|
1 引言 沿墻導航控制問(wèn)題是指驅動(dòng)機器人在一定方向上沿墻運動(dòng)，或者更一般意義上的沿著(zhù)物體輪廓運動(dòng)，并與墻保持一定距離。它可以看作是移動(dòng)機器人智能的低層行為，當與其它高層的智能行為相結合時(shí)，可以完成復雜的任務(wù)。墻體情況可分為以下幾種： 跟蹤一個(gè)未知的墻體。當獲得的環(huán)境信息太少或無(wú)法獲得，機器人的軌跡可能會(huì )特定為“沿著(zhù)右邊的墻體運動(dòng)直到發(fā)現第一個(gè)門(mén)口”。另外，如果移動(dòng)機器人的任務(wù)是繪制全局模型，它就必須沿墻體行進(jìn)將地圖描述完全。 跟蹤一個(gè)已知墻體。機器人按照規劃好路徑跟蹤軌跡，為了使算法誤差保持在小范圍內而跟蹤墻體�；蛘�，路經(jīng)規劃中包括已知墻體，需要機器人沿墻行進(jìn)完成特殊的任務(wù)。 目前關(guān)于移動(dòng)機器人沿墻導航控制已有較多研究，大多采用聲納傳感器作為環(huán)境的感知設備。算法應用則從早期的航跡推算法，發(fā)展到后來(lái)使用卡爾曼濾波，模糊控制，神經(jīng)網(wǎng)絡(luò )控制等。由于模糊邏輯技術(shù)和神經(jīng)網(wǎng)絡(luò )技術(shù)各自獨到的特點(diǎn)，將模糊技術(shù)和神經(jīng)網(wǎng)絡(luò )有機結合組成模糊神經(jīng)網(wǎng)絡(luò )控制系統，可實(shí)現模糊規則自動(dòng)提取、模糊隸屬函數的自動(dòng)生成及在線(xiàn)調節。因此本文采用模糊神經(jīng)網(wǎng)絡(luò )算法實(shí)現移動(dòng)機器人的沿墻導航控制。 2 模糊神經(jīng)網(wǎng)絡(luò )結構 2．1 輸入輸出值模糊化 本文研究的移動(dòng)機器人沿墻導航控制融合機器人聲納檢測采集到的數據，判斷機器人的位姿，然后通過(guò)模糊神經(jīng)網(wǎng)絡(luò )算法控制移動(dòng)機器人的動(dòng)作，使其在一定距離內沿墻體運。文中移動(dòng)機器人側壁上方安裝有16個(gè)聲納，按順時(shí)針排列從0#到15#。 移動(dòng)機器人要避免與墻體碰撞又要保持一定距離，所以本文為每個(gè)聲納設置一個(gè)閾值，當聲納檢測到的距離值大于或小于這個(gè)閾值就采取相應的動(dòng)作。這樣，將聲納采集的距離值與各自相應的閾值相減得到差值△di(i=O，1，2，…，15)作為模糊神經(jīng)網(wǎng)絡(luò )的一個(gè)輸入；移動(dòng)機器人的角度信息θ作為另外一個(gè)輸入。將距離差值△di和角度θ輸入模糊化如下： 距離差值△di：較小(NB)，小(NS)，中(Z)，大(PS)，較大(PB)。 角度θ：左(L)，偏左(LS)，正(Z)，偏右(RS)，右(R)。 輸出變量為移動(dòng)機器人的左右輪速Vl、Vr，模糊化如下： 左右輪速Vl、Vr：左轉(TL)，前進(jìn)(G)，右轉(TR)。 2．2 模糊神經(jīng)網(wǎng)絡(luò )結構圖 模糊神經(jīng)網(wǎng)絡(luò )結構圖如圖1所示，A為輸入層，輸入變量分別是前面所說(shuō)的距離差值△di(i=0，l，2，3，4)和角度θ。A層的作用是將輸入值傳送到下一層。 B，C為模糊化層，即使用模糊語(yǔ)言來(lái)反應輸入量的變化，隸屬函數采用高斯函數，隸屬度計算公式如下： 連接權重We、Wd決定了隸屬函數的形狀。 