一種基于ANFIS模糊神經網絡的機器人路徑規劃方法與流程

本發明屬于機器人技術領域，特別是一種涉及移動機器人的路徑規劃，可用于各類移動機器人的自主導航。

背景技術：

路徑規劃問題是移動機器人導航的關鍵技術之一，主要任務是在有障礙物的環境中，按照一定的性能指標，尋找一條從起點到目標點之間一條最優或者接近最優的無碰撞路徑。根據機器人對環境信息感知程度的不同,路徑規劃分為兩種:環境信息完全知道的全局路徑規劃和環境信息完全未知或局部未知的局部路徑規劃。全局路徑規劃一般離線進行,常用的方法主要有可視圖法、柵格法、結構空間法、拓撲法、模擬退火法、遺傳算法和蟻群算法等智能算法。局部路徑規劃常用的方法有人工勢場法、模糊邏輯算法和神經網絡法等。神經網絡因容錯性強與具有自適應學習的特點，可以更好地在非結構化環境下進行感知信息的分析與融合，而模糊控制具有邏輯推理能力，對處理結構化知識更為有效.然而反應式導航缺乏對環境的全局認識，易使機器人陷入局部陷阱而無法到達終點。針對這一問題，目前提出的有效方法有行為融合、虛目標、沿輪廓跟蹤等方法，但行為融合方法需要計算各行為的權值，增加了系統復雜度；沿輪廓跟蹤方法受障礙物形狀、大小影響較大；虛目標在復雜環境下不易去除虛擬子目標及易產生冗余路徑。

技術實現要素：

發明目的：為了解決現有技術中反應式導航中復雜陷阱路徑往復和路徑冗余的問題，本發明提供一種基于anfis模糊神經網絡的機器人路徑規劃方法，該方法不僅能夠減少邏輯推理工作量，而且能夠擺脫機器人趨向目標運行中的陷阱狀態。

技術方案：為實現上述目的，本發明采用的技術方案為：

一種基于anfis模糊神經網絡的機器人路徑規劃方法，首先對移動機器人建立運動學模型；借助神經網絡的自主學習功能和模糊理論的模糊推理能力，提出一種模糊神經網絡的移動機器人導航的模糊神經網絡控制器；其基于自適應模糊神經網絡結構，構建takagi-sugeno型模糊推理系統并作為機器人局部反應控制的參考模型；將障礙物的距離和位置的相關信息作為模糊神經網絡控制器的兩個輸入，模糊神經網絡控制器實時輸出機器人偏移角度和運行速度，通過模糊神經網絡控制器在線調整移動機器人的偏移方向，使移動機器人能夠無碰撞自動調節速度趨向目標。

優選的：通過模糊神經網絡控制器輸出值表示機器人移動角度和速度，越靠近障礙物時輸出角度絕對值越大，速度絕對值越小；當前方沒有障礙物時，機器人沿預設定方向前進；當前方有一個障礙物時，機器人逐漸接近障礙物，在一定范圍內實時改變偏移角度和速度，使機器人緩慢繞離障礙物駛向目標；當前方有兩個及其以上障礙物時，移動機器人在行進過程中對虛擬目標進行實時調整，即機器人沿所識別的最后一個障礙物前進并避開除此之外所有障礙物，選擇一條遠離障礙的最優路徑趨向目標。

優選的：模糊神經網絡控制器利用lms算法和最小二乘法來完成輸入/輸出數據對的建模，使得takagi-sugeno型模糊推理系統能模擬出希望或實際的輸入/輸出關系。

優選的：模糊神經網絡控制器在學習時，根據系統實際輸出值與期望輸出值計算出學習誤差，再通過lms算法對系統的偏移角度和速度進行調整。

所述對移動機器人建立運動學模型的方法如下：

步驟101，移動機器人通過本體攜帶的測距傳感器測量障礙物的距離，其中，機器人當前坐標為(xr,yr)，目標點坐標為(xt,yt)，e是機器人當前位置(xr,yr)到目標點(xt,yt)的矢量，其模長和向量角表示為：

en為機器人在目標距離勢場中的勢能，當前機器人與目標點的夾角，根據機器人當前位置不斷修正，始終指向目標位置，下標n表示具體時刻；

步驟102，速度模型，移動機器人在導航任務中的速度由機器人與周圍障礙物之間距離決定，當無障礙物阻擋時，機器人全速前進，當遇到障礙物時減速行駛，遵循以下公式：

其中，v為機器人移動速度，d1為機器人距障礙物距離，d2為緊急停止距離，β為速度比例系數，maxv為設定的機器人最大行駛速度；

步驟103，偏移規則，在反應式導航中，移動機器人根據傳感器信息進行局部路徑規劃，一般分為趨向目標行為與避障行為，若周圍沒有障礙物，機器人朝目標點以角度前進，前方有障礙物時，則需人為加入一個偏移噪聲δ，機器人需無碰撞趨向目標，由此建立如下等式：

