一种仿生机器鱼及其控制参数优化方法与流程

本发明属于仿生机器鱼领域，尤其涉及一种仿生机器鱼及其控制参数优化方法。
背景技术：
：随着机器人技术的发展，鱼类(机器鱼)被广泛应用到水下任务中。相比较传统的水下航行器具有更多的优势，因为在有效地推进和高操纵性上表现了比较优越的性能，它具有更高的灵活性以及易操作性。传统的水下机器人主要是通过模仿鱼类的运动以及鱼类的推动机制进行研究来确定机器人的运动控制规律，但由于运动学以及流体力学的复杂性，所建立的数学模型就很复杂。研究人员通过研究生物学发现，鱼类的节律性运动是通过神经元中的中枢模式发生器(cpg)来进行控制的。cpg控制是在没有任何控制和输入信号的情况下产生节律性信号，从而控制生物的节律运动。同时，它还具有良好的鲁棒性，适应性，容易调节等优点。brown最早提出了由两类相互抑制的神经元振荡器组成基本的神经元网络模型。第一个比较典型的cpg生物模型是由grillner等提出的七鳃鳗cpg模型。经过了研究人员长期的研究建立了多种类型的cpg数学模型以用于控制机器人。绝大部分cpg模型都是由几个参数构成的微分方程，模型中的参数都会对机器鱼的运动模式，稳定性以及适应性产生影响。如何调整cpg模型中的参数仍然是一个比较困难的问题，这给系统运动的分析带来了很大的影响。技术实现要素：为了解决现有技术的不足，本发明提供了一种仿生机器鱼，其采用pso算法对cpg模型参数进行整定优化，解决了输出不稳定、参数选定困难、能耗高等问题。本发明的一种仿生机器鱼，仿生机器鱼放置于水池内；该仿生机器鱼包括：微处理器，所述微处理器与驱动模块相连，用来控制仿生机器鱼的运动；所述微处理器还与充电电池相连，所述充电电池还与无线充电模块相连；所述无线充电模块包括设置于仿生机器鱼上的无线充电接收端机构和固定在水池中的无线充电发射端机构；所述微处理器还与zigbee模块相连，所述zigbee模块用于实现仿生机器鱼的定位以及多条仿生机器鱼之间的相互通信；所述微处理器被配置为：根据极限环cpg网络控制模型来构建仿生机器鱼的数学模型；采用pso算法对仿生机器鱼的数学模型中的参数进行优化，其优化过程为：设定算法参数，所述算法参数包括学习因子、最大迭代次数和粒子的维数；初始化种群，其中初始种群是由随机产生的若干个粒子组成的；计算粒子的适应度值；找出个体极值和群体极值，再进一步的进行更新迭代直到输出最优解。进一步的，所述微处理器还与语音控制模块相连。进一步的，所述微处理器还与移动终端相互通信。进一步的，所述仿生机器鱼内还嵌入有led灯，所述led灯与微处理器相连。进一步的，所述驱动模块为压电陶瓷驱动模块。进一步的，所述无线充电接收端机构包括：电量检测模块、接收线圈、无线充电接收模块和接收端防水外壳，所述接收端防水外壳固定在仿生机器鱼的下部，接收线圈密封固定于接收端防水外壳端部，所述电量检测模块和无线充电接收模块密封设置于接收端防水外壳中，所述电量检测模块、接收线圈分别与充电电池之间电连接。进一步的，所述无线充电发射端机构包括：充电线圈、防水充电底座、定位模块和无线充电发射模块，防水充电底座固定设置在水池的底部，充电线圈密封固定在防水充电底座的上端，定位模块与无线充电发射模块之间电连接，无线充电发射模块通过导线与外部电源连接。本发明还提供了一种仿生机器鱼的控制参数优化方法。本发明的仿生机器鱼的控制参数优化方法，包括：步骤1：根据极限环cpg网络控制模型来构建仿生机器鱼的数学模型；步骤2：采用pso算法对仿生机器鱼的数学模型中的参数进行优化。进一步的，在所述步骤1中，将仿生机器鱼划分成四个关节，极限环cpg网络控制模型含有四个cpg单元，输出信号对应仿生机器鱼的四个关节。进一步的，在所述步骤2中，优化过程为：步骤2.1：设定算法参数，所述算法参数包括学习因子、最大迭代次数和粒子的维数；步骤2.2：初始化种群，其中初始种群是由随机产生的若干个粒子组成的；步骤2.3：计算粒子的适应度值；步骤2.4：找出个体极值和群体极值，再进一步的进行更新迭代直到输出最优解。与现有技术相比，本发明的有益效果是：本发明通过pso算法(粒子群算法)对cpg网络模型中的参数就行整定优化，以产生协调的节律性信号。