榮蓉

摘 要：為了調(diào)正移動機(jī)器人避障線路，建立了基于模糊Elman網(wǎng)絡(luò)算法的移動機(jī)器人路徑規(guī)劃模型，并應(yīng)用進(jìn)行Matlab仿真分析。利用現(xiàn)有障礙物的距離信息來實現(xiàn)機(jī)器人步長的實施可控制與調(diào)節(jié)，防止移動機(jī)器人在做出準(zhǔn)確避障行為之后因為沒有設(shè)定合適的步長而導(dǎo)致撞上障礙物，以0.5作為機(jī)器人的最初運動步長。仿真結(jié)果表明，采用模糊Elman網(wǎng)絡(luò)可以獲得比其它兩種方法更優(yōu)的路徑規(guī)劃效果，同時對障礙物進(jìn)行高效避讓，由此實現(xiàn)最優(yōu)的路徑規(guī)劃。采用模糊Elman網(wǎng)絡(luò)來構(gòu)建得到的路徑規(guī)劃算法能夠滿足規(guī)劃任務(wù)的要求，同時還能夠根據(jù)機(jī)器人處于不同工作空間中的情況進(jìn)行靈活調(diào)整。

關(guān)鍵詞：模糊Elman網(wǎng)絡(luò)算法; 移動機(jī)器人; 路徑規(guī)劃; 避障

中圖分類號： TM715

文獻(xiàn)標(biāo)志碼： A

Abstract：In order to raise the obstacle avoidance line， a path planning model of mobile robot based on fuzzy Elman network algorithm was established， and Matlab simulation analysis was carried out. In this study， distance information of existing obstacles was used to realize controllable and adjustable robot step length， so as to prevent the mobile robot from colliding with obstacles due to not setting appropriate step length after making accurate obstacle avoidance behavior. 0.5 is taken as the initial movement step length of the robot. Simulation results show that the fuzzy Elman network can achieve better path planning effect than the other two methods， and at the same time， avoid obstacles efficiently， so as to achieve the optimal path planning. The path planning algorithm constructed by fuzzy Elman network can meet the requirements of planning tasks， and can be flexibly adjusted according to different working spaces of robots.

Key words：Fuzzy Elman network algorithm; Mobile robots; Path planning; Obstacle avoidance

0 引言

為了使移動機(jī)器人順利完成運動路徑控制，需要采用路徑規(guī)劃技術(shù)來保證機(jī)器人順利規(guī)避運動階段遇到的各類障礙物，并迅速找到最優(yōu)替代路徑[1-5]。為充分提高路徑規(guī)劃過程的靈活性并快速適應(yīng)不同路徑狀況，選擇模糊Elman網(wǎng)絡(luò)理論作為分析架構(gòu)，構(gòu)建得到路徑規(guī)劃算法，同時具備Elman網(wǎng)絡(luò)以及模糊控制的共同優(yōu)點，表現(xiàn)出了優(yōu)異的信息并行處理以及泛化分析性能，可以將其用于處理一些不確定信息，同時還可以把專家的經(jīng)驗也轉(zhuǎn)變成以網(wǎng)絡(luò)形式進(jìn)行輸入與輸出的映射，上述映射關(guān)系可通過模糊Elman網(wǎng)絡(luò)來精確表達(dá)，從而為移動機(jī)器人提供更優(yōu)的路徑規(guī)劃方案[6-8]。

