基于模糊神经网络在智能轮椅避障中的应用

肖寒春，孙鹏飞，李 津

(1.重庆邮电大学通信工程应用研究所，重庆400065;2.重庆邮电大学计算机学院，重庆400065;3.重庆邮电大学通信学院，重庆400065)

0 引言

智能机器人的避障问题是机器人路径研究领域的核心问题之一［1］。工作中的移动机器人所面临的外部环境通常是未知的，由于外部环境的复杂性和不确定性，因此要求机器人要有自主的导航和避障系统。针对这个问题，国内外学者提出许多解决方法，如Souhila K［2］利用视觉传感器的移动避障方法，虽探测范围比较广，但其利用单视觉传感器只能获取二维的图像信息，无法提取障碍物的三维信息，使其避障能力差。张幼明［3］等利用多测距传感器的移动避障方法，探测范围十分有限，普适性差。可见，每一种传感器都存在自己的不足，仅依靠单传感器无法满足要求。然而，不同的环境监测传感器监测到的信息是互补的，能更全面的描述外部环境，对这些信息进行融合可提高系统的可靠性和鲁棒性［4］。因此，多传感器信息融合技术在移动机器人中的应用也越来越多［5-8］。陈延伟等［5］采用BP神经网络对障碍物环境进行分类以及模式识别，为移动机器人的导航和避障提供了一种有效的方法。王艳平［6］利用模糊神经网络对多传感器信息进行融合，用于移动机器人的避障。

但是在这些文献中所使用的多传感器是同一类型的。为更好的监测外部环境，笔者在智能轮椅上装载了多个声纳探测器和一个摄像头对外部环境信息进行探测，声纳装置可以测得机器人到障碍物的纵向距离，而摄像头则能测得障碍物的横向宽度。因此，通过使用这两类不同传感器采集到的环境数据更加全面。实验过程中，虽然传感器监测到的信息具有一定的不确定性，但本文所选用的模糊神经网络算法由于综合了模糊逻辑控制的优点和神经网络的自学习能力，因此对信息的准确性依赖并不大。本文最后的仿真实验利用模糊神经网络算法对多个传感器监测得到的外部环境数据进行信息融合，再根据信息融合得到的结果控制机器人移动的线速度和角速度，从而达到了控制智能轮椅移动避障的目的。

1 环境监测及数据预处理

实验中轮椅的前方、左侧、右侧上共安装了6个声纳探测器和一个摄像头，其基本的安装排列如图1所示。

图1 实验用机器人

6个声纳探测器能获得到的监测数据分别为d1～～d6，根据6个声纳所在的位置可分为前、左、右3组，数据量化公式为

式中:x1——轮椅左侧到障碍物的距离，x2——轮椅前部到障碍物的距离，x3——轮椅右侧到障碍物的距离，α——固定的权重参数，设为α=0.5。

将位于图1中7点的摄像头采集到的图片则经过灰度化处理、去噪处理，最后生成图片中障碍物的边缘曲线。分析曲线之后可以进行有效的转向行为。轮椅躲避障碍物时的转向判断原理图 (如图2所示)。

摄像头采集的照片正中会有水平方向上的中轴线OM，下方的O点即为机器人所在位置，可以得到从O点出发的射线OA、OB分别交于障碍物的左右边缘，此时就形成了两个夹角∠AOM和∠BOM，大小分别为θ和β

根据θ、β的大小来判断机器人的转向方向:当θ＜β时，机器人向左转;当θ≥β时，机器人向右转。

图2 摄像头采集图片处理

图2 中β角较小，以此图为例。过B点作垂直OB的线段BC，BC近似为障碍物上B点的法线，BC的长度l=l1+l2，l1是固定值，表示声纳可测范围的最小距离值，l2为机器人宽度的一半由三角函数公式可得出OB长l3=则:即有

