The dynamic wave expansion neural network model for robot motion planning in time-varying environments

haremboingΤεχνίτη Νοημοσύνη και Ρομποτική

20 Οκτ 2013 (πριν από 3 χρόνια και 9 μήνες)

230 εμφανίσεις

The dynamic wave expansion neural network model for
robot motion planning in time
-
varying environments


1
-

یساسا میهافم

رد یدیلک تاعوضوم زا یکی تابور یربوان
رایس کیتابور
یم
هداس .دشاب
کی زا هتسویپ یریسم ندرک ادیپ هلأسم نیرت
.تسا یئاهن فده کی هب هیلوا تیعقوم
م
دیاب هک یریس
یم ،دوش هدومیپ تابور طسوت
ریز تایصوصخ یاراد تسیاب
:دشاب



مداصت زا یراع



هنیهب هب کیدزن ای و هنیهب



یعیبط
تابور هدیچیپ یاهتیعقوم رد هک انعم نیدب :
یمن رود دوخ دصقم زا و هدشن مگ
.دتفا


یم ،دنراد دوجو اتسار نیا رد هک ییاهشور
هب دنناوت
هقبط ریز تروص
:دندرگ یدنب

1
-

ةلحرم کی دنمزاین أتدمع اهشور نیا :یرسارس یاهشور
یاهاضف لاصتا زا یفارگ لاثم ناونع هب( شزادرپ شیپ
نآ رد تابور هک یطیحم یلاخ
تسا
یم )
.دنشاب

2
-

یفداصت یاهشور

3
-

کیتنژ یاهمتیروگلا

4
-

یلحم یاهشور
دننام یراکتبا یاهراکهار اهشور نیا :
پ نادیم کی رد نایدارگ نیمخت
یم هئارا لیسنات
.دنهد


2
-

هکبش دربراک
:ریسم نییعت رد یبصع یاه

هکبش
روظنم هب یبصع یاه
نییعت

ریسم
رد گنردلاب تروص هب
یم رارق هدافتسا دروم ناتسیا ریغ یاهطیحم
.دنریگ
کی
تیلاعف زا جاوما رمتسم دیلوت ،رلاکسا لیسناتپ نادیم
.تسا هدش عقاو فده ناکم رد هک تسا ینورون

قبط
ه
یم لوصح لباق رظنم ود زا ریسم نییعت یاهشور یدنب
-
:دشاب

1
-

:طیحم عون

1
)

ناتسیا

2
)

ایوپ

2
-

:طیحم شیامن

1
)

یربج

2
)

هکبش
یا

یاضف
تیعقوم

(
،)

رد هتسسگ یبعکم قوف

تسا

هک

( یدازآ ةجرد
ROF
.تسا )

رد هتسسگ تیعقوم ره

کی هب
یم طبترم نورون
.ددرگ
نورون ره

اب دوخ ناگیاسمه هب
یم لصتم صخشم عاعش کی
ةعومجم هک ددرگ

یم ار
.دزاس
نیگنایم کی ،هکبش کیمانید
زا یریگ
یاهنورون لیسناتپ
.تسا یلحم ةیاسمه
تیلاعف لیسناتپ

هداد صاصتخا ةیلوا
فده ناکم هب هدش
یم عیزوت هکبش رد
.ددرگ
یاهنورون
دوخ یجراخ یاهیدورو رد عناوم ناکم هب هدش هداد صاصتخا
یم تفایرد یفنم ریداقم
.دنیامن
نییعت یارب هلحرم ره
هیاسمه تهج رد ریسم
هک یا
تروص ،دراد ار رادقم ممیزکام
یم
.دریذپ


3
-

:یبصع ةکبش یاهلدم

3
-
1
-

:یتمواقم هکبش

نیرتکیدزن هب نورون ره

یم لصتم هیاسمه
هک ،ددرگ
ةرگ رییغت .تسا تیعضو یاضف دعب ،
ریز تروص هب ما
یم تروص
:دریگ


ف رد سلاپلا ةلداعم یددع نیمخت یانبم رب هک
یدعب ود یاض
.تسا

3
-
2
-

لدم
Glasius
:

یبصع ةکبش
Hopfield

هب نآ کیمانید هک تسا نامز رد هتسسگ
یم فیصوت ریز تروص
:ددرگ





هک

و هدرک دک ار فده و عناوم تیعقوم دروم رد تاعلاطا
یز تروص هب
یم فیرعت ر
:ددرگ



هک

و

.

