摘  要： 針對(duì)機(jī)器人局部路徑規(guī)劃的特點(diǎn)和傳統(tǒng)人工勢(shì)場(chǎng)理論存在不足的問(wèn)題，采用改進(jìn)的斥力勢(shì)場(chǎng)函數(shù)，將機(jī)器人與目標(biāo)的相對(duì)距離和速度考慮在內(nèi)以解決局部最小值問(wèn)題。引入神經(jīng)網(wǎng)絡(luò)模糊系統(tǒng)，兼顧了系統(tǒng)的魯棒性和快速性，并在應(yīng)用實(shí)例中得到了有效的驗(yàn)證。
關(guān)鍵詞： 神經(jīng)模糊方法；人工勢(shì)場(chǎng)法；路徑規(guī)劃

　導(dǎo)航技術(shù)研究一直是移動(dòng)機(jī)器人研究的重要方向，移動(dòng)機(jī)器人導(dǎo)航就是機(jī)器人能夠按照事先獲取的地圖信息[1]，或根據(jù)通過(guò)對(duì)外部環(huán)境的實(shí)時(shí)探測(cè)所提供的引導(dǎo)信號(hào)規(guī)劃出一條相對(duì)最優(yōu)路徑，使機(jī)器人在沒(méi)有人工干預(yù)的情況下，能沿著該路徑盡快和無(wú)碰撞的移動(dòng)到目標(biāo)點(diǎn)。
　人工勢(shì)場(chǎng)法的結(jié)構(gòu)簡(jiǎn)單，比較容易掌握，便于底層的實(shí)時(shí)控制，規(guī)劃出的路徑一般比較平滑安全，在機(jī)器人的局部路徑規(guī)劃中被廣泛地采用[2]。但人工勢(shì)場(chǎng)法只適合靜態(tài)環(huán)境下的路徑規(guī)劃，對(duì)于動(dòng)態(tài)環(huán)境下運(yùn)動(dòng)目標(biāo)的路徑規(guī)劃，則很少涉及。本文中，在一般人工勢(shì)場(chǎng)法的基礎(chǔ)上，針對(duì)動(dòng)態(tài)環(huán)境中的目標(biāo)和障礙物都是運(yùn)動(dòng)的條件下，提出了一種改進(jìn)的人工勢(shì)場(chǎng)法。通過(guò)在引力勢(shì)場(chǎng)函數(shù)和斥力勢(shì)場(chǎng)函數(shù)中引入相對(duì)速度和安全距離解決了動(dòng)態(tài)環(huán)境下路徑規(guī)劃的問(wèn)題，基于模糊邏輯控制方法(fuzzy logic control approach)[3]引入人的經(jīng)驗(yàn)以實(shí)現(xiàn)機(jī)器人避障，這種方法的困難在于模糊規(guī)則難以確定。而神經(jīng)模糊方法(neuro-fuzzy approach)[4]能夠自動(dòng)產(chǎn)生模糊規(guī)則，本文引入神經(jīng)網(wǎng)絡(luò)和模糊控制對(duì)參數(shù)進(jìn)行優(yōu)化[5-6]。計(jì)算機(jī)仿真證明了這種改進(jìn)的人工勢(shì)場(chǎng)法的有效性。
1 傳統(tǒng)人工勢(shì)場(chǎng)法及缺陷
　Khatib于1986年提出人工勢(shì)場(chǎng)法用于機(jī)器人避障，其基本思想是構(gòu)建一個(gè)虛擬的力場(chǎng)，目標(biāo)引力場(chǎng)Ua產(chǎn)生的吸引力Fa隨機(jī)器人與目標(biāo)位置的接近而減小，方向指向目標(biāo)點(diǎn)。障礙物的斥力場(chǎng)Ur產(chǎn)生的排斥力Fr隨機(jī)器人與障礙物的距離的減少而迅速增大，方向背離障礙物。人工勢(shì)能的總和取總勢(shì)函數(shù)梯度下降的方向，即沿排斥力矢量和吸引力矢量和的方向?qū)崿F(xiàn)無(wú)碰路徑規(guī)劃。傳統(tǒng)的人工勢(shì)場(chǎng)法只考慮位置因素，是位置的函數(shù)。在動(dòng)態(tài)障礙物的環(huán)境就會(huì)暴露出很多不足，除了局部最小問(wèn)題出現(xiàn)的概率增大之外，還存在因躲避不及而相碰以及原本不會(huì)發(fā)生碰撞但機(jī)器人卻做出了無(wú)謂的避碰運(yùn)動(dòng)。當(dāng)目標(biāo)點(diǎn)處在障礙物的斥力場(chǎng)范圍內(nèi)時(shí)，機(jī)器人可能始終無(wú)法到達(dá)目標(biāo)點(diǎn)。
