基于模糊神經(jīng)網(wǎng)絡(luò)在智能輪椅避障中的應(yīng)用

肖寒春，孫鵬飛，李 津

(1.重慶郵電大學(xué)通信工程應(yīng)用研究所，重慶400065;2.重慶郵電大學(xué)計算機(jī)學(xué)院，重慶400065;3.重慶郵電大學(xué)通信學(xué)院，重慶400065)

0 引言

智能機(jī)器人的避障問題是機(jī)器人路徑研究領(lǐng)域的核心問題之一［1］。工作中的移動機(jī)器人所面臨的外部環(huán)境通常是未知的，由于外部環(huán)境的復(fù)雜性和不確定性，因此要求機(jī)器人要有自主的導(dǎo)航和避障系統(tǒng)。針對這個問題，國內(nèi)外學(xué)者提出許多解決方法，如Souhila K［2］利用視覺傳感器的移動避障方法，雖探測范圍比較廣，但其利用單視覺傳感器只能獲取二維的圖像信息，無法提取障礙物的三維信息，使其避障能力差。張幼明［3］等利用多測距傳感器的移動避障方法，探測范圍十分有限，普適性差。可見，每一種傳感器都存在自己的不足，僅依靠單傳感器無法滿足要求。然而，不同的環(huán)境監(jiān)測傳感器監(jiān)測到的信息是互補(bǔ)的，能更全面的描述外部環(huán)境，對這些信息進(jìn)行融合可提高系統(tǒng)的可靠性和魯棒性［4］。因此，多傳感器信息融合技術(shù)在移動機(jī)器人中的應(yīng)用也越來越多［5-8］。陳延偉等［5］采用BP神經(jīng)網(wǎng)絡(luò)對障礙物環(huán)境進(jìn)行分類以及模式識別，為移動機(jī)器人的導(dǎo)航和避障提供了一種有效的方法。王艷平［6］利用模糊神經(jīng)網(wǎng)絡(luò)對多傳感器信息進(jìn)行融合，用于移動機(jī)器人的避障。

但是在這些文獻(xiàn)中所使用的多傳感器是同一類型的。為更好的監(jiān)測外部環(huán)境，筆者在智能輪椅上裝載了多個聲納探測器和一個攝像頭對外部環(huán)境信息進(jìn)行探測，聲納裝置可以測得機(jī)器人到障礙物的縱向距離，而攝像頭則能測得障礙物的橫向?qū)挾取Ｒ虼耍ㄟ^使用這兩類不同傳感器采集到的環(huán)境數(shù)據(jù)更加全面。實驗過程中，雖然傳感器監(jiān)測到的信息具有一定的不確定性，但本文所選用的模糊神經(jīng)網(wǎng)絡(luò)算法由于綜合了模糊邏輯控制的優(yōu)點和神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)能力，因此對信息的準(zhǔn)確性依賴并不大。本文最后的仿真實驗利用模糊神經(jīng)網(wǎng)絡(luò)算法對多個傳感器監(jiān)測得到的外部環(huán)境數(shù)據(jù)進(jìn)行信息融合，再根據(jù)信息融合得到的結(jié)果控制機(jī)器人移動的線速度和角速度，從而達(dá)到了控制智能輪椅移動避障的目的。

1 環(huán)境監(jiān)測及數(shù)據(jù)預(yù)處理

實驗中輪椅的前方、左側(cè)、右側(cè)上共安裝了6個聲納探測器和一個攝像頭，其基本的安裝排列如圖1所示。

圖1 實驗用機(jī)器人

6個聲納探測器能獲得到的監(jiān)測數(shù)據(jù)分別為d1～～d6，根據(jù)6個聲納所在的位置可分為前、左、右3組，數(shù)據(jù)量化公式為

式中:x1——輪椅左側(cè)到障礙物的距離，x2——輪椅前部到障礙物的距離，x3——輪椅右側(cè)到障礙物的距離，α——固定的權(quán)重參數(shù)，設(shè)為α=0.5。

