基于神经网络的机器人运行自动化控制方法研究

基于神经网络的机器人运行自动化控制方法研究

廖辉

身份证号：430524199311305274

摘要：对于目前现有的智能语音机器人来说，为了其更加适应各种各样复杂的作业环境，在执行作业时具有更多的自主选择性，需要对其运行路径、速度等进行自动化控制研究，这在侧面提高了机器人控制的难度。分析当运行轨迹不同时智能语音机器人左、右轮速的函数关系，保证运行过程中效率最大化;凭借短时能量、短时平均过零率将语音命令从背景中分离，明确命令帧长度，通过不断修改BP神经网络算法的阈值和权值，尽可能地缩减控制误差，提高网络模型的收敛速度;机器人在接收到语音指令后，及时调整左、右轮速，自主化完成作业任务。将所提方法与其他方法展开对比实验测试，结果表明，所提方法可有效规避障碍物，并且在起始点与目标点之间选择一条最短路径，同时保证控制时间和控制误差为最低。

关键词：神经网络；机器人运行；自动化控制

引言

近年来，随着劳动成本的增加，在许多制造业中，机器人正在逐步替代人类去执行相应的工作任务。特别是人类在探索太空，海洋、核环境等危险环境中，通过远程操控机器人可以完成复杂的工作任务。但是，我国机器人技术研究起步太晚，与发达国家先进机器人相比，还存在一定的差距。国外对机器人先进技术也采取了保密和垄断措施，这也导致了机器人研发面临各种困难。机器人在运动过程中，需要各个关节相互配合完成某一特定任务，除了要克服自身重力外，还要保持负载的平衡。若控制系统设计不当，就会造成机器人发生振动现象，失去稳定，导致机器人末端运动轨迹产生较大的误差问题，轻者损坏加工产品，重者造成严重的财产损失。基于上述原因，必须加快机器人技术自主研发技术，打破国外机器人先进技术的垄断，促进国际社会的共同发展。

1机器人运动轨迹

为了控制机器人位置，必须知道操纵器的动力学特性，以确定驱动它所必须施加的力的大小:力不足意味着操纵器反应太慢。过大的力会使机器人与外部物体碰撞或在所需位置附近振荡。由于系统具有大量的自由度和非线性。机器人的动力学模型包括产生扭矩的动态执行器控制机器人和链的动力学，将动力传输到给出的执行器连杆。将采用第1、第2和第3个运动关节对机器人进行建模，机器人动力学要求施加可实现的轨迹。位置、速度和加速度的连续性使机器人能够通过控制装置继续沿着轨迹运行。

2智能语音

机器人语音识别智能语音机器人通过识别人类语音，执行相应操作，具备了一定的自我学习能力，而且随着时间的推进，机器人会越来越智能。这离不开语音识别系统的作用，从根本上来说属于多维模式识别系统的一种。语音识别从获取到人类语言、进行相应的预处理、提取出重点词汇、最后进行模式匹配。语音识别系统最基础、也是最重要的就是语音端点检测技术，从噪声背景中分离出人的语音，并找出这段语音中的起点和终点，保证机器人只提取这部分的信息即可，在一定程度上提高了机器人的效率。语音端点检测主要从以下两方面实现。(1)短时能量语音端点检测针对语音帧长度的不同，会采取相应的处理措施。将Qn定义为语音帧短时平均能量，计算公式为:Qn=∑Qπ－1n=0A2O(t)式中:Qπ表示语音帧的长度;AO(t)表示在t时刻下的加窗语音;n表示正整数。为了提高语音识别效率、明确命令帧长度，将每个点幅值的绝对值进行相加计算，并以该结果作为短时能量值:Qn=∑Qπ－1n=0|A2O(t)|

