基于模糊神經(jīng)網(wǎng)絡(luò)的AUV航跡規(guī)劃?

劉洲洲

（西安航空學(xué)院，西安710077）

基于模糊神經(jīng)網(wǎng)絡(luò)的AUV航跡規(guī)劃?

劉洲洲

（西安航空學(xué)院，西安710077）

自主式水下機(jī)器人Autonomous Underwater Vehicles（AUV）是對(duì)深水環(huán)境進(jìn)行開(kāi)發(fā)和探測(cè)的重要工具。將模糊邏輯和人工神經(jīng)網(wǎng)絡(luò)相結(jié)合，形成模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)，并增加了神經(jīng)網(wǎng)絡(luò)辨識(shí)器，使其具有先進(jìn)的知識(shí)學(xué)習(xí)能力和并行數(shù)據(jù)處理能力，提高了AUV航跡規(guī)劃時(shí)的自適應(yīng)性，然后通過(guò)仿真實(shí)驗(yàn)證明了其優(yōu)越性。

航跡規(guī)劃；模糊邏輯；人工神經(jīng)網(wǎng)絡(luò)；模糊神經(jīng)網(wǎng)絡(luò)

1 引 言

自主式水下機(jī)器人AUV（Autonomous Underwater Vehicles）是對(duì)深水環(huán)境進(jìn)行開(kāi)發(fā)和探測(cè)的重要工具。如何對(duì)AUV進(jìn)行航跡規(guī)劃已經(jīng)成為學(xué)術(shù)界的研究熱點(diǎn)。

神經(jīng)網(wǎng)絡(luò)具有優(yōu)秀的自適應(yīng)學(xué)習(xí)和并行計(jì)算能力，模糊集則具有近似人的If-then模式的思維和推理規(guī)則。模糊集最早是由S.C，Lee和E.T.Lee于1974年引入神經(jīng)網(wǎng)絡(luò)的，YamaKawa于1993年提出了模糊神經(jīng)元的概念，并開(kāi)啟了研究模糊神經(jīng)網(wǎng)絡(luò)的時(shí)代［1］。

這里將模糊邏輯和人工神經(jīng)網(wǎng)絡(luò)相結(jié)合，形成模糊神經(jīng)網(wǎng)絡(luò)控制器（FNNC），增加了神經(jīng)網(wǎng)絡(luò)辨識(shí)器，使其具有先進(jìn)的知識(shí)學(xué)習(xí)能力和并行數(shù)據(jù)處理能力，提高了AUV航跡規(guī)劃時(shí)的自適應(yīng)性，并通過(guò)仿真實(shí)驗(yàn)證明了其優(yōu)越性。

2 模糊神經(jīng)網(wǎng)絡(luò)

神經(jīng)元的基本模型如圖1所示，為非線性的多輸入單輸出模塊［2］，可用式（1）表示。

圖1 神經(jīng)元的基本模型

2.1 模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

網(wǎng)絡(luò)采用多層前向網(wǎng)絡(luò)結(jié)構(gòu)，共有五層，如圖2所示。

圖2 模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

第一層：輸入層。作用是將輸入變量傳遞到下一層，這里共有6個(gè)輸入語(yǔ)言變量，即＝xi，且連接權(quán)是1。

第二層：模糊化層。作用是模糊量化所有輸入變量。這里用高斯函數(shù)作為徑向基數(shù)，即：

第三層：規(guī)則層。本層的節(jié)點(diǎn)均為規(guī)則節(jié)點(diǎn)，用于表示模糊邏輯規(guī)則。作用是各條規(guī)則的適應(yīng)度計(jì)算，各節(jié)點(diǎn)進(jìn)行如下操作：

本層的連接權(quán)設(shè)為1。

第四層：本層的網(wǎng)絡(luò)結(jié)構(gòu)用來(lái)定義各個(gè)規(guī)則節(jié)點(diǎn)，并對(duì)其結(jié)論進(jìn)行歸一化，即：

第五層：輸出層，輸出控制規(guī)則。

2.2 模糊神經(jīng)網(wǎng)絡(luò)辨識(shí)器設(shè)計(jì)

為了預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)的控制效果，引入了神經(jīng)網(wǎng)絡(luò)辨識(shí)器，以提高學(xué)習(xí)收斂速度和系統(tǒng)穩(wěn)定性［4］。當(dāng)模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)進(jìn)行辨識(shí)時(shí)，采用下式：

其中，u（k）和y（k）分別代表系統(tǒng)的輸入和輸出，f｛.｝是非線性函數(shù)。

為保證系統(tǒng)的穩(wěn)定性，采用串-并聯(lián)模型：

離線學(xué)習(xí)的信號(hào)集為：

其中，X（k）＝｛y（k），y（k－1），...，y（k－n＋1），u（k），u（k－1），...，u（k－m＋1）｝；u（k）為激勵(lì)信號(hào)；Rand（1）表示［－1，1］之間均勻分布的隨機(jī)數(shù)；A表示信號(hào)幅值。