在cpg控制链式耦合控制的基础上，基于pso算法对cpg模型中重要参数进行了优化，，成功解决了cpg网络输出信号输出不稳定，参数整定困难，能耗高等问题，实现了状态输出量波动更小，误差变小，速度变快。附图说明构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。图1是本发明的一种仿生机器鱼的结构示意图；图2是发明的仿生机器鱼的控制参数优化方法流程图；图3是参数优化过程示意图；图4是链式耦合模型示意图；图5是发明的仿生机器鱼的cpg网络控制模型；图6是适应度函数变化曲线图；图7是优化前后速度对比图。具体实施方式应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本申请所属
技术领域：
的普通技术人员通常理解的相同含义。需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。图1是本发明的一种仿生机器鱼的结构示意图。如图1所示，本发明的一种仿生机器鱼，仿生机器鱼放置于水池内；该仿生机器鱼包括：微处理器，所述微处理器与驱动模块相连，用来控制仿生机器鱼的运动；所述微处理器还与充电电池相连，所述充电电池还与无线充电模块相连；所述无线充电模块包括设置于仿生机器鱼上的无线充电接收端机构和固定在水池中的无线充电发射端机构；所述微处理器还与zigbee模块相连，所述zigbee模块用于实现仿生机器鱼的定位以及多条仿生机器鱼之间的相互通信。其中，微处理器被配置为：根据极限环cpg网络控制模型来构建仿生机器鱼的数学模型；采用pso算法对仿生机器鱼的数学模型中的参数进行优化，其优化过程为：设定算法参数，所述算法参数包括学习因子、最大迭代次数和粒子的维数；初始化种群，其中初始种群是由随机产生的若干个粒子组成的；计算粒子的适应度值；找出个体极值和群体极值，再进一步的进行更新迭代直到输出最优解。具体地，所述无线充电接收端机构包括：电量检测模块、接收线圈、无线充电接收模块和接收端防水外壳，所述接收端防水外壳固定在仿生机器鱼的下部，接收线圈密封固定于接收端防水外壳端部，所述电量检测模块和无线充电接收模块密封设置于接收端防水外壳中，所述电量检测模块、接收线圈分别与充电电池之间电连接。具体地，所述无线充电发射端机构包括：充电线圈、防水充电底座、定位模块和无线充电发射模块，防水充电底座固定设置在水池的底部，充电线圈密封固定在防水充电底座的上端，定位模块与无线充电发射模块之间电连接，无线充电发射模块通过导线与外部电源连接。定位模块每隔一段时间发射一次自身的位置坐标，以供机器鱼接收能够返回到指定充电地点。电量检测模块集成在无线充电的接收端当中，其能够对机器鱼的当前电量进行实时检测，当检测到电量低于20％时，定位模块给机器鱼发射位置信号，机器鱼游向无线充电装置的发射机构。无线充电发射模块与无线充电接收模块配套使用，利用充电线圈与接收线圈之间的电磁感应原理对电池进行充电，当充电线圈与接收线圈耦合，其间隙在5mm之内即可以无线充电，且两个线圈之间的间距越小充电效率越高。分别用密封胶对发射端机构和接收端机构进行防水浇筑密封，防止机器鱼漏水。具体地，所述驱动模块为压电陶瓷驱动模块。本发明主要是利用压电陶瓷材料的逆压电效应，即通过对压电陶瓷施加外部电场，将输入的电能转换成机械能以改变结构阻尼、刚度等特性，从而对结构进行有效控制。在另一实施例中，所述微处理器还与语音控制模块相连。具体地，语音控制模块设置在水池壁上，其包括语音采集模块、语音处理模块、控制模块(嵌入式单片机)、无线通信模块，其中语言采集模块对语音进行采集和识别，识别到的信息传给语音处理模块进行处理，语音处理模块把处理结果送给控制模块，控制模块控制无线通信模块发送相应的信号给机器鱼，仿生机器鱼上的无线通信模块收到信号后传给仿生机器鱼上的控制模块，控制模块收到信号后传给驱动模块，进而驱动机器鱼做出相应的动作。在另一实施例中，所述微处理器还与移动终端相互通信。其中，移动终端控制单个仿生机器鱼的翻转、慢游、快游以及多条仿生机器鱼的直游、翻转等功能。