相關(guān)方面的研究吸引了很多的研究學(xué)者。文獻(xiàn)[9]利用神經(jīng)網(wǎng)絡(luò)來實現(xiàn)無人飛行器的航跡規(guī)劃過程，同時選擇帝國競爭算法來訓(xùn)練該網(wǎng)絡(luò)，同時對比了該算法和人工蜂群算法之間的各自優(yōu)勢與差異性。文獻(xiàn)等[10]同時設(shè)置了動態(tài)與靜態(tài)兩種障礙物再對機(jī)器人進(jìn)行自主移動測試，通過Q學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)算法相結(jié)合的方式實施路徑規(guī)劃。文獻(xiàn)[11]則在生物激勵神經(jīng)網(wǎng)絡(luò)中加入了障礙物傳感器以及運動狀態(tài)分析模塊以實現(xiàn)更優(yōu)的控制效果，同時利用這一網(wǎng)絡(luò)對船舶除銹機(jī)器人實施路徑規(guī)劃。文獻(xiàn)[12]采用DHPSO和工神經(jīng)網(wǎng)絡(luò)相結(jié)合的方式來構(gòu)建得到規(guī)劃算法模型，在該模型中障礙物信息通過多層前向網(wǎng)絡(luò)來表示。本文在前人研究的基礎(chǔ)上，為了調(diào)高移動機(jī)器人避障線路，本位建立基于模糊Elman網(wǎng)絡(luò)算法的移動機(jī)器人路徑規(guī)劃模型，并展開Matlab仿真分析。

1 模糊Elman網(wǎng)絡(luò)算法

1.1 網(wǎng)絡(luò)輸入輸出及模糊化

進(jìn)入未知工作環(huán)境中后，移動機(jī)器人需對自身所處的周邊環(huán)境進(jìn)行數(shù)據(jù)收集后再實施路徑規(guī)劃，決策過程需要以獲得的環(huán)境信息作為參考依據(jù)[13-14]。本文先假定能夠得到機(jī)器人與正前方障礙物之間的距離F，以及位于機(jī)器人左右45°角范圍內(nèi)的障礙物距離，設(shè)定最遠(yuǎn)測試距離等于3 m，并且機(jī)器人可以得到目標(biāo)點產(chǎn)生的方位數(shù)據(jù)tg，其中，tg是目標(biāo)點和機(jī)器人所在部位連線與X軸之間形成的夾角，測試角度是-180°～+180°。

為采用標(biāo)準(zhǔn)化方法來設(shè)計模糊Elman網(wǎng)絡(luò)的路徑規(guī)劃算法，應(yīng)采用論域變換方法處理各精確輸入量，再對距離參數(shù)[L，F(xiàn)，R]以及目標(biāo)方位tg進(jìn)行變換使其處于標(biāo)準(zhǔn)論域[-1/+1]內(nèi)。以[a/b]來表示輸入論域范圍。

考慮到采用模糊Elman網(wǎng)絡(luò)并不能對精確輸入的數(shù)據(jù)直接處理，這就要求采用論域變換得到輸入量再對其實施模糊化操作，再將其表示為模糊語言的形式。以{Near、Far}表示障礙物距離[L、F、R]對應(yīng)的模糊子集，包括近（Near）與遠(yuǎn)（Far）兩種模糊語言;以{RB、RS、ZO、LS、LB}來表示tg模糊子集，總共包含以下幾種模糊語言：右小、右大、零、左小、左大。從圖3-1中可以看到距離量L、F、R對應(yīng)的隸屬度函數(shù)。

1.2 網(wǎng)絡(luò)控制規(guī)則設(shè)計

模糊Elman網(wǎng)絡(luò)根據(jù)專家經(jīng)驗來設(shè)計控制規(guī)則，同時也能夠體現(xiàn)網(wǎng)絡(luò)輸入量和輸出量的變化關(guān)系。當(dāng)機(jī)器人在運動期間探測到與周圍障礙物不斷接近的情況下，應(yīng)適當(dāng)改變機(jī)器人的運動方向，避免機(jī)器人撞到障礙物。機(jī)器人實現(xiàn)避障功能的具體原理為：如果當(dāng)前障礙物和機(jī)器人相距很近時，應(yīng)根據(jù)障礙物分布狀態(tài)以及目標(biāo)信息進(jìn)行響應(yīng);如果現(xiàn)有障礙物和機(jī)器人之間的距離比較遠(yuǎn)，可以按照目標(biāo)方位信息來完成響應(yīng)，并使機(jī)器人往目標(biāo)點方向繼續(xù)移動。

