[發明專利]一種基于ANFIS模糊神經網絡的機器人路徑規劃方法

有效

• 申請號: 201710429378.7
• 申請日: 2017-06-08
• 公開（公告）號: CN107168324B
• 公開（公告）日: 2020-06-05
• 發明（設計）人: 程剛;蒯墨深
• 申請（專利權）人: 中國礦業大學
• 主分類號: G05D1/02
• 分類號: G05D1/02
• 代理公司: 南京瑞弘專利商標事務所(普通合伙) 32249
• 代理人: 彭雄

本發明公開了一種基于ANFIS模糊神經網絡的機器人路徑規劃方法，主要解決傳統反應式導航中復雜陷阱路徑往復和路徑冗余的問題。其規劃步驟是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控制器；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；該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；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。

技術領域

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。

發明內容

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??；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：