　傳統(tǒng)的引力場(chǎng)函數(shù)定義為機(jī)器人與目標(biāo)的相對(duì)位置的函數(shù)，即相對(duì)位置引力場(chǎng)函數(shù)：

　式中，N為障礙物的個(gè)數(shù)。
　在引入相對(duì)速度斥力之后，雖然不能完全消除局部極值點(diǎn)，但可以使極值點(diǎn)的出現(xiàn)幾率大大降低，并且消除了機(jī)器人在障礙物附近出現(xiàn)振蕩的可能性。修改后的引力函數(shù)和斥力函數(shù)中各有兩個(gè)分量，即位置分量和運(yùn)動(dòng)分量。本文結(jié)合神經(jīng)網(wǎng)絡(luò)控制方法和模糊控制方法，設(shè)計(jì)兩個(gè)雙輸入單輸出模糊控制器，從而實(shí)現(xiàn)兩個(gè)分量系數(shù)的調(diào)整：(1)障礙物和機(jī)器人的位置關(guān)系，可利用它們之間的距離P和運(yùn)動(dòng)方向的夾角θ確定；(2)運(yùn)動(dòng)關(guān)系，可利用它們之間的速度偏差Vor和運(yùn)動(dòng)方向夾角θ確定。
3 神經(jīng)網(wǎng)絡(luò)模糊控制器的設(shè)計(jì)
　根據(jù)大量的實(shí)驗(yàn)和個(gè)人經(jīng)驗(yàn)，可獲得一組經(jīng)驗(yàn)數(shù)據(jù)。數(shù)據(jù)包括：機(jī)器人與物體的距離、機(jī)器人與物體相對(duì)運(yùn)動(dòng)大小的夾角，以及人工勢(shì)場(chǎng)法的增益系數(shù)。利用MATLAB中的Anfis工具，由這組數(shù)據(jù)計(jì)算推理得出一個(gè)描述該系統(tǒng)的Sugeno型FIS[8]。
以2輸入、1輸出來(lái)建立一個(gè)模糊系統(tǒng)。
　在A(yíng)nfis編輯器中導(dǎo)入經(jīng)驗(yàn)數(shù)據(jù)，模糊子集數(shù)目選擇為[7 7]，隸屬函數(shù)類(lèi)型為“gbellmf”(鐘形)，生成初始FIS的方法。采用網(wǎng)格分割法并按照C-均值聚類(lèi)方法建立模糊系統(tǒng)。對(duì)建立好的初始模糊系統(tǒng)進(jìn)行訓(xùn)練，神經(jīng)網(wǎng)絡(luò)訓(xùn)練用“混合法(hybird)”，訓(xùn)練誤差為0，訓(xùn)練次數(shù)選擇150。如果訓(xùn)練的最終誤差不夠理想，可以增加訓(xùn)練次數(shù)。
　訓(xùn)練結(jié)束之后，可以在MF編輯器界面中觀(guān)察輸入與輸出的隸屬函數(shù)，以及模糊規(guī)則。這樣，利用神經(jīng)網(wǎng)絡(luò)很好地處理了建立模糊系統(tǒng)時(shí)生成模糊規(guī)則以及調(diào)整隸屬函數(shù)等繁雜工作，并克服了模糊理論不具備自學(xué)習(xí)的能力和神經(jīng)網(wǎng)絡(luò)難以表達(dá)人類(lèi)自然語(yǔ)言的缺點(diǎn)。在實(shí)際仿真運(yùn)行中，可根據(jù)仿真效果對(duì)各隸屬函數(shù)及模糊規(guī)則進(jìn)行簡(jiǎn)單調(diào)整。
　根據(jù)人工勢(shì)場(chǎng)法建立的函數(shù)，針對(duì)其四個(gè)參數(shù)分別建立模糊控制器。模糊控制器以機(jī)器人與物體的距離P和運(yùn)動(dòng)方向的夾角θ為輸入，模糊控制器的隸屬度函數(shù)和模糊規(guī)則根據(jù)神經(jīng)網(wǎng)絡(luò)訓(xùn)練獲得。其結(jié)構(gòu)圖如圖2所示。

　神經(jīng)網(wǎng)絡(luò)模糊制器，融合了模糊理論和神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)，能夠及時(shí)調(diào)整人工勢(shì)場(chǎng)函數(shù)的各參數(shù)，從而進(jìn)一步改變控制決策，在對(duì)系統(tǒng)的控制中獲得更好的效果。
4 試驗(yàn)分析
