Nguyễn Thiện TRƯỜNG ĐẠI HỌC BÁCH KHOA TPHCM KHOA ĐIỆN-ĐIỆN TỬ BỘ MÔN ĐIỀU KHIỂN TỰ ĐỘNG LUẬN VĂN TỐT NGHIỆP TỰ ĐỘNG K97 ĐỀ TÀI : ĐIỀU KHIỂN MOBILE ROBOT ỨNG DỤNG CÁC MẠNG NEURON NHÂN TẠO GIÁO VIÊN HƯỚNG DẪN : Thầy NGUYỄN THIỆN THÀNH SINH VIÊN THỰC HIỆN : NGUYỄN TRUNG DŨNG MSSV : 49700311 HOÀNG TRUNG HIẾU MSSV : 49700468 Nguyễn Thiện Tháng 1/2002 CHƯƠNG 1: QUÁ TRÌNH HUẤN LUYỆN TRONG HỆ THỐNG ĐIỀU KHIỂN NEURON 1.1 Giới Thiệu : 1.1.1 Hệ điều khiển neuron sinh học : Với phát triển loại máy móc ,ngày nhà khoa học muốn tạo loại máy hoạt động độc lập với điều khiển người môi trường thay đổi không chắn , máy gọi máy tự động hay máy thông minh ( hay thường gọi robot ) Sự thành công robot phụ thuộc vào khả xử lý nhiều tình đa dạng môi trường hoạt động Mục tiêu nhà khoa học tạo robot hoạt động liên tục hồi tiếp hành động Robot thực công việc mà máy móc thông thường điều khiển tay khó thực Ngoài ,robot thích nghi thực hiệu công việc môi trường thay đổi Vì ,robot hữu ích thay người công việc khó khăn ,nguy hiểm ,và nhàm chán sử dụng robot chiến tranh , lò phản ứng hạt nhân , quân , dò phá mìn Cấu trúc mạng sinh học xem nguồn gốc khung để thiết kế robot Mô hình mạng sinh học cung cấp không động mà vài manh mối để phát triển giải thuật học thích nghi bền vững robot Ngày ,kỹ thuật điều khiển thích nghi bền vững phổ biến so với kỹ thuật điều khiển cổ điển điều khiển tỷ lệ (P) , tích phân (I) , vi phân (D) điều khiển vi tích phân (PID) mô hình tham khảo điều khiển thích nghi Cơ cấu điều khiển dùng mạng sinh học phù hợp để điều khiển đối tượng có mô hình phức tạp, không chắn Mô hình mạng thường phức tạp bất chấp mô hình toán xác Chúng thực nhiệm vụ Nguyễn Thiện phức tạp mà không cần xây dựng mô hình toán đối tượng môi trường mà hoạt động ; điều có nghóa ta giải toán tích phân ,vi phân toán phức Ví dụ : hành vi cầm ly nước người Trước tiên ,bộ não người tác động lên ly nước ;và xác đònh khoảng cách từ tay đến ly nước tính toán hướng di chuyển tay để cầm ly nước ,sau não lên kế hoạch thực công việc cầm ly nước lên Cũng não người , mạng sinh học thực công việc dựa vào khả nhận thức Những bước tính toán hoàn toàn dựa vào tiềm thức Ở ,chúng ta không xem xét đến quan hệ cổ tay với khuỷu tay vai , sức lực người Mà tính toán chi tiết góc hay lực thực mức thấp tính toán tiềm thức nằm hệ thống thần kinh trung tâm (CNS) Ngoài , hệ điều khiển sinh học học để thực công việc thích nghi với thay đổi môi trường cách dễ dàng Giả thuyết , nguyên tắc tính toán neuron hệ điều khiển sinh học sáng tỏ ,lúc điều khiển hệ phát triển bền vững thông minh vượt xa khả điều khiển cổ điển dựa mô hình toán học Mặc dù nhiều nhà sinh vật học tâm lý học cho não có cấu trúc module thần kinh Nhưng nhìn chung số lượng module thần kinh hay cách hình thành cấu trúc module thần kinh Lý module tự nhiên não có số lượng lớn phận tác động qua lại với Thậm chí xây dựng mô hình với vài phận tương tác qua lại ( để so sánh với não thật ) xuất tính toán kinh khủng phân tích khó khăn Trong nhiều trường hợp , mô hình toán cung cấp công công cụ cần thiết để làm rõ khía cạnh khác hệ thống Thiên nhiên tạo