仿脑智能控制——基于脑操作特性神经网络的设计方法

《仿脑智能控制：基于脑操作特性神经网络的设计方法》介绍仿脑操作特性的神经网络控制设计方法及其在机器人系统中的应用。《仿脑智能控制：基于脑操作特性神经网络的设计方法》共5章：第1章为绪论；第2章介绍受操作性条件反射启发的仿生神经网络非线性控制；第3章介绍伴有局部权值学习及有限神经元自增长（FNSG）策略的神经自适应控制，同时也给出其应用领域内的算法仿真实例；第4章介绍基于多内涵自调节神经网络的仿生智能控制；第5章介绍仿生智能控制在多自由度机器人系统中的应用，并给出详细的仿真 过程及结果。

目录
第1章 绪论 1
1.1 背景 1
1.1.1 智能控制的基础知识 1
1.1.2 脑科学技术研究 2
1.2 智能控制研究现状 4
1.2.1 智能控制系统宏观结构 5
1.2.2 神经网络控制的*新进展 6
1.3 本书内容与体系架构 10
1.3.1 目标与意义 10
1.3.2 内容概要 11
习题1 12
第2章 受操作性条件反射启发的仿生神经网络非线性控制 13
2.1 引言 13
2.2 操作性条件反射学习机制 15
2.2.1 行为心理学层面的OC学习 15
2.2.2 神经心理学层面的OC学习 17
2.3 操作性条件反射仿生模型 20
2.3.1 奖赏机制 20
2.3.2 神经自适应单元 21
2.3.3 仿生神经网络 24
2.4 基于OCBM的仿生控制方法 26
2.4.1 问题描述 26
2.4.2 控制策略 26
2.4.3 稳定性分析 29
2.5 仿真验证 33
2.5.1 非时变模型下的控制效果验证 33
2.5.2 关键参数对控制性能的影响 38
2.5.3 不同系统模型的控制性能对比 40
2.5.4 漂移模型的控制效果验证 42
2.6 本章小结 44
习题2 44
第3章 伴有局部权值学习及FNSG策略的神经自适应控制 46
3.1 引言 46
3.2 问题描述 48
3.2.1 跟踪误差动态特性 48
3.2.2 控制目标 49
3.2.3 光滑饱和函数 49
3.3 基于自增长神经元网络的控制器设计 50
3.3.1 神经网络输入的紧集限制 51
3.3.2 自调节网络结构 53
3.3.3 控制方案 56
3.3.4 FNSG策略 56
3.4 FNSG神经控制器稳定性分析 61
3.5 仿真验证 66
3.5.1 系统无扰动情形 66
3.5.2 系统有扰动情形 71
3.6 本章小结 75
习题3 76
第4章 基于多内涵自调节神经网络的仿生智能控制 77
4.1 引言 77
4.2 UAT的应用限制及对策 79
4.2.1 未知时变理想权值 79
4.2.2 神经元数量在线自调节方案 80
4.2.3 基函数结构多元化 82
4.2.4 紧集先决条件 83
4.3 多内涵自调节神经网络 84
4.4 改进型NN控制器设计 88
4.4.1 经典鲁棒控制方案 89
4.4.2 基于MSAE-NN控制方案 90
4.5 仿真验证 93
4.5.1 神经元数量自调节且基函数类型单一 94
4.5.2 神经元数量固定且基函数类型单一 96
4.5.3 神经元数量自调节且基函数类型多元化 99
4.6 本章小结 102
习题4 103
第5章 仿生智能控制在多自由度机器人系统中的应用 104
5.1 引言 104
5.2 问题描述 105
5.2.1 机器人系统动力学模型 105
5.2.2 被控对象误差动态方程 106
5.3 面向机器人系统的MSAE-NN模型 108
5.4 仿生学习控制器设计 109
5.4.1 关节空间控制方案 109
5.4.2 笛卡儿任务空间控制方案 112
5.4.3 BLAC特性讨论 115
5.5 仿真验证 115
5.5.1 全部关节执行器运行正常 118
5.5.2 部分关节执行器运行故障 122
5.6 本章小结 126
习题5 126
参考文献 127
习题答案(仅供参考) 136
附录 141

第1章　绪论
　　1.1　背景
　　1.1.1　智能控制的基础知识
　　随着万物互联时代的开启和社会自动化水平的提高，相关领域对系统的智能程度要求日益严苛，智能系统的复杂度呈现指数级增长。以经典自动控制和现代控制理论为代表的传统控制方法面临发展瓶颈，并表现在以下方面。
　　(1)受实际系统复杂非线性、时变性、在运行期间的不可测噪声、未知外界扰动、核心元部件和子系统故障等因素影响，无法建立准确的数学模型。
　　(2)在许多实际场景中，过度依赖严苛假设的方法不仅无法实现预期控制目标，还可能造成系统的不稳定，甚至引发事故。
　　(3)对于复杂未知非线性系统的建模与控制过程，往往需要较多的人为干预，而系统本身的自适应与自学习能力薄弱。
　　(4)为提高系统整体控制性能，不仅需要采用更高性能的硬件计算平台，还要引入较多规则和约束条件，导致系统成本提高、开发周期延长、系统通用性受限等问题。
　　不难看出，基于模型和规则的传统控制方法已越来越难以满足复杂系统控制品质的要求。因此，在持续提高系统响应速度、控制精度和容错能力的同时，研究面向高度非线性和不确定系统的控制方法，对加强系统的自学习和自适应能力以及确保系统平稳、安全运行具有重要理论及实际意义。
　　近年来，得益于人工智能(artificial intelligence，AI)技术取得的巨大突破，针对复杂非线性系统的先进控制方法吸引了众多研究学者的目光。在经历了开环控制、反馈控制、*优控制、随机控制、鲁棒自适应控制、自学习控制等关键时期后，智能控制正式登上历史舞台[1-4]。目前，智能控制代表着控制学科发展的高级阶段，其所固有的控制复杂性远超过其他方法[5， 6]。如图1-1所示，通过与人工智能技术紧密结合，传统控制方法中涉及的人力成本得以降低[4-6]。
　　图1-1　控制学科发展历程及规律
　　智能控制是一种针对控制对象及其目标、任务和所处环境的不确定性与复杂性而提出的新兴控制理论，具有多学科交叉属性，如图1-2所示[7-11]。目前，智能控制拥有两条研究途径：一方面是通过发展系统软硬件和人工智能技术，优化对复杂非线性系统的整体控制性能；另一方面是汲取跨学科知识，创立边缘交叉学科，采用新方法和新技术，突破传统控制方法的瓶颈约束。例如，将人工神经网络与自适应控制方法结合，可以实现权值的在线实时调节[7-9]，从而提升系统的自适应性；在PID[比例(proportin)、积分(integral)、微分(differential)]控制中引入神经元结构，能够减少人工调参的重复性工作[10， 11]；将机器学习与机器人传统控制结合，可以提升系统的自主学习能力[12]等。鉴于此，拓展智能控制的研究范畴、归纳提炼新方法并在实际系统中予以验证，对推动智能控制的发展具有重要意义。
　　图1-2　智能控制多学科交叉属性
　　1.1.2　脑科学技术研究
　　脑科学技术研究是21世纪人类所面临的重大挑战。理解脑的工作机制，进而揭示人类智能的形成和运作原理，对人脑认知功能开发、模拟和保护，决定未来人口素质，抢占国际竞争的技术制高点具有重要意义。科技发达国家和国际组织早已充分认识到脑科学研究的重要性，在既有的脑科学研究支持外相继启动了各自有所侧重的脑科学计划。
　　(1)美国创新性神经技术大脑研究计划［Brain Research through Advancing Innovative Neurotechnologies (BRAIN) Initiative］。2013年4月2日，美国总统奥巴马宣布启动创新性神经技术大脑研究计划，旨在绘制显示脑细胞和复杂神经回路快速相互作用的脑部动态图像，研究大脑功能和行为的复杂联系，了解大脑对大量信息的记录、处理、应用、存储和检索的过程，改变人类对大脑的认识。*终目的是产生对脑功能障碍的认识，帮助研究人员找到预防、治疗及治愈阿尔茨海默病、创伤性脑损伤等脑部疾病的新方法。
