基于混合算法的仿生機器魚路徑規劃

汪科

摘要：針對人工勢場法在仿生機器魚路徑規劃應用中障礙物目標附近不可達問題（GNRON），采用人工勢場與模糊邏輯相結合的算法，預設一個模糊控制器，在機器魚陷入陷阱區域時，切換至以之匹配的模糊控制算法，使機器魚快速擺脫陷阱區域，向目標點移動。通過實驗，實現了機器魚在全局環境下的避障，證明了該方法的有效性。

Abstract： Aiming at the problem of GNRON in the application of artificial potential field in robot fish path planning， a fuzzy controller is proposed by combining the artificial potential field and fuzzy logic. When the robot fish falls into the trap area， switch to the matching fuzzy control algorithm， so that the robot fish can quickly get rid of the trap area and move to the target point. Through the experiment， the obstacle avoidance of the robot fish in the global environment is realized， which proves the effectiveness of the method.

關鍵詞：人工勢場法；模糊邏輯；仿生機器魚；避障

Key words： artificial potential field method；fuzzy logic；robot fish；obstacle avoidance

中圖分類號：TP242 文獻標識碼：A 文章編號：1006-4311（2017）10-0087-02

0 引言

當前，隨著各類機器人技術的不斷發展和廣泛應用，機器人技術引起了越來越多的高校與研究機構的重視。水下仿生機器魚由于兼具靈活性和使用性，引起了國內外多數學者的重視。但是由于水下運動環境的復雜性以及水流條件的不可預知性導致出現機器魚研究的瓶頸。

由于人工市場法具有實時性強、算法簡潔且便于數學描述等優點，因此在陸地機器人路徑規劃中占據主導地位。但傳統的人工勢場法仍然存在有局部最小值、遇障礙物易導致系統不穩定、動態環境下易產生震蕩等各類缺陷。不少學者針對人工勢場法存在的缺陷，進行了大量的研究工作，主要從三個方面著手[1]：一是在原有勢場函數中補充一些其它新的影響因素，如速度、角度等[2]；二是通過構造其它形式的場，設計新的勢場函數[3，4]；三是通過將多種智能算法與搜索算法相結合[5，6]。綜合來說，實際當中障礙分布存在有不確定性，與其為了避免局部極小值發生做大量的計算，不如在發生局部極小值時，做出適當處理。

本文首先以人工勢場法作為機器魚路徑規劃的基礎，然后根據機器魚、目標點及障礙物三者之間的實時位置關系設計了一個模糊控制器，及時引導機器魚避開障礙物到達目標區域。最后通過實驗表明，仿生機器魚能夠成功避開障礙物，以迅速、快捷、平滑的路徑到達目標區域。

1 人工勢場法的基本原理

人工勢場法的本質思想是將現場環境假象成一個勢力場U，U由兩部分組成：一個是斥力場Urep，驅動機器人遠離障礙物；另一個是引力場Uatt， 驅動機器人靠近目標點，機器人在其中運動受到斥力場Urep， 與引力場Uatt，的合力控制。

機器魚從起點開始在合力作用下沿著既定路徑朝目標點進發，此合力在全局范圍內為機器魚導航。

2 人工勢場法的缺陷及改進

傳統的人工勢場法雖然算法簡潔，物理意義明確，但是實際應用的時候有其局限性。主要表現為當移動機器人向目標點逼近時，隨著引力減小而斥力增大，此時可能會出現合成勢場最小值不趨向目標點或者在目標點和障礙物前抖動甚至無法前行等情況。

基于模糊邏輯的路徑規劃算法的主要優點在于能夠在難以建立障礙物位置信息精確數學模型來描述的情況下進行局部路徑規劃。但如果完全采用模糊邏輯進行路徑規劃，不僅所需計算量較大，在路徑出現突變時，會妨礙對智能體的控制。因此將模糊邏輯和人工勢場兩種規劃算法進行組合，充分發揮人工勢場算法簡單、控制精確以及模糊邏輯法適應環境能力強的特點。