將位于圖1中7點的攝像頭采集到的圖片則經(jīng)過灰度化處理、去噪處理，最后生成圖片中障礙物的邊緣曲線。分析曲線之后可以進(jìn)行有效的轉(zhuǎn)向行為。輪椅躲避障礙物時的轉(zhuǎn)向判斷原理圖 (如圖2所示)。

攝像頭采集的照片正中會有水平方向上的中軸線OM，下方的O點即為機(jī)器人所在位置，可以得到從O點出發(fā)的射線OA、OB分別交于障礙物的左右邊緣，此時就形成了兩個夾角∠AOM和∠BOM，大小分別為θ和β

根據(jù)θ、β的大小來判斷機(jī)器人的轉(zhuǎn)向方向:當(dāng)θ＜β時，機(jī)器人向左轉(zhuǎn);當(dāng)θ≥β時，機(jī)器人向右轉(zhuǎn)。

圖2 攝像頭采集圖片處理

圖2 中β角較小，以此圖為例。過B點作垂直O(jiān)B的線段BC，BC近似為障礙物上B點的法線，BC的長度l=l1+l2，l1是固定值，表示聲納可測范圍的最小距離值，l2為機(jī)器人寬度的一半由三角函數(shù)公式可得出OB長l3=則:即有

因此，機(jī)器人在遇到障礙物時的轉(zhuǎn)向角度t＞ +t1(BC為近似法線)。

2 模糊神經(jīng)網(wǎng)絡(luò)設(shè)計

模糊神經(jīng)網(wǎng)絡(luò)的基本原理是［9］:使用神經(jīng)網(wǎng)絡(luò)的基本框架，在輸入層和輸出層之間加入了模糊規(guī)則控制，并用多層前饋網(wǎng)絡(luò)設(shè)置來構(gòu)造模糊變量集、隸屬函數(shù)和模糊控制規(guī)則模型，經(jīng)過多次學(xué)習(xí)調(diào)整網(wǎng)絡(luò)的權(quán)重來優(yōu)化整個模糊神經(jīng)網(wǎng)絡(luò)［10］。本文使用基于Takagi-Sugeno(T-S)模型的模糊神經(jīng)網(wǎng)絡(luò)［11］，它可以有效表示出一些比較復(fù)雜的系統(tǒng)，并能對非線性系統(tǒng)進(jìn)行精確的處理。與其他類型的模糊推理方法不同，T-S型模糊推理系統(tǒng)的模糊規(guī)則的后件是輸入變量的線性組合。圖3為模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計圖，由聲納測得的三個xi值以及一個轉(zhuǎn)向角度t作為神經(jīng)網(wǎng)絡(luò)的輸入，下面對模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖進(jìn)行說明。

該網(wǎng)絡(luò)結(jié)構(gòu)由兩部分組成，圖中的1到4層為前件網(wǎng)絡(luò)，前件網(wǎng)絡(luò)產(chǎn)生的結(jié)果對應(yīng)了第6層輸出結(jié)果的權(quán)重值;第5到7層為后件網(wǎng)絡(luò)。

第一層是輸入層，該層各個節(jié)點直接與輸入向量的各個分量相鏈接，即三個測量值xi

第二層的輸入輸出為

圖3 基于T-S模型的模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

第三層的每一個節(jié)點代表著一條模糊規(guī)則，是用來計算出每一條規(guī)則的適用度

式中s1j，s2j，s3j均有1，2兩種情況。因此αj作為規(guī)則適用度，一共有6種選擇j∈(1，2，…6)，且αj作為第三層的輸出。

第四層的每一個節(jié)點代表每一條適用度所占的比例

其中βj是對應(yīng)的每一個規(guī)則的實用程度。

第五層增加了一個轉(zhuǎn)向角度的輸入

第七層實現(xiàn)的是清新化處理

最終的輸出結(jié)果V代表機(jī)器人運動時的線速度，W是機(jī)器人轉(zhuǎn)向時的角速度。

3 仿真實現(xiàn)