　　(2)欧盟人类脑计划(Human Brain Project)。2013年欧盟推出了由15个欧洲国家参与、预期10年的人类脑计划。欧盟人类脑计划的目标是开发信息和通信技术平台，致力于神经信息学、大脑模拟、高性能计算、医学信息学、神经形态的计算和神经机器人研究。侧重于通过超级计算机技术来模拟脑功能，以实现人工智能。欧盟人类脑计划分为三个重要阶段，分别是2013年10月～2016年10月的快速启动阶段、2016年10月～2018年8月的运作阶段，以及*后5年的稳定阶段。
　　(3)日本大脑研究计划(Brain Mapping by Integrated Neurotechnologies for Disease Studies，Brain/MINDS)。该计划为2014年由日本科学家发起的神经科学研究计划。该项目将在10年内受到日本教育部、文化部以及日本医学研究与发展委员会共400亿日元的资助。Brain/MINDS由日本47家研究单位的65个实验室组成，旨在通过融合灵长类模式动物(狨猴)多种神经技术的研究，弥补曾经利用啮齿类动物研究人类神经生理机制的缺陷，并且建立狨猴脑发育以及疾病发生的动物模型。
　　(4)澳大利亚脑计划(Australian Brain Initiative)。2016年2月澳大利亚脑联盟正式成立，集合了澳大利亚国内包括澳大利亚神经科学学会和澳大利亚心理学会在内的神经科学和行为科学的研究团体的科学家，为超过28个成员组织的脑研究项目提供支持。该计划主要的研究路线包括三方面。①健康：通过揭示神经精神疾病的脑异常机制发展新的治疗手段。②教育：通过编码神经环路和脑网络的认知功能来帮助提高脑力成长。③新工业：通过促进工业合作者和脑研究的结合，研发新的药物、医疗设备并发展可穿戴技术。
　　(5)加拿大脑计划(Brain Canada)。该项目长期得到多个商业和科学组织资助，目标是改变加拿大的脑研究现状。该计划有三个基本原则。①核心脑原则：从复杂系统的角度研究脑的观念，为理解健康人脑和患者脑提供支持。②合作原则：核心脑方法强调通过训练和体系来提高合作的重要性。③核心社区原则：通过增加资金规模来强化加拿大脑研究社群。
　　(6)韩国脑计划(Korea Brain Initiative)。该计划的核心是破译大脑的功能和机制，调节作为决策基础的大脑功能的整合和控制机制。该计划还包括开发用于集成脑成像的新技术和工具。韩国脑科学研发工作集中在四个核心领域：①在多个尺度构建大脑图谱；②开发用于脑测绘的创新神经技术；③加强人工智能相关研发；④开发神经系统疾病的个性化医疗。
　　(7)中国脑计划(China Brain Project)。中国脑计划已酝酿多年，中华人民共和国科学技术部与国家自然科学基金委员会组织的许多战略会议上的讨论已经达成共识，认识到人类认知的神经基础是神经科学的普遍目标，应作为中国脑计划的核心问题。中国脑计划制定为15年计划(2016～2030年)，2016～2020年与中国“十三五”国民经济和社会发展规划纲要相吻合，将面向世界智能科技前沿和“健康中国2030”的战略需要，发展我国脑科学、类脑技术，从认识脑、保护脑和模拟脑三个方向展开研究，逐步形成以脑认知功能的解析和技术平台为一体，以认知障碍相关重大脑疾病诊治和类脑计算与脑机智能技术为两翼的“一体两翼”研究布局。
　　1.2　智能控制研究现状
