基于改进模糊算法的移动机器人避障

1、基于改进模糊算法的移动机器人避障 摘要：为了提高移动机器人在连续障碍物环境下的避障性能，提出了一种具有速度反馈的模糊避障算法。移动机器人利用超声传感器感知周围环境，在模糊控制的基础上通过障碍物分布情况调整自身速度，进而引入优雅降级并把改进的模糊避障融入其中，增强了移动机器人的鲁棒性。实验结果表明，该方法能通过与环境交互调整机器人移动速度，控制机器人成功避障并优化避障路径，具有良好的有效性。 关键词：移动机器人；避障；模糊控制；超声波测距；优雅降级 中图分类号： tp24 文献标志码：a mobile robot obstacle avoidance based on improved fuzz

2、y algorithm peng yuqing， li mu*， zhang yuanyuan school of computer science and engineering， hebei university of technology， tianjin 300401， china abstract： in order to improve the performance of obstacle avoidance for mobile robots in continuous obstacle environment， a fuzzy algorithm of obstacle av

3、oidance with speed feedback was proposed. ultrasonic sensors were utilized to perceive the surroundings， and based on fuzzy control， the mobile robot adjusted its speed according to the distribution of obstacles. then the graceful degradation was introduced combined with the improved fuzzy obstacle

4、avoidance to enhance the robustness of the mobile robot. the experimental results show that the method can adjust the speed through interaction with the environment， control the robot in a collisionfree way and optimize the obstacle avoidance path. simultaneously， the method shows good effectiveness

5、. 英文关键词key words： mobile robot； obstacle avoidance； fuzzy control； ultrasonic ranging； graceful degradation 0引言 在利用移动机器人进行探测、侦察和导航时，由于计算的复杂性、控制的实时性、环境的不确定性等因素，尤其是在包含多个连续障碍的复杂环境中，自主避障已经成为当前移动机器人领域中的重要研究方向1-2。根据文献3-12的介绍，移动机器人的避障策略大体上可以分为两类：第一类是基于环境模型的避障策略，机器人能在完全已知的环境（障碍物的位置和形状预先给定）下避障，而当环境变化（障碍物位置变动

6、）时避障效果较差，具体方法有栅格法3、可视图法4等；第二类是基于传感器信息的避障策略，具体方法有人工势场法5-6、神经网络法7-8、模糊逻辑法9-12等，其中模糊逻辑法引入驾驶员的经验以实现实时避障，算法所需存储空间小，并克服了势场法存在的局部最小现象，现已被广泛用于移动机器人避障。 本文在保持模糊控制原有特性的基础上了给出了一种具有速度反馈的模糊避障算法，特别适用于多障碍物连续出现的环境；同时把改进的模糊避障策略融入基于行为的控制技术中，使避障成为一个独立的行为单元。在运行状态下避障行为通过竞争机制获取机器人的主导权，控制机器人完成避障任务。通过仿真实验的反复调整，给出了相对合理的输入输出隶

7、属度函数。与传统的模糊算法相比，把反馈速度作为模糊逻辑控制器的输入可以使移动机器人的决策控制更加准确。实验结果表明该方法具有很好的有效性，优化了移动机器人在未知环境下的避障路径。 1机器人硬件结构 分布式控制系统（distributed control system）是多智能体技术在移动机器人研究领域的重要应用13。在移动机器人硬件设计中引入分布式控制，不但提供了良好的控制方式和结构标准，降低了控制系统的复杂度，还使得移动机器人系统层次清晰，各个功能模块协调运转。 1.1riraii分布式控制系统 riraii移动机器人14采用分布式控制系统，将控制功能在下位机分散，每个下位机完成一项特定功能

8、，各个下位机并行工作，大大提高了整个系统的处理速度和运算能力。riraii移动机器人的分布式控制系统如图1所示。 整个系统由主控模块、感知模块、无线通信模块和个人计算机（personal computer， pc）组成。其中主控模块选用高性能微处理器at89s52，可实现对各传感器信息的实时获取；感知模块包括视觉传感器（sony evd31摄像机）、超声传感器（senscomp 6500系列）、碰撞传感器和防堵转传感器；无线通信模块负责发送图像或数据到移动机器人及pc，串口通信协议标准为rs232标准；pc客户端平台利用windows系统的vc+6.0开发。riraii移动机器人外观如图2所示

