训练即可。在小车跑直线时通过获得的数据训练,因为直线时CPU会有空闲时间。另外,相信大家经常用拨码开关去选择多种控制决策,这不失一种方法。但是,这个控制决策是死的,也是事先规划好的,必定不能适应新的KT板的各种路径。
(2)最好用片内FLASH或SD卡,数据的处理是很重要的,数据也非常宝贵的,把数据存起来,传给PC,OFFLINE时研究神经网络的算法(有无数种训练算法),这是其一。其二,训练好的网络存在SD卡里,下次如果需要再训练,从老的网络开始(一般网络权值是随机开始),效率会高很多。
(3)正如数据融合一样,有决策层和数据层的融合,神经网络也一样,有决策层和数据层的运用。由于小车的路径是连续的,那么数据层的神经网络肯定是用得着的。在图像采集里,一般是40mS采集一次路径并做控制判决,那么这40mS的时间不够用怎么办?大家常用的一种方法是干脆80mS采集一次。我的建议是前60ms采集一次图像并作控制决策。后20ms运用前4Oms提取的路径信息并用神网预测路径的变化,这么一来相当于在20ms的时间里采集了一次图像。可想而知,效率提高了。
(4)上面是从数据层采用神经网络,这里讲一下从决策层采作神经网络。举个例子,假如控制器的输出-3 -2 -1 0 1 2 3分别代表舵机左偏30,左偏20,左偏10,直行,右偏10,右偏20,右偏30,而小车前7次的控制决策是:直行,右偏10,直行,左偏10,直行,右偏10,直行,(0 1 0 -1 0 1 0 )。。。。,那么第8次的决策通过神网应该就是左偏(-1)。如果实际需要的不是左偏的话,就应该把神网“惩罚”一下。
(5)寻找合适的误差阈值。小车寻迹不像激光切割,精度要求并不高。其训练的误差值可以“商量”的。
(6)神网的训练数据不是抓到一个就可以的,是要选择的。但这个选择也是要耗时间的,如果是在PC上,FCM(模糊聚类)是不错的选择。但是MCU是扛不起这个重任的,于是选择合适的训练数据和目标数据也是一个重要的研究话题。这里,如何优化神网输入不是重点,略过。
(7)重视归一化处理和神经网络训练算法。这两点很重要,归一化可以理解为把(100 45 -67 90)归一化为(1 0.45 -0.67 0.9),好处是改进数据的规范性,加快收敛。另外训练算法的重要性不言而喻,如用梯度下降法训练法使误差达到最小,什么是梯度下降法呢?打个比方,你要下山,山前的坡度是30度,山后是悬崖坡度是90度,要下山快,当然是找坡度大的直接跳。这个下山坡度和训练梯度是同一个含义
(8)个人觉得利用神经网络进行速度控制有较大优势,比PID控制起来精度会有些缺陷,但速度快。由于摩阻力,小车动力性能,小车驱动性能,电池等原因,需要对速度闭环控制。假如:小车以单位时间10ms为节拍,速度从X1m/s->Y1m/s,需要PWM为d1%占空比,速度从X2m/s->Y2m/s,需要PWM为d2%占空比.......速度从Xn m/s->Yn m/s,需要PWM为dn%占空比,那么以(X,Y)为训练输入,(D)为训练输出,建立神经网络并训练,那么建立起PWM和速度控制之间的关系是非常轻易的事。
神经网络智能车控 相关文章:
- Windows CE 进程、线程和内存管理(11-09)
- RedHatLinux新手入门教程(5)(11-12)
- uClinux介绍(11-09)
- openwebmailV1.60安装教学(11-12)
- Linux嵌入式系统开发平台选型探讨(11-09)
- Windows CE 进程、线程和内存管理(二)(11-09)