WSN背景下采用神经网络技术的智能机器人相关研究

张 帆，王国庆

（1．安徽新华学院，安徽 合肥 230088；2．安徽省电子学会，安徽 合肥 230001）

当今，无线传感器网络（Wireless Sensor Networks，简称WSN）发展迅速，尤其是以态势感知和网络数据通信等技术一枝独秀。同时，智能机器人具备形形色色的内部信息传感器和外部信息传感器，如视觉、听觉、触觉、嗅觉。除具有感受器外，它还有效应器，作为作用于周围环境的手段。所以智能机器人有相当发达的“大脑”，这种计算机跟操作者有直接联系，可以进行按目的安排动作。因此，探讨基于WSN背景下的智能机器人技术研究具有重要的意义。智能机器人技术涉及面非常广泛，文中作者仅对智能机器人的步行控制进行若干研究。

一、WSN发展简况

无线传感器网络（Wireless Sensor Networks，简称WSN）是一种分布式传感网络，它的末梢是可以感知和检查外部世界的传感器。它是由大量的静止或移动的传感器以自组织和多跳的方式构成的无线网络，以协作地感知、采集、处理和传输网络覆盖地理区域内被感知对象的信息，并最终把这些信息发送给网络所有者的。WSN中的传感器通过无线方式通信，因此网络设置灵活，设备位置可以随时更改，还可以跟互联网进行有线或无线方式的连接。通过无线通信方式形成的一个多跳自组织的网络。

WSN主要特点是大规模、自组织、动态性、可靠性、以数据为中心等，关键技术涉及传感器技术、无线通信技术、嵌入式操作系统技术、多跳自组织网络的路由协议、信息安全技术、数据融合和数据管理技术、能量收集技术、低功耗技术等。无线传感器网络所具有的众多类型的传感器，可探测包括地震、电磁、温度、湿度、噪声、光强度、压力、土壤成分、移动物体的大小、速度和方向等周边环境中多种多样的现象。WSN广泛应用于军事、智能交通、环境监控、医疗卫生等多个领域。潜在的应用领域包括军事、航空、防爆、救灾、环境、医疗、保健、家居、工业、商业等领域。

WSN的发展得益于微机电系统（Micro-Electro-Mechanism System，简称 MEMS）、片上系统（System on Chip，简称SoC）、无线通信和低功耗嵌入式技术的飞速发展。中国物联网校企联盟认为，传感器网络的发展历程分为以下三个阶段：传感器→无线传感器→无线传感器网络（大量微型、低成本、低功耗的传感器节点组成的多跳无线网络）。

传感器网络实现了数据的采集、处理和传输三种功能。它与通信技术和计算机技术共同构成信息技术的三大支柱。由于无线传感网在国际上被认为是继互联网之后的第二大网络，2003年美国《技术评论》杂志评出对人类未来生活产生深远影响的十大新兴技术，传感器网络被列为第一。

在现代意义上的无线传感网研究及其应用方面，我国与发达国家几乎同步启动，它已经成为我国信息领域位居世界前列的少数方向之一。在2006年我国发布的《国家中长期科学与技术发展规划纲要》中，为信息技术确定了三个前沿方向，其中有两项就与传感器网络直接相关，这就是智能感知和自组网技术。当然，传感器网络的发展也是符合计算设备的演化规律。

二、神经网络发展概述

人工神经网络（Artificial Neural Networks，简写为ANNs）是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。人工神经网络是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型。在工程与学术界也常直接简称为神经网络或类神经网络。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的，并具有自学习和自适应的能力。

（一）神经网络基本概念

神经网络是一种运算模型，由大量的节点（或称神经元）和之间相互联接构成。每个节点代表一种特定的输出函数，称为激励函数。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。网络的输出则依网络的连接方式，权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。

人工神经网络分类为依学习策略（Algorithm）分类和依网络架构（Connectionism）分类，前者有监督式学习网络（Supervised Learning Network）、无监督式学习网络（Unsupervised Learning Network）、混合式学习网络（Hybrid Learning Network）、联想式学习网络（Associate Learning Network）、最适化学习网络（Optimization Application Network）等，后者有前向式架构（Feed Forward Network）、回馈式架构（Recurrent Network）、强化式架构（Reinforcement Network）等。