9、。 1.2超声测距系统 超声传感器15技术成熟、抗干扰能力强、成本低，是移动机器人避障的常用传感器，但单个超声传感器避障存在一些缺陷，如对障碍物的定位不精确、存在探测盲区、方向性不好产生镜面反射或障碍物幻影等。为了克服单个超声传感器避障存在的不稳定性因素，采用多路超声传感器来获取机器人周围障碍物的信息，超声传感器分前、后、左、右4组安装在riraii移动机器人四周，具体位置如图3所示。每组传感器在微处理器的控制下采用单循环工作模式或双循环工作模式，其目的是为了减少交调失真和超声波之间的相互干扰。 超声波测距的基本原理是不断检测超声波发射后遇到障碍物所反射的回波，通过时间渡越法来计算距离，其计算

10、公式如下： d=ct/2 （1） 其中：d为障碍物与超声波传感器的距离；t为超声波从发射到返回的时间间隔，即渡越时间；c为声波在介质中的传播速度。实验中，如果温度变化不大，可认为超声波的波速近似于声音在空气中的传播速度，即c=340m/s。因此只要测出渡越时间t，即可求得移动机器人与障碍物之间距离。 2模糊控制器的设计 移动机器人的运动环境十分复杂，很难建立精确的数学模型来预测障碍物的位置，而模糊控制是一种基于规则的控制，它直接采用语言型控制规则，在设计中不需要建立被控对象的精确模型，因此非常适合于移动机器人的自主避障。 2.1输入输出及模糊语言描述 传统的模糊避障算法只把距离信息作为模糊控制

11、器的输入，可是仅依靠距离信息进行控制并不完全符合人类驾驶经验，驾驶员不可能只凭距离信息进行判断，势必要考虑当前的移动速度，因此在移动机器人避障过程中，把机器人当前移动速度作为反馈信息和超声传感器测得的距离信息一同作为模糊逻辑控制器的输入，把左右两轮的加速度作为模糊逻辑控制器的输出。具有速度反馈的模糊避障控制系统如图4所示。 选用机器人前方的6个超声传感器（f1 f6）获取障碍物的距离信息，每次读入f1、f2两个传感器的距离信号，取其中较小的一个数据作为左侧距离的输入，并用ld表示左侧距离；同理，每次取f3、f4两个传感器中较小的数据作为前方距离的输入，并用fd表示前方距离；每次取f5、f6两个

12、传感器中较小的数据作为右侧距离的输入，并用rd表示右侧距离。riraii移动机器人的车体结构为基本的履带式，由刚体平动原理可知，移动机器人在任意瞬时都是绕车体瞬心转动。因此，机器人可简化为以前后轮中心线为轴线的两轮移动平台。移动机器人运动模型如图5所示。 图5中：xoy为全局坐标系，xoy为车体坐标系，p为速度瞬心。因此，在任意时刻都可求出用于模糊控制器输入的反馈速度： v（t）=vl（t）+vr（t）/2 （2） 式中vl（t）、vr（t）分别指左右两驱动轮的线速度。 障碍物距离fd、ld、rd的变化范围为0m，3m，模糊语言集合为近，远，相应的语言变量记作near， far；机器人移动速度

13、v的变化范围为0cm/s， 10cm/s，模糊语言集合为慢，中，快，相应的语言变量记作slow， middle， fast；左右轮加速度al、 ar的变化范围为-12cm/s2， 12cm/s2，模糊语言集合为减速，慢减速，不变，慢加速，加速，相应的语言变量记作d，sd，c，sa，a。 2.2输入输出的隶属度函数 为了减少模糊控制器的计算负担，提高数据的处理速度，采用了分段线性隶属度函数。距离信号fd、ld、rd的隶属度函数如图6（a）所示；移动速度v的隶属度函数如图6（b）所示；左轮加速度al的隶属度函数如图6（c）所示；右轮加速度ar的隶属度函数如图6（d）所示。 2.3模糊控制规则 模糊

