一种基于ANFIS模糊神经网络的机器人路径规划方法与流程

本发明属于机器人技术领域，特别是一种涉及移动机器人的路径规划，可用于各类移动机器人的自主导航。

背景技术：

路径规划问题是移动机器人导航的关键技术之一，主要任务是在有障碍物的环境中，按照一定的性能指标，寻找一条从起点到目标点之间一条最优或者接近最优的无碰撞路径。根据机器人对环境信息感知程度的不同,路径规划分为两种:环境信息完全知道的全局路径规划和环境信息完全未知或局部未知的局部路径规划。全局路径规划一般离线进行,常用的方法主要有可视图法、栅格法、结构空间法、拓扑法、模拟退火法、遗传算法和蚁群算法等智能算法。局部路径规划常用的方法有人工势场法、模糊逻辑算法和神经网络法等。神经网络因容错性强与具有自适应学习的特点，可以更好地在非结构化环境下进行感知信息的分析与融合，而模糊控制具有逻辑推理能力，对处理结构化知识更为有效.然而反应式导航缺乏对环境的全局认识，易使机器人陷入局部陷阱而无法到达终点。针对这一问题，目前提出的有效方法有行为融合、虚目标、沿轮廓跟踪等方法，但行为融合方法需要计算各行为的权值，增加了系统复杂度；沿轮廓跟踪方法受障碍物形状、大小影响较大；虚目标在复杂环境下不易去除虚拟子目标及易产生冗余路径。

技术实现要素：

发明目的：为了解决现有技术中反应式导航中复杂陷阱路径往复和路径冗余的问题，本发明提供一种基于anfis模糊神经网络的机器人路径规划方法，该方法不仅能够减少逻辑推理工作量，而且能够摆脱机器人趋向目标运行中的陷阱状态。

技术方案：为实现上述目的，本发明采用的技术方案为：

一种基于anfis模糊神经网络的机器人路径规划方法，首先对移动机器人建立运动学模型；借助神经网络的自主学习功能和模糊理论的模糊推理能力，提出一种模糊神经网络的移动机器人导航的模糊神经网络控制器；其基于自适应模糊神经网络结构，构建takagi-sugeno型模糊推理系统并作为机器人局部反应控制的参考模型；将障碍物的距离和位置的相关信息作为模糊神经网络控制器的两个输入，模糊神经网络控制器实时输出机器人偏移角度和运行速度，通过模糊神经网络控制器在线调整移动机器人的偏移方向，使移动机器人能够无碰撞自动调节速度趋向目标。

优选的：通过模糊神经网络控制器输出值表示机器人移动角度和速度，越靠近障碍物时输出角度绝对值越大，速度绝对值越小；当前方没有障碍物时，机器人沿预设定方向前进；当前方有一个障碍物时，机器人逐渐接近障碍物，在一定范围内实时改变偏移角度和速度，使机器人缓慢绕离障碍物驶向目标；当前方有两个及其以上障碍物时，移动机器人在行进过程中对虚拟目标进行实时调整，即机器人沿所识别的最后一个障碍物前进并避开除此之外所有障碍物，选择一条远离障碍的最优路径趋向目标。

优选的：模糊神经网络控制器利用lms算法和最小二乘法来完成输入/输出数据对的建模，使得takagi-sugeno型模糊推理系统能模拟出希望或实际的输入/输出关系。

优选的：模糊神经网络控制器在学习时，根据系统实际输出值与期望输出值计算出学习误差，再通过lms算法对系统的偏移角度和速度进行调整。

所述对移动机器人建立运动学模型的方法如下：

步骤101，移动机器人通过本体携带的测距传感器测量障碍物的距离，其中，机器人当前坐标为(xr,yr)，目标点坐标为(xt,yt)，e是机器人当前位置(xr,yr)到目标点(xt,yt)的矢量，其模长和向量角表示为：

en为机器人在目标距离势场中的势能，当前机器人与目标点的夹角，根据机器人当前位置不断修正，始终指向目标位置，下标n表示具体时刻；

步骤102，速度模型，移动机器人在导航任务中的速度由机器人与周围障碍物之间距离决定，当无障碍物阻挡时，机器人全速前进，当遇到障碍物时减速行驶，遵循以下公式：

其中，v为机器人移动速度，d1为机器人距障碍物距离，d2为紧急停止距离，β为速度比例系数，maxv为设定的机器人最大行驶速度；

步骤103，偏移规则，在反应式导航中，移动机器人根据传感器信息进行局部路径规划，一般分为趋向目标行为与避障行为，若周围没有障碍物，机器人朝目标点以角度前进，前方有障碍物时，则需人为加入一个偏移噪声δ，机器人需无碰撞趋向目标，由此建立如下等式：

