1.引言

對于沿墻導(dǎo)航控制問題的分析，在環(huán)境探測方面由于采用了波束角小，鏡面反射影響小的PSD傳感器，使所測量的環(huán)境信息可靠性提高。在導(dǎo)航控制方面綜合考慮室內(nèi)環(huán)境特點和機器人狀態(tài)，設(shè)計了多模態(tài)的沿墻導(dǎo)航控制算法……實驗結(jié)果表明：機器人在室內(nèi)環(huán)境下能較好地沿墻行走，運動軌跡平滑。所提出的基于PSD的沿墻導(dǎo)航系統(tǒng)比基于聲納的系統(tǒng)具有更高的性能價格比。它可以看作是移動機器人智能的低層行為，當(dāng)與其它高層的智能行為相結(jié)合時，可以完成復(fù)雜的任務(wù)。墻體情況可分為以下幾種：

跟蹤一個未知的墻體。當(dāng)獲得的環(huán)境信息太少或無法獲得，機器人的軌跡可能會特定為“沿著右邊的墻體運動直到發(fā)現(xiàn)第一個門口”。跟蹤一個已知墻體。機器人按照規(guī)劃好路徑跟蹤軌跡，為了使算法誤差保持在小范圍內(nèi)而跟蹤墻體。

目前關(guān)于移動機器人沿墻導(dǎo)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(shè)備。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，將模糊技術(shù)和神經(jīng)網(wǎng)絡(luò)有機結(jié)合組成模糊神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)，可實現(xiàn)模糊規(guī)則自動提取、模糊隸屬函數(shù)的自動生成及在線調(diào)節(jié)。

2 模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

2.1 輸入輸出值模糊化

本文研究的移動機器人沿墻導(dǎo)航控制融合機器人聲納檢測采集到的數(shù)據(jù)，判斷機器人的位姿，然后通過模糊神經(jīng)網(wǎng)絡(luò)算法控制移動機器人的動作，使其在一定距離內(nèi)沿墻體運。針對在基于行為的移動機器人沿墻導(dǎo)航控制器的設(shè)計中缺乏足夠的先驗知識的問題，用模糊神經(jīng)網(wǎng)絡(luò)直接逼近連續(xù)狀態(tài)和動作空間中的Q值函數(shù)。利用對Q值函數(shù)的優(yōu)化獲得控制輸出。本文中移動機器人側(cè)壁上方安裝有16個聲納，按順時針排列從0#到15#。

移動機器人要避免與墻體碰撞又要保持一定距離，所以本文為每個聲納設(shè)置一個閾值，當(dāng)聲納檢測到的距離值大于或小于這個閾值就采取相應(yīng)的動作。這樣，將聲納采集的距離值與各自相應(yīng)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)的一個輸入；移動機器人的角度信息θ作為另外一個輸入。將距離差值△di和角度θ輸入模糊化如下：

距離差值△di：較?。∟B），小（NS），中（Z），大（PS），較大（PB）。

角度θ：左（L），偏左（LS），正（Z），偏右（RS），右（R）。

輸出變量為移動機器人的左右輪速Vl、Vr，模糊化如下：

左右輪速Vl、Vr：左轉(zhuǎn)（TL），前進（G），右轉(zhuǎn)（TR）。

2.2 模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖如圖1所示，A為輸入層，輸入變量分別是前面所說的距離差值△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，即使用模糊語言來反應(yīng)輸入量的變化，隸屬函數(shù)采用高斯函數(shù)，隸屬度計算公式如下：

連接權(quán)重We、Wd決定了隸屬函數(shù)的形狀。

D層為模糊推理層，目的是將輸入量進行綜合處理，共采用了25條規(guī)則，它們由C，D，E的連接表示出來。模糊規(guī)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個神經(jīng)元，5個對應(yīng)移動機器人的左輪速度，5個對應(yīng)右輪速度。F層的結(jié)果隸屬函數(shù)使用三角形隸屬函數(shù)，目的是把在E層模糊語言描述的隸屬函數(shù)轉(zhuǎn)化為具體數(shù)值的隸屬度。G層求解模糊結(jié)果，采用重心法，也叫加權(quán)平均法。求解過程是以控制作用論域上的點vi（i=l，2，…，n）對控制作用模糊集的隸屬度u為權(quán)系數(shù)進行加權(quán)平均而求得模糊結(jié)果。

3 沿墻導(dǎo)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(jié)構(gòu)，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：由輸入變量自動生成模糊規(guī)則。

F層：輸出隸屬函數(shù)使用三角形函數(shù)，隸屬度計算公式如下：

4 實驗結(jié)果

為了驗證算法的有效性，本文設(shè)計了移動機器人沿左墻行進的實驗。移動機器人使用0#～4#聲納，圖2為基于航跡推算法的移動機器人墻體跟蹤軌跡圖；圖3為基于模糊神經(jīng)網(wǎng)絡(luò)的移動機器人沿墻導(dǎo)航控制軌跡圖。

圖3中，移動機器人與墻體的距離聯(lián)合各聲納相對于移動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)過融和判斷來控制移動機器人的動作，靠近墻體或遠離墻體。例如，O#（-90°）測得的數(shù)值為208mm，1#（-50°）測得的數(shù)值為324mm，2#（一30°）測得的數(shù)值為877mm，3#（一10°）測得的數(shù)值為1700mm，4#（10°）測得的數(shù)值為3000mm，說明移動機器人距離墻體太近，需遠離以避免碰撞，此時移動機器人左輪速度為0.20m／s，右輪速度為O.08m／s。移動機器人采用模糊神經(jīng)網(wǎng)絡(luò)進行沿墻導(dǎo)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，采用模糊神經(jīng)網(wǎng)絡(luò)進行移動機器人沿墻導(dǎo)航控制，性能大大提高。

5 結(jié)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)離線訓(xùn)練權(quán)值。此方法能夠根據(jù)移動機器人聲納采集到的信息自動生成模糊隸屬函數(shù)，并且自動提取模糊規(guī)則，增強了神經(jīng)網(wǎng)絡(luò)的泛化能力和容錯能力。從實驗中可以看到采用模糊神經(jīng)網(wǎng)絡(luò)進行移動機器人沿墻導(dǎo)航控制，性能大大提高。

實驗證明了這種方法有著很大的可行性，在21世紀，可能機器人的地位會逐漸的走入到人們的視線，所以這實驗的證明，有利于以后的社會發(fā)展和科技的進步。