路径识别的神经网络算法研究
路径识别的神经网络算法研究
摘要：飞思卡尔智能车是由电磁传感器检测车身偏离导线的偏差量，配合舵机和电机的动作来实现自动循迹。针对智能车循迹过程中偏差量准确计算的难点，提出了神经网络路径识别算法。采用四个电感线圈作为路径识别的传感器，将四路传感器的感应信号值作为多层前馈神经网络的输入值，理想偏差量作为多层前馈神经网络的目标输出值，在matlab环境下进行训练，得到微控制器所需的参数值。将此算法移植到智能车的应用上，计算得出的偏差量与实际偏差量的误差在±1cm以内。
关键词：智能车；电磁循迹；路径识别；神经网络；偏差量
中图分类号：tp391.41 文献标识码：a 文章编号：1007-9599
（2012） 17-0000-02
1 引言
人工神经网络是模拟生物神经系统建立起来的非线性动力学系统具有自我学习、联想存储以及高速寻求最优解的强大功能，它的分类能力和非线性映射能力使得它在系统辨识、模式识别、图像处理、智能控制等领域有着广泛而吸引人的前景，并且越来越多地被人们所运用。
“飞思卡尔”杯全国大学生智能车竞赛中的电磁组是依据电磁感应原理，实现智能车的自动循迹。以飞思卡尔公司生产的mc9s12xs128芯片作为微控制器，以通有固定频率和电流值的导线作为目标路径，用电磁传感器检测智能车偏离导线的偏差量，配合
舵机和电机的动作在50cm宽的赛道上实现自动循迹。其中偏差量的检测与计算是智能车能否准确快速跟踪引导线的关键。当前偏差量的计算算法主要有两种，一种是取感应电动势最大的传感器位置作为线径所在位置，这种方法本质上以点来检测，测量精度低，需要的传感器数量大。另外一种是根据感应电动势的特点，将两个传感器的感应电动势作差值计算，得到电动势与偏差量之间的一个二次函数，这种方式计算是关于二次函数来进行的，计算量大，对检测的实时性会有所影响。本文提出的方案，是以电感线圈作为传感器来检测路径，基于人工神经网络算法来计算车身相对引导线的偏移量，把样本数据放在matlab环境下训练，得到满足误差要求的参数，然后将参
2 bp神经网络模型基本原理
bp神经网络由信息的正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变换，中间层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。当实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反向传播。bp神经网络的拓扑结构如所示：
bp神经网络主要由输入层、隐含层和输出层构成。输入信号先向前传播到隐含层节点，经作用函数后，把隐节点的输出信号传播
到输出节点，最后得出输出结果。本文中隐层节点的激励函数选取双曲正切s型函数，
（1）
在正向传播过程中，输入信息从输入层经隐含层逐层处理，并传向输出层。每一层神经元的状态只影响下一层神经元的状态。如果输出层得不到期望的输出，则转入反向传播，将误差信号沿原来的连接通道返回，通过修改各层神经元的权值，使得误差信号最小。
前向传播过程：
（1）隐层神经元的输入为输入神经元的加权和加上输入层到隐层的阈值。
（2）
（2）隐层神经元的输出为：
（3）
（3）输出层神经元输出为隐层神经元的输出加权和加上隐层到输出层阈值。
（4）
网络输出y1与理想输出y01的误差e1为：
e1=y10-y1 （5）
反向传播采用l-m优化算法，调整各层间的权值。l-m算法是一种利用标准的数值优化技术的快速算法，它是梯度下降法与高斯-牛顿法的结合。设w（k）表示第 k 次迭代的权值和阈值所组成的向量新的权值和阈值组成的向量w（k+1）可根据下面的规则求得：
（6）
对于l-m算法则有：
（7）
其中，j为雅克比矩阵。比例系数μ>0为常数，i为单位矩阵。当 μ=0即为高斯-牛顿法；当μ取值很大则接近梯度下降法。实践证明，采用l-m算法可以较原来的梯度下降法提高速度几十甚至上百倍。本文采用l-m算法进行训练。
3 matlab中神经网络算法的实现
3.1 获取样本数据
根据麦克斯韦电磁场理论，通有交变电流的导线会在其周围产生交变的电磁场，如果在里面放置一个电感线圈，电磁感应作用会使线圈中产生交变的感应电压。智能车使用电感线圈作为传感器检测导线周围磁场信息，由电磁学可知，水平放置的电感线圈在导线磁场内的感应电动势e=h/（h2+x2），h表示传感器离导线的垂直距离，x代表传感器距离导线的水平距离。假设h=5cm，x在±15cm内电动势和水平距离的关系曲线如2所示：
经过实际测试，使用四路传感器比较合适。传感器分布以车轴为中心，间隔为12cm 呈“一”字均匀排列构成前瞻，传感器距离水平面15cm，距离车身50cm。布局示意图如图3所示：
图2电动势和水平距离的曲线图 3前瞻分布示意图
将传感器的感应电动势进行检波放大 ，把处理后的信号经ad
转换得到传感器信号值。转换过程如图4所示。
本系统的bp神经网络的输入为四路传感器的感应电压信号，输出为小车车身偏移引导线的水平偏移量，综合考虑训练误差和速度，设置隐含层得神经元个数为10。训练目标误差平方和取为0.000005 ，训练次数为5000次。
3.2 智能车算法实现：
最终算法的实现需要将神经网络的训练好的权重和阈值移植到智能车的微控制器中去。通过bp神经网络对智能车采集到的输入信号进行处理运算，计算得到的输出层的神经元输出值就是当前车轴中心线偏离引导线的偏差量，根据此值进行相应的打舵与调速操作，以实现智能车的快速稳定循迹。
4 实验结果与分析
记录并分析实验数据，matlab训练得到的实际输出与理想输出之间的关系如图5所示：
由上图可知，基于bp神经网络算法计算出的偏差量与理想偏差量之间的误差在±1cm以内。在“飞思卡尔”杯智能汽车竞赛中，由于神经网络的非线性映射能力和高速寻求最优解能力，把它应用到智能车的循迹上来效果是很明显的，它不需要计算感应电动势和偏差量之间的非线性关系，把计算量很大的训练过程放在matlab环境下进行，微控制器直接使用matlab下训练得到的参数就可以了。
5 结论
本文在当前主流循迹算法的基础上，提出了基于bp神经网络的路径识别算法，并详细叙述了基本原理和具体的实现方法。实验结果证明：使用bp神经网络计算得到的结果误差在±1cm以内，它可以大幅度地提高智能小车对环境的适应性，从而降低系统对智能小车硬件的要求。但其激励函数和学习算法仍需要深入研究，并且在实际运用中还有待提高，以达到更好的应用效果。
参考文献：
[1]卓晴，黄开胜，邵贝贝.学做智能车[m].北京：北京航天航空出版社，2007.
[2]马锐.人工神经网络原理[m].机械工业出版社，2010.
[3]张雨浓，杨逸文，李巍.神经网络权值直接确定法[m].中山大学出版社，2010.
[4]陈杰，黄鸿.传感器与检测技术[m].北京：高等教育出版社，2002.
[5]飞思卡尔竞赛管理秘书处，电磁组竞赛车模路径检测设计参考方案，2010.
[6]童诗白，华成英.模拟电子技术基础[m].高等教育出版社，2000.
[7]傅荟璇，赵红等.matlab神经网络应用设计[m].机械工业出版社，2010.
[8]cs12微控器原理及应用[m].北京航天航空大学出版社，2007.
[作者简介]
庞抗（1988.10-）长安大学硕士在读，研究方向，控制理论与控制工程。
自动驾驶技术中的CV算法研究
自动驾驶技术中的CV算法研究
随着自动驾驶技术的发展，各类传感器设备在汽车上的应用逐渐成为了现实。这些传感器设备可以提供车辆周围环境的数据，而算法则是将这些数据转化为可被自动驾驶系统利用的信息。CV（计算机视觉）算法作为其中之一，就在自动驾驶技术的发展中扮演着越来越重要的角色。
一、CV算法在自动驾驶中的应用
CV算法是计算机视觉领域的研究领域之一，也是自动驾驶技术中的核心算法之一。在自动驾驶技术中，CV算法主要用于以下三方面：
1、高清地图制作和地图更新：CV算法可以利用车载传感器采集到的数据，生成高清地图和障碍物轮廓图，满足自动驾驶车辆行驶所需的高精度地图。此外，CV算法还可以实现地图的自动更新，并为车辆行驶提供实时的地图数据。
2、环境感知和障碍物检测：CV算法可以通过车载摄像头、毫米波雷达等传感器设备采集到的数据，对车辆周围的环境进行感知，并检测障碍物的存在和位置，实现自动驾驶车辆的智能行驶。
3、行人识别和行驶路径规划：CV算法可以识别出车辆周围的行人，基于行人的位置和行动，进行智能路径规划，避免行人与车辆的碰撞和撞击他人的事件发生。 二、CV算法的研究现状及趋势
近年来，CV算法在自动驾驶技术中的应用越来越广泛。目前，主流的CV算法包括卷积神经网络（CNN）、循环神经网络（RNN）和生成式对抗网络（GAN）等。其中，CNN是目前自动驾驶技术中最为常用的算法之一。它可以处理图像、视频、语音等多种类型的数据，因此在自动驾驶技术中得到了广泛的应用。
除了CNN，还有一些新的算法模型也得到了广泛的关注和应用。例如，基于强化学习的CV算法，它可以利用自我学习的方式，快速适应车辆行驶中的各种情况，实现实时的智能决策。此外，新型的神经网络模型和深度学习算法也得到了广泛的研究和应用。
未来，CV算法在自动驾驶技术中的应用将更加广泛。从实际应用的角度来看，CV算法需要进一步优化，提高其感知和识别能力，解决当前自动驾驶技术中所面临的一些问题，例如在复杂交通条件中的可靠性和安全性等。此外，在数据融合和模型融合方面，CV算法在未来也将得到更广泛的应用。
基于深度学习的机器人路径规划算法研究
基于深度学习的机器人路径规划算法研究
机器人是现代化智能化生产领域中不可或缺的重要工具，它的开发和应用改变了许多领域的生产方式和效率。而机器人的有效运动控制则成为其实现精准定位和有效工作的基础条件。基于深度学习的机器人路径规划算法成为了当前机器人运动控制领域的研究热点，它为机器人控制系统提供了更加智能化、自主化的方向。
一、深度学习技术与机器人路径规划
深度学习是当今最具代表性的人工智能技术之一，其优秀的模型泛化性能和自动特征提取优势使其在机器学习领域卓有成效。在机器人路径规划算法中，深度学习技术的应用主要体现在以下几个方面：
1. 目标检测
机器人在实现路径规划时，需要识别出周围环境中的障碍物和目标，以便提前规避或者规划路径。深度学习技术可以通过目标检测技术，对机器人周围区域进行图像或激光雷达扫描，快速地、高效地探测和定位障碍物及目标；同时，它还可以减少对图像预处理的任务量，提高算法的实时性和准确性。
2. 状态估计 机器人路径规划还需要了解当前机器人的状态，如位置、速度、加速度等，以便准确规划路径和判断机器人当前的行进情况。深度学习技术可以通过建立模型来准确估计当前机器人状态，对实际运动轨迹进行优化和纠正。
3. 决策推理
深度学习算法还可以为机器人路径规划提供更加智能化、自主化的决策推理方法，只要输入合适的参数，机器人可以根据当前环境进行自主决策和自我调整，实现适应环境变化的路径规划和动态调整。
二、 基于深度学习的机器人路径规划算法研究
基于深度学习的机器人路径规划算法主要包括三个环节：数据处理、建模和决策。在这三个环节中，深度学习技术都起着至关重要的作用。
1. 数据处理
在数据处理过程中，机器人需要获取周围环境的信息，如物体的形态、大小和位置等，以便对路径进行更加精确的规划。数据处理技术主要包括传感器获取、数据增强和数据标注等。其中，数据增强技术可以通过对数据进行旋转、翻转、随机裁剪等操作，扩充数据集的规模和多样性；数据标注技术则是指对数据进行标记和分类，为机器学习模型提供训练数据。 2. 建模