　　智能控制强调人工智能、运筹学、信息论与自动控制的深度融合，是控制领域包容性*强的理论学科。智能控制不仅具备控制学科中严密的理论分析过程，同时具有模仿脑工作方式的特征。有趣的是，通过探索和研究受生物界、自然界启发的设计方法(人工神经网络、模糊逻辑、遗传算法等)，智能系统可以具备模拟部分人脑学习、推理、决策和交互的过程。经过近30年的发展，智能控制的研究取得了丰硕成果，并形成了以神经网络控制、模糊控制、专家控制为主的三大理论体系，如图1-3所示[1， 4]。此外，结合计算机科学、系统科学、运筹学、信息论、人工智能、生物学、脑认知科学等前沿学科知识，一些新兴控制方法(如仿生/拟人智能控制、多智能体系统控制、学习控制和网络控制等)也相继纳入智能控制的研究范畴。
　　图1-3　智能控制方法分类
　　迄今为止，智能控制理论不仅成功应用于航空航天[13， 14]、电力电子[15-17]、交通运输[18-21]、移动机器人[22-24]等场景，在新兴信息技术行业内更是备受青睐，特别是与工业和服务机器人产品化、商业化相关的场景。图1-4总结了2016年第四季度社交化机器人的发展现状。不难看出，作为集理论与技术之大成于一身者，机器人是连接前沿技术与终端产品的*佳平台。正如在2013年《美国机器人发展蓝图之从互联网到机器人》中所述，机器人正在以一种更便宜、更聪明、更多样化的方式加速走进人们的生活。
　　图1-4　社交机器人产业图谱
　　1.2.1　智能控制系统宏观结构
　　作为多学科交叉融合的产物，智能控制致力于从算法、软件、硬件、机械结构和系统集成等多个角度出发，模拟高等生物的学习能力与适应能力。在无须(或少量)人为干预的情况下，智能控制可以使系统独立自主地完成给定的任务，从而提升控制系统本身的易用性、通用性和可靠性，将人们从繁重的体力劳动和复杂的脑力劳动中解放出来。
　　智能控制系统的宏观结构如图1-5所示，主要包含五个部分：①广义受控系统及其所处的外部环境；②用于获取受控系统和外部环境信息的各类传感器；③作用于受控系统的各类执行器；④核心算法引擎，掌管整个系统运行过程中的感知、认知和行动环节；⑤用户监控接口，用于监测和控制传感器与执行器的运行状态，或直接人工干预引擎层的输出结果。其中，核心算法引擎在提升系统整体智能化程度中扮演着至关重要的角色。相关研究热点涉及对传感器信号的辨识、预处理和优化，对系统任务的描述与环境建模，对知识与经验信息的接收、存储、分析、归纳和更新，以及对行动的规划与推理、决策与协调及控制算法与策略设计等。
　　图1-5　智能控制系统的宏观结构
　　在这一研究体系下，智能控制系统被赋予以自学习、自适应和自组织为代表的三大核心能力。其中，自学习能力指对被控系统参数的学习和对知识的更新；自适应能力指系统输入不是已有学习样本时，依然能够产生合适的输出指令，特别是在遇到未知扰动和子系统故障时，系统继续保持稳定运行的能力；自组织能力使系统具有自主协调、决策和处理复杂控制任务的能力。此外，智能控制系统还具有对故障的自动诊断、屏蔽和恢复的容错能力，对不确定性因素的鲁棒能力，做出快速实时响应的能力以及友好的人机交互能力等[5， 6]。
　　1.2.2　神经网络控制的*新进展
　　神经网络控制，简称神经控制，是神经科学与控制科学紧密结合的产物，属于智能控制研究范畴的一个重要分支。
　　从本质上看，神经网络(neural network，NN)是一类模拟高等动物脑神经系统的工作机制、微观结构和信息处理方式而简化出的数学模型，具备高度并行结构、非线性函数逼近能力以及对不确定环境的学习力和适应力等特点。因此，NN常被视为非线性系统分析和设计强有力的工具，为含有复杂非线性和不确定、不确知系统的控制问题提供新的解决方案。与经典控制、现代控制和*优控制方法相比，神经控制的优势在于其省去了人工对系统建模的过程，能够适应复杂变化的环境、系统内部与外部的干扰以及子系统故障等情形，有助于提升系统整体的鲁棒性与容错性。