基于模糊控制的移動機器人避障研究*

楊小菊， 張 偉， 高宏偉， 米海山

(1.中國科學院 沈陽自動化研究所 機器人學國家重點實驗室，遼寧 沈陽 110016；2. 沈陽理工大學 自動化與電氣工程學院，遼寧 沈陽 110168)

基于模糊控制的移動機器人避障研究*

楊小菊1,2， 張 偉1， 高宏偉2， 米海山2

(1.中國科學院 沈陽自動化研究所 機器人學國家重點實驗室，遼寧 沈陽 110016；2. 沈陽理工大學 自動化與電氣工程學院，遼寧 沈陽 110168)

針對移動機器人在未知環(huán)境中的不確定性，利用Matlab構建了多傳感器仿真試驗移動平臺，在Simulink中搭建移動機器人運動學模型，利用多傳感器采集環(huán)境中的障礙物信息與目標物的方位角，設計了具有避障功能的模糊控制算法。通過模糊控制器控制移動機器人的左右輪速度實現機器人的轉彎以及直走，根據機器人實時的角度反饋信息不斷修正機器人的位姿以精確避障。仿真實驗驗證了該方法的可行性及有效性。

移動機器人； 多傳感器； 模糊控制； 避障

0 引 言

移動機器人通過傳感器感知環(huán)境和自身狀態(tài)，對復雜環(huán)境進行自主分析、判斷和決策，實現面向目標的自主運動，從而完成一定作業(yè)功能的機器人系統(tǒng)[1]。傳感器采集的信息是移動機器人感知的唯一來源，也是機器人理解環(huán)境從而執(zhí)行決策的依據。然而，環(huán)境信息往往是未知的。傳統(tǒng)的系統(tǒng)是靠單一傳感器完成信號采集，即使使用多種(多個)傳感器也只能提供局部的孤立信息。多傳感器的出現使機器人從多層面，多角度、多方位充分理解環(huán)境信息，為機器人實時做出準確的判斷和決策提供了有力的技術支撐。多傳感器信息融合充分利用傳感器信息的冗余、互補性以提高機器人的感知能力與智能水平。

移動機器人最基本的智能行為就是避障[2]，是機器人進行決策規(guī)劃和運動控制等高級智能行為的基礎，是在復雜環(huán)境或者未知環(huán)境中的完成各種任務的重要保障。因此，研究實時準確避障也是當前移動機器人技術的難點與熱點。國內外多傳感器信息融合的避障常用方法包括Bug算法[3]、人工勢場法[4]、矢量直方圖法[5]、遺傳算法[6]、模糊控制法[7]等。Bugz算法中沒有考慮機器人的動力學。人工勢場法結構簡單，便于低層的實時控制，但是存在局部最優(yōu)解的問題，因而可能使機器人在到達目標點之前就停留在局部最優(yōu)點，即死鎖現象。遺傳算法運算速度不快，進化要占據較大的運算時間和存儲空間。車體移動時，周圍的環(huán)境動態(tài)變化，移動機器人作為時變的非線性復雜系統(tǒng)，很難建立精確的數學模型，采用模糊控制方法能夠很好地解決這類問題[8]。

本文將模糊控制算法應用于移動機器人避障中，以模糊控制器控制機器人的速度，通過Matlab仿真驗證了此方法的有效性。

1 移動機器人的系統(tǒng)結構與運動學模型

1.1 移動機器人的系統(tǒng)結構

移動機器人采用差速轉向式，利用兩后輪的差速驅動實現軌跡的控制和姿態(tài)的調節(jié)，系統(tǒng)結構如圖1所示，移動機器人的控制結構分為三層結構[9,10]：上層為傳感器層(超聲波、紅外與電子羅盤)，完成環(huán)境信息的采集；中間為決策控制層，實現機器人系統(tǒng)的運動控制決策；下層為運動執(zhí)行層，由驅動單元組成，完成機器人的轉彎和直走等操作。