因為障礙物可以和機(jī)器人之間形成8種分布狀態(tài)，各狀態(tài)對應(yīng)的目標(biāo)點可以形成5種方位信息，因此可以為機(jī)器人路徑規(guī)劃構(gòu)建40條控制規(guī)則。

1.3 網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計

通過避障模糊控制規(guī)則訓(xùn)練模糊Elman網(wǎng)絡(luò)，以訓(xùn)練得到的網(wǎng)絡(luò)作為規(guī)則存儲器，通過并行計算來提高模糊運算性能，把機(jī)器人從外部環(huán)境中采集得到的數(shù)據(jù)信息傳輸?shù)侥：鼸lman網(wǎng)絡(luò)內(nèi)，再對計算得到的解進(jìn)行模糊處理來實現(xiàn)避障的功能，由此完成對移動機(jī)器人的路徑規(guī)劃控制。從圖1中可以看到本文選擇的模糊Elman網(wǎng)絡(luò)，此模型以x1～x2輸入神經(jīng)元構(gòu)成障礙物距離L包含的所有模糊子集，同時以x3～x4作為障礙物距離F對應(yīng)的模糊子集，以x5～x6作為障礙物形成距離R情況下包含的模糊子集，以x7～x11構(gòu)成目標(biāo)方位tg包含的所有模糊子集，以y1～y11構(gòu)成機(jī)器人的轉(zhuǎn)角sa對應(yīng)的模糊子集，由此得到模糊Elman網(wǎng)絡(luò)中總共包含了11個輸入神經(jīng)元，同時形成了11個輸出神經(jīng)元，通過多次測試后確定隱含層神經(jīng)元的數(shù)量等于25。

對模糊Elman網(wǎng)絡(luò)進(jìn)行訓(xùn)練的過程中，應(yīng)選擇數(shù)值樣本來描述輸入輸出模糊子集。考慮到在模糊Elman網(wǎng)絡(luò)內(nèi)各輸出神經(jīng)元分別對應(yīng)于輸出變量空間的特定量化值，因此可選擇隸屬函數(shù)來表達(dá)輸出模糊子集。

2 結(jié)果分析

本研究采用Matlab軟件來驗證采用模糊Elman網(wǎng)絡(luò)完成路徑規(guī)劃算法時是否具備可行性條件。把機(jī)器人作為一個移動質(zhì)點，構(gòu)建得到靜態(tài)環(huán)境地圖，如圖2所示。

可以看到存在許多黑色障礙物，以S（3.5，7.5）作為路徑規(guī)劃起點，并以E（24.5，24.5）作為目標(biāo)位置。對圖2進(jìn)行分析可以發(fā)現(xiàn)，輸出變量sa總共被分成11個論域，將其表示為[-1/+1]，此時c1/c2/…ct依次對應(yīng)于-1/-0.8/…/1。

根據(jù)以上分析可知，各種情況下的避障模糊控制規(guī)則都可以采用輸入與輸出數(shù)值來表示，由此獲得模糊Elman神經(jīng)網(wǎng)絡(luò)包含的所有訓(xùn)練樣本，同時針對40條控制規(guī)則依次生成了40組網(wǎng)絡(luò)訓(xùn)練樣本。

以11-25-11結(jié)構(gòu)構(gòu)建模糊Elman網(wǎng)絡(luò)的拓?fù)湎到y(tǒng)，同時把目標(biāo)誤差設(shè)定在0.001，采用Logsig函數(shù)構(gòu)建得到模糊Elman網(wǎng)絡(luò)隱含層包含的所有激勵函數(shù)f，同時以Purelin函數(shù)構(gòu)建輸出層激勵函數(shù)g，再以梯度下降法來訓(xùn)練模糊Elman網(wǎng)絡(luò)，同時將訓(xùn)練次數(shù)的最大值設(shè)定在3 000。確保該網(wǎng)絡(luò)產(chǎn)生的輸出變量sa能夠和移動機(jī)器人形成良好匹配的運動步長，由此得到迭代期間機(jī)器人每次通過直線移動形成的距離，利用現(xiàn)有障礙物的距離信息來實現(xiàn)機(jī)器人步長的實施可控制與調(diào)節(jié)，防止移動機(jī)器人在做出準(zhǔn)確避障行為之后因為沒有設(shè)定合適的步長而導(dǎo)致撞上障礙物的結(jié)果，以0.5作為機(jī)器人的最初運動步長。采用模糊Elman網(wǎng)絡(luò)來完成路徑規(guī)劃的具體算法，如圖3所示。

