改进模糊神经网络的自主导向车路径规划*

朱国庆

(常州宝菱重工机械有限公司， 江苏 常州 213012)

引 言

随着中国工业自动化水平的提高，自主导向车(AGV)在众多的领域获得应用[1]。AGV在企业物流搬运过程中所面对的工作环境非常复杂，会随着时间的变化而变化，存在诸多不确定性。AGV路径规划是一个热点问题，核心是控制算法：包括传统算法、图形学的方法、智能仿生算法、其他方法[2-3]。当前将局部和全局路径规划结合研究[4]，在传统路径规划的方法中融入智能算法成为发展趋势[5]。本文将模糊控制与神经网络有机结合，利用神经网络的强大学习能力来调节模糊控制参数，既使神经网络获得模糊控制的推理归纳能力，也使模糊控制具有神经网络自学习能力。引入了碰撞危险度的概念，同时把空间碰撞危险度作为模糊控制器的输入变量，这样能更为准确和更全面地描述移动AGV与障碍物之间发生碰撞的危险关系[6]。在传统模糊神经网络中，模糊运算常采用静态、局部优化方法，本文提出了补偿模糊神经网络算法，它对模糊理论和神经网络技术进行有机融合，具有快速学习能力。

1 改进模糊神经网络算法

1.1 碰撞危险度

在AGV实时避障进行局部路径规划时，AGV与障碍物之间的距离、相对速度及相对加速度都影响到碰撞危险关系。为研究简单化，假定在AGV避障过程中，AGV的平移速度和动态障碍物速度在采样时间内恒定，仅讨论AGV与障碍物之间的距离和相对速度的方向与碰撞危险度的关系，也就是空间碰撞危险程度。以AGV相对于障碍物的最短距离和相对速度方位为参数，确定AGV与障碍物发生碰撞可能性大小的度量。图1表示了碰撞危险度的概念，第i个障碍物到AGV的距离为di，障碍物与AGV之间的相对速度为VR,Bi。将AGV上能感知的障碍物的两个端点定为A，B，相应的距离为a，b，障碍物与AGV相对速度与中心连线(CCi)的夹角为θ。考虑到运动障碍物的速度同时对AGV的碰撞危险度有影响，因此把运动障碍物的速度也相应考虑到碰撞危险度中，定义碰撞危险度SCR (space collision risk)为

图1 碰撞危险度

SCR(t)=a×D(t)+b×F(t)

(1)

式中

从定义可以看到：影响因子为a，b，SCR(t)与距离的关系用D(t)来反映，SCR(t)与相对速度方向的关系用F(t)来反映；SCR(t)越大，碰撞可能性越大，SCR(t)越小，碰撞可能性越小。dmin为安全距离，dmax为最大测量距离，θ为安全角度，θmax为最大测量角度。

1.2 改进模糊神经元

图2 补偿模糊神经元

1.3 改进模糊神经网络

设计改进的模糊神经网络与传统的模糊神经网络一样有5层(如图3所示)：输入层、模糊化层、模糊推理层、补偿运算层、反模糊化层。

图3 改进的模糊神经网络结构

第1层为输入层，有4个输入变量xi：分别是右前方障碍物碰撞危险度RSCR、正前方障碍物碰撞危险度CSCR、左前方障碍物碰撞危险度LSCR、目标定位导航角tr。

第5层是清晰化：将模糊运算得到的控制量变换为实际的清晰量。

1.4 补偿模糊神经网络的学习

(2)

(3)

(1) 输入隶属度函数宽度的训练。

(4)

(2) 输入隶属度函数中心的训练。

(5)

(3)输出隶属度函数宽度的训练。

(6)

(4)输出隶属度函数中心的训练。

(7)

(5)补偿度的训练。

(8)

2 动、静态障碍物环境仿真

2.1 AGV在静态环境中的路径规划

首先为AGV运行建立不确定环境，设定AGV起点S为(8，8)，G点(80，80)为终点，障碍物分别设置在点(17，14)，(22，26)，(36，34)，(40，48)，(55，55)，(67，72)，在图4(a)中用小方框表示。设定AGV的最大速度为2 m/s，利用本文提出的补偿模糊神经网络在MATLAB中进行仿真实验，如图4(a)所示是在不确定环境中仿真的AGV行驶路径，从图中可以看出AGV能合理地躲避路障并到达目标点,图中的距离单位为m。图4(b)，(c)分别表示了AGV在静态障碍物环境下运行时的转角变化曲线(度)和速度变化曲线(m/s)。

图4 AGV对静态障碍物的路径规划图

2.2 AGV在动态环境中的路径规划

当障碍物为运动的障碍物时，如图5(a)所示，图中数字单位为m。AGV起点定在(8，8)，终点定在(80，80)，设AGV的最大速度为2 m/s，AGV在避开障碍物的过程中速度会发生变化，图5(b)反映了AGV运行过程中速度变化的情况。障碍物从点(40，28)出发，以1.5 m/s速度向右上60°运动。从图5(a)中可以看出，AGV对障碍物采取了避让动作。图中的交叉点是AGV与障碍物在不同的时刻留下的轨迹。图5(c)描述了AGV在避障过程中AGV方向的改变情况。从图5知AGV未遇障碍物时以最大速度运行，遇到障碍物时速度图(单位m/s)显示首先减速，从转角图(单位为度)看，有从向左转向右的过程；这是因为避障是一个复杂的过程，AGV与障碍物的相对速度发生变化会引起转角的重新规划。

图5 AGV对动态障碍物的路径规划图

2.3 比较训练步数与误差收敛的速度

将E设定为0.005时，从仿真图6和图7比较

图6 传统模糊神经网络误差收敛曲线

图7 补偿模糊神经网络误差收敛曲线

得知，经过k=17步传统模糊神经网络误差曲线收敛，经过k=9步补偿模糊神经网络误差曲线就收敛了，表明补偿模糊神经网络加快了收敛速度。

3 结束语

在全局误差相同的情况下，补偿模糊神经网络相比传统模糊神经网络具有快速学习的能力。引入了碰撞危险度，更好地描述了AGV与障碍物之间的碰撞危险程度。根据MATLAB的仿真结果，对

不确定环境中的静态和动态障碍物，表明应用本文所述方法，AGV都可以很好地避障与规划路径。