基于模糊控制的机器人避障障研究

熊长炜 陈彦勤 梅阳寒

摘 要：本文通过使用多传感器采集机器人周围环境信息并进行对信息进行了融合处理，确定了控制系统的输入输出，根据模糊推理将信息模糊化处理，设计了模糊控制器，以已达到对机器人的合理避障控制。通过Matlab软件进行了仿真，得到连续平滑且稳定的机器人运动路径，表明了设计的可行性。

关键词：机器人；避障；信息融合；模糊控制

DOI：10.16640/j.cnki.37-1222/t.2019.07.121

1 引言

机器人是通过各种传感器获取周围环境信息以及自身的状态，然后对各种环境状态数据进行分析、判断和做出相应的决策，设计出相应的自身运动参数，控制机器人向目的地自主运动。机器人获得周围环境的信息很多，需要将大量信息进行融合，减少计算量，提高运动控制时效性。近些年来，卡尔曼滤波、贝叶斯理论、人工神经网络和模糊集合理论等人工智能方法都应用于多传感器信息融合技术[1]。本文中机器人通过超声波传感器获得信息，采用模糊控制进行信息融合算法，经过模糊推理控制机器人在位置环境下避开障碍物，经MATLAB仿真实验，验证了算法的合理性和时效性。

2 信息融合算法设计

为使机器人在移动中能够快速和准确地避开障碍物，需要机器人获得障碍物的距离、位置和形状信息。机器人上安装超声波传感器和CCD摄像机，并利用超声波传感器探测的距离信息[2]和CCD云台摄像机获得的视觉信息能够获得机器人移动中所需的外部环境信息。本文采用的移动机器人避障控制模型如图1所示。

机器人在行走过程中能够根据外部超声波传感器的信息和其自身的运动状态来修正运动位姿，并进行运动参数或状态的改变进而改变运动的速度和角度，完成避障的功能。

2.1 输入与输出量

在模糊神经网络控制器的设计当中，重要的是控制算法的设计。基于控制要求，本项目设计的模糊神经网络控制器有5个输入和2个输出。控制器设定的5个输入量为dl、dc、dr、emin和Φ，（dl、dc、dr和emin的意义见传感器的数据分组与预处理）。2个输出为左轮的速度L-V和右轮的速度R-V；Φ表示机器人的目标角度，当机器人转向为右时，定义为正；当机器人转向为左时，则定义为负。

2.2 传感器的数据分组与预处理

采用多传感器来可以更多地获取机器人环境信息，将大量信息融合技术具有许多优点。但是，采用多传感器信息融合技术时，如果不进行一定的限制，将会大大增加机器人的计算工作量，降低了移动机器人运动控制的实时性。为减少数据的计算量，在具体问题中，往往不是对所有的传感器信息进行融合，而是采用传感器分组的方法，这样可以减少融合过程中的计算量。为了有效地融合来源于多传感器的信息，本文采用不同的方法对来源于超声波传感器和CCD摄像机的原始信息进行预处理。对超声波传感器的信息，采取对传感器数据进行分组的方法；根据超声波传感器的测量数据，可以得到5个探测数据，将这5个数据分为三组，令dl（d1，d2）为左侧超声波传感器，dr（d4，d5）为右侧超声波传感器，dc（d2）中轴线如图2所示中间前方超声波传感器。

对CCD摄像机采集的视觉信息进行如下处理：用图像灰度化、平滑、二值化等图像预处理以及基于梯形域的自底向上的检测方法得到物体的左右边缘在图像坐标系中成像对应的坐标信息el、er；然后将el、er中距离图像水平方向上中轴线更近的量的值赋给emin，再根据计算机图像坐标系与车体坐标系之间的转换公式，求出emin所对应的车体坐标系下X轴的坐标值，这样就可以得到障碍物的左右边缘在车体坐标系中距离车体中轴线最近的边缘所对应的X轴坐标.相应的，可得到障碍物左、右边缘距离移動机器人中轴线最近边缘的距离emin，如图3所示。

2.3 模糊控制规则

根据模糊控制原理，将超声波传感器和CCD传感器的采集到信息作为模糊控制器的输入，由于传感器数量较多，输入信息的维数增加，模糊控制规则也会成倍地增加，运算时间就会变长，影响了控制器的实时性。因此对输入的传感器信息进行分组处理，获得数量较少而且最有效的信息作为输入信息。此模糊控制器是多输入多输出系统，机器人前方180°范围内的左前方、右前方、正前方超声波传感器获得障碍物距离和障碍物到机器人中轴线最近距离及目的地的方位角作为输入信息，机器人的左右轮的速度作为控制器的输出。

