留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于神经网络的撞球机器人控制器设计

高家颖 何秋阳 詹志新

高家颖, 何秋阳, 詹志新等 . 基于神经网络的撞球机器人控制器设计[J]. 北京航空航天大学学报, 2017, 43(3): 533-543. doi: 10.13700/j.bh.1001-5965.2016.0183
引用本文: 高家颖, 何秋阳, 詹志新等 . 基于神经网络的撞球机器人控制器设计[J]. 北京航空航天大学学报, 2017, 43(3): 533-543. doi: 10.13700/j.bh.1001-5965.2016.0183
GAO Jiaying, HE Qiuyang, ZHAN Zhixinet al. Design of neural network controller for a billiard robot[J]. Journal of Beijing University of Aeronautics and Astronautics, 2017, 43(3): 533-543. doi: 10.13700/j.bh.1001-5965.2016.0183(in Chinese)
Citation: GAO Jiaying, HE Qiuyang, ZHAN Zhixinet al. Design of neural network controller for a billiard robot[J]. Journal of Beijing University of Aeronautics and Astronautics, 2017, 43(3): 533-543. doi: 10.13700/j.bh.1001-5965.2016.0183(in Chinese)

基于神经网络的撞球机器人控制器设计

doi: 10.13700/j.bh.1001-5965.2016.0183
详细信息
    作者简介:

    高家颖,男,博士研究生。主要研究方向:机器学习

    何秋阳,女,信息安全工程师。主要研究方向:信息安全、人机交互

    通讯作者:

    何秋阳,E-mail: heqiuyang926@163.com

  • 中图分类号: TP183

Design of neural network controller for a billiard robot

  • 摘要:

    对撞球机器人的母球控制问题展开研究,设计了一种基于神经网络(NN)的控制器,使机器人能够控制母球在击打目标球后按照预定的模式运动至目标点——即完成走位。针对该问题非线性且非光滑的特点,对坐标系进行阐述并给出机器人击球的模型;在光滑的假设下使用理论分析的方法建立母球的运动学模型与边库反弹的理想镜像模型;进而使用神经网络方法对理想模型进行修正,并对不同的轨迹模式进行分析与分类。测试结果表明:经过训练的机器人能够掌握各种模式的走位,统计结果与模型分析结果相吻合;相比于单一使用神经网络方法,本文使用理论分析与神经网络相结合的方法能够有效地提升网络的品质,降低训练的误差。

     

  • 图 1  全局坐标系、击打坐标系与碰撞坐标系

    Figure 1.  Global coordinate system, stroking coordinate system and collision coordinate system

    图 2  击球的正视图与侧视图

    Figure 2.  Front view and side view of stroking

    图 3  击打坐标系下母球与目标球的碰撞示意图

    Figure 3.  Schematic diagram of collision of cue ball and object ball in stroking coordinate system

    图 4  以不同角速度碰撞后的母球运动轨迹仿真

    Figure 4.  Cue ball trajectory simulation under different angular velocity after balls collision

    图 5  母球的理想镜像轨迹

    Figure 5.  Ideal mirror trajectory of cue ball

    图 6  一些可能的轨迹模式

    Figure 6.  A number of potential trajectory patterns

    图 7  包含任意num次边库反弹的母球走位的BPNN模型

    Figure 7.  BPNN model with arbitrary num cushion rebounds for cue ball controlling

    图 8  模式0对应的理想轨迹与实际轨迹

    Figure 8.  Ideal trajectory and actual trajectory of Pattern 0

    图 9  包含1次边库反弹的母球走位路线

    Figure 9.  Trajectory with one-time cushion rebound for cue ball controlling

    图 10  轨迹段的起点编号与终点编号定义

    Figure 10.  Definition of start point and end point of trajectory segment

    图 11  包含2次边库反弹轨迹的分类讨论

    Figure 11.  Classified discussion for trajectory with two-time cushion rebounds

    图 12  轨迹模式的UN金字塔分类器

    Figure 12.  UN pyramid classification of trajectory patterns

    图 13  U型轨迹与N型轨迹的几何特征

    Figure 13.  Geometric feature for Pattern U and Pattern N

    图 14  撞球机器人的学习过程

    Figure 14.  Learning process for billiard robot

    图 15  给定模式c下的走位测试

    Figure 15.  Test for cue ball controlling with Pattern c

    图 16  不同轨迹模式下输入 (αi,Li) 对走位成功率的统计结果

    Figure 16.  Statistical results of inputs (αi, Li) versus controlling rate under different trajectory patterns

