一种机器人控制器设计方法技术

本发明专利技术提供了一种机器人控制器设计方法，用于针对传感器数量会变化的形态可变机器人对应的神经网络控制器进行设计从而使得神经网络控制器控制形态可变机器人完成任务，其特征在于，包括如下步骤：步骤S1，形态可变机器人通过预定数量的传感器获取接收值；步骤S2，将接收值输入预定的最优神经网络控制器并将输出作为形态可变机器人的电机转速从而控制形态可变机器人完成任务。其中，最优神经网络控制器通过预定的编码方法得到。编码方法包括如下步骤：先对所有传感器编号，进而利用进化算法按照传感器编号依次对不同形态下的神经网络控制器的网络结构进行进化，最后得到最优神经网络控制器。

【技术实现步骤摘要】
一种机器人控制器设计方法
本专利技术涉及自适应控制系统
，具体涉及一种机器人控制器设计方法。
技术介绍
机器人控制器的设计是机器人领域的核心问题之一，机器人需要感知周围环境从而产生合理的动作。现有的控制器设计都是在形态固定的情况下进行的，而机器人合理动作的产生不仅仅依赖于控制器，也依赖于机器人的形态，不同环境中的适用形态是不同的，例如模块化机器人在完成不同任务时的适用形态并不相同。传统的机器人控制器设计是在机器人形态固定的情况下进行的，这使得机器人控制器局限于特定形态，同时影响了优化空间。理想情况下，机器人的形态可以随着环境的变化而改变，不断适应环境。这就要求在设计控制器的过程中，将机器人的形态变化也考虑进来，使得控制器具备形态自适应的能力，而不仅仅只是针对固定结构进行设计。现有的形态可变机器人设计集中在模块机器人[1]上，而没有拓展到其他常见的机器人形态，并且缺少相应的针对形态可变机器人的控制方法。参考文献[1]WeelB,D'AngeloM,HaasdijkE,etal.Onlinegaitlearningformodularrobotswithar-bitraryshapesandsizes[J].Artificiallife,2017,23(1):80-104.
技术实现思路
为解决上述问题，提供了一种使用进化算法来使得机器人中的神经网络控制器能够渐进式学习其不同形态从而考虑到了机器人的形态变化的控制器设计方法，本专利技术采用了如下技术方案：本专利技术提供了一种机器人控制器设计方法，用于针对传感器数量会变化的形态可变机器人对应的神经网络控制器进行设计从而使得神经网络控制器控制形态可变机器人完成任务，其特征在于，包括如下步骤：步骤S1，形态可变机器人通过预定数量的传感器获取接收值；步骤S2，将接收值输入预定的最优神经网络控制器并将输出作为形态可变机器人的电机转速从而控制形态可变机器人完成任务，其中，最优神经网络控制器通过预定的直接编码得到，直接编码包括如下步骤：步骤T1，对形态可变机器人中所有传感器进行编号得到传感器编号；步骤T2，按照传感器编号令一个传感器暂停工作，并将剩下的传感器设定为工作传感器；步骤T3，根据工作传感器构建神经网络控制器；步骤T4，利用预定的第一进化算法对神经网络控制器的初始网络结构进行优化，直到达到预定的进化代数，并将最后一代得到的初始网络结构作为进化网络结构进行保存；步骤T5，判断传感器编号是否为最大值，判断为否时，将进化网络结构作为新的初始网络结构，并重复步骤T2至步骤T5进行进化；步骤T6，在步骤T5判断为是时，根据所有传感器构建新的神经网络控制器，并将进化网络结构作为新的神经网络控制器的网络结构；步骤T7，利用第一进化算法对网络结构进行优化，直到达到进化代数，并从该进化过程中生成的多个网络结构中找出最优的网络结构作为最优网络结构；步骤T8，根据最优网络结构确定对应的神经网络控制器，并作为最优神经网络控制器输出。根据本专利技术提供的一种机器人控制器设计方法，还可以具有这样的技术特征，其中，第一进化算法为神经进化算法或EA算法簇中的任意一种。