因此，机器人在遇到障碍物时的转向角度t＞ +t1(BC为近似法线)。

2 模糊神经网络设计

模糊神经网络的基本原理是［9］:使用神经网络的基本框架，在输入层和输出层之间加入了模糊规则控制，并用多层前馈网络设置来构造模糊变量集、隶属函数和模糊控制规则模型，经过多次学习调整网络的权重来优化整个模糊神经网络［10］。本文使用基于Takagi-Sugeno(T-S)模型的模糊神经网络［11］，它可以有效表示出一些比较复杂的系统，并能对非线性系统进行精确的处理。与其他类型的模糊推理方法不同，T-S型模糊推理系统的模糊规则的后件是输入变量的线性组合。图3为模糊神经网络的结构设计图，由声纳测得的三个xi值以及一个转向角度t作为神经网络的输入，下面对模糊神经网络结构图进行说明。

该网络结构由两部分组成，图中的1到4层为前件网络，前件网络产生的结果对应了第6层输出结果的权重值;第5到7层为后件网络。

第一层是输入层，该层各个节点直接与输入向量的各个分量相链接，即三个测量值xi

第二层的输入输出为

图3 基于T-S模型的模糊神经网络结构

第三层的每一个节点代表着一条模糊规则，是用来计算出每一条规则的适用度

式中s1j，s2j，s3j均有1，2两种情况。因此αj作为规则适用度，一共有6种选择j∈(1，2，…6)，且αj作为第三层的输出。

第四层的每一个节点代表每一条适用度所占的比例

其中βj是对应的每一个规则的实用程度。

第五层增加了一个转向角度的输入

第七层实现的是清新化处理

最终的输出结果V代表机器人运动时的线速度，W是机器人转向时的角速度。

3 仿真实现

智能轮椅使用了6个声纳探测器和一个摄像头对外部环境进行监测，监测的信息是通过基于T-S模型的模糊神经网络来进行融合的。经过训练，智能轮椅在进行避障行为时能够主动绕行障碍物边缘较短的一侧，这是未进行信息融合时机器人所不能完成的，只能靠人为地设定优先转向方向。并且在进行信息融合后，避障行为使用的时间减少，路径也得到了优化。

仿真实验中，轮椅的起始位置坐标为 (3.5，1)，目标点位置坐标为 (3.5，7)，从起点出发，无碰撞的到达目标点。图4为使用了声纳传感器和摄像头，并在信息融合技术下的移动智能轮椅避障仿真结果。

图5、图6的两个实验没有使用摄像头，没有进行多传感器的信息融合，所以在避障时不能主动判定转向，因此图5中人工预设定轮椅避障右转，图6中预设定左转。图中的两个障碍物分别在轮椅前进路线上的偏左、偏右位置上，从仿真图中可以明显看出，图4中轮椅避障路径更优，避障绕行时走的距离更短。

图7、图8、图9是轮椅在多个障碍物环境下，轮椅使用不同的算法时的移动路径，起始点和目标点的位置固定。其中线②是轮椅装备摄像头和声纳后并使用信息融合技术下的运动轨迹;线①代表轮椅只应用声纳探测且优先右转的运动轨迹;线③代表着轮椅只应用声纳探测且优先左转的运动轨迹。从仿真图中可以明显得到，使用信息融合算法后轮椅的移动路径要优化很多，到达目标点时所使用的时间缩短，移动路径的距离也较短。

图9 障碍物增加8倍轮椅使用三种方法的移动路径

因此，使用基于模糊神经网络的多传感器信息融合技术，可对智能轮椅避障行为的局部路径进行优化，绕行更短的距离，能更快速到达目标点。

4 结束语

多传感器数据融合技术来规划移动机器人的路径已经成为机器人路径研究的趋势，本文将摄像头、声纳传感器配合使用，保证了轮椅能更全面的感知外部环境;将采集到的信息进行预处理后作为模糊神经网络的输入，利用了基于Takagi-Sugeno(T-S)模型的模糊神经网络方法来对采集的环境信息进行融合，网络最后输出了轮椅的线速度和角速度。该方法充分的利用了声纳与摄像头各自的特点;同时有效的综合了模糊控制和神经网络的优点，可以快速、准确地计算出障碍物的位置并完成路径规划。最终实验也表明，轮椅的避障路径得到优化，避障绕行的距离减小，绕行时间缩短。因此，该方法使轮椅的智能性得到进一步的提高。

