基于模糊逻辑的智能车局部路径规划

朱曼曼， 杜 煜， 张永华， 宋晓帅， 李 强

(1. 北京联合大学 信息学院， 北京 100101； 2. 北京联合大学 机器人学院， 北京 100101)



基于模糊逻辑的智能车局部路径规划

朱曼曼1， 杜 煜2， 张永华1， 宋晓帅1， 李 强1

(1. 北京联合大学 信息学院， 北京 100101； 2. 北京联合大学 机器人学院， 北京 100101)

为进行智能车局部路径规划，提出了基于模糊逻辑的路径规划。针对模糊逻辑在智能车局部路径规划中存在的问题，引入多次转动避障的策略，使智能车有效避免死锁发生，进而实现智能车的路径规划。

智能车；局部路径规划；模糊逻辑；多次转动避障

0 引言

在智能车技术领域中，路径规划是不可或缺的组成部分。智能车的路径规划主要解决三个问题：[1]使智能车从起始点到达目标点；运动过程中，安全无碰撞地避开所有的障碍物；运动轨迹达到最优或次优的状态。简言之，路径规划就是在具有障碍物的环境下，寻找一条从起始点到目标点的最优或次优的无碰撞路径。根据智能车对环境信息的获取情况，路径规划分为环境信息完全已知的全局路径规划和部分已知或完全未知的局部路径规划。由于前者生成的是一粗略路径，而在智能车正常行驶时，必须结合局部环境信息和智能车自身状态信息，动态规划出无碰撞局部路径。[2]

针对现有算法VFH局部路径规划的环境分辨率高与信息存储量大的矛盾、会使智能车陷入局部震荡与死锁的状况及在不考虑智能车宽度等特性的前提下把智能车当作一个点来处理的问题，模糊逻辑则占一定的优势。基于传感器感知的环境信息，模糊逻辑模拟驾驶员的驾驶思想进行局部环境的路径规划。在避开传统算法定位精度敏感、环境信息依赖性强等缺点的情况下，模糊逻辑存在着“对称无法确定”的问题[3]，通过多次转动避障，弥补了死锁发生后再去解决的传统解决死锁模式[4]，规划出更优的智能车局部路径。

1 设计模糊控制器

模糊控制器的设计原理如图1所示，通过确定模糊控制器的输入输出变量、模糊语言及隶属度函数，建立模糊控制规则，然后模糊推理输出量的隶属度，最后通过解模糊过程将模糊推理结果转化为精确值，进而控制或驱动执行结构。

在整个模糊控制器的设计中，模糊推理模型采用Mamdani算法的简单模糊推理模型，多维、多重或多维多重的模糊推理模型均可以转换为简单模糊推理模型。简单模糊推理模型FMP常被表达为：A*ο(A→B)=A*οR=B*，其中“ο”表示推理合成算法，A和A*是论域U的模糊子集，B和B*是论域V的模糊子集，A—>B通常看作从U到V的一个模糊关系R。根据Mamdani模糊推理方法便可以求取模糊关系矩阵。

Mamdani的关系生成算法取为min运算：R(x,y)=(A→B)(x,y)=A(x)∧B(y)=(A×B)(x,y)，即来自U和V的一对元素(x,y)有Fuzzy关系R=A→B，其程度为R(x,y)=(A→B)(x,y)=A(x)∧B(y)=min{A(x),B(y)}。

推理合成算法取为max-min复合运算：B*(y)=(A*οR)(y)=∨[A*(x)∧R(x,y)]，即B*(y)=[A*ο(A→B)](y)=∨[A*(x)∧(A→B)(x,y)]，其中x∈U。

将关系生成算法与推理合成算法合并到一起即得

(1)

2.1 输入输出变量的确立及模糊语言描述

整个模糊控制系统构成了一个有2个输入、1个输出的多输入单输出模糊系统，取智能车前进方向的左、前、右三面障碍物与智能车的最近距离D=min{Dl，Df，Dr}和最近障碍物相对于目标方向之间的夹角α={αlorαforαr}作为控制器的输入，输出则为智能车舵机输出转角β，详见图2。

取D的范围为[0，20]，α的范围为[-180°，180°]，β的范围为[-45°，45°]，由于各变量取值范围各异,故首先将各基本论域量化到一个标准化论域上，将它们均量化到[-4，4]区间内，论域是[-4，-3，-2，-1，0，1，2，3，4]。定义变量D的模糊语言为{VS，S，M，B，VB}，变量α、β的为{NB，NS，Z，PS，PB}，字母含义为(V:Very，M:Middle，S:Small，B:Big，N:Negative，Z:Zero，P:Positive)，规定目标在障碍物右侧为正，左侧为负，智能车舵机向右转动角度为正，否则为负。

2.2 隶属度函数的选择

取各个变量的隶属度函数形状为对称的三角形且模糊分割是对称的，变量D的隶属度函数如图3所示，变量α及β的隶属度函数相同，如图4所示。

2.3 模糊控制规则的建立

基于专家知识经验，模糊控制系统采用一系列的语言来描述模糊控制规则。建立模糊控制规则是一个核心问题。[5]确定模糊控制规则的原则必须保证控制器的输出能够使系统输出响应的动静态特性达到最佳。依据障碍物位置、目标方位角的传感器信息，给出机器人到达目标的策略。当探测到障碍物接近机器人时，机器人通过改变运动轨迹来避免碰撞。具体控制规则见表1，供推理使用。借助Matlab 2014仿真平台中的模糊推理输入输出曲面观察器[6]，可以观测到输入输出关系图，如图5所示。