D層為模糊推理層，目的是將輸入量進(jìn)行綜合處理，共采用了25條規則，它們由C，D，E的連接表示出來(lái)。模糊規則如下： lf △di is M andθis N，then Vl is K and Vris L． 其中M=NB，NS，Z，PS，PB；N=L，LS，Z，RS，R；K，L=TL，G，TR。 E、F、G層為去模糊化層。F層有10個(gè)神經(jīng)元，5個(gè)對應移動(dòng)機器人的左輪速度，5個(gè)對應右輪速度。F層的結果隸屬函數使用三角形隸屬函數，目的是把在E層模糊語(yǔ)言描述的隸屬函數轉化為具體數值的隸屬度。G層求解模糊結果，采用重心法，也叫加權平均法。求解過(guò)程是以控制作用論域上的點(diǎn)vi(i=l，2，…，n)對控制作用模糊集的隸屬度u為權系數進(jìn)行加權平均而求得模糊結果，對于離散論域vi： 3 沿墻導航控制計算模型 圖l所示即為本文采用的BP前饋型神經(jīng)網(wǎng)絡(luò )結構，計算模型如下(I為該神經(jīng)元的輸入值，O為輸出值，上標表示神經(jīng)元所在的層)： D層：由輸入變量自動(dòng)生成模糊規則。 F層：輸出隸屬函數使用三角形函數，隸屬度計算公式如下： 4 實(shí)驗結果 為了驗證算法的有效性，本文設計了移動(dòng)機器人沿左墻行進(jìn)的實(shí)驗。實(shí)驗環(huán)境為有兩扇門(mén)的長(cháng)方形走廊。其中，黑色實(shí)線(xiàn)為帶有兩扇門(mén)的墻體，藍色曲線(xiàn)為移動(dòng)機器人沿墻體行進(jìn)的軌跡。移動(dòng)機器人使用0#～4#聲納，圖2為基于航跡推算法的移動(dòng)機器人墻體跟蹤軌跡圖；圖3為基于模糊神經(jīng)網(wǎng)絡(luò )的移動(dòng)機器人沿墻導航控制軌跡圖。 圖3中，移動(dòng)機器人與墻體的距離聯(lián)合各聲納相對于移動(dòng)機器人正前方的角度作為模糊神經(jīng)網(wǎng)絡(luò )的輸入，經(jīng)過(guò)融和判斷來(lái)控制移動(dòng)機器人的動(dòng)作，靠近墻體或遠離墻體。例如，O#(-90°)測得的數值為208mm，1#(-50°)測得的數值為324mm，2#(一30°)測得的數值為877mm，3#(一10°)測得的數值為1700mm，4#(10°)測得的數值為3000mm，說(shuō)明移動(dòng)機器人距離墻體太近，需遠離以避免碰撞，此時(shí)移動(dòng)機器人左輪速度為0．20m／s，右輪速度為O．08m／s。移動(dòng)機器人采用模糊神經(jīng)網(wǎng)絡(luò )進(jìn)行沿墻導航控制的均方誤差為0．0014。單一采用航跡推算法的均方誤差為0．0382。由此可見(jiàn)，采用模糊神經(jīng)網(wǎng)絡(luò )進(jìn)行移動(dòng)機器人沿墻導航控制，性能大大提高。 5 結論 本文給出了模糊神經(jīng)網(wǎng)絡(luò )的計算模型，利用BP網(wǎng)絡(luò )離線(xiàn)訓練權值。此方法能夠根據移動(dòng)機器人聲納采集到的信息自動(dòng)生成模糊隸屬函數，并且自動(dòng)提取模糊規則，增強了神經(jīng)網(wǎng)絡(luò )的泛化能力和容錯能力。實(shí)驗證明了此方法的有效性和可行性，能夠無(wú)碰撞地沿墻體行進(jìn)，并保持一定的距離。 |