机器人路径规划算法探讨
前沿探索商界论坛
Business!·233·机器人路径规划算法探讨陈书光
作者简介：陈书光，（1980－），男，籍贯：河南省唐河县，汉族，学历：研究生，职称：讲师，研究方向：数据库技术、软件设计、算法分析。摘要：机器人路径规划问题被定义为一个障碍的工作环境中找到一个适当的从起点到终点的运动路径，机器人在运动过程中能安全无碰撞，绕过所有的障碍。屏障环境的机器人无碰撞路径规划是一个重要的研究课题，智能机器人，由于障碍物空间机器人运动规划的高度复杂性，使得这个问题一直没有得到很好的解决。路径规划问题的基础上，机器人的工作环境模型可以分为2类，一个是基于模型的路径规划，经营环境的整体的信息是可预测的；另一种是基于传感器的路径规划，环境信息完全未知或部分未知。关键词：机器人路径规划算法一、本文就常见的几种常见的路径规划算法及应用进行简单的探讨如下：（一）遗传算法概念遗传算法是根据达尔文的进化论，模拟自然选择的一种智能算法，“适者生存”是它的核心机制。遗传算法是从代表问题可能潜在解集的一个种群开始的。基于随机早期人口，根据的原则，优胜劣汰，适者生存，世代演化产生更好的人口大概。在每一代，根据问题域的个体适应度大小来选择个人，然后选定的个人在自然遗传学，遗传算子组合交叉和变异，产生代表性的解集的人口。通过这些步骤，后生代种群比前代对于环境具有更好的适应性。人口最优个体解码后可作为近似最优解。（二）遗传算法的特点作为一种智能算法，遗传算法具有如下特点：①遗传算法在寻优过程中，只把适应度函数的值作为寻优判据。②遗传算法是由一个问题集合（种群）开始的，而不是从一个个体开始的。故而遗传算法的搜索面积很大，适合全局寻优。③遗传算法根据概率性的变换规则进行个体的优胜劣汰并推动种群的进化。④遗传算法具有隐含的并行性。⑤遗传算法具有自组织、自适应以及内在的学习性，同时遗传算法具有很强的容错能力。⑥遗传算法的基本思想简单。对于复杂的和非线性的问题具有良好的适应性。（三）遗传算法的应用遗传算法提供了一个整体框架地址复杂系统问题，它不依赖于俞特定领域的问题，问题的类型、已是强的鲁棒性，所以广泛应用余许多科学：功能优化遗传算法的经典应用，是遗传算法的性能评价的常见的例子，许多人建设的各种复杂的表格功能测试：连续函数和离散函数，凸、凹函数、低维功能和高尺寸功能、单式功能和更多峰值函数。一些非线性、多模型、多目标函数优化问题和其他优化方法很难解决，GA你可以更好的结果。增加问题的规模，搜索空间的组合优化问题，将会迅速增加，有时的当前枚举方法和计算很难找到最佳的解决方案。实践证明，遗传算法、组合优化问题的粒子非常有效。二、蚁群算法及其应用（一）蚁群算法概念蚁群算法又称蚂蚁算法，是一种用来在图中寻找优化路径的机率型算法。它由MarcoDorigo于1992年在他的博士论文中提出，灵感来源于蚂蚁在寻找食物过程中发现路径的行为。蚁群算法是一种模拟进化算法。（二）蚁群算法的特点①蚁群算法是一种自组织算法。在早期的算法，单一的人工蚂蚁障碍找到求解算法，久而久之，通过信息作用的激素，人工蚂蚁进化将找到一些解决办法更接近最优的解决方案，它是无序到有序的过程。②蚁群算法的并行算法是一种基本的。每个蚁群搜索进程独立的对方，只能通过信息素通讯。因此，蚁群算法可以看作是一种分布式的多智能体系统，它在问题空间搜索算法开始是一个独立的解决方案，不仅提高了可靠性，这使得该算法具有强的全局搜索能力。③蚁群算法是一种积极的反馈的算法。从蚂蚁觅食中不难看到蚂蚁已设法找到最短路径的信息的过程取决于直接上的最短路径的积累，以及信息素的积累是一个积极的反馈过程。这种正反馈的过程进行初步的差距有不断扩大，并导致系统的最优解的方向发展。④蚁群算法具有较强的鲁棒性。比较与其他算法、蚁群算法、初始对齐要求不高，外务大臣蚁群算法用于路由和搜索过程的初步结果不需要手动调整。第二，设立简单、便于应用的蚁群算法求解组合优化问题的蚁群算法参数的殖民地，数目。（三）蚁群算法应用蚁群算法应用包括：二次分配问题、车间任务调度问题、车辆路线问题、机构同构判定问题、学习模糊规则问题、旅行社新旅游线路与旅行产品的制作等领域。三、神经网络算法（一）神经网络的概念人工神经网络也被称为神经网络连接模式，它是一种动物模型，神经网络的行为特征，分布式并行处理算法的数学模型。