基于模糊神經網絡在智能輪椅避障中的應用

肖寒春，孫鵬飛，李 津

(1.重慶郵電大學通信工程應用研究所，重慶400065;2.重慶郵電大學計算機學院，重慶400065;3.重慶郵電大學通信學院，重慶400065)

0 引言

智能機器人的避障問題是機器人路徑研究領域的核心問題之一［1］。工作中的移動機器人所面臨的外部環境通常是未知的，由于外部環境的復雜性和不確定性，因此要求機器人要有自主的導航和避障系統。針對這個問題，國內外學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，不同的環境監測傳感器監測到的信息是互補的，能更全面的描述外部環境，對這些信息進行融合可提高系統的可靠性和魯棒性［4］。因此，多傳感器信息融合技術在移動機器人中的應用也越來越多［5-8］。陳延偉等［5］采用BP神經網絡對障礙物環境進行分類以及模式識別，為移動機器人的導航和避障提供了一種有效的方法。王艷平［6］利用模糊神經網絡對多傳感器信息進行融合，用于移動機器人的避障。

但是在這些文獻中所使用的多傳感器是同一類型的。為更好的監測外部環境，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境信息進行探測，聲納裝置可以測得機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寬度。因此，通過使用這兩類不同傳感器采集到的環境數據更加全面。實驗過程中，雖然傳感器監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網絡算法由于綜合了模糊邏輯控制的優點和神經網絡的自學習能力，因此對信息的準確性依賴并不大。本文最后的仿真實驗利用模糊神經網絡算法對多個傳感器監測得到的外部環境數據進行信息融合，再根據信息融合得到的結果控制機器人移動的線速度和角速度，從而達到了控制智能輪椅移動避障的目的。

1 環境監測及數據預處理

實驗中輪椅的前方、左側、右側上共安裝了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 實驗用機器人

6個聲納探測器能獲得到的監測數據分別為d1～～d6，根據6個聲納所在的位置可分為前、左、右3組，數據量化公式為

式中:x1——輪椅左側到障礙物的距離，x2——輪椅前部到障礙物的距離，x3——輪椅右側到障礙物的距離，α——固定的權重參數，設為α=0.5。

將位于圖1中7點的攝像頭采集到的圖片則經過灰度化處理、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行有效的轉向行為。輪椅躲避障礙物時的轉向判斷原理圖 (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點即為機器人所在位置，可以得到從O點出發的射線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θ、β的大小來判斷機器人的轉向方向:當θ＜β時，機器人向左轉;當θ≥β時，機器人向右轉。

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OB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為機器人寬度的一半由三角函數公式可得出OB長l3=則:即有

因此，機器人在遇到障礙物時的轉向角度t＞ +t1(BC為近似法線)。

2 模糊神經網絡設計

模糊神經網絡的基本原理是［9］:使用神經網絡的基本框架，在輸入層和輸出層之間加入了模糊規則控制，并用多層前饋網絡設置來構造模糊變量集、隸屬函數和模糊控制規則模型，經過多次學習調整網絡的權重來優化整個模糊神經網絡［10］。本文使用基于Takagi-Sugeno(T-S)模型的模糊神經網絡［11］，它可以有效表示出一些比較復雜的系統，并能對非線性系統進行精確的處理。與其他類型的模糊推理方法不同，T-S型模糊推理系統的模糊規則的后件是輸入變量的線性組合。圖3為模糊神經網絡的結構設計圖，由聲納測得的三個xi值以及一個轉向角度t作為神經網絡的輸入，下面對模糊神經網絡結構圖進行說明。

該網絡結構由兩部分組成，圖中的1到4層為前件網絡，前件網絡產生的結果對應了第6層輸出結果的權重值;第5到7層為后件網絡。

第一層是輸入層，該層各個節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模型的模糊神經網絡結構

第三層的每一個節點代表著一條模糊規則，是用來計算出每一條規則的適用度

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

第四層的每一個節點代表每一條適用度所占的比例

其中βj是對應的每一個規則的實用程度。

第五層增加了一個轉向角度的輸入

第七層實現的是清新化處理

最終的輸出結果V代表機器人運動時的線速度，W是機器人轉向時的角速度。

3 仿真實現

智能輪椅使用了6個聲納探測器和一個攝像頭對外部環境進行監測，監測的信息是通過基于T-S模型的模糊神經網絡來進行融合的。經過訓練，智能輪椅在進行避障行為時能夠主動繞行障礙物邊緣較短的一側，這是未進行信息融合時機器人所不能完成的，只能靠人為地設定優先轉向方向。并且在進行信息融合后，避障行為使用的時間減少，路徑也得到了優化。

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

圖5、圖6的兩個實驗沒有使用攝像頭，沒有進行多傳感器的信息融合，所以在避障時不能主動判定轉向，因此圖5中人工預設定輪椅避障右轉，圖6中預設定左轉。圖中的兩個障礙物分別在輪椅前進路線上的偏左、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，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境下，輪椅使用不同的算法時的移動路徑，起始點和目標點的位置固定。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下的運動軌跡;線①代表輪椅只應用聲納探測且優先右轉的運動軌跡;線③代表著輪椅只應用聲納探測且優先左轉的運動軌跡。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化很多，到達目標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，使用基于模糊神經網絡的多傳感器信息融合技術，可對智能輪椅避障行為的局部路徑進行優化，繞行更短的距離，能更快速到達目標點。

4 結束語

多傳感器數據融合技術來規劃移動機器人的路徑已經成為機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境;將采集到的信息進行預處理后作為模糊神經網絡的輸入，利用了基于Takagi-Sugeno(T-S)模型的模糊神經網絡方法來對采集的環境信息進行融合，網絡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網絡的優點，可以快速、準確地計算出障礙物的位置并完成路徑規劃。最終實驗也表明，輪椅的避障路徑得到優化，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.計算智能在移動機器人路徑規劃中的應用綜述 ［J］.智能系統學報，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.基于非線性函數的移動機器人模糊避障算法 ［J］.計算機應用研究，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器人避障和導航控制研究［D］.沈陽:沈陽理工大學，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.基于神經網絡的多傳感器信息融合技術在移動機器人中的應用［J］.長春工業大學學報，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.模糊神經網絡信息融合方法在機器人路徑規劃中的應用研究［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，等.多傳感器融合的視覺導航智能車避障仿真研究［J］.系統仿真學報，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，郭毓.基于CCD和聲納傳感器信息融合的移動機器人避障研究［D］.南京:南京理工大學，2007.］

［9］TIAN Yubo.Hybrid neural network technology［M］.Beijing:Science Press，2009:194-206(in Chinese).［田雨波.混合神經網絡技術［M］.北京:科學出版社，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.智能預測控制及其MATLAB實現［M］.北京:電子工業出版社，2010:230-235.］