朱國慶

(常州寶菱重工機(jī)械有限公司， 江蘇 常州 213012)

引 言

隨著中國工業(yè)自動(dòng)化水平的提高，自主導(dǎo)向車(AGV)在眾多的領(lǐng)域獲得應(yīng)用[1]。AGV在企業(yè)物流搬運(yùn)過程中所面對(duì)的工作環(huán)境非常復(fù)雜，會(huì)隨著時(shí)間的變化而變化，存在諸多不確定性。AGV路徑規(guī)劃是一個(gè)熱點(diǎn)問題，核心是控制算法：包括傳統(tǒng)算法、圖形學(xué)的方法、智能仿生算法、其他方法[2-3]。當(dāng)前將局部和全局路徑規(guī)劃結(jié)合研究[4]，在傳統(tǒng)路徑規(guī)劃的方法中融入智能算法成為發(fā)展趨勢[5]。本文將模糊控制與神經(jīng)網(wǎng)絡(luò)有機(jī)結(jié)合，利用神經(jīng)網(wǎng)絡(luò)的強(qiáng)大學(xué)習(xí)能力來調(diào)節(jié)模糊控制參數(shù)，既使神經(jīng)網(wǎng)絡(luò)獲得模糊控制的推理歸納能力，也使模糊控制具有神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)能力。引入了碰撞危險(xiǎn)度的概念，同時(shí)把空間碰撞危險(xiǎn)度作為模糊控制器的輸入變量，這樣能更為準(zhǔn)確和更全面地描述移動(dòng)AGV與障礙物之間發(fā)生碰撞的危險(xiǎn)關(guān)系[6]。在傳統(tǒng)模糊神經(jīng)網(wǎng)絡(luò)中，模糊運(yùn)算常采用靜態(tài)、局部優(yōu)化方法，本文提出了補(bǔ)償模糊神經(jīng)網(wǎng)絡(luò)算法，它對(duì)模糊理論和神經(jīng)網(wǎng)絡(luò)技術(shù)進(jìn)行有機(jī)融合，具有快速學(xué)習(xí)能力。

1 改進(jìn)模糊神經(jīng)網(wǎng)絡(luò)算法

1.1 碰撞危險(xiǎn)度

在AGV實(shí)時(shí)避障進(jìn)行局部路徑規(guī)劃時(shí)，AGV與障礙物之間的距離、相對(duì)速度及相對(duì)加速度都影響到碰撞危險(xiǎn)關(guān)系。為研究簡單化，假定在AGV避障過程中，AGV的平移速度和動(dòng)態(tài)障礙物速度在采樣時(shí)間內(nèi)恒定，僅討論AGV與障礙物之間的距離和相對(duì)速度的方向與碰撞危險(xiǎn)度的關(guān)系，也就是空間碰撞危險(xiǎn)程度。以AGV相對(duì)于障礙物的最短距離和相對(duì)速度方位為參數(shù)，確定AGV與障礙物發(fā)生碰撞可能性大小的度量。圖1表示了碰撞危險(xiǎn)度的概念，第i個(gè)障礙物到AGV的距離為di，障礙物與AGV之間的相對(duì)速度為VR,Bi。將AGV上能感知的障礙物的兩個(gè)端點(diǎn)定為A，B，相應(yīng)的距離為a，b，障礙物與AGV相對(duì)速度與中心連線(CCi)的夾角為θ?？紤]到運(yùn)動(dòng)障礙物的速度同時(shí)對(duì)AGV的碰撞危險(xiǎn)度有影響，因此把運(yùn)動(dòng)障礙物的速度也相應(yīng)考慮到碰撞危險(xiǎn)度中，定義碰撞危險(xiǎn)度SCR (space collision risk)為

圖1 碰撞危險(xiǎn)度

SCR(t)=a×D(t)+b×F(t)

(1)

式中

從定義可以看到：影響因子為a，b，SCR(t)與距離的關(guān)系用D(t)來反映，SCR(t)與相對(duì)速度方向的關(guān)系用F(t)來反映；SCR(t)越大，碰撞可能性越大，SCR(t)越小，碰撞可能性越小。dmin為安全距離，dmax為最大測量距離，θ為安全角度，θmax為最大測量角度。

1.2 改進(jìn)模糊神經(jīng)元

圖2 補(bǔ)償模糊神經(jīng)元

1.3 改進(jìn)模糊神經(jīng)網(wǎng)絡(luò)

設(shè)計(jì)改進(jìn)的模糊神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)的模糊神經(jīng)網(wǎng)絡(luò)一樣有5層(如圖3所示)：輸入層、模糊化層、模糊推理層、補(bǔ)償運(yùn)算層、反模糊化層。

圖3 改進(jìn)的模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

第1層為輸入層，有4個(gè)輸入變量xi：分別是右前方障礙物碰撞危險(xiǎn)度RSCR、正前方障礙物碰撞危險(xiǎn)度CSCR、左前方障礙物碰撞危險(xiǎn)度LSCR、目標(biāo)定位導(dǎo)航角tr。