2.3 學(xué)習(xí)方法

代價(jià)誤差為：

其中，ydi為期望輸出值，yi表示實(shí)際輸出值。

各層的節(jié)點(diǎn)函數(shù)計(jì)算如下［5］：

第一層：

第二層：

式中，i＝1，2，...，6；j＝1，2，...，mi

第三層：

第四層：

第五層：

參數(shù)調(diào)整的算法如下［6］：

3 基于模糊神經(jīng)網(wǎng)絡(luò)的AUV航跡規(guī)劃

3.1 環(huán)境信息的處理

實(shí)驗(yàn)中，AUV必須先探測(cè)障礙信息，本實(shí)驗(yàn)用5個(gè)聲納傳感器，各傳感器相鄰?qiáng)A角為30度。

圖3 傳感器分布圖

目標(biāo)點(diǎn)P（Xs，Ys），機(jī)器人位置（x，y）。則：

機(jī)器人與目標(biāo)點(diǎn)的相對(duì)角度為：

3.2 仿真實(shí)驗(yàn)

采用上述算法進(jìn)行仿真實(shí)驗(yàn)，設(shè)學(xué)習(xí)速率β1＝β2＝β3＝0.5，根據(jù)障礙物的密集程度不同，分別進(jìn)行實(shí)驗(yàn)，仿真結(jié)果如圖4-圖6所示。

圖4 環(huán)境1仿真圖

可以看出，AUV成功避開(kāi)了障礙物，順利到達(dá)目標(biāo)點(diǎn)，驗(yàn)證了算法的可行性和優(yōu)越性。

4 結(jié)束語(yǔ)

神經(jīng)網(wǎng)絡(luò)具有優(yōu)秀的自適應(yīng)學(xué)習(xí)和并行計(jì)算能力，模糊集則具有近似人的If-then模式的思維和推理規(guī)則。這里將兩者相結(jié)合，形成模糊神經(jīng)網(wǎng)絡(luò)控制器（FNNC），其具有先進(jìn)的知識(shí)學(xué)習(xí)能力和并行數(shù)據(jù)處理能力，提高了AUV航跡規(guī)劃時(shí)的自適應(yīng)性。并通過(guò)仿真實(shí)驗(yàn)證明了其優(yōu)越性。

圖5 環(huán)境2仿真圖

圖6 環(huán)境3仿真圖

［1］ 張福斌.水下航行器導(dǎo)航系統(tǒng)設(shè)計(jì)及誤差分析［D］.西安：西北工業(yè)大學(xué)，2002.

［2］ Hagen，Anonsen，ManetM.The HUGIN real-time terrain navigation system［C］.Oceans 2010.Kjeller，Norway 2010：1-7.

［3］ 王越，曹長(zhǎng)修.BP網(wǎng)絡(luò)局部極小值產(chǎn)生的原因分析及避免方法［J］.計(jì)算機(jī)工程，2002，28（6）：35-37.

［4］ Chin Tengline，C.S.Geroge Lee.Neural network based fuzzy logical control and decision system［J］.IEEE Trans.On Computer，1991，40（12）：1320-1326.

［5］ Du Toit，Burdick JW.Robotmotion planning in dynamic uncertain environments［J］.IEEE Transactions on Robotics，2012：101-115.

［6］ Pepijin W J，Daniel Toal，Neural networkcontrol of underwater vehicles［J］.Engineering Application of Artificial Intelligence，2005（18）：533-547.

AUV Path Planning Based on Fuzzy Neural Network

Liu Zhouzhou
（Xi’an Aeronautical University，Xi’an 710077，China）

Autonomous Underwater Vehicles（AUV）is a kind of economical vehicle for detecting and exploring the underwater resource.Combined the fuzzy logic with artificial neural network，the fuzzy neural network system is formed and the neural network identifier is added.The system has the advanced capabilities of learning and processing for the parallel data.Italso improves the adaptability of AUV track planning and the simulation test proves its superiority.

Path Planning；Fuzzy Logic；Artificial Neural Network；Fuzzy Neural Network（FNN）

10.3969/j.issn.1002-2279.2015.03.013

TP24

A

1002-2279（2015）03-0043-03

國(guó)家自然科學(xué)基金資助項(xiàng)目（61103242）

劉洲洲（1981-），男，山西運(yùn)城人，博士研究生，講師，主研方向：傳感器網(wǎng)絡(luò)，系統(tǒng)仿真。

2014-08-11