［1］XIA Linlin，ZHANG Jianpei，CHU Yan.An application survey on computational intelligence for path planning of mobile robots［J］.CAAITransactions on Intelligent Systems，2011，6(2):160-165(in Chinese).［夏琳琳，张健沛，初研.计算智能在移动机器人路径规划中的应用综述 ［J］.智能系统学报，2011，6(2):160-165.］

［2］Souhila K，Karim A.Optical flow based robot obstacle avoidance［J］.International Journal of Advanced Robotic Systems，2007，4(1):13-16.

［3］ZHANG Youming，YIN Yixin.Non-linear function fuzzy control algorithm for mobile robot obstacle avoidance［J］.Application Research of Computers，2007，24(11):13-16(in Chinese).［张幼明，尹怡欣.基于非线性函数的移动机器人模糊避障算法 ［J］.计算机应用研究，2007，24(11):88-89.］

［4］FAN Xiaojing.Based on multi-sensor information fusion robot obstacle avoidance and navigation control［D］.Shenyang:Shenyang Li-gong University，2008:14-22(in Chinese).［范晓静.基于多传感器信息融合的机器人避障和导航控制研究［D］.沈阳:沈阳理工大学，2008:14-22.］

［5］CHEN Yanwei，SHI Jiangtian，WU Yanru，et al.Neural network based multi-sensor data fusion in the mobile robots［J］.Journal of Changchun University of Technology，2008，29(5):550-555(in Chinese).［陈延伟，施江天，吴艳茹，等.基于神经网络的多传感器信息融合技术在移动机器人中的应用［J］.长春工业大学学报，2008，29(5):550-555.］

［6］WANG Yanping.A study on the application of fuzzy neural network information fusion method to robots path planning［J］.Information Research，2009，35(4):20-22(in Chinese).［王艳平.模糊神经网络信息融合方法在机器人路径规划中的应用研究［J］.信息化研究，2009，35(4):20-22.］

［7］WANG Tanbin，CHEN Wuwei，LI Jin，et al.Simulations of obstacle avoidance for intelligent vehicles based on vision navigation and multi-sensor fusion［J］.Journal of System Simulation，2009，21(4):1015-1019(in Chinese).［王檀彬，陈无畏，李进，等.多传感器融合的视觉导航智能车避障仿真研究［J］.系统仿真学报，2009，21(4):1015-1019.］

［8］GUO Mingqiang，GUO Yu.Obstacle avoidance of the mobile robot based on information fusion between the sonar and CCD ［D］.Nanjing:Nanjing University of Science and Technology，2007(in Chinese).［郭明强，郭毓.基于CCD和声纳传感器信息融合的移动机器人避障研究［D］.南京:南京理工大学，2007.］

［9］TIAN Yubo.Hybrid neural network technology［M］.Beijing:Science Press，2009:194-206(in Chinese).［田雨波.混合神经网络技术［M］.北京:科学出版社，2009:194-206.］

［10］LIU Jinkun.Intelligent control［M］.Beijing:Publishing House of Electronics Industry，2007:117-123(in Chinese).［刘金琨.智能控制［M］.北京:电子工业出版社，2007:117-123.］

［11］LI Guoyong.Intelligent prediction control on MATLAB［M］.Beijing:Publishing House of Electronics Industry，2010:230-235(in Chinese).［李国勇.智能预测控制及其MATLAB实现［M］.北京:电子工业出版社，2010:230-235.］