根据本专利技术提供的一种机器人控制器设计方法，还可以具有这样的技术特征，其中，神经进化算法为NEAT。本专利技术提供了一种机器人控制器设计方法，用于针对传感器数量会变化的形态可变机器人对应的神经网络控制器进行设计从而使得神经网络控制器控制形态可变机器人完成任务，其特征在于，包括如下步骤：步骤S1，形态可变机器人通过预定数量的传感器获取接收值；步骤S2，将接收值输入预定的最优神经网络控制器并将输出作为形态可变机器人的电机转速从而控制形态可变机器人完成任务，其中，最优神经网络控制器通过预定的间接编码得到，间接编码包括如下步骤：步骤E1，对形态可变机器人中所有传感器进行编号得到传感器编号；步骤E2，按照传感器编号令一个传感器暂停工作，并将剩下的传感器设定为工作传感器，将该工作传感器在形态可变机器人中的位置作为工作传感器位置进行记录；步骤E3，将工作传感器位置以及形态可变机器人中的电机位置作为基底；步骤E4，根据基底构建CPPN；步骤E5，利用预定的第二进化算法对CPPN中的初始网络结构进行进化，直到达到预定的进化代数，并将最后一代得到的多个初始网络结构作为进化网络结构进行保存；步骤E6，判断传感器编号是否为最大值，判断为否时，将进化网络结构作为新的初始网络结构，并重复步骤E2至步骤E6进行进化；步骤E7，在步骤E6判断为是时，根据所有工作传感器位置对应的基底构建新的CPPN，并将进化网络结构作为该新的CPPN的网络结构；步骤E8，利用第二进化算法对网络结构进行优化，直到达到进化代数，并在该过程中找出最优的网络结构作为最优网络结构；步骤E9，根据最优网络结构确定CPPN的网络结构，并作为最优CPPN输出；步骤E10，将使用状态下形态可变机器人对应的基底输入最优CPPN生成最优神经网络控制器。根据本专利技术提供的一种机器人控制器设计方法，还可以具有这样的技术特征，其中，第二进化算法为HyperNEAT。专利技术作用与效果根据本专利技术的一种机器人控制器设计方法，由于按照传感器编号令一个传感器暂停工作，进而利用进化算法对神经网络控制器的初始网络结构进行优化，直到达到预定的进化代数，并将最后一代得到的初始网络结构作为进化网络结构进行保存，因此进化网络结构中包括了缺失该传感器的机器人的形态信息。又由于对每个传感器暂停工作时对应的机器人形态都利用进化算法进行进化，直到达到预定的进化代数，并且是在上一个形态输出的进化网络结构上进行进化，因此，最后得到的进化网络结构兼具形态可变机器人除了正常形态外的所有形态信息。另外，由于根据所有传感器构建新的神经网络控制器，并将进化网络结构作为新的神经网络控制器的网络结构，进而利用进化算法对网络结构进行优化，直到达到进化代数，并从该进化过程中生成的多个网络结构中找出最优的网络结构作为最优网络结构，进一步，根据最优网络结构确定对应的神经网络控制器，并作为最优神经网络控制器输出，因此，最后得到的最优神经网络控制器兼具了所有形态，健壮性好，自适应形态变化能力强。本专利技术的机器人控制器设计方法能够使得形态可变机器人具备较高的自适应能力，与机器人形态固定情境下设计的控制器相比，具有更大的优化空间，实用性更强。附图说明图1为本专利技术实施例的直接编码的流程图；图2为本专利技术实施例的神经网络交叉过程的示意图；图3为本专利技术实施例的神经网络交叉后的神经元状态的示例图；图4为本专利技术实施例的间接编码工作流程的示意图；图5为本专利技术实施例的间接编码的流程图；图6为本专利技术实施例的形态可变机器人外形示意图；图7为本专利技术实施例的对比实验中进化过程的示意图；图8为本专利技术实施例的形态可变机器人任务过程的示意图；图9为本专利技术实施例的实验结果对比图；以及图10为本专利技术实施例的基于适应度值的机器人位置示意图。具体实施方本文档来自技高网...