cấu trúc thần kinh phức tạp loài sinh vật Có 100 tỷ neuron sinh học hệ thống thần kinh trung tâm người , chúng đóng vai trò quan trọng khía cạnh khác trình xử lý thông tin thực đònh ( nhận biết ,điều khiển nhận thức ) Trong trình xử lý thông tin ;xuất hoạt động đa dạng ,phức tạp chức ánh xạ ( mapping function ) cấu trúc Nguyễn Thiện tầng song song ( parallel_cascade ) ,hình thành mô hình phức tạp lớp Neuron phát triển thành mô hình hình chóp Thông tin truyền từ lớp Neuron sang lớp Neuron khác theo hướng tiến liên tục hồi tiếp để hình thành cấu trúc hình chóp động 1.1.2 Những tiền đề để thiết kế hệ thống điều khiển cổ điển : Phương pháp thiết kế hệ thống điều khiển cổ điển dựa mô hình toán học mô tả hành vi đối tượng ứng dụng kỹ thuật phân tích mô hình để đến luật điều khiển Thông thường , mô hình toán thường chứa phương trình vi phân tuyến tính phi tuyến Hầu hết phương trình xây dựng xấp xỉ đơn giản hoá Đối với đối tượng phức tạp hoạt động môi trường thay đổi kỹ thuật cổ điển gặp khó khăn xây dựng mô hình toán luật điều khiển ,thậm chí thực Mô hình hệ thống điều khiển có hồi tiếp liên quan đến sai số mô hình đơn giản hoá mô hình thực ; sai số đònh hành vi hoạt động hệ thống Có hai phương pháp điều khiển thường mô tả để đạt kết điều khiển theo ý muốn từ hiểu biết mơ hồ đối tượng Phương pháp thứ ổn đònh bền vững (robust stabilizer ) hay gọi điều khiển bền vững Điều khiển thích nghi (Adaptive control) phương pháp thứ hai để giải toán điều khiển cho đối tượng phức tạp Các thông số điều khiển thích nghi phải phù hợp với giải thuật thích nghi để giữ cho hệ thống hoạt động mong muốn Nhìn chung ,bộ điều khiển thích nghi áp dụng rộng rãi để điều khiển đối tượng không chắn ,nhưng phức tạp điều khiển bền vững Sơ đồ điều khiển thích nghi mô tả sau : Input Nguyễn Thiện Plant Controlle r x(t)∈Rn Measurement Output x = f [.] s y(t) =g[.] Largely unknow y (t ) ∈ R y u(t) ∈Rn Adapt iv algorith e m J Performance Criterion , J Hình biểu diễn hệ thống điều khiển thích nghi Bộ điều khiển thích nghi đo giá trò đầu vào ,trạng thái đầu hệ thống động So sánh giá trò với giá trò mong muốn ,luật thích nghi hiệu chỉnh thông số điều khiển để đảm bảo đối tượng làm việc mong muốn Mặc dù kỹ thuật điều khiển thích nghi dùng rộng rãi ứng dụng chúng vào toán thực tế hạn chế Lý thực tế yếu tố ổn đònh ưu tiên hệ thống điều khiển thích nghi.Đối với hệ thống lớn phức tạp phức tạp phương pháp thích nghi truyền thống gây khó khăn cho người thực Hơn ,phương pháp cần hiểu biết bậc đối tượng điều khiển ;nhưng thực tế nhiều hệ thống ta bậc đối tượng nên việc áp dụng phương pháp điều khiển thích nghi truyền thống khó khăn thực Nguyễn Thiện 1.1.3 Giải thuật học điều khiển Neuron : Để đương đầu với đối tượng động không chắn , điều khiển phải ước lượng thông tin không rõ ràng suốt thời gian hoạt động Nếu thông tin ước lượng gần với thông tin thật điều khiển thiết kế điều khiển tối ưu.Sự cải tiến hành vi nhờ vào hiệu chỉnh thông tin ước lượng, điều khiển xem điều khiển học thích nghi Bộ điều khiển huấn luyện từ thông tin không rõ ràng suốt thời gian hoạt động ,thông tin dùng kinh