网络依赖于复杂的系统，通过调整内部之间的联系，大量节点，以实现节能的目的，信息处理。特征的神经网络模型的人工神经网络的主要网络连接拓扑，神经元的特点，学习规则。目前，近40种神经网络模型，其中有一个BP网络，传感器网络，自组织映射，神经，波尔兹曼机，自适应共振理论。系统的稳定性与联想记忆功能密切相关。神经网络的应用人工神经网络的非线性自适应信息处理能力，克服了传统人工智能方法的直觉，作为模型，语音识别，非结构化信息处理方面的缺陷，使神经网络专家系统，模式识别，智能控制，组合优化，预测等领域得到成功应用。人工神经网络和其他传统方法相结合，将促进人工智能和信息处理技术的发展。近年来，人工神经网络模拟人类认知方式更深入的发展，模糊系统，遗传算法，进化机制相结合，形成智能计算，人工智能，已成为一个重要的方向，在实际的应用开发。信息几何学应用于人工神经网络的研究，人工神经网络理论开辟了一条新的途径。机器人路径规划算法有很多，可以说有优点和缺点，目前还没有一个算法可以应用于任何场合。因此，各种新的算法被提出，一方面丰富了解决问题的手段，不同的情况下都能找到一个合适的算法；另一方面也不断吸收新的理论，促进学科发展。一个很好的算法，理论深度不高，但其使用；相反，原理简单，计算效率的算法是更容易被接受，关键是看最后达到的效果。（作者单位：柳州城市职业学院）
基于神经网络的图像处理算法分析与应用
基于神经网络的图像处理算法分析与应用
图像处理技术是近年来快速发展的一个领域。近年来，基于神经网络的图像处理算法在这个领域中也获得了广泛的应用。神经网络是一种通过复杂的模拟人脑神经元的结构和工作原理来实现学习任务的模型。现代技术的发展，尤其是计算机技术的不断进步，为神经网络提供了足够的计算能力，从而使得其在图像处理领域中得到了广泛的应用。
一、神经网络的定义和原理
神经网络是一种仿照人脑神经元的一种人工智能算法。它是由许多人工神经元组成的，其中的每个神经元按照规定的方法进行连接，并负责进行特定的计算。神经网络的训练过程是指调整连接权重，从而使得网络能够对输入的数据做出正确的响应。
神经网络的设计方法非常灵活，可以根据具体的问题和数据特点来制定相应的网络结构和算法。大多数神经网络的设计都以层次结构为基础，其中包括输入层、隐藏层和输出层。通过压缩和连接这些层，我们可以得到一种可以解决复杂问题的模型。
二、基于神经网络的图像处理算法
基于神经网络的图像处理算法是一种传统的计算机视觉方法，它已经被广泛应用于形式和视觉识别、区域分割和图像分类等问题的解决。由于它能够自动学习特征，根据所提供的数据自由确定图像处理的具体步骤，因此它比基于传统方法的图像处理方式更为普遍。
基于神经网络的图像处理算法的核心在于特征提取。在该算法中，神经网络将大量的图像进行学习，并从中提取出最为重要的特征。在该过程中，神经网络能够自动估计各类特征的重要性，并且能够相互补充，从而使得得到的特征更加准确和完善。这种基于特征提取的图像处理算法，使得神经网络在解决计算机视觉问题中具有较强的应用能力。
三、应用场景
基于神经网络的图像处理算法被广泛应用于图像分类、图像识别、目标检测、人脸识别、图像分割等领域。
1. 图像分类
图像分类是用于将图像分为代表具体物体的类别的有用方法。神经网络的能力，使得它非常适合进行这种任务。该算法能够在大量的图片中，自动的学习出一些特征，并基于此来进行分类。
神经网络中的最优传输算法详解
神经网络中的最优传输算法详解
神经网络是一种模拟人脑神经系统的计算模型，它通过模拟神经元之间的连接和信息传递来实现各种复杂的任务。在神经网络中，信息传输的效率对于网络的性能至关重要。为了提高信息传输的效率，研究者们提出了最优传输算法。
最优传输算法是一种优化问题的求解方法，它的目标是在给定的约束条件下，找到使得信息传输效率最高的传输方案。在神经网络中，最优传输算法可以用来优化神经元之间的连接权重，以提高网络的学习能力和性能。
最优传输算法的核心思想是通过调整连接权重，使得信息在神经网络中的传输路径更加直接和高效。具体而言，最优传输算法通过计算信息传输的路径长度和传输速度的关系，来确定最佳的连接权重。
在神经网络中，每个神经元都有一个阈值，当输入信号超过阈值时，神经元会激活并将信号传递给下一层神经元。最优传输算法通过调整连接权重，使得输入信号能够更快地超过阈值，从而加快信息传输的速度。
