一种灭火机器人的自动避障算法

本发明属于机器人、人工智能等领域，特别涉及一种灭火机器人的自动避障算法。

背景技术：

随着社会的发展进步，各种各样的现代化电气设备出现在我们的生活中。因此，火灾的发生在我们的生活中已经变得日益频繁，火警消防员的工作也变得越来越艰难。灾现场充斥着各种危险，对消防官兵的人身安全会造成极其严重的威胁，因此，灭火机器人的研究对于社会安全具有非常重要的研究价值，其不仅降低了灭火救援行动的危险指数，有效的避免或减少人员的伤亡，而且加快灭火速度提高效率，给社会财产带来了保障。而灭火机器人在行进途中的智能避障直接关系到其是否可以安全到达灭火点并完成任务。

可参考现有公开号为cn111408089a的中国专利，其公开了一种消防机器人及消防机器人灭火系统，消防机器人包括：底盘驱动系统，用于进行消防机器人的导航行走；导航传感系统，用于在控制系统的控制下进行导航，并对消防机器人进行自动定位；通讯系统，用于通过无线网络将消防机器人状况信息和火情信息发送给后台系统，并将后台系统发送的控制指令转发给控制系统；火焰识别系统，用于通过图像算法对周围一定范围内的火源进行火焰识别和测距，对火源进行定位，并将火情信息通过通讯系统进行发送；灭火系统，用于在控制系统的控制下根据灭火指令对准火源进行灭火，充电站系统，用于在控制系统的控制下对消防机器人进行充电；控制系统，用于控制消防机器人中各个系统协同运作。该系统未从算法层面上进行深入化解决自动避障的技术问题。

灭火机器人在运动中进行避障时可以选择不同的算法，如人工市场法、模糊控制法、神经网络法等，但这些算法有的实时性不够好或者准确度不够高等。为此，本专利提出了一种新的灭火机器人智能避障算法，即结合模糊规则和神经网络算法的模糊rbf神经网络算法。

技术实现要素：

针对背景技术中提到的问题，本发明的目的是提供一种灭火机器人的自动避障算法，以解决背景技术中提到的问题。

本发明的上述技术目的是通过以下技术方案得以实现的：

一种灭火机器人的自动避障算法，包括：

通过布置传感器采集现场环境中障碍物相对于灭火机器人的位置信息，得到避障算法的输入量障碍物距离d；

对所述障碍物距离d、灭火机器人的左右轮速度值进行模糊化处理，将输入量障碍物距离、灭火机器人的左右轮速度值转化为模糊语言值，所述模糊语言值变量表示特定论域内的模糊子集，其对应一定的隶属度函数；

进行模糊神经网络控制规则的设计，建立起障碍物相对于灭火机器人的方位距离与控制灭火机器人左右轮速度模糊集之间的控制规则；

构建模糊控制rbf神经网络的结构，对模糊控制rbf神经网络权值训练与调整，构建障碍物距离模糊集与灭火机器人的左右轮速度模糊集之间的数学模型；

对所述灭火机器人的左右轮速度模糊量的去模糊化处理，得到灭火机器人的左右轮速度数值。

较佳的，所述灭火机器人的避障控制流程包括：

开始；

系统初始化；

采集距离、速度信息；

距离量、速度模糊化；

模糊规则处理；

去模糊化处理；

左右轮速度设定；

显示。

较佳的，在所述距离量、速度模糊化和所述模糊规则处理步骤之间进行rbf神经网络权值训练与调整，并在所述rbf神经网络权值训练与调整步骤之后进行所述去模糊化处理。

较佳的，在所述左右轮速度设定与所述显示步骤之间将所述左右轮速度设定的数值反馈至所述采集距离、速度信息步骤。

较佳的，所述输入量障碍物距离d中的输入距离参量有三个，分别为障碍物相对于灭火机器人的左前方的距离d1、正前方的距离d2、右前方的距离d3，即输入距离d的信息为{d1,d2,d3}，其模糊语言分别为：很远、远、近、很近。

较佳的，所述灭火机器人的左右轮速度值中的输出速度参量分别是灭火机器人左轮和右轮的转动速度，即速度v的信息为{v1,v2}，将速度模糊化为为5个等级{nb,ns,z,ps,pb}，分别对应的一定的速度值,选用高斯函数作为速度量的隶属度函数。

较佳的，进行所述模糊神经网络控制规则的设计时，先建立在经验知识和专家库，根据灭火机器人避障的环境将避障的条件分为9类，其中无障碍物设为类别1、前方有障碍物设为类别2、左方有障碍物设为类别3、右方有障碍物设为类别4、前方和右前方有障碍物设为类别5、前方与左前方有障碍物设为类别6、左方、左前方和前方有障碍物设为类别7、右方、右前方和前方有障碍物设为类别8、左方和右方有障碍物设为类别9，将避障控制规则可归纳为9类，设置189个控制规则。

