摘要：模糊技術具有人類智能的模糊性和推理能力，在路徑規(guī)劃中，模糊推理的應用主要體現(xiàn)在基于行為的導航方式上，機器人的最終操作由高層控制機構對基本行為進行平衡后作出綜合反應。模糊控制方法將信息獲取和模糊推理過程有機結合，同時計算量小，構成方法較為簡單，節(jié)省系統(tǒng)資源，實時性。本文探討了模糊控制技術在避障路徑規(guī)劃中的應用，并對其進行了仿真設計?；贛ATLAB的仿真結果表明模糊邏輯推理方法在智能小車的導航控制中具有良好的效果。

1、前言

環(huán)境中存在障礙物時，路徑規(guī)劃控制系統(tǒng)具有高度不確定性，是一個多輸入多輸出(MIMO)系統(tǒng)。對于這種具有高度不確定性的MIMO系統(tǒng)，傳統(tǒng)的控制方法不能達到很好的控制效果。模糊推理控制方法將人類的駕駛經(jīng)驗融入系統(tǒng)控制之中，因此可以較好地滿足系統(tǒng)自適應性、魯棒性和實時性的要求。模糊控制方式借助模糊數(shù)學這一工具通過推理來實現(xiàn)控制。模糊邏輯模擬了人類思維的模糊性，它采用與人類語言相近的語言變量進行推理，因此借助這一工具可將人類的控制經(jīng)驗融人系統(tǒng)控制之中，使得系統(tǒng)可以像有經(jīng)驗的操作者一樣去控制復雜、激勵不明的系統(tǒng)。總的說來模糊控制具有以下特點：

1)不依賴于被控對象的精確數(shù)學模型，易于對不確定性系統(tǒng)進行控制；

2)易于控制、易于掌握的較理想非線性控制器，是一種語言控制器；

3)抗干擾能力強，響應速磨陜，并對系統(tǒng)參數(shù)的變化有較強的魯棒性。

神經(jīng)網(wǎng)絡控制的研究與應用已深入到眾多的領域和學科。同樣，它的發(fā)展也給電氣傳動系統(tǒng)的控制策略帶來了新思想、新方法。與傳統(tǒng)的控制方法相比，神經(jīng)網(wǎng)絡控制有一系列的優(yōu)點：神經(jīng)網(wǎng)絡控制突破了傳統(tǒng)控制理論中必須基于被控對象的數(shù)學模型，它按實際效果進行控制而不依賴于被控對象的數(shù)學模型；其次，智能控制模仿了人腦思維，而人腦的思維是非線性的，因此神經(jīng)網(wǎng)絡控制器也具有非線性的特點。

模糊控制器的基本結構由模糊輸入接口、模糊推理以及模糊輸出接口三個模塊組成。模糊輸入接口的主要功能是實現(xiàn)精確量的模糊化，即把物理量的精確值轉換成語言變量值。語言變量的分檔根據(jù)實際情況而定，一般分為3—7檔，檔數(shù)越多，控制精度越高，計算量也越大。模糊推理決策機構的主要功能是模仿人的思維特征，根據(jù)總結人工控制策略取得的語言控制規(guī)則進行模糊推理，并決策出模糊輸出控制量。模糊輸出接口的主要功能是把輸出模糊量轉化為精確量，施于被控對象。

2、模糊控制器設計

模糊控制器主要有模糊化、知識庫、模糊推理和清晰化這四部分組成。首先把輸入的精確量轉換成模糊量。知識庫包含了具體應用領域的知識和要求的控制目標和規(guī)則等，由數(shù)據(jù)庫和模糊規(guī)則庫兩部分組成。模糊推理是模糊控制器的核心，它具有模擬人的模糊概念推理能力，輸入量經(jīng)由模糊推理得到模糊量控制量；再經(jīng)過解模糊變換為用于實際控制的清晰量，作用于被控對象。

智能機器人模糊控制器設計的主要目標是：當紅外傳感器探測到障礙物或者目標時，模糊控制器根據(jù)探測到的信息，確定智能機器人的位置、距離、方位，然后控制智能機器人避開障礙物，按預定的路徑和方位行走。

1)確定系統(tǒng)的輸入、輸出

設置模糊控制器的輸入變量為X1、X2,X3和X4，輸出Y。其中：X1、X2,X3分別表示智能機器人距離障礙物右方、左方和前方的距離；X4表示智能機器人運動方向與目標中心連線的目標定位；Y表示智能機器人的轉動角。當目標在智能機器人右前方時，目標定位X4為正，否則x4為負；當智能機器人轉向右時，轉向角Y定義為正，當轉向左時，Y定義為負。以上輸入變量均由紅外傳感器的狀態(tài)數(shù)據(jù)所確定，經(jīng)過模糊控制器的模糊化處理和模糊推理后，輸出動作行為結果，該動作行為結果的執(zhí)行是由子控制系統(tǒng)(電機控制器)執(zhí)行，最終的執(zhí)行者為電機。