14、控制规则的建立是模糊控制的核心问题16。根据人类驾驶的实际经验，当障碍物很远时，机器人将加速向目标前进；当接近障碍物时，机器人将减速行驶并根据障碍物的分布情况和目标方位作出合理决策，使自身在避障的同时尽量靠近目标。为了模糊避障规则库的建立，把未知环境下障碍物的分布情况归纳为8大类，如图7所示。 根据各模糊变量的模糊子集可归纳出232=24条模糊控制规则，由人类驾驶经验和未知环境下障碍物的分布情况，可以建立全部模糊控制规则，在模糊控制规则的制定上采用基于控制器行为特性的方式17，把复杂的动作分解成若干个简单的动作依次执行。建立的模糊控制规则如表1所示。 所有的规则都可以用“ifthen”语句描述

15、，其一般形式如下： if （ld is ldi and fd is fdj and rd is rdk and v is vp） then （al is alm and ar is arn） （3） 其中：ldi、fdj、rdk、vp、alm、arn分别是定义在论域ld、fd、rd、v、al和ar上的模糊集。这些模糊条件语句可归纳为控制规则r1r24，每条规则的权重均为1，系统总的控制规则r可表示为r=24i=1ri。在模糊推理时采用模糊控制领域较为成熟的mamdani方法，应用rc模糊蕴含关系运算和最大最小合成法。具体的，当输入为ld=x时，由距离信号的隶属度函数可得near（ld=x），f

16、ar（ld=x），同理可得fd=y，rd=z分别对集合near，far的隶属度。当输入速度v=v时，由速度的隶属度函数可得slow（v=v），middle（v=v），fast（v=v），则表1中第一条规则r1的激励强度为： 1=（near（ld=x）near（fd=y）near（fd=z）slow（v=v） 同理可得激励强度224的值。因此，r1对左轮加速度al的输出隶属函数为1=1sa（al），r2对al的输出隶属函数为2=2c（al），r24对al的输出隶属函数为24=24c（al），所以，最终左轮加速度的输出隶属函数为l=1224。同理可得右轮加速度ar的输出隶属函数r。 2.4解模糊

17、通过模糊控制规则得到的结果是一个模糊量。但在实际模糊控制中，模糊量不能直接控制执行机构，需要将其转化为精确量，这个过程称为解模糊。常用的解模糊方法16有：面积重心法、加权平均法、取中位数法和平均最大隶属度法等，本文采用的是面积重心法。 其中：表示输出模糊子集所有元素的隶属度值在连续论域上的代数积分，l、r分别表示左、右轮加速度的隶属度函数。之后，将解模糊得到的精确量转化为控制信号输入给驱动电机，从而控制机器人的移动，并通过两驱动轮的速度差控制移动机器人的行走方向。 3优雅降级 计算机所创造的人工虚拟环境属于一种理想化结构，但现实环境往往是非结构化的，外加传感器本身存在着误报或漏报的情况，移动机

18、器人的实际运行方式与我们所期望的有很大差距。当传感器子系统发生错误或者工作失效时，机器人的主控系统应降低水准继续工作，而不是完全瘫痪，因此移动机器人应当具备优雅降级17的能力。优雅降级能有效地避免机器人整体性能恶化，保证机器人在控制命令变质或重要信息失效的情况下，仍能够顺利完成既定任务。这里只介绍移动机器人避障过程中的优雅降级，其流程如图8所示。 具体的优雅降级策略如下： 1）理想情况下，移动机器人总能依靠超声传感器检测到未知环境下的障碍物，从而进入前述的模糊避障行为。 2）超声传感器在障碍物表面平滑的情况下很容易发生漏报错误，导致模糊避障行为无法触发，机器人将继续前进同障碍物发生碰撞，碰撞检