nghiệm cho Mô hình điều khiển Neuron biễu diễn hình sau : Input Neural network Plant x(t)∈Rn Measurement y(t) ∈R1 x = f [ s y(t) =g[ ] ] Largely unknow Output Learning algorithm Desired response Erro r Bộ điều khiển gọi điều khiển học hỏi thông tin không rõ đònh điều khiển tương lai ràng đối tượng môi trường thu thập hoạt động thông tin dùng để ước lượng cho bước Ví dụ điều khiển thay đổi kiểu điều khiển thông số điều khiển sau học điều khiển không thoả mãn yêu cầu Bộ điều khiển huấn luyện tăng hiệu hoạt động tạo điều khiển bền vững Bộ điều khiển bù số lượng lớn thay đổi điều khiển môi trường hoạt động Luật học nhằm để xác đònh thông số điều khiển Neuron để hệ thống hoạt động tối ưu Luật học có khả cải tiến hành vi tương lai dựa vào thông tin Cả điều khiển học hỏi thích nghi thực dùng giải thuật điều chỉnh thông số dựa vào thông tin hồi tiếp Nguyễn Thiện 1.1.4 Cấu trúc sinh học Neuron : Bộ não người bao gồm xấp xỉ 100 tỷ tế bào thần kinh , gọi Neuron Tất hoạt động người phụ thuộc vào tế bào nhỏ bé Mỗi Neuron kết hợp với nhiều Neuron khác tạo thành mạng Neuron Sự kết nối thành mạng tạo làm cho người có khả tính toán ghi nhớ Neuron đơn vò hệ thần kinh trung tâm ( Central Nervous System:CNS ) , Neuron có chức xử lý thông tin qua lại từ phận khác thể người Theo quan điểm xử lý thông tin , Neuron bao gồm phần ,mỗi phần liên hệ với phương trình toán cụ thể : Denrite : có chức nhận thông tin từ Neuron khác Thân Neuron ( hay Soma ) :thu thập kết nối thông tin nhận từ Neuron khác Đầu Axon :mỗi Neuron có đầu axon có chức truyền thông tin đến Neuron khác Điểm nối đầu Axon đầu vào dendrite Neuron gọi synapse ,synapse có chức nhớ Một đầu axon liên kết với hàng trăm synapse từ Neuron khác Cấu trúc sinh học Neuron mô tả hình sau : Nguyễn Thiện Dendrite soma Synapse kích động Synapse thụ động Từ cấu trúc ,ta xem Neuron hệ thống nhiều đầu vào đầu mô tả sau : Neural Input Neural output Neural Processor x(t)∈R n y(t)∈R1 1.2 Tổng quát cấu trúc Neuron : 1.2.1 Giới thiệu : Mạng Neuron sinh học có đặc tính phức tạp đa dạng ,vì việc đưa đặc tính phức tạp vào mô hình khó khăn Để đạt mục tiêu , cấu trúc Neuron sinh học ( gọi Neuron đơn vò ) phát triển mô hình mạng Neuron Neuron có đầu vào nhận từ đầu Neuron khác hay từ môi trường bên Tổng trọng số đầu vào thiết lập thành hàm tác động phi tuyến Một Neuron kích động tổng trọng số đầu vào lớn giá trò ngưỡng w Mô hình toán cho đầu Neuron đònh nghóa sau : y(t) =y[∑n wi xi − w0 ] i=1 (1.1) Nguyễn Thiện với [x1, ,xn] đầu vào Neuron [w1, ,wn] trọng số phi tuyến y(t) : đầu Neuron ; y [.] : hàm tác động w0 : giá trò ngưỡng Mạng nuôi tiến mô hình thường đề cập ,mô hình đáp ứng đến đầu vào cấu trúc không chứa yếu tố động ,vì cấu trúc mạng gọi mạng Neuron tónh Mô hình mạng tónh m đầu vào n đầu mô tả hình sau : hợp yếu tố hồi tiếp yếu tố động cấu trúc Mô hình mạng truyền lùi mô tả sau : x1 y1 x2 xm y2 yn Với phát triển song song logic mờ ,nhiều mô hình mạng Neuron chứa nguyên tắc mạng Neuron logic mờ phát triển Mặc dù ,các mạng tónh ,động mạng Fuzzy_Neuron ứng dụng nhiều Nguyễn Thiện điều khiển ,nhưng mô hình mạng Neuron