（二）神经网络基本特征

人工神经网络是在现代神经科学研究成果的基础上提出的，它是由大量处理单元互联组成的非线性、自适应信息处理系统，试图通过模拟大脑神经网络处理、记忆信息的方式进行信息处理。人工神经网络具有四个基本特征：非线性、非局限性、非常定性、非凸性。其优越性主要表现在三个方面：第一，具有自学习功能。未来的人工神经网络计算机预期将为人类提供市场预测、经济预测、效益预测等。第二，具有联想存储功能。利用人工神经网络反馈网络即可实现这种联想。第三，具有高速寻找优化解的能力。寻找一个复杂问题的优化解，往往需要很大的计算量，利用一个针对某问题而设计的反馈型人工神经网络，发挥计算机的高速运算能力，可能很快找到优化解。

（三）神经网络模型

神经网络是由大量的处理单元（神经元）相互连接而成的网络。神经元作为神经网络的基本处理单元，一般表现为一个多输入、单输出的非线性器件。网络中处理单元的类型分为三类：输入单元、输出单元和隐单元。输入单元接受外部世界的信号与数据；输出单元实现系统处理结果的输出；隐单元是处在输入和输出单元之间，不能由系统外部观察的单元。一种常见的多层结构的前馈网络（Multilayer Feedforward Network）由如下三部分组成。

1．输入层（Input Layer），众多神经元（Neuron）接受大量非线形输入信息。输入的信息称为输入向量。

2．输出层（Output Layer），信息在神经元链接中传输、分析、权衡，形成输出结果。输出的信息称为输出向量。

3．隐藏层（Hidden Layer），简称“隐层”，是输入层和输出层之间众多神经元和链接组成的各个层面。隐层可以有多层，习惯上会用一层。隐层的节点（神经元）数目不定，但数目越多神经网络的非线性越显著，从而神经网络的强健性（控制系统在一定结构、大小等的参数摄动下，维持某些性能的特性）更显著。

三、智能机器人相关概念

智能机器人是一个国家高科技发展水平的重要标志之一，具有广阔的应用前景。智能机器人的研究从60年代初开始，经过几十年的发展，目前，基于感觉控制的智能机器人（又称第二代机器人）已达到实际应用阶段，基于知识控制的智能机器人（又称自主机器人或下一代机器人）也取得较大进展，已研制出多种样机。

（一）智能机器人分类

智能机器人作为一种包含相当多学科知识的技术，几乎是伴随着人工智能所产生的。智能机器人在当今社会变得越来越重要，越来越多的领域和岗位都需要智能机器人参与、这使得智能机器人的研究也越来越频繁。到目前为止，在世界范围内还没有一个统一的智能机器人定义。如果按照功能分类，可分为一般机器人和智能机器人。其中，智能机器人根据其智能程度的不同，又可分为三种：传感型机器人、交互型机器人、自主型机器人。如果按智能程度分类，可分为工业机器人、初级智能机器人、智能农业机器人、家庭智能陪护机器人、高级智能机器人

（二）智能机器人相关技术

智能机器人的组成部分一般包括执行机构、驱动装置、传感装置、控制系统和复杂机械等。对智能机器人技术水平的衡量，有一定的技术指标和标准，机器人能力评价指标包括：智能程度、机能特性、物理能指标。所以研究智能机器人涉及的面非常宽。

智能机器人关键技术包括多传感器信息融合（多层次传感器融合、微传感器和智能传感器、自适应多传感器融合）、导航与定位、路径规划、机器人视觉、智能控制、人机接口技术等。其中，由于目前智能技术的飞速发展，研究机器人智能控制尤为重要。研究控制机器人的问题主要在于模拟动物运动和人的适应能力。建立机器人控制的等级，首先是在机器人的各个等级水平上和子系统之间实行知觉功能、信息处理功能和控制功能的分配。