3基于BP神经网络的智能语音机器人运行自动化控制

完成对智能语音机器人左、右轮速函数关系的明确以及语音识别分析后，为了使机器人运行自动化控制精度更高，该文引入BP神经网络算法。在利用BP神经网络算法进行训练时，首先，将要语音识别内容和存储的标准命令输入到模型中进行机器人相应行为的控制，设定合适的结构层次，并对上一次迭代中的阈值和权值做出修改。按照从上到下的顺序，逐层对神经元的数值进行计算;然后，再次修改上一次迭代中的阈值和权值，从最底层开始，向上逐层计算修改后的阈值和权值对控制误差产生的影响;最后，不断进行迭代循环，直至算法收敛为止。通过BP神经网络对语音指令的训练后，机器人的自动化控制点全部被包含在不等约束的范围之内，通过修改模型的权值和阈值，可调整命令执行的结果和精度。BP神经网络模型细分可分为前馈网络模型和后馈网络模型，为了使智能语音机器人运行自动化控制精度更高，综合对比之下，该文选择前者作为自动化控制的实现方法。当进行到第n次迭代时，将第j个单元的期望输出设定为yj(n)，即可得到该单元的语音命令dj(n)和输出运行之间的控制误差信号为:ej(n)=dj(n)－yj(n)(10)将控制误差信号的平均误差设定为12e2j(n)，那么，模型输出端的平方误差瞬态值为:ε(n)=12∑j∈me2j(n)假设待训练样本数量为∂个，对平均误差12e2j(n)再次计算均值，得到:εAV=1n∑∂n=1ε(n)=12∂∑∂n=1∑e2j(n)(12)式(12)表示若干个前馈网络层次叠加在一起的目标函数。对BP神经网络的模型权值做出调整，将Qji定义单元i单元j之间的连接权值，那么有:ΔQji=－ηδi(n)yi(n)(13)式中:η表示模型学习步长;δi(n)表示局部梯度值，正、负表示不同的梯度下降方向。为了使BP神经网络模型的收敛速度得到进一步提升，该文将LM算法引入其中。LM算法表达式为:c=(z－1)=c(z)－(JTJ+uI)－1JTf式中:J表示近似海瑟矩阵;f表示误差;I为误差矩阵;u表示误差系数;T表示迭代周期;z表示原始收敛次数。在循环迭代过程中，当u的值开始减小说明算法迭代成功，当u的值开始增加说明算法误差性能也在增加。BP神经网络算法实现智能语音机器人自动化控制主要是通过不断地训练和学习。训练和学习过程中尽可能地降低控制误差，令采集信号与参考模板信号之间的对比结果更接近于期望值，保证机器人精准识别语音指令内容。参考模板中的语音指令，需要预先在机器人的程序中进行设定，每个语音指令对应一个动作，使机器人在接收到语音指令后，可快速解读，及时调整左、右轮速，自动完成相应的作业任务。

4实验测试

4.1实验环境

为了验证该文方法在实际应用中是否同样合理有效，对其展开了相关的实验测试。实验中选择的智能语音机器人为Hilare－type型两轮语音机器人，实验环境包含起始点、目标点以及障碍物在内，其中，黑色方块表示障碍物。选取了6名实验人员(3男3女)，发出不同长度的语音帧指令，控制机器人运行。

4.2实验结果及分析

首先，对该文方法识别实验人员的语音指令进行测试，无论实验人员说的长语音帧还是短语音帧，该文方法都实现了精准识别，得到了较为理想的识别率。不仅如此，在识别长词时，该文方法识别到均为完整的语音，没有出现漏识别的情况。

结束语

智能语音机器人在进行自主作业时，可以预先在其内部设定好相关程序，通过BP神经网络算法实现机器人运行自动化控制。在语音机器人作业时，应对其作业环境进行实时监测，避免因环境因素导致作业质量、效率下降。

参考文献

［1］刘瑜．交互式视音频在智能采摘机器人自动化系统中的应用［J］．农机化研究，2020，42(12):241－245．

［2］王晓华，要鹏超，马丽萍，等．车间环境下机器人语音控制的特征提取算法［J］．西安电子科技大学学报，2020，47(02):16－22．

［3］张洪瑶，赵吉宾，赵敬川，等．基于模糊PID的力/位混合控制机器人自动化叶片磨削加工［J］．组合机床与自动化加工技术，2021(11):147－150+155．

［4］王玲维，王华．挖掘机器人的系统建模与自动化控制———评《挖掘机器人系统建模、辨识与运动控制》［J］．矿业研究与开发，2020，40(07):183．

［5］王清峰，陈航，陈玉涛．钻孔机器人钻进工况智能感知与自适应控制机理研究［J］．矿业安全与环保，2021，48(03):1－5．

［6］刘勇，蒋沛阳，孙博熙，等．基于DDPG－PID的机器人动态目标跟踪与避障控制研究［J］．南京航空航天大学学报，2022，54(01):41－50．