mô lờ mờ theo mô hình thực Những năm trước ,các nhà nghiên cứu đưa nhiều mô hình mạng tónh ,động Fuzzy_Neuron khác Mô tả chi tiết mô hình khó thực Tuy nhiên ,chúng ta cố gắng đưa số khái niệm cấu trúc Neuron khác mà cấu trúc thường dùng mô hình điều khiển 1.2.2 Tính toán mạng Neuron : Mục đích việc nghiên cứu tính toán mạng Neuron để phát triển mô hình toán mạng Neuron mà không cần thiết nghiên cứu mặt sinh học ,mô hình toán thực hàm tính toán khác Mạng Neuron nhân tạo (ANNs) ,hay mạng Neuron đơn giản thường mô tả mô hình kết nối hay mạng xử lý phân bố song song (parallel distributed processing networks) Bắt đầu với phát triển tính toán Neuron dựa hiểu biết cấu trúc sinh học với luật học Điều dẫn đến trình tính toán mạng Neuron thực theo bước sau : Phát triển mô hình Neuron dựa cấu trúc sinh học Mô hình kết nối cấu trúc synapse Luật học Các nhà nghiên cứu khám phá nhiều cấu trúc mạng Neuron khác xét cấu trúc ;mạng Neuron phân thành mạng tónh ,mạng động ,mạng lớp mạng nhiều lớp Hơn ,những cách tính toán khác mạng Neuron làm nảy sinh cách kết nối synapse khác Neuron Mặc dù nhà nghiên cứu đưa nhiều cấu trúc mạng Neuron giải thuật học khác ,những mạng Neuron có chung nhiều đặc tính ,mà đặc tính hệ sinh học Những đặc tính tương phản với phương pháp tính toán truyền thống Những tính toán mạng Neuron điều tiết nhiều đầu vào song song mã hoá thông tin theo mô hình phân bố Kiểu mã hoá tương phản với sơ đồ nhớ truyền thống ,ở mẫu thông tin cụ thể chứa vùng nhớ Sự phân phát nhớ Start 0[...]... thiệu tổng quát về cấu trúc mạng Neuron Mô tả chi tiết về cấu trúc mạng động và mạng tónh sẽ được trình bày trong các phần sau 1.3 Mạng nuôi tiến hay còn gọi là mạng tónh : 1.3.1 Mô hình toán của mạng nuôi tiến : Một Neuron bao gồm synapse ( điểm nối ) và soma ( thân Neuron ) Trong mô hình mạng Neuron ,đầu ra axon của Neuron này được nối với các đầu vào dendrite của các Neuron khác thông qua kết nối... học được đưa ra ,nhưng hầu hết những mạng này đều có một đặc tính chung nào đó với hệ Neuron sinh học Cấu trúc cơ bản của một mạng Neuron bao gồm nhiều Neuron được phân bố song song và cách thức giải mã thông tin trong kết nối synapse và cách thức gọi thông tin với đáp ứng đầu vào hiện tại Các mạng Neuron khác nhau đều có cách học tương tự nhau ,chúng đều rút ra những kinh nghiệm từ những dữ liệu được... bộ điều khiển phi tuyến Mạng Neuron có thể có nhiều đầu vào và nhiều đầu ra nên có thể ứng dụng cho nhiều hệ thống khác nhau Với sự tiến bộ của kỹ thuật phần cứng ,gần đây nhiều nhà cung cấp đã giới thiệu kỹ thuật VLSI trong mạng Neuron ,điều này làm tăng tốc độ tính toán trong mạng Mặc dù một số lượng lớn những phép toán trong mạng Neuron và giải thuật học được đưa ra ,nhưng hầu hết những mạng. .. muốn Trong cách học này không có thông tin hồi tiếp từ môi trường để báo các đầu ra thực sự của mạng là đúng hay sai, mạng sẽ tự điều chỉnh các trọng số kết nối giữa các neuron bằng cách sử dụng các đầu ra thực sự của mạng Có hai cấu trúc quan trọng của luật học không giám sát đó là luật học Hebbian và luật học cạnh tranh Luật học Hebbian làm thay đổi trọng số