移动机器人环境建模：径向基神经网络方法

"基于径向基神经网络的环境建模方法，是移动机器人技术中的一种创新应用，由侯园松、阮晓钢和李诚等人提出。这种方法利用径向基神经网络（RBFNN）来构建连续的栅格地图，旨在解决未知环境的建模挑战。" 在移动机器人领域，对未知环境的建模是一项关键任务，它涉及到机器人的自主导航、避障和路径规划。传统的栅格地图通常以离散的方式表示环境，这限制了地图的分辨率和灵活性。然而，基于径向基神经网络的环境建模方法则提供了新的解决方案。 径向基神经网络是一种特殊的前馈神经网络，其隐藏层神经元激活函数采用径向基函数，如高斯函数。这种网络结构使得RBFNN在处理非线性问题时表现出优良的性能，尤其适用于数据拟合和模式识别。在本研究中，RBFNN被用来学习和预测由机器人测距传感器和定位系统提供的距离信息及位置信息，这些数据被转化为占据点，用于训练网络。 在建模过程中，首先收集机器人传感器测得的距离数据，结合定位系统的坐标信息，计算出环境中的占据点。这些占据点作为训练数据输入到RBFNN中，通过学习过程形成网络权重。随后，创建一个空白的栅格地图，将每个栅格中心点的坐标作为输入，通过训练好的RBFNN网络得到对应的连续栅格值，从而生成连续的环境模型。 与传统离散栅格地图相比，这种方法的优势在于其能够用连续的值表示栅格的占据状态，这意味着可以生成具有任意分辨率的地图。此外，RBFNN的非线性建模能力使得它能够捕捉到障碍物之间的复杂关系，提高了环境建模的鲁棒性和泛化能力。 为了验证该方法的有效性，研究人员在Matlab环境中进行了仿真。仿真结果表明，该方法能够准确地构建环境模型，并且具有较高的计算效率，证明了其在实际应用中的潜力。 关键词：径向基神经网络，栅格地图，环境建模。这种方法的提出，不仅为移动机器人提供了更精细、更灵活的环境感知手段，也为未来智能体在复杂环境下的自主导航技术发展开辟了新的途径。