φn為移動機器人預瞄準方向，φn為n時刻角度，δn為n時刻偏移噪聲；k為比例系數加入的偏移噪聲大小，其值由模糊神經網絡控制器根據機器人當前所處的環境確定，當時，器人朝向目標位置前進；當時，移動機器人將按照加入偏移角度后的目標方向前進。

本發明相比現有技術，具有以下有益效果：

1.將神經網絡與模糊控制的優點相結合，融合神經網絡的自學習能力與模糊控制的模糊推理能力，減少邏輯推理工作量。

2.改進型虛目標方法，采用簡單的虛擬目標方法，擺脫機器人趨向目標運行中的陷阱狀態。

附圖說明

圖1為本發明的流程示意圖；

圖2為anfis結構示意圖。

具體實施方式

下面結合附圖和具體實施例，進一步闡明本發明，應理解這些實例僅用于說明本發明而不用于限制本發明的范圍，在閱讀了本發明之后，本領域技術人員對本發明的各種等價形式的修改均落于本申請所附權利要求所限定的范圍。

一種基于anfis模糊神經網絡的機器人路徑規劃方法，首先對移動機器人建立運動學模型；借助神經網絡的自主學習功能和模糊理論的模糊推理能力，提出一種模糊神經網絡的移動機器人導航的模糊神經網絡控制器；其基于自適應模糊神經網絡結構，構建takagi-sugeno型模糊推理系統并作為機器人局部反應控制的參考模型；將障礙物的距離和位置的相關信息作為模糊神經網絡控制器的兩個輸入，模糊神經網絡控制器實時輸出機器人偏移角度和運行速度，通過模糊神經網絡控制器在線調整移動機器人的偏移方向，使移動機器人能夠無碰撞自動調整速度趨向目標。

通過模糊神經網絡控制器輸出值表示機器人移動角度和運行速度，越靠近障礙物時輸出角度絕對值越大，速度絕對值越小；當前方沒有障礙物時，機器人沿預設定方向前進；當前方有一個障礙物時，機器人逐漸接近障礙物，在一定范圍內實時改變偏移角度和速度，使機器人緩慢繞離障礙物駛向目標；當前方有兩個及其以上障礙物時，移動機器人在行進過程中對虛擬目標進行實時調整，即機器人沿所識別的最后一個障礙物前進并避開除此之外所有障礙物，選擇一條遠離障礙的最優路徑趨向目標。

模糊神經網絡控制器利用lms算法和最小二乘法來完成輸入/輸出數據對的建模，使得takagi-sugeno型模糊推理系統能模擬出希望或實際的輸入/輸出關系。模糊神經網絡控制器在學習時，根據系統實際輸出值與期望輸出值計算出學習誤差，再通過lms算法對系統的偏移角度和運行速度進行調整。

針對位置環境下移動機器人導航實際問題，構建神經網絡控制器，將障礙物的距離和位置的相關信息作為控制器的兩個輸入，機器人偏移角度和運行速度作為輸出，實現了局部路徑規劃，并結合虛擬子目標的方法，能夠增強系統解決傳統反應導航問題中陷阱狀態下的路徑復雜和路徑冗余問題。解決了傳統反應導航問題中路徑復雜和路徑冗余問題，規劃處一條逃離陷阱狀態無碰撞趨向目標的最優路徑。

1.通過機器人周圍的傳感器測量障礙物距離，并對機器人的位置，速度進行建模并建立避障規則。

(1)移動機器人通過本體攜帶的測距傳感器測量障礙物的距離。機器人當前坐標為(xr,yr),目標點坐標為(xt,yt)，e是機器人當前位置(xr,yr)到目標點(xt,yt)的矢量，其模長和向量角表示為

en為機器人在目標距離勢場中的勢能；當前機器人與目標點的夾角，根據機器人當前位置不斷修正，始終指向目標位置；下標n表示具體時刻。

(2)速度模型

移動機器人在導航任務中的速度由機器人與周圍障礙物之間距離決定。當無障礙物阻擋時，機器人全速前進，當遇到障礙物時減速行駛。遵循以下公式：

v為機器人移動速度；d1為機器人距障礙物距離；d2為緊急停止距離；β速度比例系數；maxv為設定的機器人最大行駛速度。

(3)偏移規則

在反應式導航中，移動機器人根據傳感器信息進行局部路徑規劃。一般分為趨向目標行為與避障行為。若圍沒有障礙物，器人朝目標點以角度前進，前方有障礙物時，則需人為加入一個偏移噪聲δ，機器人需無碰撞趨向目標，由此建立如下等式

