0　引言
        在RoboCup小型组足球机器人比赛中,决策系统 从视觉获得比赛场上的信息,进行规划决策,将规划的 结果(为各个机器人的速度)以无线通信的方式发送 给各个机器人。机器人从信息获取到动作开始执行需 要经过几个过程:信息采集时间、信息处理时间、协调 控制运算时间、信息交流通信时间、执行机构运行启动 时间等环节,由于系统处在高速动态环境中www.cechina.cn,机器人需 要实时控制www.cechina.cn,造成了信息与动作之间的延时误差,因此 决策系统需要对当前和未来势态做预测分析www.cechina.cn,获得当 前动作点的准确信息。
        为了减小系统延时产生的影响,需要对机器人的 位姿信息(位置和角度)进行预测。线性预测和BP神 经网络能把发送的命令做为预测的输入,并且BP神 经网络不需要精确的模型即可预测。本文采用线性预 测方法和BP神经网络方法对机器人进行预测。
        1　系统延时的测量
        预测机器人的位姿必须得到整个系统的延时,用 下面的方法来测量延时:控制机器人在场地上沿着某 一个方向x (或y)来回运动,记录发送的命令和机器人 的位置信息。机器人从静止开始加速CONTROL ENGINEERING China版权所有,在中间位置时 速度最大,然后减速,运动到最大位置点时速度最小为 0,然后反向加速运动。由于系统延时,当发送速度命 令0时机器人还要向前运动一段距离才开始改变方 向。发送速度命令0与机器人位置到达最大点的时间 差即为系统的延时,延时时间为93ms,约5帧,每帧周 期T = 1 /54 s。
        2　BP神经网络预测
        2. 1　BP神经网络算法
        BP神经网络算法包括2个阶段: (1)正向传播过 程　输入信息通过输入层经隐含层逐层处理并计算每 个单元的实际输出值。(2)反向传播过程　若在输出 层未能得到期望的输出值,则逐层递归地计算实际输 出与期望输出之差值(误差) ,根据此差值调节权值。 这2个过程的反复运用,使得误差信号最小,当误差达 到期望的要求时,网络的学习过程就结束。图1是3 层神经网络结构图。

        (1) 正向传播过程
        BP网络的输入层有n个节点CONTROL ENGINEERING China版权所有, 隐层有q个节点CONTROL ENGINEERING China版权所有, 输出层有m 个节点CONTROL ENGINEERING China版权所有,输入层与隐层之间的权值为vk i , 隐层与输出层之间的权值为wjk ,如图1所示。隐层的 传递函数为f1 ( ·) ,输出层的传递函数为f2 ( ·) 。 隐含层的输入为: