论文部分内容阅读
随着神经网络技术在各领域的推广应用,使用神经网络技术提高挖掘机智能化水平,为这一传统工程机械的发展注入崭新的活力,成为机械控制领域的重要研究内容。本文从挖掘机自主工作的整个流程出发,根据不同任务阶段的要求,使用LSTM和DDPG神经网络设计了挖掘机智能化控制算法,对挖掘机自主导航与轨迹控制流程实现算法上的整合,对神经网络在挖掘机智能化领域的应用进行可行性探索。首先,针对挖掘机需从视觉信息中获取挖掘目标并且不能因相对运动而丢失目标的要求,设计一种基于LSTM网络的视觉跟踪系统,采用监督学习方式学习人类观察运动物体的习惯。与传统视觉跟踪算法相比,基于LSTM网络的视觉跟踪算法能够摆脱特定跟踪物体种类限制,实现运动中对目标的稳定跟踪,不仅可为自主导航提供控制参数,也能提高向挖掘机输入目标的智能化程度。其次,针对挖掘机需根据有限环境信息自主导航到工作地点以及需要对速度、方向等连续物理量进行控制的任务要求,设计了一种基于DDPG神经网络的自主导航算法。利用其反复尝试,不断纠错提高的特性,DDPG神经网络根据自身传感器数据和视觉跟踪系统输出进行移动路径规划。相比于将环境信息和连续控制量人为划分为多个离散值进行控制的传统自主导航算法,基于DDPG神经网络的自主导航算法能更好理解环境,符合对精确控制的要求,顺应挖掘机自主导航智能化、精确化的未来发展趋势。最后,针对挖掘装置可运动空间范围内的任意轨迹控制问题,设计了一种基于DDPG神经网络的挖掘轨迹任务控制算法对动臂、斗杆、铲斗转角进行连续值控制,实现斗齿对任意轨迹的跟踪拟合实验。实验结果表明,挖掘装置可通过自主学习实现对运动空间内任意轨迹的自适应跟踪。该算法由自主导航算法的神经网络搭配挖掘模拟环境以及参数配置文件而得到。相比于传统以获取最大挖掘力等机械利益为目标的挖掘轨迹控制算法,基于DDPG神经网络的挖掘轨迹控制算法以提高完成挖掘轨迹任务的效率为目标,使得挖掘轨迹控制算法更加智能地理解人类指令;相比既有基于输出离散值的强化学习轨迹控制算法,减少了环境信息的丢失,提高动作输出的精度。本文的挖掘机控制研究以挖掘机操作员操作方式为学习对象,将挖掘任务分解为视觉目标输入、自主导航和挖掘轨迹控制三个任务阶段。使用LSTM网络创造性应用于视觉目标输入,通过保持视觉跟踪为后续自主导航提供控制参数;此外使用输出连续值DDPG神经网络应用于挖掘机自主导航与挖掘轨迹控制,打破传统控制算法只能解决一类控制问题的局限,实现多种控制算法的初步融合。