德国microsonic pico+15/F 超声波传感器microsonic na5/CD

赤象工业控制设备（上海）有限公司，工控自动化领域的一站式服务供应商。

德国威声（Microsonic）是专业生产超声波传感器的世界著名企业，其超声波传感器主要应用于工业自动化、包装、采矿、电子和汽车制造等工业领域。

Microsonic型号例：

microsonic na5/CD
microsonic na5/CE
microsonic na5/CI
microsonic na5/CU
microsonic nano-24/CD
microsonic nano-24/CE
microsonic nano-24/CI
microsonic nano-24/CU
microsonic pico+15/F
microsonic pico+15/WK/F
microsonic pico+25/F
microsonic pico+25/WK/F
microsonic pico+25/I
microsonic pico+25/WK/I
microsonic pico+25/U
microsonic pico+25/WK/U
microsonic pico+35/F
microsonic pico+35/WK/F
microsonic pico+35/I
microsonic pico+35/WK/I
microsonic pico+35/U
microsonic pico+35/WK/U
microsonic pico+100/F
microsonic pico+100/WK/F
microsonic pico+100/I
microsonic pico+100/WK/I
microsonic pico+100/U
microsonic pico+100/WK/U
microsonic pico+15/TF/F
microsonic pico+15/TF/I
microsonic pico+15/TF/U
microsonic pico+25/TF/F
microsonic pico+25/TF/I
microsonic pico+25/TF/U
microsonic pico+35/TF/F
microsonic pico+35/TF/I
microsonic pico+35/TF/U
microsonic pico+100/TF/F
microsonic pico+100/TF/I
microsonic pico+100/TF/U

简介：

microsonic 神经网络训练流程图表 1 中，0 表示未检测到障碍物，1 表示检测到障碍物。训练结束后，得到两个权值 ωij、ωmj，作为运动控制器的输入参数，控制移动机器人的避障运动。4 仿真试验及分析在实验室环境内采集超声波传感器到障碍物之间的距离信息，整理后作为神经网络的训练集和测试集，利用 Matlab 仿真工具对其进行程序处理。采集到1600 组数据，其中 1400 组用于训练，200 组用于测试。microsonic 在训练之前，对各学习参数进行设置: 学习大次数 k为 1000，目标误差精度 e 为 10－ 3; 采用 LM 优化算法作为神经网络训练的算法。分别使用 BP 神经网络与 RBF 神经网络对采集到的数据进行处理，RBF 神 经 网 络 参 数 设 置 如 下: e 为 10－ 3，SPREAD( 扩展速度) 为 9; 对比结果如表 2 所示。表 2 BP 神经网络与 RBF 神经网络比较类型 大学习次数 实际学习次数 正确率 /%BP 神经网络microsonic  1000 11 100RBF 神经网络 1000 700 95表 2 中，BP 神经网络学习较快，准确率较高。两种神经网络学习训练结果如图 7 所示。microsonic 由图 7 可知，BP 神经网络进行训练时收敛速度较快，当训练到第 11 次时，均方误差已达到目标要求，网络训练结束; 体现了 BP 神经网络对机器人避障的高效性和快速性。为了清晰地表达实际输出值与期望值之间的误差关系，用以上两种方法分别做处理，结果如图 8 所示。图 8 表明，BP 神经网络处理的误差较小、分布相对集中，正确率较高。说明了该算法可以精确高效地处理传感器检测的距离信息，有利于机器人做避障运动。为了获取机器人在运动过程中与周围环境障碍物的位置关系，用 3 个超声波测距传感器来实时采集机器人与障碍物之间的距离信息。采集的数据信息作为输入量输入神经网络进行训练，microsonic 而输出层的输出则为移动机器人对环境类别的判断。速度输入作为运动控制器的输入量，将经过神经网络训练学习后的满足要求的权值作为控制器的初始权值，microsonic 使控制器输出的控制量，得出左、右两轮速度，根据差速转向原理microsonic ［19］来实现移动机器人的自主避障功能。BP 神经网络结构［20］如图 5 所示。网络结构中，输入层神经元有 3 个，为 3 个超声波测距传感器采集的距离信息; 输出层神经元有 3 个，microsonic 输图 7 神经网络学习训练比较图 8 两种方法实际输出值与期望输出值之间的误差比较为了验证所提出的方法的有效性，设置初始速度为 0． 3 m/s，取 30 个采样点的速度，在两种神经网络作用下，对比它们的速度变化量，结果如图 9 所示。图 9 速度变化量图 9 中 X 轴表示速度采样数，每隔 0． 5 s 采样一次; Y 轴表示初始速度与实际采样速度的差值，即速度变化量。在初始速度相同的条件下，对前方障碍物进行避障行为，RBF 神经网络训练时间较长，速度出现较大波动，有明显的急停现象。而所提出的方法训练时间大大缩短能提前做出决策，速度变化较为平缓，实现了高效的避障动作。为了测试文中方法的避障效果，使用栅格法构建了一个环境地图，图中黑色矩形为障碍物，空白部分为可通行区域。设机器人的初始速度为 0． 3 m/s，起点位置( 1，1) ，终点位置( 18，17) ; 预先将 5 个障碍物的位置信息及起点、终点坐标存储在 Matlab 中，以便进行模拟避障环境。使用所提出的方法进行避障仿真，当移动机器人行走到障碍物区域时，先降低前进速度，调整方向以此来避开障碍物。移动机器人的避障轨迹如图 10 所示。图 10 机器人避障轨迹图 10 中，机器人的运动轨迹连续平滑，相对稳定，没有出现急刹车情况，达到了理想的避障效果。5 结束语本文给出了一种 BP 神经网络避障方法来解决移动机器人在未知环境下的避障问题，为了验证方法的有效性，进行了仿真实验，结果表明，此方法可以高效精确地实现移动机器人的自主避障，运行相对稳定、轨迹连续平滑，达到了较为理想的避障效果。在实际过程中，由于障碍物的形状不同，单一传感器不能很好地反映机器人当前环境信息，在后期的避障学习中，可以考虑增加视觉、红外等多种传感器，以此提高机器人对复杂环境的辨识度，可以实现更为精确的避障效果。

德国microsonic pico+15/F超声波传感器

德国microsonic pico+15/F超声波传感器