圖1 移動機器人的系統(tǒng)結構圖

針對機器人在復雜環(huán)境中執(zhí)行避障任務，在移動機器人本體的左、前、右三個方向分別安裝兩超聲波傳感器獲取未知環(huán)境的障礙物距離信息，紅外傳感器來彌補超聲波測距的缺陷，用于緊急避障，電子羅盤實時獲取機器人與目標物的方位角。傳感器的整體布局如圖2所示，1～6數字表示機器人本體上的6個超聲波編號，1#與2#超聲波組成機器人左方障礙物的測距組，3#與4#為前方的測距組，5#與6#組成右方的測距組。

圖2 傳感器的布局系統(tǒng)圖

1.2 移動機器人的運動學模型

由移動機器人的運動學模型[11]可知，移動機器人在任意時刻都是繞車體轉動。假設移動機器人只作純滾動而不滑動。圖3為移動機器人的運動模型，其中XOY為移動機器人的全局坐標系。

圖3 移動機器人的運動模型

移動機器人位姿可以表示為

P=(x,y,θ)T

(1)

式中x，y為機器人在XOY平面的位置坐標，θ為移動機器人的轉向角，即移動機器人的航向與全局坐標系X軸之間的夾角。移動機器人所受的純滾動和無滑動約束條件可以表示為

(2)

運動學模型

(3)

式中 v為移動機器人質心的線速度，ω為其角速度，L是兩輪中心之間的距離。vL，vR分別為移動機器人左、右輪線速度,則

(4)

由公式分析可知:當vL=vR時,ω為零,機器人做直線運動;當vL>vR時機器人右轉彎;當vL0時,機器人在原地轉彎運動。移動機器人在k+1時刻的位姿可表示為

(5)

式中 x(k),y(k)與v(k)為k時刻的坐標與速度。

2 模糊控制器的設計

2.1 移動機器人避障控制模型

在未知環(huán)境中，障礙物大多分布雜亂無章。機器人很難快速充分地理解環(huán)境信息。因此需要對機器人周圍的障礙物進行分類處理，以加快機器人做出避障決策。障礙物的環(huán)境分類如圖4所示，其中小球表示障礙物，機器人周圍的虛線表示傳感器測距范圍。

圖4 障礙物的環(huán)境分類

根據障礙物的分布，可以將機器人與障礙物的相對位置信息分為圖4所示8種情況。若左方傳感器采集的距離信息在設定測距范圍，而其他方向的傳感器采集數值在測距范圍外，則認為機器人左方有障礙物，機器人就向右轉一個角度。若前方與側面的測量距離都在避障范圍內，就要綜合考慮各個傳感器的信息做出更合理的避障決策。

移動機器人避障的決策取決于障礙物的分布，在Matlab仿真環(huán)境中，需要模擬機器人的傳感器分布，因此，將機器人前方視線范圍劃分為左、前與右方三個區(qū)域，以判斷障礙物的具體位置。圖5為目標方向分區(qū)圖。

圖5 目標方向

為了使移動機器人靈活、精確避障，順利到達目標位置。首先將超聲波與紅外傳感器采集的信息進行分組預處理，距離信息和電子羅盤獲取的目標角度信息送入模糊控制器，模糊算法融合出環(huán)境障礙物;然后根據控制規(guī)則發(fā)出執(zhí)行命令，由運動執(zhí)行層實現機器人的位置調整;最后將機器人的角度實時反饋給控制器以精確地完成避障動作。移動機器人避障控制結構如圖6所示。

圖6 移動機器人避障的模糊控制結構

2.2 模糊控制器的設計

此前，許多學者已對模糊控制進行深入研究，將多傳感器采集的信息直接作為模糊控制器的輸入，隨著傳感器維數的增加，分割數越多，控制規(guī)則就成倍增加，從而影響機器人的實時性。因此對傳感器信息分組處理，提取最有效的特征作為模糊控制的輸入。

模糊控制器設計為多輸入/多輸出系統(tǒng)(4輸入/2輸出)，將移動機器人前方180°范圍的左方、前方和右方的超聲波和紅外傳感器采集的障礙物距離(LD,FD,RD)以及電子羅盤獲取的目標方位角(angle)作為模糊控制器的輸入，移動機器人的左右輪速度(left_V,right_V)作為控制器的輸出。為了減少系統(tǒng)過多的輸入而增加復雜性，取LD為機器人左方測量的障礙物最近距離，即LD=min(1，2)。同理FD為前方的障礙物最近距離，FD=min(3，4)，RD=min(5，6)。