在另一实施例中，所述仿生机器鱼内还嵌入有led灯，所述led灯与微处理器相连。其中，led灯可以实现机器鱼颜色的变化，展现更漂亮的姿态。本发明还提供了一种仿生机器鱼的控制参数优化方法。图2是发明的仿生机器鱼的控制参数优化方法流程图。如图2所示，本发明的仿生机器鱼的控制参数优化方法，包括：步骤1：根据极限环cpg网络控制模型来构建仿生机器鱼的数学模型；步骤2：采用pso算法对仿生机器鱼的数学模型中的参数进行优化。中枢模式发生器(cpg)控制是一种生物低级神经中枢产生自激振荡而发生节律性运动的控制方法，即使是在没有外部控制信号的情况下，也可以产生节律性运动。同时，它还具有鲁棒性好，适应能力强等特点。水下鱼类的游动比如尾鳍的摆动，胸鳍的运动等都是很典型的节律性运动，鱼类用鱼鳍游动的时候，是通过改变鱼鳍的摆动频率，摆动的角度来实现自身游动模式的多变性。cpg控制的机器鱼可以通过建立数学模型，控制机器鱼鱼鳍的摆动，实现多模态运动。本发明采用弱耦合、相互抑制的cpg网络控制模型，该模型的输出信号可以很好的作用于每个关节的cpg单元，实现链式cpg网络信号输出。pso算法是根据输出信号来调节优化cpg参数以及cpg单元之间的连接权数，最后得到一组优化后的cpg控制参数，通过这些参数控制各个关节的cpg单元。所采用的链式耦合模型如下图4所示。一个神经振荡器是由多个神经元组成的，不需要外部输入就可以直接传递信号到振荡器，从而产生节律性运动。图4的cpg控制模型中，在没有外部输入的情况下，神经元进行内部单元间的震荡耦合以及外部震荡单元间的耦合，实现仿生机器鱼的控制。本发明所采用的cpg模型是以基于hopf振荡器cpg模型，比较常见的模型还有matsuoka神经震荡模型、kimura振荡器模型、相位振荡器模型等。本发明所采用的模型结构简单，所对应调节的关键参数比较少，并且是通过相邻cpg单元链式耦合在一起，简化了cpg模型的复杂程度，能够单独调节控制参数(震荡频率和振幅)，方便程序的编写和机器鱼的控制。所构建的cpg网络拓补结构含有4个cpg单元，输出信号对应机器鱼的四个关节。链式耦合的cpg网络控制模型如图5所示。该极限环cpg网络控制模型的数学表达式如下：其中xi和yi表示非线性振荡器的两个状态变量，ωi表示第i个振荡器的固有震荡频率，ai表示第i个振荡器的固有振幅。i表示在这个系统所运用到cpg的个数，i的值取1，…，n。aij和bik表示的是链式弱耦合间的耦合系数，它们表示了神经振荡元之间的激励和抑制作用。本发明所构的仿生机器鱼建cpg模型，4个cpg单元输出作为机器鱼各关节的控制信号，并且通过调节频率和幅值来产生比较稳定的振荡输出。j1、j2、j3、j4分别代表4个驱动关节，仿生机器鱼通过这四个驱动关节的相互耦合控制仿生机器鱼产生不同的游动模式。为了使线性、非线性系统取得最优目标，本发明采用pso算法对仿生机器鱼的数学模型中的参数进行优化。pso算法是一种进化算法，是在1995年由j.kennedy和r.c.eberhart提出的，源自于鸟群的捕食运动。类似于ga算法，系统初始为一组随机解，通过迭代进行搜寻最优解。pso算法是在解的空间内进行寻找，此算法具有内容简单，调节参数少等优点。本发明通过pso算法对cpg的控制参数进行整定优化，寻找最优解。本发明的研究对象是基于cpg控制的机器鱼，通过改变cpg的控制参数(角频率ω、振幅a、相位角等)控制机器鱼的运动。pso算法是在n维空间内进行迭代寻优。在每一次的迭代中，粒子都是通过跟踪两个“极值”来更新自己的位置。其中一个是目前为止粒子搜寻到的最优位置，记做pb；另外一个是整个粒子群目前为止所搜寻到的最优位置，记做gb。粒子更新的公式如下所示：vi(t+1)＝ω·vi(t)+c1×rand×(pb-xi(t))c2×rand×(gb-xi(t))xi(t+l)＝xi(t)+vi(t+1)(2)其中vi(t)是粒子i的t时刻的速度,ω为惯性权重,xi(t)是当前粒子的位置，pb是个体极值和gb是全局极值rand是介于(0,1)之间的随机数.c1,c2是学习因子。