為移動機器人預瞄準方向；k為比例系數加入的偏移噪聲大小，其值由模糊神經網絡控制器根據機器人當前所處的環境確定.當時，器人朝向目標位置前進；當時，移動機器人將按照加入偏移角度后的目標方向前進。

2.基于自適應模糊神經網絡anfis網絡，構建takagi-sugeno型模糊推理系統，提出神經網絡控制器。

將障礙物的距離和位置的相關信息作為控制器的兩個輸入，機器人偏移角度和運行速度作為輸出。模糊神經網絡系統利用lms算法和最小二乘法來完成輸入/輸出數據對的建模，使得takagi-sugeno型模糊推理系統能模擬出希望或實際的輸入/輸出關系。模糊神經系統在學習時，根據系統實際輸出值與期望輸出值可以計算出學習誤差，再通過lms算法對系統的偏移角度和運行速度進行調整。

利用神經網絡引入學習機制，為模糊控制器自動提取模糊規則及模糊隸屬函數，使整個系統成為模糊神經網絡系統。其樣本數據是基于實際訓練的數據，采用的自適應模糊神經網絡的anfis網絡，構建takagi-sugeno型模糊推理系統。

典型anfis結構，如圖2所示，其中，x1,x2是系統的輸入，y是推理系統的輸入，均可提供據對；網絡同一層的每個節點具有相似的功能，用o1+i表示第一層第i個節點的輸出，依此類推。

第一層：本層節點將輸入信號模糊化

o1+i＝μai(xi),i＝1,2(5)

oi+j＝μbj-2(x2),j＝3,4(6)

其中，ai或bj-2。是模糊集，如“多”，“少”等；μai(xi)是模糊集的隸屬函數。

第二層：本層節點用于計算各條規則的適用度wi，即：將各輸人信號的隸屬度相乘，并將乘積作為本規則適用度。

o2+i＝wi＝μai(x1)μbi(x2),i＝1,2(7)

第三層：本層節點進行各條規則適用度的歸一化計算，即：計算第i條規則的與全部規則適用

o3,i＝w1'＝wi/(w1+w2),i＝1,2(8)

第四層：本層節點用于計算各條規則的輸出

ok,i＝wi'fi＝wi'(pixi+qix2+ri),i＝1,2(9)

其中，為sugeno型模糊系統的后項(結論)輸出函數，當其為線性函數則稱為“一階系統”；若為常量則稱為“0階系統”。

第五層：本層為單節點，用于計算系統的總輸出

本系統常采用的是誤差反傳算法或是與最小二乘相結合的混合算法來訓練相關參數，使得系統能夠很好地模擬給定的樣本數據。自適應神經模糊推理系統最大的特點就是，該系統是基于數據的建模方法。

模糊神經網絡系統利用lms算法和最小二乘法來完成輸入/輸出數據對的建模。使得生成出來的takagi-sugeno型模糊推理系統能模擬出希望或是實際的輸入/輸出關系。模糊神經系統在學習時，根據系統實際輸出值與期望輸出值可以計算出學習誤差，再通過lms算法對系統參數進行調整。

3.采用虛擬目標方法進行路徑規劃

采用改進虛擬目標方法，選擇機器人能夠逃離陷阱狀態的最優路徑，通過自適應模糊神經網絡控制器實時輸出偏移角度和運行速度，在線調整移動機器人的前進方向，使移動機器人能夠無碰撞自動調整速度趨向目標。

通過模糊神經網絡系統輸出值表示機器人移動角度和運行速度，越靠近障礙物時輸出角度絕對值越大，速度絕對值越小。當前方沒有障礙物時，機器人沿預設定方向前進；當前方有一個障礙物時，機器人逐漸接近障礙物，在一定范圍內實時改變偏移角度和速度，使機器人緩慢繞離障礙物駛向目標；當前方有兩個及其以上障礙物時，為避免所提出的虛擬目標中路徑冗余的復雜問題(陷入陷阱狀態)，移動機器人在行進過程中需要對虛擬目標進行實時調整，即機器人沿所識別的最后一個障礙物前進并避開除此之外所有障礙物，選擇一條遠離障礙的最優路徑趨向目標，最終完成對目標點的導航。

以上所述僅是本發明的優選實施方式，應當指出：對于本技術領域的普通技術人員來說，在不脫離本發明原理的前提下，還可以做出若干改進和潤飾，這些改進和潤飾也應視為本發明的保護范圍。