用CNN实现CPG的理论及其机器人步态控制器的研究

论文摘要

用细胞神经网络(CNN)模拟中枢模式发生器(CPG)实现机器人运动控制是目前国际上机器人领域的一个研究热点。本文在阐述了这一研究课题基本原理的基础上,研究了一种集成的遗传算法(EGA)并用来进行CNN细胞参数模板设计,为CPG的实现提供了一种新思路。针对传统的CNN难于理论研究的缺点,利用非极性双曲函数代替传统CNN中的分段线性输出函数,构成了新的CNN。从理论上证明了新的细胞状态方程存在稳定的周期解,计算出了状态方程产生分支时偏置量的值,得出了网络偏置量的改变会影响状态方程振荡周期的结论,从而可以为通过CNN产生不同的CPG模式提供理论依据,本文通过计算机仿真验证了所得结论的正确性。进而,建立了基于CNN和模糊控制的CPG模型实现机器人的运动控制,利用模糊神经网络(FNN)整合系统运行过程中的控制误差。文中提出了CNN系统稳定的概念并给出了评估函数,为控制器的设计提供了评价标准;引入遗传算法为FNN提供了大量可靠的训练数据。仿真结果表明,本文建立的控制器具有较强的自适应性和抗干扰能力,同时保持了控制器可以通过硬件电路实现的优点。

论文目录

• 目录
• 摘要
• Abstract
• 第一章 绪论
• 1.1 课题的目的、意义及主要内容
• 1.2 国内外的研究现状和进展
• 1.2.1 足式机器人传统的运动控制策略
• 1.2.2 CPG控制策略及其研究现状
• 1.2.3 CNN的研究现状
• 1.3 利用 CNN实现 CPG的基本原理及不足
• 1.4 本文结构安排
• 第二章 CPG、CNN和 GA算法
• 2.1 中枢模式发生器
• 2.2 细胞神经网络
• 2.2.1 CNN原型
• 2.2.2 两层细胞神经网络
• 2.2.3 两层CNN和CPG
• 2.3 遗传算法
• 第三章 基干集成遗传算法的模板设计
• 3.1 CNN状态方程的求解
• 3.2 细胞参数模板的设计
• 3.2.1 集成遗传算法
• 3.2.2 适应度函数的设计
• 3.2.3 算法的实现
• 3.3 仿真试验
• 3.4 本章小结
• 第四章 CNN的理论研究
• 4.1 稳定性分析
• 4.2 网络偏置量的研究
• 4.3 试验仿真
• 4.4 本章小结
• 第五章 基于 CNN和模糊控制的 CPG控制器
• 5.1 网络稳定性评估
• 5.2 控制策略
• 5.2.1 模糊逻辑控制器
• 5.2.2 调整器
• 5.3 实验仿真
• 5.4 本章小结
• 第六章 改变控制器输出模式的研究
• 6.1 通过改变网络偏置量产生不同的模式
• 6.2 通过改变网络结构和网络连接产生不同的模式
• 6.3 本章小结
• 第七章 总结
• 参考文献
• 致谢