在測試算法性能的過程中，綜合運用人工勢場以及Elman神經(jīng)網(wǎng)絡(luò)來完成路徑規(guī)劃，同時將得到的結(jié)果和模糊Elman網(wǎng)絡(luò)規(guī)劃實施了對比。因為使用模糊Elman網(wǎng)絡(luò)分析方法時只根據(jù)現(xiàn)有環(huán)境信息實施規(guī)劃，并且采用該網(wǎng)絡(luò)進(jìn)行訓(xùn)練的每次權(quán)值間都存在一定的差異性，為消除測試誤差的影響，需要采用同樣的環(huán)境地圖開展10次規(guī)劃，得到表1所示的結(jié)果，可以看到，采用人工勢場法進(jìn)行規(guī)劃時得到了同樣大小的路徑長度。

根據(jù)表1可以發(fā)現(xiàn)，與Elman神經(jīng)網(wǎng)絡(luò)模型相比，采用模糊Elman網(wǎng)絡(luò)路徑規(guī)劃方法可以獲得更高的成功概率，并

使最優(yōu)路徑長度減小4.2%，同時平均路徑長度能夠減小7.8%;與人工勢場法相比，采用模糊Elman網(wǎng)絡(luò)以及規(guī)劃得到的成功次數(shù)都是10次，并使最優(yōu)路徑長度減小幅度達(dá)到13.1%，同時減小了11.8的平均路徑長度。通過仿真測試發(fā)現(xiàn)，采用模糊Elman網(wǎng)絡(luò)可以獲得比其它兩種方法更優(yōu)的路徑規(guī)劃效果，同時對障礙物進(jìn)行高效避讓，由此實現(xiàn)最優(yōu)的路徑規(guī)劃。

當(dāng)移動機(jī)器人進(jìn)行運動時，還會遇到一些臨時出現(xiàn)的障礙物導(dǎo)致機(jī)器人的運動過程受到阻礙，圖4給出了對上述情況進(jìn)行仿真得到的結(jié)果。通過測試發(fā)現(xiàn)，在移動機(jī)器人運動至（8.74，11.77）位置時，在（9.6，12.6）部位產(chǎn)生了新的障礙物，本算法可以根據(jù)周邊環(huán)境信息變化特征，利用模糊Elman網(wǎng)絡(luò)來完成分析過程，通過對輸出結(jié)果進(jìn)行模糊處理來完成對障礙物的避障目的，可以看到，當(dāng)機(jī)器人到達(dá)靠近（9.9，11.49）的區(qū)域時可以靈活躲避新障礙物的影響，并繼續(xù)朝目標(biāo)點前進(jìn)。通過上述仿真測試可以發(fā)現(xiàn)，采用模糊Elman網(wǎng)絡(luò)來構(gòu)建得到的路徑規(guī)劃算法能夠滿足規(guī)劃任務(wù)的要求，同時還能夠根據(jù)機(jī)器人處于不同工作空間中的情況進(jìn)行靈活調(diào)整。

3 總結(jié)

1） 本研究采用Matlab軟件來驗證采用模糊Elman網(wǎng)絡(luò)完成路徑規(guī)劃算法時是否具備可行性條件，利用現(xiàn)有障礙物的距離信息來實現(xiàn)機(jī)器人步長的實施可控制與調(diào)節(jié)，防止移動機(jī)器人在做出準(zhǔn)確避障行為之后因為沒有設(shè)定合適的步長而導(dǎo)致撞上障礙物的結(jié)果，以0.5作為機(jī)器人的最初運動步長。

