基于尖端神经网络的机器人新混合学习控制系统

科学领域:

• 机器人和控制系统 机器人和控制系统
• 计算神经科学是一种神经科学.
• 机器学习 机器学习

背景情况:

• 传统的非线性控制器通常需要手动调,并与复杂的动力学作斗争.
• 尖端神经网络 (SNN) 提供生物灵感,节能计算,适合实时控制.
• 强化学习为控制系统中的自适应参数优化提供了一个强大的框架.

研究的目的:

• 引入混合学习和控制方法,整合SNN和强化学习.
• 为了实现适应性参数调整非线性控制器,如分数顺序PID (FOPID) 和反线性化.
• 在各种机器人应用中评估拟议方法的性能和效率.

主要方法:

• 非线性控制器被模拟为多输入多输出函数,并被SNN取代.
• 用多巴胺调节的尖峰定时依赖可塑性 (STDP) 用于强化学习和突触重量调整.
• 基于SNN的混合控制器在机器人系统上进行了实施和测试,包括移动机器人,倒置和操纵器.

主要成果:

• 基于SNN的FOPID控制器 (SNNFOPID) 在测试的机器人系统上实现了低误差 (例如0.01 m,0.03 rad).
• 与其他方法相比,拟议的方法在集成绝对误差 (IAE) 方面表现出优异的性能.
• 与SNNFOPID相比,基于SNN的反线性化 (SNNFL) 在某些任务上显著减少了培训时间.

结论:

• 混合SNN强化学习方法为调整非线性控制器提供了一种有效和准确的方法.
• 该方法由于其低能耗,速度和精度,显示了硬件实现的巨大潜力.
• 拟议的框架可用于其他控制器和机器人系统,为更广泛的应用铺平了道路.