最优传输算法的具体实现方法有很多种，其中一种常用的方法是梯度下降算法。梯度下降算法通过计算目标函数的梯度，来确定连接权重的调整方向和步长。具体而言，梯度下降算法通过迭代的方式，不断调整连接权重，直到找到使得目标函数最小化的最优解。
除了梯度下降算法，还有一些其他的最优传输算法，如牛顿法、共轭梯度法等。这些算法在不同的问题和场景中有着不同的适用性和效果。研究者们通过比较不同的最优传输算法，来选择最适合特定问题的算法。
最优传输算法在神经网络中的应用非常广泛。它可以用来优化神经网络的结构和参数，以提高网络的学习能力和性能。最优传输算法还可以用来解决神经网络中的一些实际问题，如图像识别、语音识别等。 尽管最优传输算法在神经网络中有着广泛的应用，但是它仍然存在一些挑战和限制。首先，最优传输算法的计算复杂度较高，需要大量的计算资源和时间。其次，最优传输算法的性能受到初始参数和目标函数选择的影响。因此，在实际应用中，研究者们需要仔细选择最优传输算法，并进行参数调优和模型优化。
基于GIS_路径规划算法研究综述
Computer Science and Application 计算机科学与应用, 2023, 13(6), 1228-1234
Published Online June 2023 in Hans. https:///journal/csa https:///10.12677/csa.2023.136120
文章引用: 朱致仁, 李士心, 周立明, 陈范凯, 刘宸, 孟范润. 基于GIS路径规划算法研究综述[J]. 计算机科学与应用,
2023, 13(6): 1228-1234. DOI: 10.12677/csa.2023.136120
基于GIS路径规划算法研究综述
朱致仁，李士心*，周立明，陈范凯，刘 宸，孟范润
天津职业技术师范大学电子工程学院，天津
收稿日期：2023年5月14日；录用日期：2023年6月12日；发布日期：2023年6月20日
摘 要 随着科技的进步，GIS技术被广泛应用于自然生态、城市道路、农业、商业、工业等众多领域。其中，与
GIS技术结合的路径规划算法可以更高效地完成寻优任务、提高运行效率。为了更清晰地区分不同的路径
规划算法，根据GIS路径规划算法的设计原理，将其分为基于几何模型、基于启发式和基于混合等三类路
径规划算法。详细阐述了三类算法的概念、原理及改进方式，对比总结了不同类型路径规划算法的优缺
点，从算法局限性、环境建模和动态路径规划等方面展望了GIS路径规划算法的未来发展趋势。
关键词
GIS，路径规划，优化算法，混合算法
Summary of Research Based on
GIS Pathway Planning
Algorithm
Zhiren Zhu, Shixin Li*, Liming Zhou, Fankai Chen, Chen Liu, Fanrun Meng
College of Electrical Engineering, Tianjin University of Technology and Education, Tianjin
路径识别的神经网络算法研究
２０１２年第１７期 计算机光盘软件与应用
Ｃｏｍｐｕｔｅｒ Ｃ１）Ｓｏｆｔｗａｒｅ ａｎｄ Ａｐｐｌｉｃａｔｉｏｎｓ 工程技术
路径识别的神经网络算法研究
庞抗，徐淑芬，丁明辉，李宏宇，侯莹莹
（长安大学电子与控制工程学院，西安７１００６４）
摘要：飞思卡尔智能车是由电磁传感器检测车身偏离导线的偏差量，配合舵机和电机的动作来实现自动循迹。针对
智能车循迹过程中偏差量准确计算的难点，提出了神经网络路径识别算法。采用四个电感线圈作为路径识别的传感器，
将四路传感器的感应信号值作为多层前馈神经网络的输入值，理想偏差量作为多层前馈神经网络的目标输出值，在ｍａｔｌａｂ
环境下进行训练，得到微控制器所需的参数值。将此算法移植到智能车的应用上，计算得出的偏差量与实际偏差量的误
差在±１ｃｍ以内。
关键词：智能车；电磁循迹；路径识别；神经网络；偏差量 中图分类号：ＴＰ３９１．４１ 文献标识码：Ａ 文章编号：１００７—９５９９（２ｏ１２）１７—００６５—０２
１ 引言 人工神经网络是模拟生物神经系统建立起来的非线性
动力学系统具有自我学习、联想存储以及高速寻求最优解