较佳的，所述模糊控制rbf神经网络结构设计包括：选择三层rbf神经网络作为模糊控制规则的神经网络，将其输入节点作为为距离参数，将输出节点作为速度参数，并根据各个模糊子集的隶属度函数，确定输入输出参量的模糊量值。

较佳的，在进行所述去模糊化处理时，对模糊神经网络的输出进行解模糊化处理，解模糊算法采用面积中心法。

综上所述，本发明主要具有以下有益效果：

本灭火机器人的自动避障算法的避障方法采用模糊描述完成对障碍物相对于灭火机器人的距离、灭火机器人左右轮速度的行为编码，同时充分利用rbf神经网络的自学习、非线性逼近、自适应技术，通过传感器的信息录入和内部的模糊神经网络环境建模，实现未知环境下的避障规则。采用模糊rbf神经网络的避障算法，将大大提高系统对传感器采集数据的处理能力，并能根据避障环境做出准确的避障决策。

附图说明

图1是本发明的流程框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1

参考图1，一种灭火机器人的自动避障算法，包括：

通过布置传感器采集现场环境中障碍物相对于灭火机器人的位置信息，得到避障算法的输入量障碍物距离d；

对所述障碍物距离d、灭火机器人的左右轮速度值进行模糊化处理，将输入量障碍物距离、灭火机器人的左右轮速度值转化为模糊语言值，所述模糊语言值变量表示特定论域内的模糊子集，其对应一定的隶属度函数；

进行模糊神经网络控制规则的设计，建立起障碍物相对于灭火机器人的方位距离与控制灭火机器人左右轮速度模糊集之间的控制规则；

构建模糊控制rbf神经网络的结构，对模糊控制rbf神经网络权值训练与调整，构建障碍物距离模糊集与灭火机器人的左右轮速度模糊集之间的数学模型；

对所述灭火机器人的左右轮速度模糊量的去模糊化处理，得到灭火机器人的左右轮速度数值。

参考图1，本灭火机器人的自动避障算法的避障方法采用模糊描述完成对障碍物相对于灭火机器人的距离、灭火机器人左右轮速度的行为编码，同时充分利用rbf神经网络的自学习、非线性逼近、自适应技术，通过传感器的信息录入和内部的模糊神经网络环境建模，实现未知环境下的避障规则。采用模糊rbf神经网络的避障算法，将大大提高系统对传感器采集数据的处理能力，并能根据避障环境做出准确的避障决策。

参考图1，其中灭火机器人的避障控制流程包括：

开始；

系统初始化；

采集距离、速度信息；

距离量、速度模糊化；

模糊规则处理；

去模糊化处理；

左右轮速度设定；

显示；

其中，在所述距离量、速度模糊化和所述模糊规则处理步骤之间进行rbf神经网络权值训练与调整，并在所述rbf神经网络权值训练与调整步骤之后进行所述去模糊化处理。

其中，在左右轮速度设定与显示步骤之间将左右轮速度设定的数值反馈至采集距离、速度信息步骤。

参考图1，在经过开始；系统初始化；采集距离、速度信息；距离量、速度模糊化；模糊规则处理；去模糊化处理；左右轮速度设定；显示等步骤后，能够良好的灭火机器人提高避障能力，确保机器人以设定的速度安全到达灭火点并完成任务。

参考图1，其中在进行系统初始化时，灭火机器人配置有相机，其配置成在灭火机器人处于第一位置时拍摄初始化对象的第一图像，并在机器人处于第二位置时拍摄初始化对象的第二图像；里程计单元，其配置成确定灭火机器人相对于初始化对象的方位；以及控制器，其配置成进行以下操作：当灭火机器人处于第一位置时，相对于至少部分地根据第一图像确定的初始化对象对里程计单元进行初始化，从第一位置开始，通过用户演示学习路线，其中学习路线将机器人的动作与灭火机器人相对于通过里程计单元确定的初始化对象的方位相关联，当灭火机器人处于第二位置时，相对于至少部分地根据第二图像确定的初始化对象对里程计单元进行初始化，以及当至少部分地基于灭火机器人相对于通过里程计单元确定的初始化对象的方位，指示灭火机器人执行一个或多个相关联的动作时，使机器人从第二位置开始沿着学习路线的至少一部分自主行走。

参考图1，其中在采集距离、速度信息时，采用的是距离采集模块和速度采集模块，其能够精确采集距离障碍物的距离和相关的速度信息。

参考图1，其中，输入量障碍物距离d中的输入距离参量有三个，分别为障碍物相对于灭火机器人的左前方的距离d1、正前方的距离d2、右前方的距离d3，即输入距离d的信息为{d1,d2,d3}，其模糊语言分别为：很远、远、近、很近。