2)定義模糊控制集合

在距離描述上采用如下模糊集合：{Near，F(xiàn)ar}={“近”，“遠”}，論域范圍為(O～6m)；目標定位變量X4的模糊語言描述為{LB，LS，Z，RS，RB}={‘‘左大”，“左小”，“零”，“右小”，“右大”}，論域范圍為(一1800，1800)；輸出變量Y的模糊語言描述為{TLB，TLS，TZ，TRs，TRB}={“左大”，“左小”，“零”，“右小”，“右大”}，論域范圍為(一300，300)。

3)建立模糊控制規(guī)則庫

智能機器人在遠離障礙或不存在障礙物環(huán)境下，依據(jù)不同的智能機器人軌跡和目標方位，可以先建立5條導航規(guī)則(1～5)。這幾條規(guī)則控制智能機器人轉向目標位置：

1：ifX1isFARandX2isFARandX3isFARandX4isLBthenYisTLB：

2：ifXlisFARandX2isFARandX3isFARandX4isLSthenYisTLS；

3：ffX1isFARandX2isFARandX3isFARandX4isZthenYisTZ；

4：ifX1isFARandX2isFARandX3isFARandX4isRSthenYisTRS；

5：ifXlisFARandX2isFARandX3isFARandX4isRBthenYisTRB：

3、避障算法設計

2.1參考坐標系

建立被控對象和行駛環(huán)境的二維參考坐標系（如圖1所示），為計算方便，假設車輪與地面無滑動，能繞其質心轉向。xoy為固定的全局坐標系，設定目標點坐標為（XG,YG）,在任一時刻，小車位置為（x(t),y(t)）,航向為

，步長為step，當前航向與小車質心到目標連線的的夾角為tg，轉向角為sa。

圖1參考坐標系

2.2傳感器選擇和應用

移動機器人要獲得自主行為，就需要有能感知周圍環(huán)境信息的能力，其主要是通過傳感器來實現(xiàn)的。常用于避障機器人的傳感器有超聲波傳感器，紅外傳感器，激光傳感器，CCD視覺傳感器等。其中，超聲波傳感器具有技術成熟，成本低，接口容易實現(xiàn)等優(yōu)點，成為避障機器人的首選，如圖2所示。

圖2超聲波傳感器原理圖

雖然超聲波傳感器有眾多優(yōu)點，但也存在一定的不穩(wěn)定性，超聲傳感器的幻影現(xiàn)象。產(chǎn)生這種現(xiàn)象的原因是，超聲傳感器發(fā)出的超聲波信號是具有一定方向性的波束，當傳感器與障礙物形成較大角度時，會發(fā)生鏡面反射，從而產(chǎn)生幻影，如圖3所示。為了解決這種現(xiàn)象所帶來的誤差，本設計使用多個傳感器來補償，抵消幻影現(xiàn)象帶來的誤差。

圖3幻影現(xiàn)象示意圖圖

4機器人基本結構

如圖4所示,機器人前方成扇形排分布三組超聲波傳感器，分別用于探測左側，前方和右側的的障礙物，有效距離為0.3至10米。每組傳感器由兩支三只超聲波傳感器組成，分別取測得最小數(shù)值作為該方向上障礙物的距離。同時，為了保證機器人的運動有方向性，在機器人中心有一只方位傳感器，測量范圍是（-180°，180°）。用于獲得機器人航向與目標到機器人連線的夾角，引導機器人向目標點運動。

4、模糊控制器的設計

4.1輸入輸出量的選取

模糊控制器的輸入輸出語言變量的選取應該盡量的簡單，又要考慮機器人行駛和避讓障礙物的實際情況，較好的反應機器人避障的過程[12]。因此，我們選取超聲傳感器及方位傳感器采集的外部環(huán)境信息作為模糊控制器的輸入，模糊控制器的輸出則是機器人的方向控制。根據(jù)上節(jié)介紹，將九只超聲波傳感器分為三組（前方，左側，右側各三只），每組取其最小距離信號作為該方向的輸入，dr為右側障礙物距離，dc為前方障礙物距離，dl為左側障礙物距離；方位傳感器則測得航向與目標點到機器人連線的夾角，為tg。因此模糊控制器輸入變量為四個，分別是：dr，dc，dl和tg；模糊控制器的輸出變量有一個，即機器人轉向角sa。

4.2輸入輸出量的模糊語言描述及模糊分割

模糊語言的確定包括由語法規(guī)則生成適當?shù)哪：Z言值，根據(jù)語義規(guī)則確定語言值的隸屬度函數(shù)以及確定語言變量的論域等。這里使用連續(xù)型論域，采用簡單線性化處理方法，對個輸入量進行模糊語言描述，如下：

