[發明專利]一種基于抗噪聲模糊遞歸神經網絡的FPGA實現方法

有效

• 申請號: 202310350455.5
• 申請日: 2023-04-04
• 公開（公告）號: CN116117825B
• 公開（公告）日: 2023-08-08
• 發明（設計）人: 張智軍;何昊天;羅亞梅;張銘洋
• 申請（專利權）人: 人工智能與數字經濟廣東省實驗室（廣州）;華南理工大學
• 主分類號: B25J9/16
• 分類號: B25J9/16
• 代理公司: 廣州科粵專利商標代理有限公司 44001
• 代理人: 楊可維

本發明公開一種基于抗噪聲模糊遞歸神經網絡的FPGA實現方法，包括以下步驟：將機械臂末端軌跡運動規劃任務轉換為受多類約束的時變二次規劃任務；時變二次規劃任務引入懲罰函數和拉格朗日函數轉換為時變矩陣方程，并通過抗噪聲模糊遞歸神經網絡對時變矩陣方程進行求解；將抗噪聲模糊遞歸神經網絡映射到FPGA構成FPGA求解模塊；確立FPGA求解模塊的數據格式和底層乘法器；FPGA求解模塊在FPGA中基于流水線實現并獲得最優解；對最優解進行積分，得到時變二次規劃任務的最優解。本發明的有益效果是：求解模塊實時性好，計算速度快，效率更高，能夠考慮多種約束條件。

技術領域

本發明涉及神經網絡的硬件實現技術領域，尤其涉及一種基于抗噪聲模糊遞歸神經網絡的FPGA實現方法。

背景技術

機器人操縱器已被廣泛應用于生物工程、醫療、智能制造、教育等領域。冗余機器人操縱器的運動規劃已經吸引了大量的研究人員。

冗余機器人操縱器有足夠的自由度（DOF）來完成復雜的運動規劃任務，就像仿人肢體一樣，可以代替人類執行一些危險的任務或枯燥的重復性操作。在運動規劃任務中，機器人操縱器的狀態并不唯一，因此運動規劃的過程可以被看作是一個優化問題。一些次要的性能指標，如關節角度漂移和關節運動極限，在原始程序中被表示為條件，傳統的優化方法是基于數值法求解，在機器人操縱器的情況下，運動學建模是直接通過雅各布的偽逆來進行數值處理的。然而，數值法的缺點是迭代時間長，計算量大。利用并行計算的特點，遞歸神經網絡（RNN）被廣泛應用于一些實時運動場景，如機器人運動規劃。實驗證明，與數值方法相比，RNN規劃機器人的收斂速度更快，控制誤差更小。

在過去的幾年里，一些RNN被提出來用于解決機器人運動規劃問題。在參考文獻中，一個Hopfield類型的神經網絡被用于解決機器人運動規劃問題，其中，作者設計了一個Hopfield類型的神經網絡，即雙重神經網絡（DNN），用于解決逆運動學問題。然而，DNN需要進行矩陣反轉計算，這導致了較長的收斂時間成本。為了克服時間成本的困難，Xia提出了一個LVI原始-雙神經網絡（LVI-PDNN）方案，LVI-PDN方案在機械手運動控制中的有效性已經在加速級和速度級得到了驗證。隨著運動軌跡復雜性的提高，機器人機械手的逆運動學應被視為一個時變的優化問題，而上述方法只能在靜態情況下保持性能保證。受神經動力學方法和基于梯度的神經網絡（GNN）的啟發，Zhang提出了一種基于動力學的歸零神經網絡（ZNN），ZNN旨在使用固定參數來提高收斂率，然而，參數的擴大會導致冗余解決的問題。為了克服這個問題，Zhang提出了一個變化參數的收斂-差分神經網絡（VP-CDNN）方案，并將其用于考慮干擾的機器人操縱器的速度和加速度控制。

在實際的操縱器控制中，有許多潛在的問題，如關節運動限制、關節角度漂移和噪聲容忍。其中，噪聲無處不在，嚴重影響了運動規劃方案，甚至導致失敗。有幾篇文獻報道了如何提高耐噪聲性能。Li等人考慮了在多項式噪聲存在的情況下解決冗余的RNN方案。Guo等人研究了一種新的路徑規劃方案，該方案基于存在噪聲的偽逆式公式，外部噪聲被比例-積分-導數戰術所抑制。然而，以前的文獻都集中在外部干擾上，內部干擾在求解過程中非常重要。Zhang等人提出了一種自適應模糊RNN，用于冗余機器人操縱器控制的內部干擾抑制。

現階段，上述機械手控制方案都是在馮-諾依曼結構的基礎上實現的，不能充分發揮神經網絡的并行計算的優勢。模糊系統在操縱器控制中具有以模糊輸入調整響應幅度的優勢，而在時變操縱器應用中的硬件實現是不存在的。還有其他致力于模糊系統的硬件實現的先進工作，比如，Bicakci等人實現了一個基于FPGA的電磁攪拌器，以提高能源效率，其中模糊邏輯控制由ARM微控制器實現。由于ARM中的總線數量有限，處理速度也受到限制。此外，ARM和FPGA之間的額外傳輸時間是次要的。由于應用于模糊控制的成員函數形式是一個三角形函數，Gdaim等人提出了一個面向計算和簡單實現的模糊邏輯電路。另一種實現方法是面向內存的，需要大量的LUT資源。

發明內容