Enfoque de ventana dinámica predictiva con mejora de inferencia difusa neural artificial
Autores: Teso-Fz-Betoño, Daniel; Zulueta, Ekaitz; Fernandez-Gamiz, Unai; Saenz-Aguirre, Aitor; Martinez, Raquel
Idioma: Inglés
Editor: MDPI
Año: 2019
Acceso abierto
Artículo científico
2019
Enfoque de ventana dinámica predictiva con mejora de inferencia difusa neural artificial
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Algoritmo
Robots móviles
Ventana de predicción
Sistema de inferencia difuso
Parámetros fijos
ANFIS
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 40
Citaciones: Sin citaciones
El objetivo de este documento es mejorar el algoritmo del enfoque de ventana dinámica para robots móviles mediante la implementación de una ventana de predicción con un sistema de inferencia difuso para adaptarse a parámetros fijos, dependiendo de las condiciones circundantes. La primera implementación muestra la ventaja del paso de predicción en términos de optimizar la selección de ruta. La segunda mejora utiliza la inferencia difusa para optimizar cada uno de los valores de los parámetros fijos para aumentar el rendimiento del algoritmo. Sin embargo, no se utilizó un sistema de inferencia difusa simple (FIS) para este estudio en particular; en su lugar, se utilizó un sistema de inferencia neuro-difuso artificial (ANFIS), lo que permitió desarrollar un sistema FIS con una técnica de retropropagación. Cada parámetro tendría un ANFIS particular, con el fin de modificar los parámetros individualmente. Al final del artículo, se analizan diferentes escenarios para determinar si los desarrollos en este artículo han mejorado el comportamiento de DWA. Los resultados muestran que el paso de predicción y ANFIS adaptan el rendimiento de DWA al optimizar la resolución de la ruta.
Descripción
El objetivo de este documento es mejorar el algoritmo del enfoque de ventana dinámica para robots móviles mediante la implementación de una ventana de predicción con un sistema de inferencia difuso para adaptarse a parámetros fijos, dependiendo de las condiciones circundantes. La primera implementación muestra la ventaja del paso de predicción en términos de optimizar la selección de ruta. La segunda mejora utiliza la inferencia difusa para optimizar cada uno de los valores de los parámetros fijos para aumentar el rendimiento del algoritmo. Sin embargo, no se utilizó un sistema de inferencia difusa simple (FIS) para este estudio en particular; en su lugar, se utilizó un sistema de inferencia neuro-difuso artificial (ANFIS), lo que permitió desarrollar un sistema FIS con una técnica de retropropagación. Cada parámetro tendría un ANFIS particular, con el fin de modificar los parámetros individualmente. Al final del artículo, se analizan diferentes escenarios para determinar si los desarrollos en este artículo han mejorado el comportamiento de DWA. Los resultados muestran que el paso de predicción y ANFIS adaptan el rendimiento de DWA al optimizar la resolución de la ruta.