1 简介
沿墙导航控制问题是指驱动机器人沿着墙壁向一定方向移动,或者更一般意义上,沿着物体的轮廓移动并与墙壁保持一定的距离。它可以看作是移动机器人智能的低层行为。当与其他高级智能行为结合时,可以完成复杂的任务。墙体状况可分为以下几类:
沿着未知的墙壁前进。当获取的环境信息太少或不可用时,可以将机器人的轨迹指定为“沿着右侧的墙壁移动,直到找到第一个门口”。此外,如果移动机器人的任务是绘制全局模型,它必须沿着墙壁行进才能完整地描述地图。
追踪已知的墙。机器人按照规划的路径跟踪墙壁,以将算法误差保持在较小的范围内。或者,路径规划包括已知的墙壁,这就要求机器人沿着墙壁行进以完成特定任务。
目前,针对移动机器人沿墙导航控制的研究较多,且大多采用声纳传感器作为环境传感装置。算法应用从早期的航迹估计算法发展到后来使用卡尔曼滤波、模糊控制、神经网络控制等。由于模糊逻辑技术和神经网络技术的独特特点,将模糊技术和神经网络有机地结合在一起构成模糊神经网络控制系统,可实现模糊规则的自动提取、模糊隶属函数的自动生成和在线调节。因此,本文采用模糊神经网络算法来实现移动机器人的墙体导航控制。
2 模糊神经网络结构
2.1 输入输出值的模糊化
本文研究的移动机器人沿墙导航控制,综合机器人声纳检测采集到的数据,确定机器人的姿态,然后通过模糊神经网络算法控制移动机器人的运动,使其沿墙内移动。一定的距离。本文在移动机器人的侧壁上安装了16个声纳,从0#到15#按顺时针方向排列。
移动机器人必须避免与墙壁碰撞并保持一定的距离,因此本文为每个声纳设置了一个阈值。当声纳检测到的距离值大于或小于该阈值时,则采取相应的动作。这样,将声纳采集到的距离值减去对应的阈值,得到差值di(i=0,1,2,15),作为模糊神经网络的输入;移动机器人的角度信息作为另一个输入。输入的距离差di和角度模糊如下:
距离差di:小(NB)、小(NS)、中(Z)、大(PS)、大(PB)。
角度:左(L)、左(LS)、正(Z)、右(RS)、右(R)。
输出变量为移动机器人左右轮速度Vl和Vr,模糊化如下:
左右轮速度Vl、Vr:左转(TL)、前进(G)、右转(TR)。
2.2 模糊神经网络结构图
模糊神经网络结构图如图1所示,A为输入层,输入变量为前面提到的距离差di(i=0,l,2,3,4)和角度。 A层的作用是将输入值传递到下一层。
B和C是模糊化层,使用模糊语言来反映输入量的变化。隶属函数使用高斯函数。隶属度计算公式如下:
连接权重We 和Wd 确定隶属函数的形状。
D层是模糊推理层,旨在对输入进行综合处理。总共使用了25条规则,分别用C、D、E的连接来表示,模糊规则如下:
如果di 为M, 为N,则Vl 为K,Vris L。
其中M=NB、NS、Z、PS、PB; N=L、LS、Z、RS、R; K、L=TL、G、TR。
E、F 和G 层是去模糊层。 F层有10个神经元,其中5个对应移动机器人的左轮速度,5个对应右轮速度。得到的F层隶属函数采用三角隶属函数,目的是将E层模糊语言描述的隶属函数转换为具体的数值隶属度。 G层采用重心法,也称为加权平均法,来解决模糊结果。求解过程是将控制动作模糊集的隶属度u的加权平均作为从控制动作上的点vi(i=l,2,…,n)开始的加权系数,得到模糊结果领域。对于离散域vi:
3 沿墙导航控制计算模型
图1所示为本文使用的BP前馈神经网络结构。计算模型如下(I为神经元的输入值,O为输出值,上标表示神经元所在层):
F层:输出隶属度函数采用三角函数,隶属度计算公式如下:
4 实验结果
为了验证算法的有效性,本文设计了移动机器人沿左侧墙壁行驶的实验。实验环境是一个有两扇门的长方形走廊。其中,黑色实线是有两扇门的墙壁,蓝色曲线是移动机器人沿着墙壁的轨迹。移动机器人采用0#~4#声呐。图2为基于轨迹估计方法的移动机器人的墙壁跟踪轨迹图;图3所示为基于模糊神经网络的移动机器人沿墙导航控制的轨迹图。
5 结论
本文给出了模糊神经网络的计算模型,并利用BP网络离线训练权值。该方法能够根据移动机器人声纳采集的信息自动生成模糊隶属函数,并自动提取模糊规则,增强了神经网络的泛化能力和容错能力。实验证明了该方法的有效性和可行性,可以沿着墙壁行驶,不会发生碰撞,并保持一定的距离。
责任编辑:gt