2） 采用模糊Elman網(wǎng)絡(luò)可以獲得比其它兩種方法更優(yōu)的路徑規(guī)劃效果，同時對障礙物進(jìn)行高效避讓，由此實現(xiàn)最優(yōu)的路徑規(guī)劃。采用模糊Elman網(wǎng)絡(luò)來構(gòu)建得到的路徑規(guī)劃算法能夠滿足規(guī)劃任務(wù)的要求，同時還能夠根據(jù)機(jī)器人處于不同工作空間中的情況進(jìn)行靈活調(diào)整。

參考文獻(xiàn)

[1]?周文卷. 復(fù)雜環(huán)境下自主移動機(jī)器人路徑規(guī)劃方法的研究[D]. 長春：吉林大學(xué)， 2014.

[2] Qu Y， Zhang Y， Zhang Y. A Global Path Planning Algorithm for Fixed-wing UAVs[J]. Journal of Intelligent & Robotic Systems， 2018， 91（3-4）： 691-707.

[3] Yuan M， Wang S， Canyang W U， et al. APF-guided adaptive immune network algorithm for robot path planning[J]. Frontiers of Computer Science， 2009， 3（2）： 247-255.

[4]?韓顏，許燕，周建平.粒子群-蟻群融合算法的機(jī)器人路徑規(guī)劃[J].組合機(jī)床與自動化加工技術(shù)，2020，36（2）：47-50.

[5] 范世鵬， 祁琪， 路坤鋒，等. 基于改進(jìn)人工勢場法的巡航導(dǎo)彈自主避障技術(shù)[J]. 北京理工大學(xué)學(xué)報， 2018， 38（8）：62-68.

[6] 高巍， 趙海， 羅桂蘭，等. 一種AAPF 算法及其在多機(jī)器人路徑規(guī)劃中的應(yīng)用[J]. 東北大學(xué)學(xué)報（自然科學(xué)版）， 2009， 30（5）：644-647.

[7]?任恒樂，徐方，邸霈，田大吉.基于深度相機(jī)的移動機(jī)器人自主跟隨技術(shù)[J].計算機(jī)工程與設(shè)計，2020，41（2）：562-566.

[8] Bakdi A， Abdelfetah H， Boutamai H， et al. Optimal path planning and execution for mobile robots using genetic algorithm and adaptive fuzzy-logic control[J]. Robotics and Autonomous Systems， 2017， 89（1）： 95–109.

[9] Pandey A， Parhi D R. Optimum path planning of mobile robot in unknown static and dynamic environments using Fuzzy-Wind Driven Optimization algorithm[J]. Defence Technology， 2017， 13（1）： 47-58.

[10] Pooya M， Sohrab K， Sehraneh G. A fuzzy multi-stage path-planning method for a robot in a dynamic environment with unknown moving obstacles[J]. Robotica， 2015， 33（9）：17.

[11] 張嘉琦. 基于移動子目標(biāo)的復(fù)合式路徑規(guī)劃算法[J]. 中國公路學(xué)報， 2017， 30（11）：138-146.

[12] 王耀南， 潘琪， 陳彥杰. 改進(jìn)型生物激勵神經(jīng)網(wǎng)絡(luò)的路徑規(guī)劃方法[J]. 控制工程， 2018.

[13]?Song B， Wang Z， Zou L. On Global Smooth Path Planning for Mobile Robots using a Novel Multimodal Delayed PSO Algorithm[J]. Cognitive Computation， 2017， 9（1）： 5-17.

[14]?卜新蘋， 蘇虎， 鄒偉，等. 基于復(fù)雜環(huán)境非均勻建模的蟻群路徑規(guī)劃[J]. 機(jī)器人， 2016， 38（3）：276-284.

（收稿日期： 2019.09.09）