【技术保护点】
1.一种机器人控制器设计方法，用于针对传感器数量会变化的形态可变机器人对应的神经网络控制器进行设计从而使得神经网络控制器控制形态可变机器人完成任务，其特征在于，包括如下步骤：/n步骤S1，所述形态可变机器人通过预定数量的所述传感器获取接收值；/n步骤S2，将所述接收值输入预定的最优神经网络控制器并将输出作为所述形态可变机器人的电机转速从而控制所述形态可变机器人完成所述任务，/n其中，所述最优神经网络控制器通过预定的直接编码得到，/n所述直接编码包括如下步骤：/n步骤T1，对所述形态可变机器人中所有所述传感器进行编号得到传感器编号；/n步骤T2，按照所述传感器编号令一个所述传感器暂停工作，并将剩下的所述传感器设定为工作传感器；/n步骤T3，根据所述工作传感器构建所述神经网络控制器；/n步骤T4，利用预定的第一进化算法对所述神经网络控制器的初始网络结构进行优化，直到达到预定的进化代数，并将最后一代得到的所述初始网络结构作为进化网络结构进行保存；/n步骤T5，判断所述传感器编号是否为最大值，判断为否时，将所述进化网络结构作为新的初始网络结构，并重复所述步骤T2至所述步骤T5进行进化；/n步骤T6，在所述步骤T5判断为是时，根据所有所述传感器构建新的神经网络控制器，并将所述进化网络结构作为所述新的神经网络控制器的网络结构；/n步骤T7，利用所述第一进化算法对所述网络结构进行优化，直到达到所述进化代数，并从该进化过程中生成的多个所述网络结构中找出最优的网络结构作为最优网络结构；/n步骤T8，根据所述最优网络结构确定对应的所述神经网络控制器，并作为所述最优神经网络控制器输出。/n...

【技术特征摘要】
1.一种机器人控制器设计方法，用于针对传感器数量会变化的形态可变机器人对应的神经网络控制器进行设计从而使得神经网络控制器控制形态可变机器人完成任务，其特征在于，包括如下步骤：
步骤S1，所述形态可变机器人通过预定数量的所述传感器获取接收值；
步骤S2，将所述接收值输入预定的最优神经网络控制器并将输出作为所述形态可变机器人的电机转速从而控制所述形态可变机器人完成所述任务，
其中，所述最优神经网络控制器通过预定的直接编码得到，
所述直接编码包括如下步骤：
步骤T1，对所述形态可变机器人中所有所述传感器进行编号得到传感器编号；
步骤T2，按照所述传感器编号令一个所述传感器暂停工作，并将剩下的所述传感器设定为工作传感器；
步骤T3，根据所述工作传感器构建所述神经网络控制器；
步骤T4，利用预定的第一进化算法对所述神经网络控制器的初始网络结构进行优化，直到达到预定的进化代数，并将最后一代得到的所述初始网络结构作为进化网络结构进行保存；
步骤T5，判断所述传感器编号是否为最大值，判断为否时，将所述进化网络结构作为新的初始网络结构，并重复所述步骤T2至所述步骤T5进行进化；
步骤T6，在所述步骤T5判断为是时，根据所有所述传感器构建新的神经网络控制器，并将所述进化网络结构作为所述新的神经网络控制器的网络结构；
步骤T7，利用所述第一进化算法对所述网络结构进行优化，直到达到所述进化代数，并从该进化过程中生成的多个所述网络结构中找出最优的网络结构作为最优网络结构；
步骤T8，根据所述最优网络结构确定对应的所述神经网络控制器，并作为所述最优神经网络控制器输出。


2.根据权利要求1所述的机器人控制器设计方法，其特征在于：
其中，所述第一进化算法为神经进化算法或EA算法簇中的任意一种。


3.根据权利要求2所述的机器人控制器设计方法，其特征在于：
其中，所述神经进化算法为NEAT。


4.一种机器人控制器...

【专利技术属性】
技术研发人员：李伟，孙福磊，甘中学，魏秉晟，毕一飞，
申请(专利权)人：复旦大学，
类型：发明
国别省市：上海;31