的强大功能，它的分类能力和非线性映射能力使得它在系
统辨识、模式识别、图像处理、智能控制等领域有着广泛
而吸引人的前景，并且越来越多地被人们所运用。 “飞思卡尔”杯全国大学生智能车竞赛中的电磁组是
依据电磁感应原理，实现智能车的自动循迹。以飞思卡尔
公司生产的ＭＣ９Ｓ１２ＸＳ１２８芯片作为微控制器，以通有固
定频率和电流值的导线作为目标路径，用电磁传感器检测
智能车偏离导线的偏差量，配合舵机和电机的动作在５０ｅｒａ
宽的赛道上实现自动循迹。其中偏差量的检测与计算是智
能车能否准确快速跟踪引导线的关键。当前偏差量的计算
算法主要有两种，一种是取感应电动势最大的传感器位置
作为线径所在位置，这种方法本质上以点来检测，测量精
度低，需要的传感器数量大。另外一种是根据感应电动势 的特点，将两个传感器的感应电动势作差值计算，得到电
基于UNet_模型的赛道识别算法研究
第１３卷 第８期
Ｖｏｌ．１３Ｎｏ．８ 智 能 计 算 机 与 应 用ＩｎｔｅｌｌｉｇｅｎｔＣｏｍｐｕｔｅｒａｎｄＡｐｐｌｉｃａｔｉｏｎｓ ２０２３年８月
Ａｕｇ．２０２３
文章编号：２０９５－２１６３（２０２３）０８－０２０５－０５中图分类号：ＴＰ３９１文献标志码：Ａ
基于ＵＮｅｔ模型的赛道识别算法研究
徐 威，于海滨，余胤翔，巩荣芬
（辽宁科技大学电子与信息工程学院，辽宁鞍山１１４０５１）
摘 要：随着赛道识别问题不断升级，赛道识别的精确度需求大大提升，传统的赛道识别方法受环境变化的影响大。近几年
来，深度学习方法在赛道识别方面也取得了很好的效果。本文就赛道识别问题提出了一种基于Ｋｅｒａｓ的ＵＮｅｔ模型的赛道识
别方法，该方法是对赛道图像根据ＵＮｅｔ模型训练结果进行分割，并用细化算法来识别中线，由此判断小车接下来的行径。最
后，经实际对比实验测试，新方法识别时效性一般，识别准确率高。
关键词：ＵＮｅｔ模型；赛道识别；细化算法；深度学习
ＲｅｓｅａｒｃｈｏｎｔｒａｃｋｒｅｃｏｇｎｉｔｉｏｎａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎＵＮｅｔｍｏｄｅｌ
ＸＵＷｅｉ，ＹＵＨａｉｂｉｎ，ＹＵＹｉｎｘｉａｎｇ，ＧＯＮＧＲｏｎｇｆｅｎ
（ＳｃｈｏｏｌｏｆＥｌｅｃｔｒｏｎｉｃｓａｎｄＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ，ＬｉａｏｎｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，ＡｎｓｈａｎＬｉａｏｎｉｎｇ１１４０５１，Ｃｈｉｎａ）
【Ａｂｓｔｒａｃｔ】Ｗｉｔｈｔｈｅｃｏｎｔｉｎｕｏｕｓｕｐｇｒａｄｉｎｇｏｆｔｒａｃｋｒｅｃｏｇｎｉｔｉｏｎｉｓｓｕｅｓ，ｉｔｉｓｒｅｑｕｉｒｅｄｔｏｇｒｅａｔｌｙｉｍｐｒｏｖｅｔｈｅａｃｃｕｒａｃｙｏｆｔｒａｃｋ
ｒｅｃｏｇｎｉｔｉｏｎ，ａｎｄｔｒａｄｉｔｉｏｎａｌｔｒａｃｋｒｅｃｏｇｎｉｔｉｏｎｍｅｔｈｏｄｓａｒｅｓｉｇｎｉｆｉｃａｎｔｌｙａｆｆｅｃｔｅｄｂｙｅｎｖｉｒｏｎｍｅｎｔａｌｃｈａｎｇｅｓ．Ｉｎｒｅｃｅｎｔｙｅａｒｓ，ｄｅｅｐ
路径规划算法学术论文分析报告
路径规划算法学位论文(2012-2018年)分析报告
PathplanningAlgorithmdissertationanalysisreport
方建勇1（余姚，浙江315400）
摘要：通过超星发现系统，我们大致了解到路径规划算法学位论文所涉及
的相关领域，可以明确地判断出哪些高校院所发表的学位论文较多，为我们从事
算法产线的快速原型构造做了比较好的指引。
关键词：路径规划算法学位论文分析报告
Abstract：Throughthesuperstardiscoverysystem,wegenerallyunderstand
therelevantfieldsinvolvedinthePathplanningalgorithmdissertations.Wecan
clearlydeterminewhichcollegedissertationshavepublishedmoredissertationsand
doabetterjobforusintherapidprototypingofalgorithmicproductionlines.