由于模糊分割數與模糊控制規(guī)則緊密相關，模糊分割數太多或太少都將影響機器人的避障性能。考慮到實驗環(huán)境和超聲波測距性能，將輸入變量LD,FD,RD的模糊語言變量定義為{“近”，“中”，“遠”}={“N”，“M”，“F”}，障礙物論域[0～4.5]m。前、左、右任意方向的超聲波出現測量盲區(qū)時，障礙物的距離以該方向的紅外傳感器信息作為輸入。Angle的模糊語言變量為{“左”，“前”，“右”}={“Z”,“Q”,“Y”}，論域為[0，180°]。輸出變量left_V與right_V的值為{-200,-100,0,100,200}={“NB”，“NS”，“Z”，“ZS”，“ZB”}。由于高斯型隸屬度函數曲線較為平滑，使系統(tǒng)有較好的準確性和簡潔性，所以本文的隸屬度函數采用高斯型。圖7(a)為左方LD距離的隸屬度函數曲線。同理前方和右方有同樣的隸屬度曲線。目標角度的隸屬度函數曲線和左右輪速度隸屬度曲線如圖7(b)和(c)所示。

圖7 障礙物距離、目標角度和速度隸屬度

為了形象直觀地觀察控制效果，可以查看模糊控制規(guī)則的三維觀測圖，如8所示，其中(a)為輸入前方距離RD與左方距離LD，輸出left_V的曲面圖，圖(b)為輸入LD與Angle，輸出right_V的曲面圖。

圖8 模糊控制的三維觀測圖

本文的模糊推理采用Mamdani的max-min合成法，反模糊化采用面積中心法[12]。模糊規(guī)則是模糊控制的核心，采用IF-THEN條件語言，組成N=3×3×3×5=135條模糊控制規(guī)則。以機器人的右側具有障礙物為例，即圖4的第4類障礙物分布所示，可以建立如下6條模糊控制規(guī)則：1)IF RD=N AND Angle=Z THEN left_V=NB AND right_V=PB;2)IF RD=N AND Angle=Q THEN left_V=PB AND right_V=PB;3)IF RD=N AND Angle=Y THEN left_V=PB AND right_V=NB;4)IF RD=M AND Angle=Z THEN left_V=Z AND right_V=PB;5)IF RD=M AND Angle=Q THEN left_V=PB AND right_V=PB;6)IF RD=M AND Angle=Y THEN left_V=PS AND right_V=PS;

3 移動機器人避障實驗

首先在Matlab的m文件中設定機器人的起始位置、目標位置和隨機分布的障礙物。先計算機器人與目標物的角度Angle，在設定測距范圍內，計算障礙物與機器人的角度并逐一與目標角度比較，當障礙物角度大于Angle時，則認為障礙物在機器人的左方，等于Angle則可以確定障礙物在機器人的前方，小于Angle就認為障礙物在機器人的右方。然后分別在左方、前方與右方區(qū)域計算離機器人最近的距離作為左、前和右方的障礙距離。鑒于Simulink具有直觀、方便高效等特點，利用Simulink的模塊搭建移動機器人運動模型并建立模糊控制器。將m文件中實時計算的障礙物距離和機器人與目標物體的角度信息送入Simulink的模糊控制器，控制器輸出機器人的左右輪速度，基于機器人的運動學原理轉換成當前的位置坐標。即用sim函數將m文件與Simulink建立連接，并配置好仿真時間，使m文件與Simulink實時通信。Simulink的運動學模型圖9所示。

圖9 Simulink的運動學模型

經過多次仿真，不斷調整各個模塊的參數，最后將仿真數據整理并執(zhí)行畫圖功能，得到移動機器人的避障仿真結果如圖10所示。

圖10 機器人避障仿真結果

4 結 論

本文基于模糊控制算法實現移動機器人的避障任務，仿真實驗結果表明，模糊控制算法解決非線性系統(tǒng)的優(yōu)勢。在簡單的環(huán)境中，移動機器人可以靈活、準確避開障礙物，到達目標點，滿足機器人避障需求。但是，在障礙物形狀不規(guī)則且分布復雜時，機器人容易靠近障礙物，造成避障失敗。因此，還需進一步改進避障算法，下一步將考慮將多種算法集成[13]使用并在移動平臺上進行實物驗證，比如將神經網絡與模糊控制結合，充分利用各自的優(yōu)點，使機器人做出更靈活、更優(yōu)越的規(guī)劃。

[1] 倪小雷,卜佳俊.自主移動機器人混合式體系結構的設計與實現[J].計算機測量與控制,2006,14(11):1526-1528.

