您好, 歡迎來到化工儀器網
| 應用領域 | 醫療衛生,化工,生物產業 |
|---|
德國microsonic pico+15/F 超聲波傳感器microsonic na*5/CD
赤象工業控制設備（上海）有限公司，工控自動化領域的一站式服務供應商。
德國威聲（Microsonic）是專業生產超聲波傳感器的世界著名企業，其超聲波傳感器主要應用于工業自動化、包裝、采礦、電子和汽車制造等工業領域。
產品簡介
詳細介紹
德國microsonic pico+15/F 超聲波傳感器microsonic na5/CD
赤象工業控制設備（上海）有限公司，工控自動化領域的一站式服務供應商。
德國威聲（Microsonic）是專業生產超聲波傳感器的世界著名企業，其超聲波傳感器主要應用于工業自動化、包裝、采礦、電子和汽車制造等工業領域。
Microsonic型號例：
microsonic na5/CD
microsonic na5/CE
microsonic na5/CI
microsonic na5/CU
microsonic nano-24/CD
microsonic nano-24/CE
microsonic nano-24/CI
microsonic nano-24/CU
microsonic pico+15/F
microsonic pico+15/WK/F
microsonic pico+25/F
microsonic pico+25/WK/F
microsonic pico+25/I
microsonic pico+25/WK/I
microsonic pico+25/U
microsonic pico+25/WK/U
microsonic pico+35/F
microsonic pico+35/WK/F
microsonic pico+35/I
microsonic pico+35/WK/I
microsonic pico+35/U
microsonic pico+35/WK/U
microsonic pico+100/F
microsonic pico+100/WK/F
microsonic pico+100/I
microsonic pico+100/WK/I
microsonic pico+100/U
microsonic pico+100/WK/U
microsonic pico+15/TF/F
microsonic pico+15/TF/I
microsonic pico+15/TF/U
microsonic pico+25/TF/F
microsonic pico+25/TF/I
microsonic pico+25/TF/U
microsonic pico+35/TF/F
microsonic pico+35/TF/I
microsonic pico+35/TF/U
microsonic pico+100/TF/F
microsonic pico+100/TF/I
microsonic pico+100/TF/U
簡介：
microsonic 神經網絡訓練流程圖表 1 中，0 表示未檢測到障礙物，1 表示檢測到障礙物。訓練結束后，得到兩個權值 ωij、ωmj，作為運動控制器的輸入參數，控制移動機器人的避障運動。4 仿真試驗及分析在實驗室環境內采集超聲波傳感器到障礙物之間的距離信息，整理后作為神經網絡的訓練集和測試集，利用 Matlab 仿真工具對其進行程序處理。采集到1600 組數據，其中 1400 組用于訓練，200 組用于測試。microsonic 在訓練之前，對各學習參數進行設置: 學習大次數 k為 1000，目標誤差精度 e 為 10－ 3; 采用 LM 優化算法作為神經網絡訓練的算法。分別使用 BP 神經網絡與 RBF 神經網絡對采集到的數據進行處理，RBF 神 經 網 絡 參 數 設 置 如 下: e 為 10－ 3，SPREAD( 擴展速度) 為 9; 對比結果如表 2 所示。表 2 BP 神經網絡與 RBF 神經網絡比較類型 大學習次數 實際學習次數 正確率 /%BP 神經網絡microsonic 1000 11 100RBF 神經網絡 1000 700 95表 2 中，BP 神經網絡學習較快，準確率較高。兩種神經網絡學習訓練結果如圖 7 所示。microsonic 由圖 7 可知，BP 神經網絡進行訓練時收斂速度較快，當訓練到第 11 次時，均方誤差已達到目標要求，網絡訓練結束; 體現了 BP 神經網絡對機器人避障的高效性和快速性。為了清晰地表達實際輸出值與期望值之間的誤差關系，用以上兩種方法分別做處理，結果如圖 8 所示。圖 8 表明，BP 神經網絡處理的誤差較小、分布相對集中，正確率較高。說明了該算法可以精確高效地處理傳感器檢測的距離信息，有利于機器人做避障運動。為了獲取機器人在運動過程中與周圍環境障礙物的位置關系，用 3 個超聲波測距傳感器來實時采集機器人與障礙物之間的距離信息。采集的數據信息作為輸入量輸入神經網絡進行訓練，microsonic 而輸出層的輸出則為移動機器人對環境類別的判斷。速度輸入作為運動控制器的輸入量，將經過神經網絡訓練學習后的滿足要求的權值作為控制器的初始權值，microsonic 使控制器輸出的控制量，得出左、右兩輪速度，根據差速轉向原理microsonic ［19］來實現移動機器人的自主避障功能。BP 神經網絡結構［20］如圖 5 所示。網絡結構中，輸入層神經元有 3 個，為 3 個超聲波測距傳感器采集的距離信息; 輸出層神經元有 3 個，microsonic 輸圖 7 神經網絡學習訓練比較圖 8 兩種方法實際輸出值與期望輸出值之間的誤差比較為了驗證所提出的方法的有效性，設置初始速度為 0． 3 m/s，取 30 個采樣點的速度，在兩種神經網絡作用下，對比它們的速度變化量，結果如圖 9 所示。圖 9 速度變化量圖 9 中 X 軸表示速度采樣數，每隔 0． 5 s 采樣一次; Y 軸表示初始速度與實際采樣速度的差值，即速度變化量。在初始速度相同的條件下，對前方障礙物進行避障行為，RBF 神經網絡訓練時間較長，速度出現較大波動，有明顯的急停現象。而所提出的方法訓練時間大大縮短能提前做出決策，速度變化較為平緩，實現了高效的避障動作。為了測試文中方法的避障效果，使用柵格法構建了一個環境地圖，圖中黑色矩形為障礙物，空白部分為可通行區域。設機器人的初始速度為 0． 3 m/s，起點位置( 1，1) ，終點位置( 18，17) ; 預先將 5 個障礙物的位置信息及起點、終點坐標存儲在 Matlab 中，以便進行模擬避障環境。使用所提出的方法進行避障仿真，當移動機器人行走到障礙物區域時，先降低前進速度，調整方向以此來避開障礙物。移動機器人的避障軌跡如圖 10 所示。圖 10 機器人避障軌跡圖 10 中，機器人的運動軌跡連續平滑，相對穩定，沒有出現急剎車情況，達到了理想的避障效果。5 結束語本文給出了一種 BP 神經網絡避障方法來解決移動機器人在未知環境下的避障問題，為了驗證方法的有效性，進行了仿真實驗，結果表明，此方法可以高效精確地實現移動機器人的自主避障，運行相對穩定、軌跡連續平滑，達到了較為理想的避障效果。在實際過程中，由于障礙物的形狀不同，單一傳感器不能很好地反映機器人當前環境信息，在后期的避障學習中，可以考慮增加視覺、紅外等多種傳感器，以此提高機器人對復雜環境的辨識度，可以實現更為精確的避障效果。
德國microsonic pico+15/F超聲波傳感器
德國microsonic pico+15/F超聲波傳感器