Guidelines.
Keywords：Pathplanning;Algorithm;dissertation;Analysisreport
路径规划是运动规划的主要研究内容之一。运动规划由路径规划和轨迹规划
组成，连接起点位置和终点位置的序列点或曲线称之为路径，构成路径的策略称
之为路径规划。
路径规划在很多领域都具有广泛的应用。在高新科技领域的应用有：机器人
的自主无碰行动；无人机的避障突防飞行；巡航导弹躲避雷达搜索、防反弹袭击、
完成突防爆破任务等。在日常生活领域的应用有：GPS导航；基于GIS系统的道
路规划;城市道路网规划导航等。在决策管理领域的应用有：物流管理中的车辆
问题(VRP)及类似的资源管理资源配置问题。通信技术领域的路由问题等。凡是
可拓扑为点线网络的规划问题基本上都可以采用路径规划的方法解决。2一、路径规划算法学术发展趋势
机械臂运动轨迹规划算法研究
机械臂运动轨迹规划算法研究
1. 引言
机械臂是一种常见的工业自动化设备，具有灵活性和精准性等优点，在许多领域中得到广泛应用。机械臂的运动轨迹规划是指在给定的起点和终点位置之间，寻找一条合适的轨迹路径，以确保机械臂的运动效果最佳。为了实现高效的机械臂运动轨迹规划，研究者们提出了多种算法和方法。
2. 基本原理
机械臂运动轨迹规划的基本原理是通过构建数学模型，解决机械臂路径规划问题。其中，常见的数学模型包括几何模型、运动学模型和动力学模型。几何模型用于描述机械臂的结构和各个关节的位置关系，运动学模型用于描述机械臂末端执行器的位置和姿态，动力学模型用于描述机械臂的运动学和动力学性能。
3. 基础算法
3.1 直线插补算法
直线插补算法是机械臂运动轨迹规划中的一种基础算法，适用于直线运动的路径规划。该算法通过在起点和终点之间构建一条直线路径，以实现机械臂的直线运动。它简单易懂，计算速度快，但对于复杂的路径规划问题效果不佳。
3.2 贝塞尔曲线插值算法
贝塞尔曲线插值算法是机械臂运动轨迹规划中的一种常用算法，适用于曲线运动的路径规划。该算法通过通过控制点以及权重系数来构造一条光滑的曲线路径，以实现机械臂的曲线运动。它具有良好的曲线拟合性能，能够满足复杂路径的规划需求。
4. 改进算法 4.1 遗传算法
遗传算法是一种模拟生物进化过程的优化算法，近年来在机械臂运动轨迹规划中得到广泛应用。该算法通过定义适应度函数，使用基因编码和演化操作，优化机械臂的路径规划问题。遗传算法具有较强的全局搜索能力和自适应性，能够找到较优的解决方案。
4.2 神经网络算法
神经网络算法是一种模仿人脑神经元网络结构和工作原理的算法，用于模式识别和函数逼近等领域。近年来，研究者们将神经网络算法应用于机械臂运动轨迹规划中。通过训练神经网络模型，可以实现机械臂路径规划的自动学习和优化，提高规划效果和运动精度。
5. 应用案例
机械臂运动轨迹规划算法在工业自动化领域中得到广泛应用。比如，在装配线上，机械臂需要精确地定位和操作零件，通过合适的路径规划算法，可以提高装配效率和准确度。此外，在医疗器械领域，机械臂可以实现精确的手术操作，在手术过程中，合理的路径规划对手术结果至关重要。