第5層是清晰化：將模糊運(yùn)算得到的控制量變換為實(shí)際的清晰量。

1.4 補(bǔ)償模糊神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)

(2)

(3)

(1) 輸入隸屬度函數(shù)寬度的訓(xùn)練。

(4)

(2) 輸入隸屬度函數(shù)中心的訓(xùn)練。

(5)

(3)輸出隸屬度函數(shù)寬度的訓(xùn)練。

(6)

(4)輸出隸屬度函數(shù)中心的訓(xùn)練。

(7)

(5)補(bǔ)償度的訓(xùn)練。

(8)

2 動(dòng)、靜態(tài)障礙物環(huán)境仿真

2.1 AGV在靜態(tài)環(huán)境中的路徑規(guī)劃

首先為AGV運(yùn)行建立不確定環(huán)境，設(shè)定AGV起點(diǎn)S為(8，8)，G點(diǎn)(80，80)為終點(diǎn)，障礙物分別設(shè)置在點(diǎn)(17，14)，(22，26)，(36，34)，(40，48)，(55，55)，(67，72)，在圖4(a)中用小方框表示。設(shè)定AGV的最大速度為2 m/s，利用本文提出的補(bǔ)償模糊神經(jīng)網(wǎng)絡(luò)在MATLAB中進(jìn)行仿真實(shí)驗(yàn)，如圖4(a)所示是在不確定環(huán)境中仿真的AGV行駛路徑，從圖中可以看出AGV能合理地躲避路障并到達(dá)目標(biāo)點(diǎn),圖中的距離單位為m。圖4(b)，(c)分別表示了AGV在靜態(tài)障礙物環(huán)境下運(yùn)行時(shí)的轉(zhuǎn)角變化曲線(度)和速度變化曲線(m/s)。

圖4 AGV對(duì)靜態(tài)障礙物的路徑規(guī)劃圖

2.2 AGV在動(dòng)態(tài)環(huán)境中的路徑規(guī)劃

當(dāng)障礙物為運(yùn)動(dòng)的障礙物時(shí)，如圖5(a)所示，圖中數(shù)字單位為m。AGV起點(diǎn)定在(8，8)，終點(diǎn)定在(80，80)，設(shè)AGV的最大速度為2 m/s，AGV在避開障礙物的過程中速度會(huì)發(fā)生變化，圖5(b)反映了AGV運(yùn)行過程中速度變化的情況。障礙物從點(diǎn)(40，28)出發(fā)，以1.5 m/s速度向右上60°運(yùn)動(dòng)。從圖5(a)中可以看出，AGV對(duì)障礙物采取了避讓動(dòng)作。圖中的交叉點(diǎn)是AGV與障礙物在不同的時(shí)刻留下的軌跡。圖5(c)描述了AGV在避障過程中AGV方向的改變情況。從圖5知AGV未遇障礙物時(shí)以最大速度運(yùn)行，遇到障礙物時(shí)速度圖(單位m/s)顯示首先減速，從轉(zhuǎn)角圖(單位為度)看，有從向左轉(zhuǎn)向右的過程；這是因?yàn)楸苷鲜且粋€(gè)復(fù)雜的過程，AGV與障礙物的相對(duì)速度發(fā)生變化會(huì)引起轉(zhuǎn)角的重新規(guī)劃。

圖5 AGV對(duì)動(dòng)態(tài)障礙物的路徑規(guī)劃圖

2.3 比較訓(xùn)練步數(shù)與誤差收斂的速度

將E設(shè)定為0.005時(shí)，從仿真圖6和圖7比較

圖6 傳統(tǒng)模糊神經(jīng)網(wǎng)絡(luò)誤差收斂曲線

圖7 補(bǔ)償模糊神經(jīng)網(wǎng)絡(luò)誤差收斂曲線

得知，經(jīng)過k=17步傳統(tǒng)模糊神經(jīng)網(wǎng)絡(luò)誤差曲線收斂，經(jīng)過k=9步補(bǔ)償模糊神經(jīng)網(wǎng)絡(luò)誤差曲線就收斂了，表明補(bǔ)償模糊神經(jīng)網(wǎng)絡(luò)加快了收斂速度。

3 結(jié)束語

在全局誤差相同的情況下，補(bǔ)償模糊神經(jīng)網(wǎng)絡(luò)相比傳統(tǒng)模糊神經(jīng)網(wǎng)絡(luò)具有快速學(xué)習(xí)的能力。引入了碰撞危險(xiǎn)度，更好地描述了AGV與障礙物之間的碰撞危險(xiǎn)程度。根據(jù)MATLAB的仿真結(jié)果，對(duì)

不確定環(huán)境中的靜態(tài)和動(dòng)態(tài)障礙物，表明應(yīng)用本文所述方法，AGV都可以很好地避障與規(guī)劃路徑。