由数学模型表达式(1)可知，该cpg模型中，参数包括振荡器的固有震荡频率ωi，振荡器的固有振幅ai，以及链式弱耦合之间的耦合系数aij和bik。xi和yj是神经内部的状态变量。由极限环的定理可得，该模型的振幅仅与参数a有关，频率仅与ω有关。cpg网络拓扑结构是由多个耦合的cpg单元所构成，利用cpg网络对机器鱼的游动进行控制，各个部位之间的相互耦合系数是至关重要的。机器鱼各关节之间的耦合是根据鱼体波方程来确定的，鱼体波方程如下：yboday(x，t)＝(c1x+c2x2)sin(kx+ωt)(3)其中，yboday是鱼体的横向位移，x是鱼体的轴向位移，k是波长的倍数(2π/λ)，λ是鱼体波的波长，c1是鱼体波波幅包络线的一次项系数，c2是鱼体波波幅包络线的二次项系数，ω是鱼体波的频率(ω＝2πf＝2π/t)。从(3)式可以得到，鱼体波方程可以分解成两部分，一部分与时间无关，一部分与时间有关。因此，仿生机器鱼的控制可以分解为摆动幅值的控制和摆动频率的控制。本发明采用pso算法对cpg网络参数进行优化，所要优化的两个重要参数分别为ωi和ai，两个cpg参数要满足以下条件：根据要产生波形的条件，通过实验调整模拟之后，根据表1的参数可以得到比较稳定的输出信号。利用适应度函数来评价种群个体的优劣，所选取的适应度函数直接影响到了收敛速度以及优化的结果。本发明所要得到的是一组关于cpg参数的解，达到综合稳定状态，选择两输出信号均方差作为适应度函数，如式(5)：其中f(x)是适应度函数，yi和xi表示第i个关节的输出信号。方差越小说明波形越稳定，适应性越好，能耗也越低。具体地，如图3所示，在所述步骤2中，优化过程为：步骤2.1：设定算法参数，所述算法参数包括学习因子、最大迭代次数和粒子的维数；步骤2.2：初始化种群，其中初始种群是由随机产生的若干个粒子组成的；步骤2.3：计算粒子的适应度值；步骤2.4：找出个体极值和群体极值，再进一步的进行更新迭代直到输出最优解。本发明采用matlab软件，在此平台上进行仿真，将粒子群算法中的常数因子c1和c2设置为2，权重系数w最小取0.1，最大取了0.9。通过pso算法对cpg参数ω和a进行了整定优化，图6表示了迭代30次以后适应度函数变化曲线，方差目标优化函数值为0.0135，所对应的pso优化后的参数如表2所示。表1实验整定参数ωa1a2a3a4208294550表2pso算法优化后的参数ωa1a2a3a4208.702529.631744.297049.9894通过pso优化后的波形与原始波形进行对比，发现通过粒子群算法优化后得到的波形在一定程度上与实验所得参数波形一样，但是通过pso优化后所得到的波形更加的稳定、角度更大，在同一时间内响应速度更快。在搭建好的实验平台上对机器鱼进行性能测试，实验数据如表3所示，通过pso优化后的波形与原始波形进行对比后测试速度曲线，如图7所示。实验结果证明，pso优化后的参数使机器鱼性能得到了改善，速度得到了提高。本发明采用pso算法对仿生机器鱼优化控制，通过此算法可以优化仿生机器鱼cpg模型中的参数，使得cpg网络能够产生节律性的输出，输出误差更小。仿真实现了cpg网络模型各关节信号节律性输出，仿真结果表明，此方法具有准确性、稳定性、高效性的优点，适用于仿生机器鱼的控制。表3优化前后速度参数ω(rad/s)pso优化速度(m/s)未优化速度(m/s)200.32330.2935220.37880.3606240.41780.3886260.46730.4573280.53190.5067300.56390.5396320.62240.5906340.63830.6302360.73530.6667本发明通过pso算法(粒子群算法)对cpg网络模型中的参数就行整定优化，以产生协调的节律性信号。在cpg控制链式耦合控制的基础上，基于pso算法对cpg模型中重要参数进行了优化，，成功解决了cpg网络输出信号输出不稳定，参数整定困难，能耗高等问题，实现了状态输出量波动更小，误差变小，速度变快。上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。当前第1页12