3
-
3
-

لدم
Yang
:

رییغت لدم زا هک دراد نامز رد هتسویپ یکیمانید
Grossberg

:تسا هتشگ لصاح


هک

،

و
.


مع بیع
یارب هفاضا یشلات دنمزاین هک تسا نیا لدم نیا ةد
.تسا هکبش یاهرتماراپ نییعت

3
-
4
-

لدم
Chen
:

تروص هب شهاک خرن ،ریز کیمانید هب هجوت اب لدم نیا رد
یم باختنا هاوخلد
:ددرگ


عناوم یارب هک

تروصنیا رد و

یدورو .تسا
یجراخ

رفص تروصنیا ریغ رد و تبثم فده نورون یارب
هکبش رد یگیاسمه هکیتروص رد لاصتا یاهنزو .تسا
4
-
دشاب هلاصتا

تروص رد و
8
-
نآ ندوب هلاصتا

.دنتسه


4
-

:جوم کیمانید ةعسوت یبصع ةکبش

جاوما هباشم جوم شرتسگ یهدناماس لدم نیا رد هدیا
یم بآ رد یراشتنا
.دشاب


یم ثرا هب ار هیاسمه کی تیلاعف نورون کی
نآ رگا درب
:هیاسمه



.دشاب فده نورون هب رتکیدزن



رون کی
.دشابن عنام نو



.)دشاب هتشاد تبثم تیلاعف رادقم ،ینعی( دشاب لاعف



یلبق ةلحرم رد ار دوخ تیلاعف ،ینعی( دشاب یقیقح
.)دشاب هدرک ضوع

یم رلاکسا لیسناتپ نادیم کی اهنورون مامت تیلاعف
-
.تساراد ار تبثم ممینیم رادقم فده ناکم هشیمه هک دزاس

فده طسوت هب یرسارس تروص هب تابور

یم بذج
هب و ددرگ
هب عورش ،دسرب نآ ةیلوا ناکم هب جوم نیلوا هکنآ ضحم
یم تکرح
.دنک

و اهنورون مامت تیلاعف رادقم ادتبا رد
هب بستنم کیمانید ساسا رب .تسا رفص لاصتا یاهنزو مامت
یم زیمت لباق نورون هتسد هس ،اهنورون
:دنشاب



( فده
:)



میقتسم ناگیاسمه

(
:)



گید یاهنورون


یم فیرعت ریز تروص هب لاصتا یاهنزو
:دندرگ


:نورون تیلاعف نایرج باختنا یارب زاین دروم طیارش



(a)


.تسین عنام



(
b
)




(
c
)




(
d
)

رگا

هاگنآ ،دشاب

دیاب
.دشاب رارقرب

نیا زا هدافتسا اب ایوپ یاهطیحم رد عنام زا زیهرپ
لاعفریغ نورون کی هک هدیا
،

هدنرادزاب جوم کی راشتنا
ار

یم عورش
یم تروص ،دنک
.دریذپ


Vision based Motion Planning using Cellular
Neural Network



1)
Architecture of Cellular Neural
Networks

Cellular Neural Networks (CNN) and the CNN
universal machine (CNN

UM) were

introduced
in 1988 and 1992, respectivel
y [1]
-
[
2
].

A cellular
neural network (CNN
-

C
ellular
N
eural
N
etwork

[1]) is an analog, nonlinear, dynamic, multi
-

dimensional circuit having locally recurrent
topology. The basic circuit units named cells or
artificial neurons are connected only to its
nei
ghbor units. The basic cellular neural network
[1],[
3
] has a two dimensional rectangular
structure composed from identical, nonlinear
analog circuits (cells) arranged, for example, in
M rows and N columns
.

Due to their locally connections, the field areas
occupied on the chip by the connection wire is
minimized so that these networks could be
implemented in the present VLSI technology [
4
].
Cells that are not directly connected together
may affect each other indirectly because of the
propagation effects of t
he continuous
-
time
dynamics of cellular neural networks.