φn为移动机器人预瞄准方向，φn为n时刻角度，δn为n时刻偏移噪声；k为比例系数加入的偏移噪声大小，其值由模糊神经网络控制器根据机器人当前所处的环境确定，当时，器人朝向目标位置前进；当时，移动机器人将按照加入偏移角度后的目标方向前进。

本发明相比现有技术，具有以下有益效果：

1.将神经网络与模糊控制的优点相结合，融合神经网络的自学习能力与模糊控制的模糊推理能力，减少逻辑推理工作量。

2.改进型虚目标方法，采用简单的虚拟目标方法，摆脱机器人趋向目标运行中的陷阱状态。

附图说明

图1为本发明的流程示意图；

图2为anfis结构示意图。

具体实施方式

下面结合附图和具体实施例，进一步阐明本发明，应理解这些实例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

一种基于anfis模糊神经网络的机器人路径规划方法，首先对移动机器人建立运动学模型；借助神经网络的自主学习功能和模糊理论的模糊推理能力，提出一种模糊神经网络的移动机器人导航的模糊神经网络控制器；其基于自适应模糊神经网络结构，构建takagi-sugeno型模糊推理系统并作为机器人局部反应控制的参考模型；将障碍物的距离和位置的相关信息作为模糊神经网络控制器的两个输入，模糊神经网络控制器实时输出机器人偏移角度和运行速度，通过模糊神经网络控制器在线调整移动机器人的偏移方向，使移动机器人能够无碰撞自动调整速度趋向目标。

通过模糊神经网络控制器输出值表示机器人移动角度和运行速度，越靠近障碍物时输出角度绝对值越大，速度绝对值越小；当前方没有障碍物时，机器人沿预设定方向前进；当前方有一个障碍物时，机器人逐渐接近障碍物，在一定范围内实时改变偏移角度和速度，使机器人缓慢绕离障碍物驶向目标；当前方有两个及其以上障碍物时，移动机器人在行进过程中对虚拟目标进行实时调整，即机器人沿所识别的最后一个障碍物前进并避开除此之外所有障碍物，选择一条远离障碍的最优路径趋向目标。

模糊神经网络控制器利用lms算法和最小二乘法来完成输入/输出数据对的建模，使得takagi-sugeno型模糊推理系统能模拟出希望或实际的输入/输出关系。模糊神经网络控制器在学习时，根据系统实际输出值与期望输出值计算出学习误差，再通过lms算法对系统的偏移角度和运行速度进行调整。

针对位置环境下移动机器人导航实际问题，构建神经网络控制器，将障碍物的距离和位置的相关信息作为控制器的两个输入，机器人偏移角度和运行速度作为输出，实现了局部路径规划，并结合虚拟子目标的方法，能够增强系统解决传统反应导航问题中陷阱状态下的路径复杂和路径冗余问题。解决了传统反应导航问题中路径复杂和路径冗余问题，规划处一条逃离陷阱状态无碰撞趋向目标的最优路径。

1.通过机器人周围的传感器测量障碍物距离，并对机器人的位置，速度进行建模并建立避障规则。

(1)移动机器人通过本体携带的测距传感器测量障碍物的距离。机器人当前坐标为(xr,yr),目标点坐标为(xt,yt)，e是机器人当前位置(xr,yr)到目标点(xt,yt)的矢量，其模长和向量角表示为

en为机器人在目标距离势场中的势能；当前机器人与目标点的夹角，根据机器人当前位置不断修正，始终指向目标位置；下标n表示具体时刻。

(2)速度模型

移动机器人在导航任务中的速度由机器人与周围障碍物之间距离决定。当无障碍物阻挡时，机器人全速前进，当遇到障碍物时减速行驶。遵循以下公式：

v为机器人移动速度；d1为机器人距障碍物距离；d2为紧急停止距离；β速度比例系数；maxv为设定的机器人最大行驶速度。

(3)偏移规则

在反应式导航中，移动机器人根据传感器信息进行局部路径规划。一般分为趋向目标行为与避障行为。若围没有障碍物，器人朝目标点以角度前进，前方有障碍物时，则需人为加入一个偏移噪声δ，机器人需无碰撞趋向目标，由此建立如下等式