19、测传感器将会受到挤压而使机器人触发下一级别的逃离行为。 3）假设碰撞检测传感器存在盲点，机器人无法检测到碰撞，仍全力推动物体，这时驱动电机的电流快速上升并超过设定阈值，堵转检测传感器可以检测到这种情况，并推断机器人被某个物体阻塞，系统同样可以利用这种信号触发逃离行为，逃离行为控制机器人后退一段距离并原地旋转固定角度。 4）进一步假设机器人运行环境非常光滑，履带在被阻塞的情况下仍能原地旋转。由于此时车轮负载小，电机电流无法达到堵转检测传感器的设定阈值，逃离行为无法触发。此时可以利用视觉传感器进行检测，根据一段时间内拍摄到的场景是否发生变化来判断机器人是否运动，如果机器人处于无运动状态，将会触发最

20、高级别的防静止行为，防静止行为控制机器人随机地旋转和后退。 综上所述，在逃离行为或防静止行为的控制下，移动机器人的性能会有所下降，但优雅降级为机器人提供了更强的容错率，即使在性能下降的情况下，如果给定足够的时间，机器人也能够完成自己的避障任务而不至于系统瘫痪。 4仿真实验 为了验证本文算法的有效性，使用机器人仿真平台mobotsim进行测试。仿真参数为：机器人移动空间为20m20m的矩形，其中每1m的间距用点网格作为参考；移动机器人直径0.5m，6个超声传感器相互间隔30安装在机器人前方，每个超声传感器的声束角为15。起点和目标点在图形中已经标出，其他未说明的形状为障碍物，且设置各障碍物间距均

21、大于移动机器人直径，以确保机器人可顺利穿越两障碍物。 由于凹形障碍物环境是研究局部最小问题的典型环境，故在此环境下完成对比实验，效果如图9所示。图9（a）为采用人工势场法的避障效果，图9（b）为本文方法的避障效果。从图9中可以看出，本文算法有效地克服了人工势场法中局部最小问题，能控制移动机器人成功逃脱陷阱区域，最终到达目标点。 当目标点处于凹形区域内部时，进一步对移动机器人避障性能进行对比，效果如图10所示。图10（a）采用文献18的避障方法，由于控制规则过少，移动机器人运动盲目，很容易陷入死循环；图10（b）采用文献19的避障方法，移动机器人虽具备沿墙走行为，但由于不能合理控制自身速度，无法

22、减速进入凹形区或始终执行沿墙走过程；图10（c）采用本文方法，移动机器人在发现单侧障碍物后，根据前述模糊规则切换为沿墙走行为，在到达凹型口时适当调整速度，可顺利进入凹形区域并到达目标点。 移动机器人在连续障碍物环境下的对比实验如图11所示，其中蓝线为传统的模糊算法，红线为本文所述的具有速度反馈的模糊算法。 从图11中可以看出，在两种算法的控制下，移动机器人在e点之前的避障路径几乎没有区别，但随着机器人速度逐渐提升，在几个障碍物比较接近、机器人需要连续避障的情况下，传统的模糊算法没有考虑机器人当前移动速度，若速度过快，机器人将直接绕开整个障碍。而具有速度反馈的模糊算法实时对机器人的速度进行调整，

23、遇到连续的障碍物也可减速通过，避障路径和到达目标点的耗时均优于传统模糊算法。避障衡量指标如表2所示。 最后测试了本文算法在复杂环境下的避障性能，效果如图12所示。由于移动机器人在复杂环境下极易出现迂回情况，因此在a、b两点分别设置红外信标，移动机器人上安装红外接收器，这样机器人在完成阶段性路径规划后可直接向信标前进，大大缩短了用时。从图中可以看出，在无障碍区域，机器人路径光滑且移动速度快；当进入障碍物区域，机器人会针对障碍物方位调整自身速度，从而更有效躲避障碍；在通过窄道区域时，机器人几乎不会产生摆动现象，优于传统的人工势场法。仿真结果表明，机器人动作连续、稳定，能有效躲避环境中的障碍且所产生