参考图1，其中，灭火机器人的左右轮速度值中的输出速度参量分别是灭火机器人左轮和右轮的转动速度，即速度v的信息为{v1,v2}，将速度模糊化为为5个等级{nb,ns,z,ps,pb}，分别对应的一定的速度值,选用高斯函数作为速度量的隶属度函数。

参考图1，其中，进行所述模糊神经网络控制规则的设计时，先建立在经验知识和专家库，根据灭火机器人避障的环境将避障的条件分为9类，其中无障碍物设为类别1、前方有障碍物设为类别2、左方有障碍物设为类别3、右方有障碍物设为类别4、前方和右前方有障碍物设为类别5、前方与左前方有障碍物设为类别6、左方、左前方和前方有障碍物设为类别7、右方、右前方和前方有障碍物设为类别8、左方和右方有障碍物设为类别9，将避障控制规则可归纳为9类，设置189个控制规则。

参考图1，其中，所述模糊控制rbf神经网络结构设计包括：选择三层rbf神经网络作为模糊控制规则的神经网络，将其输入节点作为为距离参数，将输出节点作为速度参数，并根据各个模糊子集的隶属度函数，确定输入输出参量的模糊量值。

参考图1，其中，在进行所述去模糊化处理时，对模糊神经网络的输出进行解模糊化处理，解模糊算法采用面积中心法。

其中，模糊逻辑中隶属于【0，1】的值，用以表示程度，是对二值逻辑的扩充，适合描述实际生活中描述的不精确性。关键的概念是：渐变的隶属关系。一个集合可以有部分属于它的元素；一个命题可能亦此亦彼，存在着部分真部分伪。模糊逻辑是通过模仿人的思维方式来表示和分析不确定、不精确信息的方法和工具。模糊逻辑本身并不模糊，它并不是“模糊的”逻辑，而是用来对“模糊”(现象、事件)进行处理，以达到消除模糊的逻辑。利用**“隶属函数”值来描述一个概念的特质，亦即使用0与1之间的数值来表示一个元素属于某一概念的程度，这个值称为该元素对集合的隶属度。当隶属度为1或0时便如同传统的数学中的“对”与“错”，当介于两者之问便属于对与错之间的灰色地带。模糊集合则是指在界限或边界不分明且具有特定事物的集合，以建立隶属函数来表示模糊集合。

其中，rbf是具有单隐层的三层前向网络。第一层为输入层，由信号源节点组成。第二层为隐藏层，隐藏层节点数视所描述问题的需要而定，隐藏层中神经元的变换函数即径向基函数是对中心点径向对称且衰减的非负线性函数，该函数是局部响应函数，具体的局部响应体现在其可见层到隐藏层的变换跟其它的网络不同。以前的前向网络变换函数都是全局响应的函数。第三层为输出层，是对输入模式做出的响应。输入层仅仅起到传输信号作用，输入层和隐含层之间之间可以看做连接权值为1的连接，输出层与隐含层所完成的任务是不同的，因而他们的学习策略也不同。输出层是对线性权进行调整，采用的是线性优化策略，因而学习速度较快；而隐含层是对激活函数(格林函数，高斯函数，一般取后者)的参数进行调整，采用的是非线性优化策略。

rbf神经网络的基本思想：用rbf作为隐单元的“基”构成隐藏层空间，隐藏层对输入矢量进行变换，将低维的模式输入数据变换到高维空间内，使得在低维空间内的线性不可分问题在高维空间内线性可分。详细一点就是用rbf的隐单元的“基”构成隐藏层空间，这样就可以将输入矢量直接(不通过权连接)映射到隐空间。当rbf的中心点确定以后，这种映射关系也就确定了。而隐含层空间到输出空间的映射是线性的(注意这个地方区分一下线性映射和非线性映射的关系)，即网络输出是因单元输出的线性加权和，此处的权即为网络可调参数。

其中rbf神经网络中心选取方法：

对于rbf神经网络的学习算法，关键问题是隐藏层神经元中心参数的合理确定。常用的方法是从中心参数(或者其初始值)是从给定的训练样本集里按照某种方法直接选取，或者是采用聚类的方法确定。

①直接计算法(随机选取rbf中心)

隐含层神经元的中心是随机地在输入样本中选取，且中心固定。一旦中心固定下来，隐含层神经元的输出便是已知的，这样的神经网络的连接权就可以通过求解线性方程组来确定。适用于样本数据的分布具有明显代表性。

②自组织学习选取rbf中心法

rbf神经网络的中心可以变化，并通过自组织学习确定其位置。输出层的线性权重则是通过有监督的学习来确定的。这种方法是对神经网络资源的再分配，通过学习，使rbf的隐含层神经元中心位于输入空间重要的区域。这种方法主要采用k-均值聚类法来选择rbf的中心。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。