煤矿救援蛇形机器人环境建模方法研究*

白 云

(西安科技大学 实验室与设备管理处，陕西 西安710054)

0 引 言

环境模型是机器人通过自身携带的传感器感知局部环境信息而建立起来的地图模型［1-3］，机器人的环境感知与空间环境建模是机器人实现路径规划的基础。就煤矿救援蛇形机器人而言，只有在认知矿难发生后的煤矿井下环境才能进行路径规划、导航和避障，以完成救援任务，因此，应选取一种适用于煤矿环境，既能准确表达度量信息又能体现位置关系信息的地图模型，是煤矿救援蛇形机器人在复杂煤矿环境中进行路径规划、完成救援任务的基础，有着重要的现实意义。

在机器人系统中，环境信息主要包括物体的位置和形状信息、路径信息等。近年来，主要采用栅格表示法、几何表示法、拓扑图法等方法描述环境模型［4-6］

1)栅格表示法，是将整个环境分为若干相同大小的栅格，对于每个栅格指出其中是否存在障碍物。一些研究者对栅格表示法进行了改进，根据不同的信息优化策略，定期地删除不必要的栅格存储信息，以减少处理时间。例如:洪伟等人提出了根据超声波传感器建立栅格地图、由栅格地图变换产生极坐标地图、在极坐标地图基础上识别障碍物群、提取障碍物边缘特征、计算环境复杂指数等一系列的数据融合方法来建立机器人运动的环境模型［7］;

2)几何表示法，是指机器人从环境传感信息中提取抽象的几何特征，如交点、折线、边角等来表示空间环境模型。该方法比较紧凑，占用计算资源较小，便于定位与目标识别，例如，Stephen 通过对环境视觉识别的特征点提取实现了对不确定环境的模型表达［8］;

3)拓扑模型，是一种非度量空间环境模型，将空间表示为节点与连接节点的边的关系拓扑图，适合于大范围的空间环境使用，缺点是由于缺少环境的细节表达，因而难以实现机器人的细节动作规划。Choset 提出将拓扑节点用带有度量信息的弧段连接起来，并通过仿真实验证明这种方法可以在大规模室内环境中实现机器人的导航［9］;

多传感器数据融合是利用多个信息源所获取的关于对象和环境的信息，从而获得任务所需要的全面、完整的信息。目前，常见的方法有Bayes估计、卡尔曼滤波、D - S 证据推理等方法［10-11］。基于神经网络的多传感器数据融合方法是近几年来发展的热点。神经网络所具有的信息分布存储、容错性，自学习、自组织和自适应等特征使得其在处理未知环境、环境信息复杂、知识背景不清楚以及推理规则不明确的问题时，显得非常优越［12］。文中将神经网络技术与模糊技术相结合，利用模糊神经网络数据融合算法完成对煤矿救援蛇形机器人的环境建模，该算法采用神经网络来进行模糊信息的处理，使得隶属函数的调整和模糊规则的的择优提取成为可能。通过实验和仿真可以得出该算法不依赖于系统的精确数学模型且适用于复杂的煤矿井下环境，用于煤矿救援蛇形机器人的环境建模是一种切实、有效的方法。

1 模糊神经网络多传感器数据融合算法

为了使求援机器人能够实时、准确地避开障碍物，救援蛇形机器人必须获得障碍物的基本信息，如距离、形状、位置等。结合煤矿井下的特殊环境和蛇形机器人自身结构特点，采用超声波传感器、红外测距传感器、激光雷达传感器组来获得障碍物的距离、位置信息及环境类型信息，利用模糊神经网络多传感器数据融合算法处理这些信息，对救援蛇形机器人的运动空间进行分析，建立机器人行走的环境拓扑结构。多传感器数据融合模型如图1 所示。由传感器组获取障碍物的信息作为模糊神经网络的输入，网络隶属度函数采用的是正态型函数，网络最终输出为八类典型环境标志。通过环境类型标志建立救援蛇形机器人行走的环境拓扑结构，为救援蛇形机器人路径规划提供依据。

图1 模糊神经网络多传感器数据融合模型Fig.1 Model of fuzzy neural network multi-sensor data fusion

1.1 变结构模糊神经网络结构

变结构模糊神经网络结构设计如图2 所示。

图2 变结构模糊神经网络的拓扑结构Fig.2 Topology of fuzzy neural network with changeable structure

其中 (A)～(D)层表示模糊规则的前提，网络有n 个输入节点，输入变量xi经(A)～(D)层转换成前提部分的隶属度函数{μAji(xi)}，其中，j =1，2，…，mi，mi是xi的模糊分割数。(E)～(G)层表示规则的结论部分，结论部分由结构相同的r 个并列子网络组成，每个子网络的输出经(G)层的清晰化计算后成为模糊神经网络的最终输出量。具体为

(A)层为前提网络的输入层。它起着将输入变量xi传送到(B)层的作用，其中i=0，1，…，n;

(C)层将各隶属度进行模糊计算，每个节点代表一条模糊规则，(C)层采用最小运算规则或积的运算规则计算出每条规则的强度为

该层的节点数为m，m 是可变的。通过对结论网路权值的调整，择优选取模糊规则，从而自动的调节模糊神经网络的结构。

(D)层进行归一化计算，即

其中 j = 1，2，…，m.

(E)层是结论部分的输入层，将输入变量传送到(F)层。(E)层的第0 号节点的输入值为1，其作用是为模糊规则结论部分中提供常数项。

(F)层是计算每一条规则的结论，(F)层的r个并列子网络分别有m 个结点与(G)层的每个输出节点相连，m 个结点代表m 条模糊规则。

(G)层是模糊神经网络的输出层，作用是进行清晰化计算。

其中 k = 1，2，…，r.