A CNN is entirely characterized by a set of
nonlinear differential equations associated with
the cells in the circuit. The mathematical model
for the state equation of the single cell C(i,j) is
given by the following set of relations:



where x
ij

denotes the state of the cell C
ij
; y
kl
, u
kl

denote the output and input respectively of cells
C
kl

located in the sphere of influence with radius
r
, S
r
, from C
ij
cell, C
kl



S
r
; A(ij,kl) and, B(ij,kl)
are the feedback and control templat
es
respectively; zij

is the bias term.

In CNN any cell is connected only to its
neighbor cells, i.e. adjacent cells interact directly
with each other. Cells not in the immediate
neighborhood have indirect effect because of the
propagation effects of the dy
namics in the
network. The cell located in the position (
i
,
j
) of a
two dimensional
M
x
N
array is denoted by
C
ij
,

and its
r
-
neighborhood
N
ij

is defined by


Where

the size of the
neighborhood

r
is a
positive integer number. Each
cell has a state
x
, a
constant external input
u
, and an output
y
. The
equivalent block diagram of a continuous time
cell is shown in Figure.


The equation, which expresses the output value
of C
ij

cell, is given in the relation:


Where y
ij

denotes output value of C
ij

State
equation of each cell denoted as:



The matrices
A
(.) and
B
(.) are known as cloning
templates.
A
(.) acts on the output of neighboring
cells and is referred to as the feedback operat
or.
B
(.) in turn affects the input control and is
referred to as the control operator. Of cause,
A
(.)
and
B
(.) are application dependent. A constant
bias
Z

and the cloning templates determine the
transient behavior of the cellular non
-
linear
network. In ge
neral, the cloning templates do not
have to be space invariant, they can be, but it is
not a necessity.

A significant feature of CNN is that it has two
independent input capabilities: the generic input
and the initial state of the cells. Normally they
are
bounded by



When used as an array processing device, the
CNN performs a mapping


Where
F
is a function of the cloning template
(A,
B,
Z
)
. The functionality of the CNN array can be
controlled by the cloning template
A
,
B
,
Z
, where
A
and
B
are (2r+1) x (2
r+1) real matrices and
Z

is a scalar number in two dimensional cellular
neural networks. In many applications,
A(i,j;k,l)
and
B(i,j;k,l)
are space invariant. If
A(i,j;k,l)
==
A(k,l;i,j)
, then the CNN is called symmetrical or

reciprocal
.


2) R
obot

P
ath

P
lan
ning
U
sing

CNN

Environment with obstacles must be divided into
discrete images. Represent the workspace in the
form of M × N cells. Having the value of the
pixel in the interval [
-
1
, 1
].

Binary image
represents obstacle and target and start positions.



The flowchart of motion tracking in proposed
algorithm
is:


Distance evaluation between free points from the

workspace and the target point
using

the
template
explore.
tem
.
a
is a nonlinear function,
and

depends on the difference y
ij
-
y
kl
.



We use p
ath planning method through
successive
comparisons in which

Smallest

neighbor cell
from eight possible
directions

N, S, E, V, SE,
NE, NV, SV, is chosen.
Template from the
shift.
tem

family

is chosen for this purpose.


References


[1]
Dmitry V. Lebedev, Jochen J. Steil and Helge J. Ritter
, "
The

dynamic wave expansion

neural network model for robot motion
planning in time
-
varying e
nvironments
,
"

Neural

Networks
,

Volume 18, Issue 3
,

April 2005
,

Pages 267
-
285
.

[
2
]

Chua, L.O. and Yang, L. "Cellular Neural Networks: Theory
and Applications",
IEEE Trans. on Circuits and Systems, (CAS)
,
Vol.35 (1988), 1257
-
1290

[
3
]

Roska, T. and Vandewalle
, J.
Cellular Neural Networks.
(John Wiley&Sons), (1993)

[
4
]

A. Gacsádi, P. Szolgay,
Adaptive Image Enhancement by
Using Cellular Neural Networks
, Proceedings of the European
Conference on Circuit Theory and Design, Cracow, Poland,
September, 2003.

[
5
]

I.
Gavriluţ1, A. Gacsádi1, C. Grava1, V. Tiponuţ2 ,” Vision
based algorithm for path planning of a mobile robot by using
cellular neural Networks
”,

©2006 IEEE

[
6
]

P. Perner, M. Petrou,”

Applications of Cellular Neural
Networks for

Shape from Shading Problem

,

MLDM’99,
LNAI 1715
,
pp. 51
-
63
,
1999