    图 17  2种方法的训练与测试效果比较

    Figure 17.  Comparison of training and test effect between two methods

    表  1  模式0神经网络模型

    Table  1.   Neural network model for Pattern 0

    输入 (5维) 输出 (2维)
    控制量FI, Sx, Sy 位置偏差Δαo, ΔLo
    几何特征量αi, Li
    下载: 导出CSV

    表  2  模式EASY神经网络模型

    Table  2.   Neural network model for Pattern EASY

    输入 (7维) 输出 (2维)
    控制量FISxSy 位置偏差Δαo,ΔLo
    几何特征αiLi
    旋转分类参数β
    下载: 导出CSV

    表  3  N型轨迹模式的神经网络模型

    Table  3.   Neural network model for pattern N

    输入 (7维) 输出 (2维)
    控制量FISxSy 位置偏差Δαo,ΔLo
    几何特征αiLi
    旋转分类参数β
    下载: 导出CSV

    表  4  U型轨迹模式的神经网络模型

    Table  4.   Neural network model for pattern U

    输入 (8维) 输出 (2维)
    控制量FISxSy 位置偏差Δαo,ΔLo
    几何特征αiLi
    旋转分类参数β
    下载: 导出CSV

    表  5  部分轨迹模式的平均走位成功率统计结果

    Table  5.   Statistical results of average controlling rate for some trajectory patterns

    模式 数据量 成功率/%
    0 5611 90
    EASY 4786 80
    c 2566 74
    u 2609 73
    n 2048 78
    z 2367 76
    0 10423 96
    EASY 9387 90
    c 5872 83
    u 5163 82
    n 4759 85
    z 4821 86
    下载: 导出CSV
  • [1] HO K H L, MARTIN T, BALDWIN J.Snooker robot player-20 years on[C]//IEEE Symposium on Computational Intelligence and Games, 2007.(CIG 2007).Piscataway, NJ:IEEE Press, 2007:1-8.
    [2] YANG J S, CHEN Y M.The design of jump shot decision-making system for a billiard robot[C]//2010 IEEE Conference on Robotics Automation and Mechatronics (RAM).Piscataway, NJ:IEEE Press, 2010:409-413.
    [3] CHENG B R, LI J T, YANG J S.Design of the neural-fuzzy compensator for a billiard robot[C]//2004 IEEE International Conference on Networking, Sensing and Control.Piscataway, NJ:IEEE Press, 2004:909-913.
    [4] LEGG P A, PARRY M L, CHUNG D H S, et al.Intelligent filtering by semantic importance for single-view 3D reconstruction from Snooker video[C]//IEEE International Conference on Image Processing.Piscataway, NJ:IEEE Press, 2011:2385-2388.
    [5] LECKIE W, GREENSPAN M A.Pool physics simulation by event prediction 1:Motion transitions[J].ICGA Journal, 2005, 28(4):214-222. https://core.ac.uk/display/24665996
    [6] LANDRY J F, DUSSAULT J P, MAHEY P.A heuristic-based planner and improved controller for a two-layered approach for the game of billiards[J].IEEE Transactions on Computational Intelligence & AI in Games, 2013, 5(4):325-336. https://www.researchgate.net/publication/260711338_A_Heuristic-Based_Planner_and_Improved_Controller_for_a_Two-Layered_Approach_for_the_Game_of_Billiards
    [7] DOMÉNECH A.Non-smooth modelling of billiard-and superbilliard-ball collisions[J].International Journal of Mechanical Sciences, 2008, 50(4):752-763. doi: 10.1016/j.ijmecsci.2007.11.006
    [8] MATHAVAN S, JACKSON M R, PARKIN R M.Numerical simulations of the frictional collisions of solid balls on a rough surface[J].Sports Engineering, 2014, 17(4):227-237. doi: 10.1007/s12283-014-0158-y
    [9] MATHAVAN S, PARKIN R M, JACKSON M R.A theoretical analysis of billiard ball dynamics under cushion impacts[J].Proceedings of the Institution of Mechanical Engineers, Part C:Journal of Mechanical Engineering Science, 2010, 224(9):1863-1873. doi: 10.1243/09544062JMES1964
    [10] GAO J, HE Q, ZHAN Z, et al.Dynamic modeling based on fuzzy neural network for a billiard robot[C]//IEEE International Conference on Networking, Sensing and Control.Piscataway, NJ:IEEE Press, 2016:1-4.
    [11] ZUO Z, WANG C.Adaptive trajectory tracking control of output constrained multi-rotors systems[J].IET Control Theory & Applications, 2014, 8(13):1163-1174. http://ieeexplore.ieee.org/document/6882893/
    [12] LOU W, GUO X.Adaptive trajectory tracking control using reinforcement learning for quadrotor[J/OL].International Journal of Advanced Robotic Systems, 2016, 13(38).[2016-03-09].http://cdn.intechopen.com/pdfs-wm/49981.pdf.DOI:105772/62128.
    [13] LECKIE W, GREENSPAN M A.Pool physics simulation by event prediction 2:Collisions[J].ICGA Journal, 2006, 29(1):24-31. https://www.researchgate.net/publication/220174447_Pool_Physics_Simulation_by_Event_Prediction_2_Collisions
  • 加载中
图(17) / 表(5)
计量
  • 文章访问数:  680
  • HTML全文浏览量:  4
  • PDF下载量:  5
  • 被引次数: 0
出版历程
  • 收稿日期:  2016-03-09
  • 录用日期:  2016-07-01
  • 刊出日期:  2017-03-20

目录

    /

    返回文章
    返回
    常见问答