[2] Mahler R.Random sets:Unification and computation for information fusion—A retrospective assessment[C]∥The 7th International Conference on Information Fusion,Stockholm,Sweden:Swedish Defence Research Agency,2004:1-20.

[3] Lumelsky V,Skewis T.Incorporating range sensing in the robot navigation function[J].IEEE Transactions on Systems,Man,and Cybernetics,1990,20(5):1058-1068.

[4] Koren Y,Borenstein J.Potential field methods and their inherent limitations for mobile robot navigation[C]∥IEEE Conference on Robotics and Automation, California,1991:1398-1404.

[5] Borenstein J,Koren Y.The vector field histogram-fast obstacle avoidance for mobile robots[J].IEEE Transactions on Robotics and Automation,1991(7):278-288.

[6] 孫樹棟，林 茂.基于遺傳算法的多移動機器人協(xié)調路徑規(guī)劃[J].自動化學報,2000,26(5):672-676.

[7] Malhotra R,Sarkar A.Development of a fuzzy logic based mobile robot for dynamic obstacle avoidance and goal acquisition in an unstructured environment[C]∥Proceedings of the 2005 IEEE/ASME International Conference on Advanced Intelligent Mechatronics Monterey,California,USA,2005:1198-1203.

[8] 趙曉光,戴 炬,趙經綸.ROV模糊控制導航方法[J].信息與控制,2002(1):55-58.

[9] Araujo R,Almeida A T D.Learning sensor-based navigation of a real mobile robot in unknown worlds[J].IEEE Transactions on Systems Man and Cybernetics,Part B:Cybernetics A Publication of the IEEE Systems Man and Cybernetics Society,1999,29(2):164-178.

[10] 師 黎,陳鐵軍,李曉媛,等.智能控制理論及應用[M].北京:清華大學出版社,2009:34-67.

[11] 席愛民.模糊控制技術[M].西安:西安電子科技大學出版社,2008.

[12] 黃漫國,樊尚春,鄭德智,等.多傳感器數據融合技術研究進展[J].傳感器與微系統(tǒng),2010,29(3):5-8.

Study on obstacle avoidance of mobile robot based on fuzzy control*

YANG Xiao-ju1,2, ZHANG Wei1, GAO Hong-wei2, MI Hai-shan2

(1.State Key Laboratory of Robotics,Shenyang Institute of Automation,Chinese Academy of Sciences,Shenyang 110016,China; 2.College of Automation and Electrical Engineering,Shenyang Ligong University,Shenyang 110168,China)

Aimed at uncertainty of mobile robot in unknown environment,multi-sensor simulation test mobile platform is constructed with Matlab and the kinematics model for mobile robot is built in Simulink.The obstacle information of environment and azimuth angle of target object are collected by multi-sensor and the fuzzy control algorithm which has the function of obstacle avoidance is designed.Fuzzy controller controls wheel speed of mobile robot to turn around and go straight,according to the angle of real-time feedback information to modify the pose of the robot and then avoid obstacles precisely.The results of simulation experiment verify feasibility and effectiveness of this method.

mobile robot; multi-sensor; fuzzy control; obstacle avoidance

10.13873/J.1000—9787(2017)03—0051—04

2016—04—21

國家自然科學基金青年科學基金資助項目(51505470)

TP 273.4

A

1000—9787(2017)03—0051—04

楊小菊(1989-)，女，碩士研究生，主要研究方向為移動機器人的多傳感器信息融合方法。

張 偉(1979-)，通訊作者，博士，副研究員，從事故障診斷、機器人等方面的研究工作，E-mail：zhangwei@sia.cn。