四、WSN背景下采用神经网络技术的智能机器人相关研究

在上述概念的基础上，我们拟进行基于WSN背景下的智能机器人神经网络技术研究，具体步骤如下。

（一）建立神经网络系统模型，分析智能机器人参数等

针对智能机器人的特点，确定总体测试原理，选取合适的测试元器件，进而明确初步方案。如图1所示。系统硬件由参数测量仪、信号调理单元、数据采集单元、计算机系统四大部分组成。其中，参数测量仪进行机器人参数采集和测量；信号调理单元进行前置放大和降噪处理；单片机数据采集和测控单元负责采集数据，并以串行通讯的方式传输给计算机；计算机系统负责对采集来的三维数据进行软件建模、图像显示和结果判决等工作。

图1 智能机器人参数监测与评估系统构成的初步方案

其中，计算机系统中包含了某类初始神经网络数学模型的建立过程。分为五大部分。

1．初始神经网络数学模型的建立过程

（1）不同条件下的参数试验

选择好出厂批次、机器人类型、在设定的初始状态下，选择一定的时间间隔，利用机器人所走步数、充电量、环境温度等参数进行试验，得出不同试验参数下的运动学关系表。

（2）建立初始神经网络数学模型

神经网络是将多个神经元按某种拓扑结构连接起来的一种抽象的数学模型，它具有模式变换和自适应学习能力。作者选择了BP神经网络，这是一种多层前馈网络，在神经元间的传递函数选sigmoid型函数，它可以实现输入到输出的任意非线性映射。分别建立三个具有2隐层的3层BP神经网络模型，均采用3路输入、1路输出的神经网络模型结构，第一二隐层中的神经元取tansig双曲正切传递函数，而输出层取purelin线性传递函数。具体结构示意图如图2所示。

取所走步数、充电量、环境温度为输入样本，取运动学关系表为输出样本，首先对各组数据进行归一化处理，获得神经网络模型的输入样本c和输出目标样本f。

图2 神经网络结构示意图

（3）神经网络训练学习，建立运动学关系表初始预测值的自适应数学实体模型

确定完输入样本和目标样本后，对所建立的BP神经网络模型进行自主训练学习。目标样本训练过程中，取误差平方和为0.0001，训练最大步数10000。通过Matlab工具箱中的traingb函数对网络模型进行自主训练学习。当训练达到所要求的误差时，停止网络的自主训练，利用smiuff函数输出仿真结果。

此时，通过对比试验值与预测值发现，BP神经网络模型的输出样本与目标值十分接近，具有较好的精度。至此，神经网络训练学习完毕，建立了初始神经网络数学模型。

2．参数传递，建立神经网络后续测试数学模型

将建立好的初始神经网络数学模型传递给“神经网络后续测试数学模型”，即进行神经网络的数据条件装载，为后续的测试训练做准备。

3．神经网络后续测试数学模型的训练过程

将运动学关系表的测试试验值输入给已装载好数据的“神经网络后续测试数学模型”，生成运动学关系表的测试预测值，继而进行测试训练。当训练达到所要求的误差时，停止网络的自主训练。再将此时的测试预测值输出，和其它采样数据进行数据融合。

4．将直接建模和间接建模的前后数据分别比较，反馈至Matlab神经网络智能预测系统

将直接建模和间接建模的前后数据进行数据比较，分别比较误差，再进行数据融合。如果不满足指定的误差要求，则有反馈信号告知网络继续训练。如果满足指定的误差要求时，停止网络的自主训练，此时在神经网络得出的“运动学关系表随外界参数变化的曲线”基础上，给出预测。

5．综合评估

最后进行综合评估，给出评估结果。

（二）建立基于WSN背景下的数据传送系统，送至后台进行分析和处理

在态势感知模型和云计算技术的基础上，作者提出一种基于WSN背景下的机器人节点数据传送系统的模型，系统框图如图3所示。

图3一种基于WSN背景下的机器人节点数据传送系统的模型

图3所示系统中现有云服务器m个，每个云服务器分别连接1个数据处理／指挥中心。其中，每个数据处理／指挥中心分别下辖n个网关，这n个网关分别通过无线信道与各自的机器人节点群相连。