3 模糊控制器的設計

將機器魚與障礙物之間的距離d及障礙物相對于機器魚與目標方向之間的夾角θ作為模糊控制器的二維輸入。首先，將輸入變量d以VS，S，M，B，VB五種語言變量進行模糊化，θ（φ）的語言變量定義為NVB，NRB，NB，NM，NS，NRS，NVS，Z，PVS，PRS，PS，PM，PB，PRB，PVB。以全局為坐標，當目標點位于障礙物右 （左）側時，夾角θ為正 （負），機器魚則右 （左）轉為正（負）。輸入變量d的模糊分割圖形如圖1所示。

研究對象機器魚的運動形式主要以直行，左轉彎和右轉彎為主。因此，定義左轉和右轉為七種模糊語言變量。同時，θ、φ選取相同的梯形隸屬函數。其隸屬度函數分布見圖2。

為了保證機器魚能夠有效避障可以設定：當目標點位于障礙物的右 （左）側時，則機器魚向右 （左）轉，轉角大小由障礙物大小及障礙物與機器魚的間距決定。若障礙物位于機器魚正前方時，默認機器魚右轉。

根據實驗經驗，歸納模糊控制規則[8]得表1。

4 實驗及分析

在微小型機器魚實驗臺上對所述算法進行驗證，假想將機器魚理想化為一條直線，忽略在實際避障過程中的一些誤差，總體效果令人滿意，能順利避開障礙物，到達指定位置。

如圖3（a），（b）所示，實驗環境為一水池長2000mm， 寬1200mm。圖中黑色球型為目標點區域，灰色圓柱為障礙物。通過兩次實驗取得了相同的結果。序列圖（a）中從上至下，機器魚所受合力指引它越過中間障礙物的上方，最終到達目標區域。序列圖（b）中，機器魚從中間障礙物的下方繞過障礙物到達目標區域。實驗結果表明，基于混合算法的仿生機器魚控制效果良好，機器魚能夠以最佳途徑到達目標區域。

5 結束語

本設計首先采用傳統人工勢場法，對一類仿生機器魚的行進路徑進行初步規劃，針對人工勢場法的局限性，即障礙物目標附近不可達問題（GNRON），設計了二維模糊控制器，在機器魚陷入陷阱區域時，使用模糊控制算法為機器魚導航。最后設置一個避障實驗，驗證了該算法的有效性，且路徑平滑。

參考文獻：

[1]張捍東，王麗華，岑豫皖.基于勢場的移動機器人自主導航研究綜述[J].自動化與儀表，2007（4）：8-12.

[2]覃柯，孫茂相，孫昌志.動態環境下基于改進人工勢場法的機器人運動規劃[J].沈陽工業大學學報，2004，26（5）：568-571.

[3]Ge S S， Cui Y J. New potential functions for mobile robot path planning[J]. IEEE Transactions on Robotics and Automation， 2010， 16（5）： 615-620.

[4]Prahlad Vadakkepat， Kay Chen Tan， Wang Ming-Liang. Evolutionary artificial potential fields and their application in real time robot path[C]//Proceedings of the 2000 Congress on Evolutionary Computation. 2010： 256-263.

[5]A.K. Kulatunga， D.K. Liu， G. Dissanayake， and S.B. Siyambalapitiya. Ant colony optimization based simultaneous task allocation and path planning of autonomous vehicles[C]. IEEE Conference on Cybernetics and Intelligent System， volume 1， pages 1-6， 2015.

[6]Jean Bosco，Xinhan and Min.Fuzzy motion planning among dynamic obstacles using artificial potential fields for robot manipulators[J]. Robotics and Autonomous Systems.July 2013， （32）： 6l-72.

[7]Khatib O. Real-time obstacle avoidance for manipulators and mobile roboots[J]. The International Journal of Robotics Research，2014， 5（1）： 90-98.