theo đáp ứng tương quan của hai neuron nối... chứng minh rằng có khả năng vượt xa mạng neuron đơn Cấu trúc mạng neuron được dùng thông thường nhất trong các ứng dụng như các hệ thống nhận dạng và điều khiển là những mạng neuron nhiều lớp (Multilayer neural network :MNN) với giải thuật truyền lùi sai số Một mạng (MNN) tiêu biểu gồm một lớp neuron đầu vào, một lớp neuron đầu ra và một lớp neuron ẩn được biểu diễn như hình sau : Y (t) ∈ Rm X (t) ∈... sử dụng điều này có nghóa là giải thuật giám sát sẽ trở nên hữu ích Gần như tất cả các mạng neuron kết hợp chặt chẽ hai luật này hoặc biến đổi chúng Tuy nhiên một vài mạng neuron có trọng số cố đònh và những mạng này hoạt động bằng cách thay đổi khả năng của mỗi neuron nếu như nó không thay đổi trọng số 1.3.2 Mạng nuôi tiến nhiều lớp : Trong những phần trước, mô hình toán học chi tiết của một mạng neuron. .. Luật học Competitive được ứng dụng cho lớp neuron ẩn Luật học dựa trên nguyên tắc một đầu vào đại diện cho một lớp neuron, mỗi neuron cạnh tranh đến tất cả các neuron khác để nhận được tín hiệu tích cực và gởi tín hiệu thụ động đến các neuron xung quanh Sau một khoảng thời gian neuron có trạng thái hoạt động lớn nhất sẽ tích cực (hay còn được gọi là neuron chiến thắng) và các neuron khác sẽ bò huỷ bỏ... lùi đươc tóm tắt như sau : v Cấu trúc mạng neuron dùng giải thuật học truyền lùi tiêu biểu bao gồm lớp neuron đầu vào ,lớp neuron ẩn và lớp neuron đầu ra Lớp neuron ẩn có thể có nhiều lớp, rất khó xác đònh mô hình của mạng neuron có bao nhiêu lớp ẩn là cần thiết cho một ứng dụng cụ thể Không có nhiều tính toán xảy ra ở lớp neuron đầu vào, số lượng neuron ở lớp neuron đầu vào bằng với số lượng thành... ( mạng một lớp ) đã được mô tả Mặc dù một mạng đơn có thể thực hiện một chức năng đơn giản nào đó nhưng khả năng tính toán của mạng phụ thuộc vào số lượng neuron được kết nối trong cấu trúc mạng Một mạng lớn đưa ra một khả năng tính toán vó đại Sự xắp xếp neuron trong một lớp bắt chước một phần cấu trúc của bộ não con người Những mạng neuron nhiều lớp được chứng minh rằng có khả năng vượt xa mạng neuron. .. tả hai loại mạng neuron động Loại thứ nhất phát triển mở rộng từ mạng neuron tónh được mô tả ở trên, trong đó chúng ta mô tả hai loại là mạng tuần hoàn và mạng thời gian trễ Loại thứ hai sẽ được phát triển dựa trên những dấu hiệu sinh học của những neuron tích cực trong CNS, phụ thuộc vào những tác động qua lại của neuron tích cực và neuron thụ động 1.4.2 Mở rộng mạng neuron tónh : a Mạng tuần hoàn ... kiểu điều khiển thông số điều khiển sau học điều khiển không thoả mãn yêu cầu Bộ điều khiển huấn luyện tăng hiệu hoạt động tạo điều khiển bền vững Bộ điều khiển bù số lượng lớn thay đổi điều khiển. .. không giải Mạng neuron ứng dụng rộng rãi ngành kỹ thuật : kỹ thuật điều khiển, điện tử viễn thông, hệ thống điện công nghệ thông tin Trong kỹ thuật điều khiển, mạng neuron nhân tạo ứng dụng để nhận... dạng, dự báo điều khiển hệ thống động Trong điện tử viễn thông, mạng neuron nhân tạo ứng dụng để xử lý ảnh, nhận dạng ảnh truyền thông Trong hệ thống điện, mạng neuron nhân tạo ứng dụng để nhận