Модифицированная нейронная сеть Элмана с динамическим показателем обучения для отслеживания и прогнозирования движения неголономного трехколесного мобильного робота

В статье предлагается отслеживать и прогнозировать траекторию движения автономного неголономного трехколесного мобильного робота с помощью модифицированной нейронной сети Элмана. Предлагается алгоритм расчета показателя обучения нейронной сети, который способствует повышению эффективности и скорости обучения, а также снижает количество итераций, необходимых для обучения. Модифицированный алгоритм Элмана с динамическим показателем обучения сравнивается с классической нейронной сетью Элмана и PSO-алгоритмом. Обучение нейронной сети оценивается по двум критериям: количество итераций, необходимых для обучения, и среднее время обучения. Помимо этого, проверяется отклонение от заданной траектории движения: движения по прямой, по квадрату и по окружности для каждого алгоритма. Результаты моделирования показали, что модифицированная нейронная сеть Элмана с динамическим показателем обучения эффективнее (в среднем, на 32,4 %) и быстрее (в среднем, на 66,4 %) справляется с задачей обучения и имеет наименьшее отклонение от заданной траектории движения. Относительная погрешность измерений варьируется в диапазоне от 7,8 % до 20,2 % при 95 % уровне надежности и пяти испытаниях для каждой группы измерений.

1. Su K.H., Chen Y.Y., Su S.F. Design of neural-fuzzy-based controller for two autonomously driven wheeled robot. Neurocompting. 2015; 73:2478–2488.

2. Березина В.А., Мезенцева О.С., Ганьшин К.Ю. Гибридная нейроэволюция как способ обучения нейронных сетей на примере решения задачи поиска пути в лабиринте. Моделирование, оптимизация и информационные технологии. 2021;9(3). Доступно по: https://moitvivt.ru/ru/journal/pdf?id=1012. DOI: 10.26102/2310-6018/2021.34.3.014 (дата обращения: 26.04.2022).

3. Lucas R., Oliveira R. M., Nascimento C. B., Kaster M. S. Performance analysis of an adaptive Gaussian nonlinear PID control applied to a step-down CC-CC converter. IEEE 24th International Symposium on Industrial Electronics (ISIE). 2015;1:1022–1026.

4. Li Z., Yang C., Su C., Deng J., Zhang W. Vision-Based Model Predictive Control for Steering of a Nonholonomic Mobile Robot. IEEE Transactions on Control Systems Technology. 2019;24(2):553–564.

5. Suprapto B.Y., Mustaqim A., Wahab W., Kusumoputro B. Modified elman recurrent neural network for attitude and altitude control of heavy-lift hexacopter. 15th International Conference on Quality in Research (QiR): International Symposium on Electrical and Computer Engineering. 2017;1:309–314.

6. He W. Adaptive neural network control of an uncertain robot with fullstate constraints. IEEE Transactions on Cybernetics.2016;46(3):620–629.

7. Al-Jamali N. A., Al-Raweshidy H. S. Modified Elman Spike Neural Network for Identification and Control of Dynamic System. IEEE Access, vol. 2020;8:61246–61254.

8. Li D., Liu Y., Tong S., Chen C. L. Approximation-Based Adaptive Neural Tracking Control of Nonlinear MIMO Unknown Time-Varying Delay Systems with Full State Constraints. IEEE Transactions on Cybernetics. 2017;47(10):3100–3109.

9. Deng L., Seethaler R. J., Chen Y., Yang P., Cheng Q. Modified Elman neural network based neural adaptive inverse control of rate-dependent hysteresis. International Joint Conference on Neural Networks (IJCNN). 2016;1:2366–2373.

10. Wang S., Zhang Y., Dong Z., Du S., Ji G. Feed-forward neural network optimized by hybridization of PSO and ABC for abnormal brain detection. International Journal of Imaging Systems & Technology. 2015;25(2):153–164.