我们在Matlab的里面设定了机器人的开始位置、目标位置和随机设置的障碍物，通过以机器人与目标位置为目标角度，计算获得障碍物的角度；当障碍物角度>目标角度时，定义为障碍物在机器人的右方；当障碍物角度<目标角度时，定义为障碍物在机器人的左方；当障碍物在目标点左侧较远时，机器人不转变运动方向；当障碍物在目标点右侧较远时，机器人不转变运动方向；当障碍物在目标点左侧较较近时，机器人向右转变方向；当障碍物在目标点右侧较远时，机器人向左转变方向；当障碍物在目标点前方较近时，分析障碍物左右侧距离机器人的边缘信息，参照目标角度，控制器决策机器人转动方向；当障碍物距离机器人较远时，机器人以快速行驶；反之，机器人以中速和慢速行驶。机器人的转向是通过左右轮速度的改变控制的，同时速度的变化能够控制机器人运动的时效性。

2.4 输入输出语言描述

根据模糊控制原理，使用连续论域对输入输出量进行模糊化处理。

中间正前方的距离CD（Center distance）的模糊语言变量为{VB，B，M，S，VS}={Very Big， Big， Middle， Small， Very Small}，论域为[0，3]，表示0～3m。定义机器人的安全距离为1 m。

左前方的距离LD（Left distance）的模糊语言变量为{LVB，LB，LM，LS，LVS}={L Very Big， L Big， L Middle， L Small， L Very Small}，论域为[0，2]，表示0～2m。定义机器人运动的左侧安全距离为0.6m。

右前方的距离RD（Right distance）的模糊语言变量为{RVB，RB，RM，RS，RVS}={R Very Big， R Big， R Middle， R Small， R Very Small}，论域为[0，2]，表示0～2m。定义机器人运动的右安全距离为0.6m。

机器人的障碍物角度Φ的模糊语言变量为{N，Z，P}={Negative， Zero， Positive}，论域为[-60，+60]，表示左右60°角。当转动障碍物角度Φ在左方的-30°与右方的+30°之间时为Z（正前方），当障碍物角度Φ大于右方+30°且小于+60°时为P（右），当障碍物角度Φ大于右方-60°且小于-30°时为N（左）。

障碍物左、右边缘距离机器人中轴线最近边缘的距离E的模糊语言变量为{EB，EM，ERS}={E Big， E Middle， E Small}，论域为[0，1]，表示0～1m。定义机器人运动的右安全距离为0.4m。

机器人的左轮速度L-V的模糊语言变量为{F，M，L}={Fast， Middle， Slow}，论域为[0，0.3]，表示0～0.3m/s。机器人的右轮速度R-V的模糊语言变量为{F，M，L}={Fast， Middle， Slow}，论域为[0，0.3]，表示0～0.3m/s。

各個输入输出变量隶属函数如图4所示。

根据人类获取环境信息和驾驶经验，采用了Mamdani型模糊推理制定出模糊控制规则；采用了IF-THEN条件语言，结合本文中设计共有1125条规则。

3 仿真实验及结论

本文在Matlab软件中的FuzzyLogic工具箱中建立模糊控制系统，利用Simulink建立仿真模型，利用GUIDE设计机器人仿真界面。设置了环境信息、运动区域及其障碍物信息，然后进行仿真实验。本文设置不同形状的障碍物，摆放位置松散凌乱，可以更好地检验模糊控制的合理性和有效性。

从图5仿真结果中可以得出，机器人避障的路线连续一致性好而且平滑稳定。

本文对通过多信息传感器融合处理对机器人的避障运动路线设计研究，采用了模糊控制算法对机器人进行有效的运动控制，使其在复杂环境下能够安全运行。

参考文献：

[1]马平，吕锋，杜海莲.多传感器信息融合基本原理及应用[J].控制工程，2006，13（09）：48-51.

[2] 陈绍茹，陈奕梅.基于多传感器信息融合的移动机器人避障[D].传感器与微系统，2014，33（05）：35-38.

基金项目：2017年东莞市社会科技发展项目，项目名称：基于多传感器信息融合的微型机器人关键技术研究；项目编号：2017507156400。

作者简介：熊长炜（1982-），男，河南信阳人，硕士研究生，教师，研究方向：产品数字化设计与制造、机器视觉技术和机电控制技术。

*为通讯作者