24、的运动路径平滑，未出现过多迂回，说明具有速度反馈的模糊算法可以很好地适应复杂环境。 5结语 针对非结构化的工作环境，本文提出了一种具有速度反馈的多超声传感器的模糊避障算法，有效地克服了传统超声避障算法中存在的对机器人控制能力弱、定位精度敏感等问题。在机器人的硬件设计上采用了分布式控制的思想，降低了控制系统的复杂程度，提供了良好的拓展性；在机器人的软件设计上采用了基于行为的编程思想，提供了优雅降级的能力，使机器人在实际环境中拥有更强的适应性。实验结果表明该方法保持了模糊算法计算量小的特点，能够适应复杂的环境，同时具有合理的容错机制和更强的鲁棒性。随着传感器技术的发展，多传感器信息融合将会进一步优

25、化机器人的避障性能，如果把模糊算法和遗传算法、神经网络等理论有效结合，也有助于达到更好的避障效果。 参考文献： 1 petric t， lajpah l. smooth continuous transition between tasks on a kinematic control level： obstacle avoidance as a control problem j. robotics and autonomous systems， 2013， 61（9）： 948-959. 2 kanarachos s， kanarachos a. minimum order bangban

26、g guidance for feedforward obstacle avoidance steering maneuvers of vehicles j. international journal of automotive technology， 2013， 14（1）： 37-46 3 jian y， zhang y. survey on technology of mobile robot path planning j. journal of computer applications， 2014， 34（10）： 2844-2849. （简毅，张月.移动机器人全局覆盖路径规划算

27、法研究进展与展望j.计算机应用，2014，34（10）：2844-2849.） 4 rashid a t， ali a a， frasca m， et al. path planning with obstacle avoidance based on visibility binary tree algorithm j. robotics and autonomous systems， 2013， 61（12）： 1440-1449. 5 mabrouk m h， mclnnes c r. solving the potential field local minimum problem u

28、sing internal agent states j. robotics and autonomous system， 2008， 56（12）： 1050-1060. 6 hu y， zhang q. multirobots path planning based on improved artificial potential field method j. advanced materials research， 2012， 562/563/564： 937-940. http：/amr.562-564.937 7 gao y， zhu f， song h. evolutionary

29、 operant behavior learning model and its application to mobile robot obstacle avoidance j. journal of computer applications， 2013， 33（8）： 2283-2288. （郜园园，朱凡，宋洪军.进化操作行为学习模型及在移动机器人避障上的应用j.计算机应用，2013，33（8）：2283-2288.） 8 wang y， chen w. path planning and obstacle avoidance of unmanned aerial vehicle bas

30、ed on improved genetic algorithms c/ proceedings of the 2014 international conference on electrical， control and automation. lancaster： destech publications， 2014： 8612-8616. 9 mehdi fateh m， fateh s. a precise robust fuzzy control of robots using voltage control strategy j. international journal of

31、 automation and computing， 2013， 10（1）： 64-72. 10 yang x， moallem m， patealn r v. a layered goaloriented fuzzy motion planning strategy for mobile robot navigation j. ieee transactions on systems， man and cybernetics， 2005， 35（6）： 1214-1224. 11 chen w， zhu q. mobile robot path planning based on fuzz

32、y algorithms j. acta electronica sinica， 2011， 39（4）： 971- 974. （陈卫东，朱奇光.基于模糊算法的移动机器人路径规划j.电子学报，2011，39（4）：971- 974.） 12 motlagh o， tang s h， ismail n， et al. an expert fuzzy cognitive map for reactive navigation of mobile robots j. fuzzy sets and systems， 2012， 201： 105-121. 13 loukianov a， sugisaka m， kimura h， et al. implementing distributed control system for intelligent mobile robot j. artificial life and robotics， 2004， 8（2）： 159-162. 14 zhao h， yue h， zhang y， et al. design of a distributed ultrasonic detecting system for autonomous mobile robot j. journal of hebei univ