基于BP神经网络PID控制的移动机器人避障研究.docx

?

?

基于BP神经网络PID控制的移动机器人避障研究

?

?

韩军政马军桑和成

摘要

针对传统PID控制不能实现移动机器人在避障中参数的自整定、响应慢等问题，本文提出一种BP神经网络PID控制方法，利用BP神经网络学习算法实现了PID三个参数的在线自整定。仿真实验表明，BP神经网络PID控制具有更快的响应速度、无明显超调、控制精度高，能满足机器人避障运动的控制要求。

关键词

避障;自整定;BP神经网络

：TP183;TP242：A

DOI：10.19694/j.cnki.issn2095-2457.2020.03.014

0引言

随着智能机器人技术的快速发展，移动机器人得到了广泛的应用。移动机器人在进行避障时选择的算法不同，文献[1]提出了一种神经网络控制的机器人避障运动方法，用于障碍物识别和避障;文献[2]提出了一种BP神经网络PID控制器设计的方法，可以实现参数的在线自我调整，控制效果优于传统方法。根据移动机器人在避障过程中的实际需求，传统控制算法很难达到精确控制，本文给出了一种BP神经网络PID的控制方法，为移动机器人实时避障提供了一种新的控制方法。

1BP神經网络PID控制器设计

PID控制器是使用最广泛的控制器，它操作简单方便，控制精度较高。而移动机器人避障系统是一个复杂的控制对象，无法建立精确的数学模型，传统PID控制就不能满足实际需要。针对移动机器人避障运动复杂性特点，将神经网络与传统PID控制相结合，既能体现神经网络的灵活性强和自适应学习能力好的一面，又具有PID控制器精度高的优势，在一定程度上能增强避障运动系统的自适应能力。BP神经网络PID控制器由两部分构成：（1）传统PID控制器，它是一个闭环控制系统，根据被控对象反馈的信息逐步减小误差，使输出量满足期望值;（2）BP神经网络：有着很好的自学习能力，能实时调整PID控制器的输出参数，不断地学习、减小误差，可以实现输出量的最优化，即PID控制器的三个参数Kp，Ki，Kd。神经网络经过自身的在线学习、权值系数不断地修正，使得运动控制系统能在很短的时间内达到稳定状态。

2移动机器人避障运动控制策略

移动机器人按一定的速度直线行走，当位于前端的传感器检测到正前方有障碍物时，路况信息会反馈给机器人，其控制模块的微处理器会产生新的PWM信号，通过电动机驱动模块来控制电动机的速度和转向。电机转动后，霍尔传感器将会检测到电机的脉冲数并将其重新传输到控制模块，控制模块计算出车轮的实际转速，再把实际转速与预定转速的差值输入到神经网络PID控制器中，经神经网络PID算法学习后，给控制器输出新的PWM占空比再次控制电机，使输出的实际转速与预定转速一致。神经网络PID控制的基本思想是将闭环系统反馈回来的实际运动速度与预定速度进行比较，并将其速度偏差作为输入量送入BP神经网络PID控制器中，经过神经网络的学习算法训练后，系统会快速的响应达到稳定状态，在此状态下输出最优的控制参数，从而实现参数的在线自我整定。这种模型控制方法大大提高了机器人避障的灵活性和精确性，对移动机器人直线运动的精度有了很大的改善。

3仿真与分析

仿真实验时，初始化每个参数，对神经网络的输入、输出权值进行赋值。在多次训练后，选取惯性系数α=0.1，学习速率η=0.25;设置采样周期ts=0.001s，步长k=1000。根据达到设置误差的时间长短来判断神经网络的训练步数。本文以无刷直流电机的二阶传递函数为被控对象，电机的传递函数为：

G（s）=

对PID控制器的各个参数系数赋值，kp=0.05、ki=0.03、kd=0.01。Matlab仿真结果如图1-2所示。对比图1和图2，可以得出BP神经网络PID的控制效果好于传统的PID控制。根据系统达到稳定的时间判断训练步数可知，BP神经网络PID控制在第50步时响应值为1，无明显超调;传统PID控制的系统振荡了两次，最大超调量为21%，并在第100步时达到响应值为1。从误差曲线中可以看出，系统达到稳定时，BP神经网络控制器响应较快，误差变化率较小。因此得出结果，BP神经网络PID控制算法具有较高的响应速度和较强的在线学习适应能力。

4结论

文中提出的基于BP神经网络PID控制方法克服了传统PID控制效果不良及参数整定困难等缺陷，实现了BP神经网络PID控制的快速高效、参数实时整定和最优的控制输出;能满足移动机器人避障运动的控制要求，具有一定的现实应用价值。

参考文献

[1]张素芹.机器人BP神经网络避障控制模型构建及仿真[J].西安工业大学学报，2015，35（08）：678-682.

[2]张永振，苏寒松，刘高华，廖泽龙.基于BP神经网络的PID控制器参数调整[J].南开大学学报（自然科学版），2018，51（03）：26-30.

?