为移动机器人预瞄准方向；k为比例系数加入的偏移噪声大小，其值由模糊神经网络控制器根据机器人当前所处的环境确定.当时，器人朝向目标位置前进；当时，移动机器人将按照加入偏移角度后的目标方向前进。

2.基于自适应模糊神经网络anfis网络，构建takagi-sugeno型模糊推理系统，提出神经网络控制器。

将障碍物的距离和位置的相关信息作为控制器的两个输入，机器人偏移角度和运行速度作为输出。模糊神经网络系统利用lms算法和最小二乘法来完成输入/输出数据对的建模，使得takagi-sugeno型模糊推理系统能模拟出希望或实际的输入/输出关系。模糊神经系统在学习时，根据系统实际输出值与期望输出值可以计算出学习误差，再通过lms算法对系统的偏移角度和运行速度进行调整。

利用神经网络引入学习机制，为模糊控制器自动提取模糊规则及模糊隶属函数，使整个系统成为模糊神经网络系统。其样本数据是基于实际训练的数据，采用的自适应模糊神经网络的anfis网络，构建takagi-sugeno型模糊推理系统。

典型anfis结构，如图2所示，其中，x1,x2是系统的输入，y是推理系统的输入，均可提供据对；网络同一层的每个节点具有相似的功能，用o1+i表示第一层第i个节点的输出，依此类推。

第一层：本层节点将输入信号模糊化

o1+i＝μai(xi),i＝1,2(5)

oi+j＝μbj-2(x2),j＝3,4(6)

其中，ai或bj-2。是模糊集，如“多”，“少”等；μai(xi)是模糊集的隶属函数。

第二层：本层节点用于计算各条规则的适用度wi，即：将各输人信号的隶属度相乘，并将乘积作为本规则适用度。

o2+i＝wi＝μai(x1)μbi(x2),i＝1,2(7)

第三层：本层节点进行各条规则适用度的归一化计算，即：计算第i条规则的与全部规则适用

o3,i＝w1'＝wi/(w1+w2),i＝1,2(8)

第四层：本层节点用于计算各条规则的输出

ok,i＝wi'fi＝wi'(pixi+qix2+ri),i＝1,2(9)

其中，为sugeno型模糊系统的后项(结论)输出函数，当其为线性函数则称为“一阶系统”；若为常量则称为“0阶系统”。

第五层：本层为单节点，用于计算系统的总输出

本系统常采用的是误差反传算法或是与最小二乘相结合的混合算法来训练相关参数，使得系统能够很好地模拟给定的样本数据。自适应神经模糊推理系统最大的特点就是，该系统是基于数据的建模方法。

模糊神经网络系统利用lms算法和最小二乘法来完成输入/输出数据对的建模。使得生成出来的takagi-sugeno型模糊推理系统能模拟出希望或是实际的输入/输出关系。模糊神经系统在学习时，根据系统实际输出值与期望输出值可以计算出学习误差，再通过lms算法对系统参数进行调整。

3.采用虚拟目标方法进行路径规划

采用改进虚拟目标方法，选择机器人能够逃离陷阱状态的最优路径，通过自适应模糊神经网络控制器实时输出偏移角度和运行速度，在线调整移动机器人的前进方向，使移动机器人能够无碰撞自动调整速度趋向目标。

通过模糊神经网络系统输出值表示机器人移动角度和运行速度，越靠近障碍物时输出角度绝对值越大，速度绝对值越小。当前方没有障碍物时，机器人沿预设定方向前进；当前方有一个障碍物时，机器人逐渐接近障碍物，在一定范围内实时改变偏移角度和速度，使机器人缓慢绕离障碍物驶向目标；当前方有两个及其以上障碍物时，为避免所提出的虚拟目标中路径冗余的复杂问题(陷入陷阱状态)，移动机器人在行进过程中需要对虚拟目标进行实时调整，即机器人沿所识别的最后一个障碍物前进并避开除此之外所有障碍物，选择一条远离障碍的最优路径趋向目标，最终完成对目标点的导航。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。