距離輸入變量：d={近，遠}={near，far}；

目標方位輸入變量：tg={左大，左中，左小，前，右小，右中，右大}

={lb，lm，ls，zo，rs，rm，rb}；

輸出轉向角變量：sa={左轉，左中轉，左稍轉，直走，右稍轉，右中轉，右轉}；

={tlb，tlm，tls，tz，trs，trm，trb}；

模糊分割是指模糊語言對所在論域的劃分，決定了模糊控制的精細化程度。模糊分割的越多，控制越精細，但對應控制規(guī)則數(shù)目也就越多；模糊分割太粗，則難以對控制性能進行細致調整。所以，模糊分割的數(shù)目并無指導性的方法，主要根據(jù)具體情況和經(jīng)驗來劃分。例如上面對距離輸入變量的劃分，通常情況下對距離變量劃分為{近，中，遠}，但如此一來，模糊規(guī)則的數(shù)量共有條，較難實現(xiàn)。因此將距離變量簡單劃分為{近，遠}，模糊規(guī)則數(shù)減少到條。模糊規(guī)則數(shù)大幅減少，既容易實現(xiàn)，又未過多降低控制精度。

4.3輸入輸出量的模糊化

模糊語言值只是一個模糊子集，語言值要通過隸屬函數(shù)來描述。在論域連續(xù)是的情況下，隸屬度常用函數(shù)的形式來進行描述，常見的有隸屬函數(shù)有三角形，梯形，高斯型等。

通常，隸屬函數(shù)的形狀越陡，分辨率就越高，控制靈敏度也就越高；相反，若隸屬函數(shù)變化緩慢，則控制特性也平緩，對應的系統(tǒng)穩(wěn)定性好。因此，在選擇語言值的隸屬度函數(shù)是，一般在誤差為零的附近區(qū)域采用分辨率較高的隸屬函數(shù)，而在誤差較大的區(qū)域，可采用分辨率較低的隸屬函數(shù)，以獲得較好的魯棒性。

此外，大多數(shù)情況下，隸屬函數(shù)的選取具有較大的隨意性，對同一模糊集不同的人肯能選取不同的隸屬函數(shù)去表述，并無絕對的對錯。因此，在利用MATLAB建立模糊控制器時，可通過改變隸屬函數(shù)來觀察其對輸出的影響。各輸入輸出變量隸屬函數(shù)如下圖5所示。

圖5夾角tg的隸屬函數(shù)

5、實驗仿真

模糊控制器設計完成后，需要連接到模糊控制系統(tǒng)中仿真，以檢驗其是能否有效完成控制要求。要建立模糊控制系統(tǒng)，首先要建立起系統(tǒng)中各部分，即各個模塊，然后連接它們組成模糊控制系統(tǒng)。在Matlab中的Simulink是一個專門用于對各種動態(tài)系統(tǒng)進行建模、仿真和分析的軟件包，能夠很容易的簡歷控制系統(tǒng)模型。但其中并未包含有關移動機器人的仿真模塊，因此需要自行建立。

主函數(shù)

主函數(shù)包含機器人避障和行進軌跡的全部算法，是仿真程序的核心部分。

(b)超聲傳感器的模擬

由于用函數(shù)模擬的超聲傳感器是理想的，不存在幻影現(xiàn)象等引起的誤差，因此程序中，機器人只有三只超聲傳感器，其探測方向分別是機器人正前方和其左右45°方向。此外，針對障礙物邊界的不同，模擬超聲傳感器有不同的計算函數(shù)。因此在主函數(shù)中，要先分析障礙物屬性，再進行測距。

(c)模糊控制器

這一部分對整個模糊控制器進行了描述，包括輸入輸出變量模的模糊化，模糊規(guī)則，解模糊方法和輸入輸出變量的隸屬函數(shù)。

程序編寫完后，輸入到Matlab中，形成m文件，進行調試。調試成功后即可給定程序中障礙物位置參數(shù)、起點坐標、終點坐標及步長，進行仿真試驗。如圖6為仿真實驗圖。

圖6仿真實驗圖

6、結論

智能小車運動過程中所遇到的障礙物具有不可預測性，其數(shù)學模型難以確定，因此在避障方式上采用模糊控制是適用的。模糊控制作為一種非線性控制，已經(jīng)成為實現(xiàn)智能控制的一種重要而有效的形式?；谀：壿嬐评淼谋苷显O計對于小車遇見突發(fā)性障礙物后的避障行為控制尤為適宜，且控制方法靈活，可根據(jù)仿真效果修改相應的參數(shù)和模糊推理規(guī)則。但考慮到單片機的處理能力和實時性要求，本文所采用的模糊控制規(guī)則仍較為簡單，而且沒有使用模糊矩陣進行運算。在處理器功能更加完善的情況下，應增加模糊控制規(guī)則，引人矩陣運算，提升控制效果。