摘  要： 針對機(jī)器人局部路徑規(guī)劃的特點和傳統(tǒng)人工勢場理論存在不足的問題，采用改進(jìn)的斥力勢場函數(shù)，將機(jī)器人與目標(biāo)的相對距離和速度考慮在內(nèi)以解決局部最小值問題。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)用實例中得到了有效的驗證。
關(guān)鍵詞： 神經(jīng)模糊方法；人工勢場法；路徑規(guī)劃

　導(dǎo)航技術(shù)研究一直是移動機(jī)器人研究的重要方向，移動機(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)通過對外部環(huán)境的實時探測所提供的引導(dǎo)信號規(guī)劃出一條相對最優(yōu)路徑，使機(jī)器人在沒有人工干預(yù)的情況下，能沿著該路徑盡快和無碰撞的移動到目標(biāo)點。
　人工勢場法的結(jié)構(gòu)簡單，比較容易掌握，便于底層的實時控制，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]。但人工勢場法只適合靜態(tài)環(huán)境下的路徑規(guī)劃，對于動態(tài)環(huán)境下運(yùn)動目標(biāo)的路徑規(guī)劃，則很少涉及。本文中，在一般人工勢場法的基礎(chǔ)上，針對動態(tài)環(huán)境中的目標(biāo)和障礙物都是運(yùn)動的條件下，提出了一種改進(jìn)的人工勢場法。通過在引力勢場函數(shù)和斥力勢場函數(shù)中引入相對速度和安全距離解決了動態(tài)環(huán)境下路徑規(guī)劃的問題，基于模糊邏輯控制方法(fuzzy logic control approach)[3]引入人的經(jīng)驗以實現(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)和模糊控制對參數(shù)進(jìn)行優(yōu)化[5-6]。計算機(jī)仿真證明了這種改進(jìn)的人工勢場法的有效性。
1 傳統(tǒng)人工勢場法及缺陷
　Khatib于1986年提出人工勢場法用于機(jī)器人避障，其基本思想是構(gòu)建一個虛擬的力場，目標(biāo)引力場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。障礙物的斥力場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。人工勢能的總和取總勢函數(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)無碰路徑規(guī)劃。傳統(tǒng)的人工勢場法只考慮位置因素，是位置的函數(shù)。在動態(tài)障礙物的環(huán)境就會暴露出很多不足，除了局部最小問題出現(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發(fā)生碰撞但機(jī)器人卻做出了無謂的避碰運(yùn)動。當(dāng)目標(biāo)點處在障礙物的斥力場范圍內(nèi)時，機(jī)器人可能始終無法到達(dá)目標(biāo)點。
　傳統(tǒng)的引力場函數(shù)定義為機(jī)器人與目標(biāo)的相對位置的函數(shù)，即相對位置引力場函數(shù)：

　式中，N為障礙物的個數(shù)。
　在引入相對速度斥力之后，雖然不能完全消除局部極值點，但可以使極值點的出現(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)中各有兩個分量，即位置分量和運(yùn)動分量。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)計兩個雙輸入單輸出模糊控制器，從而實現(xiàn)兩個分量系數(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)動方向的夾角θ確定；(2)運(yùn)動關(guān)系，可利用它們之間的速度偏差Vor和運(yùn)動方向夾角θ確定。
3 神經(jīng)網(wǎng)絡(luò)模糊控制器的設(shè)計
　根據(jù)大量的實驗和個人經(jīng)驗，可獲得一組經(jīng)驗數(shù)據(jù)。數(shù)據(jù)包括：機(jī)器人與物體的距離、機(jī)器人與物體相對運(yùn)動大小的夾角，以及人工勢場法的增益系數(shù)。利用MATLAB中的Anfis工具，由這組數(shù)據(jù)計算推理得出一個描述該系統(tǒng)的Sugeno型FIS[8]。
以2輸入、1輸出來建立一個模糊系統(tǒng)。
　在Anfis編輯器中導(dǎo)入經(jīng)驗數(shù)據(jù)，模糊子集數(shù)目選擇為[7 7]，隸屬函數(shù)類型為“gbellmf”(鐘形)，生成初始FIS的方法。采用網(wǎng)格分割法并按照C-均值聚類方法建立模糊系統(tǒng)。對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)人類自然語言的缺點。在實際仿真運(yùn)行中，可根據(jù)仿真效果對各隸屬函數(shù)及模糊規(guī)則進(jìn)行簡單調(diào)整。
　根據(jù)人工勢場法建立的函數(shù)，針對其四個參數(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，能夠及時調(diào)整人工勢場函數(shù)的各參數(shù)，從而進(jìn)一步改變控制決策，在對系統(tǒng)的控制中獲得更好的效果。
4 試驗分析
　本文對動態(tài)障礙環(huán)境下機(jī)器人路徑規(guī)劃問題進(jìn)行了探討研究，在傳統(tǒng)的人工勢場法的基礎(chǔ)上引入相對速度，降低了極值點的出現(xiàn)機(jī)率，并且使用神經(jīng)網(wǎng)絡(luò)模糊控制方法來實現(xiàn)修改后的引力函數(shù)和斥力函數(shù)中兩個分量系數(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)的勢場法控制時，機(jī)器人在勉強(qiáng)避開第一個障礙后與第二個障礙物迎面碰撞，沒能跟隨到達(dá)目標(biāo)。而使用本文算法的機(jī)器人有效地避開了兩個運(yùn)動的障礙并且成功到達(dá)目標(biāo)，如圖4所示。圖中帶圓圈的實線表示機(jī)器人的避障軌跡，帶圓圈的虛線是目標(biāo)的的運(yùn)動軌跡。帶星號的實線和虛線是兩個障礙物各自的運(yùn)動軌跡。

　研究結(jié)果表明，與傳統(tǒng)的人工勢場法相比，本文方法不存在局部最小問題。由于增加了安全距離和相對速度，增加了對運(yùn)動障礙的有效規(guī)避，也避免了一些無謂的避障動作，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)性和實時性，且算法直觀明確，加入經(jīng)驗值，在實驗過程中可以反復(fù)調(diào)試，使移動機(jī)器人具有類人的決策。
參考文獻(xiàn)
[1] 徐玉華，張崇巍.基于激光測距儀的移動機(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)動控制中的應(yīng)用 [M].合肥：中國科學(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).動態(tài)環(huán)境下基于勢場原理的避障方法[J].華中科技大學(xué)學(xué)報，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.