表1 模糊控制规则表

2.4 模糊推理及解模糊

模糊推理，是进行关系生成及推理合成问题的解决。[7]它是模糊控制器的核心，具有模拟人的基于模糊概念的推理能力。在模糊推理中，存在着多种不同的关系生成及推理合成算法。本文通过Mamdani模糊推理方法求取模糊关系矩阵，如式(1)。在Mamdani模糊推理中，关系生成算法取为min运算；推理合成算法取为max-min复合运算。

通过模糊推理得到的是模糊量,只有将模糊量转换成清晰量才可以施加于对象，因此清晰化(亦作去模糊)便扮演重要转换角色。其实，清晰化就是将模糊推理后得到的模糊集转换为用作控制的数字值的过程。其涉及的方法很多，比如最大隶属度法、加权平均法(亦称重心法、质心法或面积中心法)等。程序仿真采用加权平均法，它是所有解模糊方法中最为合理、流行和引人关注的方法。

3 多次转动避障

多次转动避障，即当智能车根据舵机打角β转动后，并不立即前进某一固定步长，而是探测前方障碍物距离是否大于某一固定步长，若大于，则前进，否则不前进，并按一定方向(假定向右)连续偏转一定角度继续探测，直到找到一个安全的前进方向。至于智能车向左还是向右偏转，则引入一转向标志F，如果F=1，则智能车向右偏转，如果F=-1，则智能车向左偏转，初始化F=0。根据F的取值，智能车做出相应的动作。谈及F的1或-1取值，模糊输出的舵机打角β起到一定的决定作用。当β为正值时，设置F为1，智能车向右偏转一定的角度。反之，设置F为-1。

当智能车探测到危险区域时，通过设置F值将模糊避障与多次转动避障相结合，使智能车沿障碍物边缘行走绕出障碍物，达到预防死锁的目的。

在多次转动避障运行的时候，如果连续N次转动转角β后智能车都是直接前进某一固定步长，则认为智能车已成功避开危险区域，将转向标志F置为0，解除多次转动避障的机制。根据障碍物的危险等级，默认N=3，如果连续4次都是经过多次转动避障后智能车才前进某一固定步长的，则N=6，此时障碍物边缘很长，危险性高。

4 实验仿真

在采用模糊避障与多次转动避障相结合进行路径规划的情况下，通过理论知识的描述，借助Microsoft Visual Studio 2010平台及Opencv跨平台计算机视觉库，智能车局部路径规划的实验仿真便得以实现。在仿真中，首先需要建立环境地图，包括智能车可能遇到的障碍物的坐标、尺寸等；其次，模拟智能车的初始位置、目的地的位置等信息；最后，基于模糊逻辑设计智能车控制器，进而得到智能车的驱动指令。算法仿真结果大致如图6、图7、图8所示。

5 结束语

由于符合人类思维习惯，模糊逻辑不需要建立精确的数学模型。在将专家知识经验直接转换为控制信号的优点之下，模糊逻辑已经成为智能车导航的一种重要方法，并得到了广泛的应用。智能车从局部最优进行路径规划，即在当前看来是最好的选择，从而使最终结果接近最优路径。在处理死锁问题时，采用模糊避障与多次转动避障相结合的预防死锁机制，有效避免死锁的发生。实验表明，在采用模糊逻辑的前提下，智能车能规划出一条安全有效的无碰撞路径。

[1] 邹小兵，蔡自兴.基于传感器信息的环境非光滑建模[J].自然科学进展，2002,12(11):1188-1192.

[2] 龙飞.动态未知环境中的机器人路径规划方法研究[D].武汉：华中科技大学，2005:23.

[3] Goodridge S G.A fuzzy behavior-based nervous system for an autonomous mobile robot[D].Raleigh:Department of Electrical and Computer Engineering,North Carolina State University, 1994.

[4] 李鹏，温素芳.基于模糊控制的路径规划算法的实现[J].杭州电子科技大学学报,2007,27(6):82.

[5] 高庆吉，雷亚莉，胡丹丹，等.基于自适应感知复位算法的移动机器人定位[J].电子学报, 2007, 35(11): 2166-2171.

[6] 诸静.模糊控制原理与应用——电气自动化新技术丛书[M].北京：机械工业出版社，2005.

[7] 郑亚林，黄德隆，郭健.Fuzzy推理的Mamdani算法[J].宝鸡文理学院学报：自然科学版，2001,21(3):168-173.

(责任编辑 李亚青)

Local Path Planning of Smart Car Based on Fuzzy Logic Method

ZHU Man-man1, DU Yu2, Zhang Yong-hua1, Song Xiao-shuai1, Li Qiang1

(1. School of Information, Beijing Union University, Beijing 100101, China; 2. Robotics Institute, Beijing Union University, Beijing 100101, China)

In order to do the local path planning for smart car, this paper proposed a path planning based on fuzzy logic method. By repeatedly turning for obstacle avoidance, because of the existing problems of fuzzy logic method used in the local path planning, the smart car can avoid the deadlock efficiently to achieve goal of path planning for smart car successfully.

Smart car; Local path planning; Fuzzy logic method; Repeatedly turn for obstacle avoidance

10.16255/j.cnki.ldxbz.2016.04.005

2015-05-29

朱曼曼(1990—)，女，山东菏泽人，北京联合大学信息学院硕士研究生，主要研究方向为智能决策。

U 495

A

1005- 0310(2016)04- 0029- 04