[发明专利]一种仿生智能控制方法

说明书

技术领域

本发明涉及智能控制，具体涉及一种具有操作条件反射机能、可模拟感觉运动系统的仿生智能控制方法。

技术背景

传统方法设计的机器人虽然在减轻人类体力劳动负担、减少人类在危险环境下作业等方面取得了巨大成功，但其有限的智能水平却限制了其应用的进一步推广和深入，例如：无法适应复杂、多变及未知的环境；仅能完成特定的任务，无法自主发育出新能力等等。为了提高机器人的智能水平，使其最终接近人类认知能力，人工智能及机器人领域的一个新思路——认知机器人学诞生了。认知机器人这一主题涉及到神经生理学、心理学、计算机科学、脑科学等多个领域，它的研究思路势必需从这些相关学科的现有理论中汲取营养，而它的不断发展也必将推动上述学科的进步，从而进一步影响国民经济的相关领域。本发明正是基于这样的学科背景，提出了一种具有操作条件反射机能、可模拟感觉运动系统的仿生智能控制方法。

1938年，美国著名心理学家斯金纳（B.F.Skinner）首次提出了操作条件反射（Operant Conditioning）的概念，并由此创立了操作条件反射理论。他借鉴了巴甫洛夫的“强化”（reinforcement）概念，并把这一概念的内涵进行了革新。他把“强化”分为正强化（positive reinforcement）和负强化（negative reinforcement）两种，正强化促使有机体对刺激的反应概率增加，而负强化则促使有机体消除该刺激的反应增加。斯金纳的操作条件反射理论反映了生物的感知与运动之间的联系，感知产生反应，反应影响运动的概率，这正是斯金纳理论的核心。

“感知-运动”是生物运动神经认知的基础。法国里昂第一大学Jeannerod教授所著的《Motor Cognition:What Actions Tell to the Self》第一次系统的描述了运动神经认知的理论体系。在运动神经认知的理论体系中，感知和行动扮演着重要角色，早在上世纪五十年代，Sperry就坚持认为“感知-行动”环（Perception-Action Cycle）是神经系统运行的基本逻辑。因此，复制“感知-运动”系统从而重现生物运动神经认知，是探索认知机制、理解认知行为进而提高认知水平的可靠思路。

沿着这一思路，本发明提出了一种具有操作条件反射机能、可模拟感觉运动系统的仿生智能控制方法，由此提高机器人的认知及智能水平。相关的专利如申请号CN200910086990.4及申请号CN200910089263.3的发明专利基于自动机理论，分别提出了操作条件反射自动机模型，并讨论了该模型在仿生自主学习控制中的应用。申请号为201410055115.0的专利提出了一种基于Skinner操作条件反射原理的机器人避障方法，实现了机器人在无导师信号下的自主巡航；申请号为201310656943.5的专利则将操作条件反射原理用于图像处理领域，提高了图像处理的精度和效率。但是，以上模型均没有涉及生物运动神经认知，未将操作条件反射融入感觉运动系统的设计中。目前，尚未见到与本发明相似的专利记录。

发明内容

传统的机器人控制方法所能达到的智能水平有限，机器人无法自主地适应未知环境，难以从简单经验中获取完成复杂任务的能力，无法以自学习的方式完成任务。针对传统控制方法存在的上述问题，本发明提出了一种仿生智能控制方法。该方法从仿生的角度模拟了生物的感觉运动神经系统，同时借鉴了操作条件反射理论，使系统具有操作条件反射机能，能较好地模拟（表现）生物自学习行为，使机器人表现出良好的自适应能力和较高的智能水平。

如图1所示，本发明提出的仿生智能控制方法按照如下步骤递归运行：

步骤1，构建感知运动系统的神经网络模型，确定感知层、隐层及运动层等各层神经元数量，令权值矩阵W1、W2在[0,1]上随机取值，确定初始感知状态，设定学习速率。

采用3层前馈神经网络N³[l,m,n]表达感知及运动之间的关系，如图2所示。其中，输入层包含l个神经元，以编码形式表征所感知到的信息，构成所谓“感知层”；隐含层包含m个神经元，对感知层传输的信息进行计算和处理；隐含层及输入层与隐含层之间两个权值矩阵W1、W2，从功能上模拟了生物感知运动系统中的信息处理中枢；输出层包含n个神经元，代表动作集合中的n个动作，构成“运动层”。信息按前馈（Feed Forward）方式传播，经感知层、隐含层、运动层前向流动，实现了从感知到运动的映射关系。