19、自适应密度自组织网络与机器人巡检路径规划

自适应密度自组织网络与机器人巡检路径规划

在机器人技术领域，传感器运动映射和巡检路径规划是两个重要的研究方向。本文将介绍一种自适应密度自组织网络（VDSOM）用于传感器运动映射，以及一种基于自动生成路点的机器人巡检框架。

自适应密度自组织网络（VDSOM）

传感器运动模型的适应性

当机器人的身体形态（如附加外部肢体或截肢）或感知系统（如佩戴视觉反转护目镜）发生变化时，计算得到的传感器运动模型将不再具有代表性。传统的自组织映射（SOM）在学习过程达到指定迭代次数后，输入数据（对应于感官/运动信息）的变化不会修改网络结构，导致模型无法适应新的感官/运动配置。

为了克服这个缺点，引入了失真度量 ζ。如果在映射建立后，ζ 超过给定的阈值，则将邻域半径 σ 重置为适当的值，以使网络结构能够重新适应。失真度量 ζ 的计算公式为：
[
\zeta = \frac{1}{n} \sum_{i = 1}^{n} \sum_{x \in X} |x - w_i|^2
]
其中，n 是数据集 X 中可用的数据向量 x 的数量。新的邻域半径 σr 初始设置为 σ(τ)，当扰动后的失真度量等于该值时。然后，σr(t) 的值可以通过以下方程计算：
[
\sigma_r(t) = \sigma_{init} \exp\left(-\frac{(t + \tau)}{T}\right)
]
如果扰动后的失真值高于学习过程开始时的值，则将半径设置为 SOM 的最大值。此外，使用改进的 Oja-Hebbian 连接来更好地适应这些变化：
[
c_{ij}(t + 1) = c_{ij}(t)