机器人自主学习.docVIP

检索主题：机器人自学习 数据库：中国知识资源总库——中国期刊全文数据库 检索方法：用高级检索，主题词：自学习 关键词：机器人 检索结果：174篇，其中关于机器人的161篇；控制系统的9篇；特征量提取10篇 ，其余为模糊性理论和混合控制。 文献综述 L1000自主学习功能 1.概括 L1000的自学习功能，适用于各种应用场合。 下面是其具体应用。 详细内容请参考产品的使用说明书。 不论用于何种场合，请首先确保安全回路，检查接线，并检查PG（编码器）/电机主回路的旋转方向，在确认安全后再进行自学习。 有时需要一部分手动的设定确认工作。 表中「有电机的详细参数」，是指电机的测试报告，或电机铭牌值记载的数据，可以直接或通过换算设定L1000的E5（PM时）、或E2（IM时）大部分参数。 「电机可以旋转」是指电机单体可以进行旋转型自学习的状态。 （ ）内的编号，显示的是进行自学习的顺序 。 2．使用情况 2．1 PM用带PG矢量控制 （１） 不论用于何种场合，请首先确保安全回路，检查接线，并检查PG（编码器）/电机主回路的旋转方向。 （２） 自学习完成后，仅在电机电缆长度大幅改变时（50m以上），需要进行的自学习。通常无需使用。 （３） 所有调试完成后，请按下面步骤运行，确认参数（感应电压值）是否妥当，若有需要再进行调整。 ①使电梯以高速（或中速），进行上升/下降的恒速运行，从数字操作器监视U6-07（q轴的ACR输出）、U6-08（d轴的ACR输出）。 恒速运行中的U6-07和U6-08的值在±10%以下，感应电压值不需要再调整。 若超过±10%，请按步骤②进行再次调整。 ②使电梯以高速（或中速），进行上升/下降的恒速运行，从数字操作器监视U1-05（电机速度反馈）、U1-06（输出电压指令）。 从电机速度反馈的监视值（U1-05）和电机额定转速（E1-04），计算测定时的电机分速（min-1）。 E5-24（电机的感应电压系数2）＝（（上升时的U1-06的电压值〔V〕＋下降时的U1-06的电压值〔V〕）×1000）/（2×测定时的电机分速〔min-1〕） 〔mV/min-1〕 （４） 使用L1000A时，电机的感应电压系数通常使用E5-24的值。 沿用L7B的数据时，在设定E5-24=0.0后，E5-09请设定与L7B相同的值。 （５） 若L7B的感应电压系数E5-09〔mV/(rad/s)〕，换算成L1000A用的感应电压系数E5-24〔mV/min-1〕 2.2IM用无PG V/f可控制 （１） 不论用于何种场合，请首先确保安全回路，检查接线，并检查PG（编码器）/电机主回路的旋转方向。 （２） V/f控制模式下，仅在自学习完成后，电机电缆长度大幅改变时（50m以上），需要进行的自学习方式。 2.3障代码 障代码： 0 串行传输错误 1 变频器过流 2 +12V欠电压 3 主回路欠压 4 CPU之WDT错误 5 GS（门锁）错误 6 位置开关错误 7 开关门指令错误 9 关门操作错误 A 开关门超速 A 位置计数器出错 B 位置监测器出错 C 编码器错误 D 过负载 D GS断开指示 E DLD余量不足 F 超速检查 F GS释放时指示 3.机器人自学习的现状与提高 未知环境下移动机器人缺少先验知识, 移动机器人自主学习以提高对环境的适应能力, 是实现移动机器人在未知、复杂环境中成功应用的关键。 反应式导航是提高移动机器人在未知环境下实时性和适应性的重要手段。近年来,在诸多反应式导航方法中, 强化学习由于无需监督和先验知识、自学习和在线学习的特点使其具有在未知环境下导航的优越性。针对标准强化学习速度较慢,本文提出基于Q学习和粗糙集的自主导航方法。通过强化学习,机器人能够实现未知环境下的自主导航。由于机器人导航的知识具有不完备性, 而粗糙集是处理不完备性的一种有效的数学工具。首先利用粗糙集理论处理机器人的初始导航知识, 简化导航系统的复杂性。然后将它与Q学习结合,加快了机器人学习的速度, 从而提高了导航系统的避碰能力。同时,由于在复杂连续环境下, 强化学习系统面临“维数灾难”问题,需要采取量化的方法, 降低输入空间的复杂度, 而径向基神经网络(RBFNN)具有较强的函数逼近能力及泛化能力, 由此提出了基于RBF神经网络的Q学习方法并将其应用于单机器人的自主导航。用径向基神经网络逼近状态空间和Q函数, 使学习系统具有良好的泛化能力。 最后, 在TeamBots平台上将提出的两种导航方法仿真实现。仿真结果显示, 基于Q学习和粗糙集的自主机器人导航方法较与标准Q学习相比, 可以增加自主机器人对环境的适应性,提