1.2 学习算法

网络的学习算法采用改进的BP 算法，若网络输出yk与期望输出值dk不一致，则将其误差信号从输出端反向传播，并在传播过程中不断修正网络权值，以结论网络的连接权值ωkji为例，其中，j =1，2，…，m;i = 0，1，2，…，n;k = 1，2，…，r.设E 为平均误差代价函数，

由(式1)～(式4)可得

如(式6)所示，通过对结论网路权值的调整，可以自动的调节模糊神经网络的结构，若(E)层中与(F)层相对应的某个节点i，若其连接权值均小于某一阈值，则删除该结点i，其对应的(D)层和(C)层的节点也相应地被删除，这表明第i 条规则不存在，从而可以精练模糊规则库，减少网络节点数，使计算量变小。然后进行参数的再学习调整。

2 实验与仿真

根据上述理论，文中采集超声波传感器、红外传感器、激光雷达传感器所测得的距离数据如表1所示，分析机器人在接近障碍物时，3 种传感器距离信息的差异性，可以总结出环境中存在八类典型的标志如图3 所示。利用模糊神经网络来识别对应环境的特征标志，完成机器人对环境的感知和识别，并给出了仿真结果。

表1 8 类典型环境传感器测距样本Tab.1 Eight typical environmental sensor ranging sample cm

图3 8 类典型环境标志Fig.3 Eight typical environment mark

图4 网络误差训练变化曲线Fig.4 Change curve of the network training error

3 结 论

提出了一种变结构的模糊神经网络多传感器数据融合算法，并给出了算法的原理。通过实验表明，该方法不依赖于系统的明确数学模型且适用于复杂的煤矿井下和过程，尤其是在环境信息融合过程中，通过对传感器数据的处理能够得到救援机器人所处的井下环境的拓扑结构，机器人据此可进行路径的规划和避障，从而顺利完成救援任务。

References

［1］ 齐 帅，李宝林，程 岩.煤矿救援机器人研究应用现状和需解决的问题［J］.矿山机械，2012，40(6):7-9.QI Shuai，LI Bao-lin，CHENG Yan. Study and application status of rescue robots used in collieries and existing problems［J］.Mining Machinery，2012，40(6):7-9.

［2］ 柳玉龙.煤矿搜救机器人的研究现状及关键技术分析［J］.矿山机械，2013，41(3):7 -9.LIU Yu-long. Analysis on current research status and key technologies of mine search and rescue robots［J］.Mining Machinery，2013，41(3):7 -9.

［3］ WEI Juan，MA Hong-wei. Study on mine rescue robot system［C］//Proceedings Second International Conference，Intelligent Robotics and Applications，Singapore，2009.

［4］ Ren C. Luo，Michael G. KAY，multisensor integration and fusion in intelligent systems［J］. IEEE Trans. On SMC，1989，19(5):901 -931.

［5］ 魏 宁，刘一松.基于栅格模型的移动机器人全局路径规划研究［J］.微计算机信息，2008，24(4):2 -4.WEI Ning，LIU Yi-song. Research on global path planning for mobile robots based on the grid model［J］.Micro Computer Information，2008，24(4):2 -4.

［6］ 李瑞峰，赵立军，靳新辉.基于粒子滤波器的室内移动机器人自定位［J］.华中科技大学学报:自然科学版，2008，36(Suppl.):145 -148.LI Rui-feng，ZHAO Li-jun，JI Xin-hui. Self localization for indoor mobile robot based on particle filter［J］.Journal of Huazhong University of Science and Technology:Natural Science Edition，2008，36(Suppl.):145 -148.

［7］ 洪 伟.移动机器人系统中分布式传感器信息融合方法及路径规划问题的研究［D］. 长春:吉林大学，2004.HONG Wei. Research on distributed multisensor information fusion and path planning in mobile robot system［D］.Changchun:Jilin University，2004.

［8］ Stephen S，David L，Jim L.Local and global localization for mobile robots using visual landmarks［C］//Proceedings 2001 IEEE/RSJ International Conference on Intelligent Robots and Systems，Maui，USA，2001.

［9］ Choset H，Konuksven I，Burdick J W. Sensor based planning for a planar rod robot［C］//Proceedings of the 1996 IEEE nternational Conference on Multisensor Fusion and Integration for Intelligent Systems. Albuquerque，USA，1996.

［10］韩崇昭，朱洪艳，段战胜. 多信源信息融合［M］. 北京:清华大学出版社，2006.HAN Chong-zhao，ZHU Hong-yan，DUAN Zhan-sheng.Multi source information fusion［M］. Beijing:Tsinghua University Press，2006.

［11］梁亚婷，杨振宏，屈利伟.基于多源异构信息融合的煤矿冒顶事故预报技术［J］. 西安科技大学学报，2013，33(1):78 -82.LIANG Ya-ting，YANG Zhen-hong，QU Li-wei. Mine roof fall prediction technique based on multi-source information fusion［J］.Journal of Xi’an University of Science and Technology，2013，33(1):78 -82.

［12］毛红阁，刘长旺，刘香伟，等.两层模糊神经网络交通信号控制模型［J］.西安科技大学学报，2012，32(2):62 -65.MAO Hong-ge，LIU Chang-wang，LIU Xiang-wei，et al.A signal control model based on two layer signal fuzzy neural network［J］. Journal of Xi’an University of Science and Technology，2012，32(2):62 -65.