此篇博文主要討論神經(jīng)網(wǎng)絡(luò)用在小車控制算法上的可能性以及如何利用神經(jīng)網(wǎng)絡(luò)于小車控制算法。
想必自動化的學(xué)生都對控制模型的建模有很深的印像，有的碩士論文就是研究這些模型。一般用機(jī)理分析法和系統(tǒng)辨識法對實(shí)驗(yàn)數(shù)據(jù)建模，得到傳遞函數(shù)，然后通過調(diào)試實(shí)際系統(tǒng)，從開環(huán)到閉環(huán)，不斷調(diào)整參數(shù)和控制參數(shù)。舉個例子：要建立小車直線、弧線行走的控制模型，即通過實(shí)測數(shù)據(jù)建立驅(qū)動控制和小車轉(zhuǎn)彎偏移量的關(guān)系，那么輸入的參數(shù)是當(dāng)前速度，曲率大小，轉(zhuǎn)彎弧度，最大安全速度，目前偏移角度等等參數(shù)，而輸出的就是目標(biāo)速度，目標(biāo)角度。這個輸入和輸出之間的關(guān)系就是控制模型，一般也叫控制器。小車跑得快，跑得穩(wěn)，主要就是這個”控制器“，控制器擬合得好，適應(yīng)性強(qiáng)，OK，成績就不差。
說了半天，小車控制算法要解決的問題是: 輸入——>控制模型——>輸出控制參數(shù)。
按一般的方法，控制模型的建立需要大量數(shù)據(jù)，離線在線都必需調(diào)試多遍，系統(tǒng)的適應(yīng)性不佳。而嘗試神經(jīng)網(wǎng)絡(luò)，這些問題就都可以很大程度地避免了。
1 首先，有必要介紹一下神經(jīng)網(wǎng)絡(luò)，到底神經(jīng)網(wǎng)絡(luò)是干什么用的，如何用。神經(jīng)網(wǎng)絡(luò)的理論并不復(fù)雜，我想是有些書或論文把簡單問題復(fù)雜化了。大家不要對它恐懼。一堆數(shù)據(jù)A，通過一個NET不斷調(diào)整，得到另一堆數(shù)據(jù)B。而A和目標(biāo)結(jié)果數(shù)據(jù)C都是已知的，NET是未知的，這個調(diào)整NET的過程就是訓(xùn)練，NET訓(xùn)練好的結(jié)果是使B和C的誤差最小，誤差合理就收斂。收斂完了，這個NET就可以用了。神經(jīng)網(wǎng)格的核心就是得到一個NET。控制模型就是一個NET，NET包含很多參數(shù)，如權(quán)值，隱含層數(shù)，訓(xùn)練方法，神經(jīng)元模型，傳遞函數(shù)等，只要建立一個NET，那么輸入和輸出的關(guān)系就建立起來了。
神經(jīng)網(wǎng)絡(luò)主要有兩個作用：一個是分類，另一個是回歸（擬合）。如果把它運(yùn)用于小車控制算法，毫無疑問是用于回歸擬合的功能。回歸什么呢？對，回歸上面所說的控制模型，這個NET就是控制器。
神經(jīng)網(wǎng)絡(luò)用于小車控制算法上的優(yōu)勢比較明顯，模型可以隨時調(diào)整，而且模型不是通過公式表示，只是一個NET來表達(dá)，避免復(fù)雜的參數(shù)調(diào)整和試算過程。通過新的環(huán)境參數(shù)得到新的NET，增強(qiáng)系統(tǒng)的適應(yīng)性。
為什么有些車在自己的場地上跑得好好的，在其它的場地上就不行呢？
為什么有些車不斷地調(diào)整控制模型，控制效果卻不好呢？
如何選擇控制器的輸入?yún)?shù)，參數(shù)的權(quán)重如何介定呢？
。。。。。。。。
一系列的問題，神經(jīng)網(wǎng)絡(luò)可以給大家答案。
2 WJ本人對神經(jīng)網(wǎng)絡(luò)用于小車控制的一點(diǎn)思考。
神經(jīng)網(wǎng)絡(luò)常用的一般有：感知器，BP，HOPFILED，RBF，ANN，ART和Kohonen網(wǎng)絡(luò)。如果不用工具箱函數(shù)（即MATLAB的API函數(shù)），自己寫的話，無所謂，說不定自己可以創(chuàng)造一種網(wǎng)絡(luò)。只要收斂快，計算量小，泛化性能好，網(wǎng)絡(luò)耗費(fèi)資源小就行，話說起來簡單，卻有一定難度。但是小車的需求低，精度無需太高，因此應(yīng)該來說比較容易實(shí)現(xiàn)。
神經(jīng)網(wǎng)絡(luò)比PID，模糊控制，遺傳算法，bangbang等算法，更宏觀，可以理解為從系統(tǒng)整體入手建模。但是正如本博文開頭所說：計算量和收斂性必需保證，神經(jīng)網(wǎng)絡(luò)才有運(yùn)用的可能性。WJ建議從以下幾個方面解決這兩個問題：