　本文對(duì)動(dòng)態(tài)障礙環(huán)境下機(jī)器人路徑規(guī)劃問(wèn)題進(jìn)行了探討研究，在傳統(tǒng)的人工勢(shì)場(chǎng)法的基礎(chǔ)上引入相對(duì)速度，降低了極值點(diǎn)的出現(xiàn)機(jī)率，并且使用神經(jīng)網(wǎng)絡(luò)模糊控制方法來(lái)實(shí)現(xiàn)修改后的引力函數(shù)和斥力函數(shù)中兩個(gè)分量系數(shù)的調(diào)整，仿真結(jié)果表示該方法是可行的。在圖3中使用傳統(tǒng)的勢(shì)場(chǎng)法控制時(shí)，機(jī)器人在勉強(qiáng)避開(kāi)第一個(gè)障礙后與第二個(gè)障礙物迎面碰撞，沒(méi)能跟隨到達(dá)目標(biāo)。而使用本文算法的機(jī)器人有效地避開(kāi)了兩個(gè)運(yùn)動(dòng)的障礙并且成功到達(dá)目標(biāo)，如圖4所示。圖中帶圓圈的實(shí)線(xiàn)表示機(jī)器人的避障軌跡，帶圓圈的虛線(xiàn)是目標(biāo)的的運(yùn)動(dòng)軌跡。帶星號(hào)的實(shí)線(xiàn)和虛線(xiàn)是兩個(gè)障礙物各自的運(yùn)動(dòng)軌跡。

　研究結(jié)果表明，與傳統(tǒng)的人工勢(shì)場(chǎng)法相比，本文方法不存在局部最小問(wèn)題。由于增加了安全距離和相對(duì)速度，增加了對(duì)運(yùn)動(dòng)障礙的有效規(guī)避，也避免了一些無(wú)謂的避障動(dòng)作，而模糊神經(jīng)網(wǎng)絡(luò)的引入使得控制具有一定的自適應(yīng)性和實(shí)時(shí)性，且算法直觀(guān)明確，加入經(jīng)驗(yàn)值，在實(shí)驗(yàn)過(guò)程中可以反復(fù)調(diào)試，使移動(dòng)機(jī)器人具有類(lèi)人的決策。
參考文獻(xiàn)
[1] 徐玉華，張崇巍.基于激光測(cè)距儀的移動(dòng)機(jī)器人避障新方法[J].機(jī)器人，2010，32(2)：179-183.
[2] KROGH B H． A generalized potential field approach to obstacle avoidance control [C]． International Conf． On Robotics Research，1984．
[3] LEE T L， WU C J. Fuzzy motion planning of mobile robots in unknown environments [J]. Journal of Intelligent and Robotic Systems， 2003， 37(2)： 177-191
[4] ACOSTA L， MARICHAL G N， MORENO L， et al. Obstacle avoidance using the human operator experience for a mobile robot[J]. Journal of Intelligent and Robotic Systems， 2000， 27(4)： 305-319.
[5] 從爽.神經(jīng)網(wǎng)絡(luò)、模糊系統(tǒng)及其在運(yùn)動(dòng)控制中的應(yīng)用 [M].合肥：中國(guó)科學(xué)技術(shù)大學(xué)出版社，2001.
[6] KIM B N， KWON O S， KIM K H， et al. A study on path planning for mobile robot based on fuzzy logic controller[C]. IEEE TENCON， 1999[C]. 1999： 1002-1005.
[7] 段華，趙東標(biāo).動(dòng)態(tài)環(huán)境下基于勢(shì)場(chǎng)原理的避障方法[J].華中科技大學(xué)學(xué)報(bào)，2006(9)：38-56.
[8] 石辛民，郝整清.模糊控制及其MATLAB仿真[M].北京：清華大學(xué)出版社，2006.