智能輪椅使用了6個聲納探測器和一個攝像頭對外部環(huán)境進(jìn)行監(jiān)測，監(jiān)測的信息是通過基于T-S模型的模糊神經(jīng)網(wǎng)絡(luò)來進(jìn)行融合的。經(jīng)過訓(xùn)練，智能輪椅在進(jìn)行避障行為時能夠主動繞行障礙物邊緣較短的一側(cè)，這是未進(jìn)行信息融合時機(jī)器人所不能完成的，只能靠人為地設(shè)定優(yōu)先轉(zhuǎn)向方向。并且在進(jìn)行信息融合后，避障行為使用的時間減少，路徑也得到了優(yōu)化。

仿真實驗中，輪椅的起始位置坐標(biāo)為 (3.5，1)，目標(biāo)點位置坐標(biāo)為 (3.5，7)，從起點出發(fā)，無碰撞的到達(dá)目標(biāo)點。圖4為使用了聲納傳感器和攝像頭，并在信息融合技術(shù)下的移動智能輪椅避障仿真結(jié)果。

圖5、圖6的兩個實驗沒有使用攝像頭，沒有進(jìn)行多傳感器的信息融合，所以在避障時不能主動判定轉(zhuǎn)向，因此圖5中人工預(yù)設(shè)定輪椅避障右轉(zhuǎn)，圖6中預(yù)設(shè)定左轉(zhuǎn)。圖中的兩個障礙物分別在輪椅前進(jìn)路線上的偏左、偏右位置上，從仿真圖中可以明顯看出，圖4中輪椅避障路徑更優(yōu)，避障繞行時走的距離更短。

圖7、圖8、圖9是輪椅在多個障礙物環(huán)境下，輪椅使用不同的算法時的移動路徑，起始點和目標(biāo)點的位置固定。其中線②是輪椅裝備攝像頭和聲納后并使用信息融合技術(shù)下的運動軌跡;線①代表輪椅只應(yīng)用聲納探測且優(yōu)先右轉(zhuǎn)的運動軌跡;線③代表著輪椅只應(yīng)用聲納探測且優(yōu)先左轉(zhuǎn)的運動軌跡。從仿真圖中可以明顯得到，使用信息融合算法后輪椅的移動路徑要優(yōu)化很多，到達(dá)目標(biāo)點時所使用的時間縮短，移動路徑的距離也較短。

圖9 障礙物增加8倍輪椅使用三種方法的移動路徑

因此，使用基于模糊神經(jīng)網(wǎng)絡(luò)的多傳感器信息融合技術(shù)，可對智能輪椅避障行為的局部路徑進(jìn)行優(yōu)化，繞行更短的距離，能更快速到達(dá)目標(biāo)點。

4 結(jié)束語

多傳感器數(shù)據(jù)融合技術(shù)來規(guī)劃移動機(jī)器人的路徑已經(jīng)成為機(jī)器人路徑研究的趨勢，本文將攝像頭、聲納傳感器配合使用，保證了輪椅能更全面的感知外部環(huán)境;將采集到的信息進(jìn)行預(yù)處理后作為模糊神經(jīng)網(wǎng)絡(luò)的輸入，利用了基于Takagi-Sugeno(T-S)模型的模糊神經(jīng)網(wǎng)絡(luò)方法來對采集的環(huán)境信息進(jìn)行融合，網(wǎng)絡(luò)最后輸出了輪椅的線速度和角速度。該方法充分的利用了聲納與攝像頭各自的特點;同時有效的綜合了模糊控制和神經(jīng)網(wǎng)絡(luò)的優(yōu)點，可以快速、準(zhǔn)確地計算出障礙物的位置并完成路徑規(guī)劃。最終實驗也表明，輪椅的避障路徑得到優(yōu)化，避障繞行的距離減小，繞行時間縮短。因此，該方法使輪椅的智能性得到進(jìn)一步的提高。

