[论文解读] Motion Planning Of an Autonomous Mobile Robot Using Artificial Neural Network

Gyanendra Nath Tripathi, V. Rihani|arXiv (Cornell University)|Jul 20, 2012

Robotic Path Planning Algorithms参考文献 16被引用 6

一句话总结

本文提出了一种基于人工神经网络（ANN）的自主移动机器人运动规划系统，用于学习和优化直线运动与精确转向决策。经过训练的ANN计算出最优权重并嵌入微控制器中，实现了实时自主导航，在实验验证中表现出色。

ABSTRACT

The paper presents the electronic design and motion planning of a robot based on decision making regarding its straight motion and precise turn using Artificial Neural Network (ANN). The ANN helps in learning of robot so that it performs motion autonomously. The weights calculated are implemented in microcontroller. The performance has been tested to be excellent.

研究动机与目标

• 开发一种基于人工智能的实时、自主运动规划系统，用于移动机器人。
• 使机器人能够通过神经网络训练，学习并适应其运动决策——包括直线运动与精确转向。
• 将学习到的权重在微控制器中实现，以实现嵌入式实时控制。
• 在自主导航任务中验证系统性能。
• 展示在资源受限硬件环境中使用人工神经网络进行低层级机器人运动控制的可行性。

提出的方法

• 使用人工神经网络（ANN）将传感器输入映射到最优运动指令（直线运动或转向）。
• 利用环境条件与对应期望机器人动作的数据集对网络进行训练。
• 将训练得到的网络权重传输并实现于微控制器中，以实现实时执行。
• 机器人根据机载传感器的反馈，基于ANN输出的决策调整运动。
• 系统将硬件（微控制器、电机、传感器）与基于ANN的决策逻辑集成，实现闭环控制。
• 通过在受控环境中预设路径的实验测试评估系统性能。

实验结果

研究问题

• RQ1 人工神经网络能否有效学习并泛化自主移动机器人的运动决策（直线运动与转向）？
• RQ2 训练后的神经网络在微控制器中实现时，其实时运动控制的准确性如何？
• RQ3 基于ANN的系统在导航精度与稳定性方面表现如何？
• RQ4 与传统基于规则的运动规划相比，基于ANN的方法在适应性方面有何差异？
• RQ5 该系统能否在无需为每种场景显式编程的情况下，实现精确转向与直线运动？

主要发现

• 基于ANN的系统成功学习了根据输入条件准确决策直线运动与精确转向的能力。
• 训练后的网络权重已成功实现在微控制器中，支持实时运行。
• 实验结果表明，系统在自主导航任务中表现出色。
• 系统在各种环境输入下均实现了可靠且可重复的运动控制。
• ANN与嵌入式微控制器硬件的集成在实时决策中证明是有效的。
• 该方法在自适应、低成本自主机器人运动规划方面展现出巨大潜力。