每个机器人节点群的各节点将采集来的各类数据，通过无线信道，传至网关1～n，再传至数据处理/指挥中心，经过数据融合和初步处理，再传至云服务器。最终，经过协议转换，上传数据至云计算中心。云计算中心里的专家知识系统将数据进行经过分布式计算（Distributed Computing）、并行计算（Parallel Computing）、效用计算（Utility Computing）、网络存储（Network Storage Technologies）、虚拟化 （Virtualization）、负载均衡（Load Balance）等处理，再将所需数据发回服务器，再传至数据处理／指挥中心，供分析决策之用，并可由其做出动态调整。不难看出云计算的关键点在于协议转换，对软件和硬件都提出了很高要求。

五、结语

文中，作者初步探讨了将神经网络优化技术运用到基于WSN背景下的智能机器人研究中。具体方法是基于WSN背景下建立神经网络系统模型，研究不同神经网络算法对于智能机器人技术的改进和发展。同时，结合WSN的特性，可以很好地将数据进行远程传送。相关研究对阐明智能机器人发展机制、揭示基础理论研究规律、拓展该技术的工程应用领域有重要意义，将为进一步丰富智能机器人理论构架奠定研究基础、提供借鉴思路。

[1]ESTRIN D,GOVINDAN R,HEIDEMANN J．Next century challenges： scalable coordination in sensornetworks[A]．Proceedings of the Fifth Annual International Conference on Mobile Computing and Networks (MobiCOM'99)[C]．Washington,USA,1999．263-270．

[2]Akyildiz I．F,Su W,Sankarasubramaniam Y,Cayirci E．Wireless sensor network：A survey．Computer Networks,2002,38(4)：393-422．

[3]马祖长,孙怡宁，等．无线传感器网络综述 [J]．通信学报,2004,25(4)：114-124．

[4]崔逊学,赵 湛,等．无线传感器网络的领域应用与设计技术[M]．北京：国防工业出版社,2009,1．

[5]任福继,孙 晓．智能机器人的现状及发展 [J]．科技导报,2015，33(21)：33-38．

[6]孟庆春,齐 勇，等．智能机器人及其发展[J]．中国海洋大学学报,2004,34(5)：831-838．

[7]房海蓉,方跃法,等．基于神经网络的机器人智能控制[J]．机器人技术与应用,2002,(4)：28-31+32．

[8]陈 拓．基于卷积神经网络的立体匹配技术研究 [D]．杭州：浙江大学,2017．

[9]沈显庆,汪才杰．智能机器人的模糊神经网络避障算法[J]．黑龙江科技学院学报,2012,(6)：613-616+625．

[10]刘晓玉．复杂环境下基于神经网络的工件识别与机器人智能抓取[D]．武汉：武汉科技大学,2009．

[11]李 强,杨晓京,等．基于神经网络信息融合的智能机器人[J]．机电工程技术,2006,(6)：72-74+115．

[12]邢 军,王 杰．神经网络在移动机器人路径规划中的应用研究[J]．微计算机信息,2005,(22)：115-116+158．

[13]孙 羽,张汝波．神经网络在智能机器人导航系统中的应用研究[J]．计算机工程,2002,(1)：139-141．

[14]孙凝晖,徐志伟,等．海计算：物联网的新型计算模型[J]．中国计算机学会通讯,2010,6(7)：52-57．

[15]王姣龙．物联网与云计算、海计算的关系[J]．物联网技术,2012,(2)：15-19．

[16]丁治明,刘奎恩．海-云计算数据管理技术 [J]．金融电子化,2013,(2)：36-39．

[17]美国国家标准和技术研究院．美国国家标准与技术研究院对云计算的定义[R]．2011，（9）．

[18]张耀祥．云计算和虚拟化技术[J]．计算机安全,2011,(5)：80-82．