［1］XIA Linlin，ZHANG Jianpei，CHU Yan.An application survey on computational intelligence for path planning of mobile robots［J］.CAAITransactions on Intelligent Systems，2011，6(2):160-165(in Chinese).［夏琳琳，張健沛，初研.計算智能在移動機(jī)器人路徑規(guī)劃中的應(yīng)用綜述 ［J］.智能系統(tǒng)學(xué)報，2011，6(2):160-165.］

［2］Souhila K，Karim A.Optical flow based robot obstacle avoidance［J］.International Journal of Advanced Robotic Systems，2007，4(1):13-16.

［3］ZHANG Youming，YIN Yixin.Non-linear function fuzzy control algorithm for mobile robot obstacle avoidance［J］.Application Research of Computers，2007，24(11):13-16(in Chinese).［張幼明，尹怡欣.基于非線性函數(shù)的移動機(jī)器人模糊避障算法 ［J］.計算機(jī)應(yīng)用研究，2007，24(11):88-89.］

［4］FAN Xiaojing.Based on multi-sensor information fusion robot obstacle avoidance and navigation control［D］.Shenyang:Shenyang Li-gong University，2008:14-22(in Chinese).［范曉靜.基于多傳感器信息融合的機(jī)器人避障和導(dǎo)航控制研究［D］.沈陽:沈陽理工大學(xué)，2008:14-22.］

［5］CHEN Yanwei，SHI Jiangtian，WU Yanru，et al.Neural network based multi-sensor data fusion in the mobile robots［J］.Journal of Changchun University of Technology，2008，29(5):550-555(in Chinese).［陳延偉，施江天，吳艷茹，等.基于神經(jīng)網(wǎng)絡(luò)的多傳感器信息融合技術(shù)在移動機(jī)器人中的應(yīng)用［J］.長春工業(yè)大學(xué)學(xué)報，2008，29(5):550-555.］

［6］WANG Yanping.A study on the application of fuzzy neural network information fusion method to robots path planning［J］.Information Research，2009，35(4):20-22(in Chinese).［王艷平.模糊神經(jīng)網(wǎng)絡(luò)信息融合方法在機(jī)器人路徑規(guī)劃中的應(yīng)用研究［J］.信息化研究，2009，35(4):20-22.］

［7］WANG Tanbin，CHEN Wuwei，LI Jin，et al.Simulations of obstacle avoidance for intelligent vehicles based on vision navigation and multi-sensor fusion［J］.Journal of System Simulation，2009，21(4):1015-1019(in Chinese).［王檀彬，陳無畏，李進(jìn)，等.多傳感器融合的視覺導(dǎo)航智能車避障仿真研究［J］.系統(tǒng)仿真學(xué)報，2009，21(4):1015-1019.］

［8］GUO Mingqiang，GUO Yu.Obstacle avoidance of the mobile robot based on information fusion between the sonar and CCD ［D］.Nanjing:Nanjing University of Science and Technology，2007(in Chinese).［郭明強(qiáng)，郭毓.基于CCD和聲納傳感器信息融合的移動機(jī)器人避障研究［D］.南京:南京理工大學(xué)，2007.］

［9］TIAN Yubo.Hybrid neural network technology［M］.Beijing:Science Press，2009:194-206(in Chinese).［田雨波.混合神經(jīng)網(wǎng)絡(luò)技術(shù)［M］.北京:科學(xué)出版社，2009:194-206.］

［10］LIU Jinkun.Intelligent control［M］.Beijing:Publishing House of Electronics Industry，2007:117-123(in Chinese).［劉金琨.智能控制［M］.北京:電子工業(yè)出版社，2007:117-123.］

［11］LI Guoyong.Intelligent prediction control on MATLAB［M］.Beijing:Publishing House of Electronics Industry，2010:230-235(in Chinese).［李國勇.智能預(yù)測控制及其MATLAB實現(xiàn)［M］.北京:電子工業(yè)出版社，2010:230-235.］