（1）不要指望神經(jīng)網(wǎng)絡(luò)的實(shí)時性。神經(jīng)網(wǎng)絡(luò)最要命的耗費(fèi)時間是訓(xùn)練，神經(jīng)網(wǎng)絡(luò)在車運(yùn)行時進(jìn)行一兩次成功的訓(xùn)練即可。在小車跑直線時通過獲得的數(shù)據(jù)訓(xùn)練，因?yàn)橹本€時CPU會有空閑時間。另外，相信大家經(jīng)常用撥碼開關(guān)去選擇多種控制決策，這不失一種方法。但是，這個控制決策是死的，也是事先規(guī)劃好的，必定不能適應(yīng)新的KT板的各種路徑。
（2）最好用片內(nèi)FLASH或SD卡，數(shù)據(jù)的處理是很重要的，數(shù)據(jù)也非常寶貴的，把數(shù)據(jù)存起來，傳給PC，OFFLINE時研究神經(jīng)網(wǎng)絡(luò)的算法（有無數(shù)種訓(xùn)練算法），這是其一。其二，訓(xùn)練好的網(wǎng)絡(luò)存在SD卡里，下次如果需要再訓(xùn)練，從老的網(wǎng)絡(luò)開始（一般網(wǎng)絡(luò)權(quán)值是隨機(jī)開始），效率會高很多。
（3）正如數(shù)據(jù)融合一樣，有決策層和數(shù)據(jù)層的融合，神經(jīng)網(wǎng)絡(luò)也一樣，有決策層和數(shù)據(jù)層的運(yùn)用。由于小車的路徑是連續(xù)的，那么數(shù)據(jù)層的神經(jīng)網(wǎng)絡(luò)肯定是用得著的。在圖像采集里，一般是40mS采集一次路徑并做控制判決，那么這40mS的時間不夠用怎么辦？大家常用的一種方法是干脆80mS采集一次。我的建議是前60ms采集一次圖像并作控制決策。后20ms運(yùn)用前4Oms提取的路徑信息并用神網(wǎng)預(yù)測路徑的變化，這么一來相當(dāng)于在20ms的時間里采集了一次圖像?？上攵?，效率提高了。
（4）上面是從數(shù)據(jù)層采用神經(jīng)網(wǎng)絡(luò)，這里講一下從決策層采作神經(jīng)網(wǎng)絡(luò)。舉個例子，假如控制器的輸出-3 -2 -1 0 1 2 3分別代表舵機(jī)左偏30，左偏20，左偏10，直行，右偏10，右偏20，右偏30，而小車前7次的控制決策是：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次的決策通過神網(wǎng)應(yīng)該就是左偏（-1）。如果實(shí)際需要的不是左偏的話，就應(yīng)該把神網(wǎng)“懲罰”一下。
（5）尋找合適的誤差閾值。小車尋跡不像激光切割，精度要求并不高。其訓(xùn)練的誤差值可以“商量”的。
（6）神網(wǎng)的訓(xùn)練數(shù)據(jù)不是抓到一個就可以的，是要選擇的。但這個選擇也是要耗時間的，如果是在PC上，F(xiàn)CM（模糊聚類）是不錯的選擇。但是MCU是扛不起這個重任的，于是選擇合適的訓(xùn)練數(shù)據(jù)和目標(biāo)數(shù)據(jù)也是一個重要的研究話題。這里，如何優(yōu)化神網(wǎng)輸入不是重點(diǎn)，略過。
（7）重視歸一化處理和神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法。這兩點(diǎn)很重要，歸一化可以理解為把（100 45 -67 90）歸一化為（1 0.45 -0.67 0.9）,好處是改進(jìn)數(shù)據(jù)的規(guī)范性，加快收斂。另外訓(xùn)練算法的重要性不言而喻，如用梯度下降法訓(xùn)練法使誤差達(dá)到最小，什么是梯度下降法呢？打個比方，你要下山，山前的坡度是30度，山后是懸崖坡度是90度，要下山快，當(dāng)然是找坡度大的直接跳。這個下山坡度和訓(xùn)練梯度是同一個含義
（8）個人覺得利用神經(jīng)網(wǎng)絡(luò)進(jìn)行速度控制有較大優(yōu)勢，比PID控制起來精度會有些缺陷，但速度快。由于摩阻力，小車動力性能，小車驅(qū)動性能，電池等原因，需要對速度閉環(huán)控制。假如：小車以單位時間10ms為節(jié)拍，速度從X1m/s->Y1m/s，需要PWM為d1%占空比，速度從X2m/s->Y2m/s，需要PWM為d2%占空比.......速度從Xn m/s->Yn m/s，需要PWM為dn%占空比，那么以（X，Y）為訓(xùn)練輸入，(D)為訓(xùn)練輸出，建立神經(jīng)網(wǎng)絡(luò)并訓(xùn)練，那么建立起PWM和速度控制之間的關(guān)系是非常輕易的事。