基于模糊控制的机器人避障算法研究

王志腾

摘 要：文章首先对采用的机器人样机进行了介绍，通过安装在机器人不同位置的超声波传感器采集障碍物信息作为模糊控制机器的输入，经过控制器处理后输出机器人左右两侧驱动轮的速度值，经过实验验证，该控制器较好的实现了机器人的自主避障。

关键词：机器人；超声波；模糊控制；自主避障

中图分类号：TN98 文献标志码：A 文章编号：2095-2945（2018）22-0081-02

Abstract： Firstly， the robot prototype is introduced in this paper. The obstacle information is collected by ultrasonic sensors installed in different positions of the robot as the input of the fuzzy control machine. After processing by the controller， the speed value of the driving wheels on the left and right sides of the robot is outputted. The experimental results show that the controller realizes the autonomous obstacle avoidance of the robot.

Keywords： robot； ultrasonic； fuzzy control； autonomous obstacle avoidance

如今，随着社会经济和科学技术的快速发展，人工智能技术慢慢渗入到人民生活中，其中，机器人技术已成为当今研究的热门话题，而机器人如何智能避开障碍物成为研究的重难点。本文在机器人自主避障中利用模糊算法，将超声波传感器采集的信息作为模糊控制器的输入，通过控制机器人两侧的速度躲避障碍物。通过实验，验证此算法的有效性和可行性。

1 机器人样机

其整体机构设计如图1所示，由车体和四组变形轮模块组成。车体中包括超声波传感器和控制单元，其中，超声波传感器用于对未知环境信息的采集，控制单元执行机器人运动决策，控制其两侧的速度。每个车轮均采用独立的驱动电机，利用差速转向原理，完成不同半径曲道的转弯。

2 模糊控制器设计

本文模糊控制系统主要包括：输入模糊化、模糊推理和解模糊三个过程，系统结构如图2所示，通过超声波传感器采集障碍物距离，解模糊后的输出值即为机器人两侧的运动速度。

2.1 输入输出模糊化

编号为U1～U4的传感器分别置于机器人左侧（L），左前方（LF），右前方（RF）和右侧（R），其设置位置如图3所示，分别采用模糊语言LD、LFD、RFD和RD表示左侧、左前方、右前方和右侧四个方向。

所设计系统中的超声波传感器距离范围为0.02～600cm，因此设定LD、LFD、RFD和RD的论域为（10cm，600cm）。将模糊确定值{Far，Mid，Near}简化为{F，M，N}，分别表示距离的远、中、近。為了便于在处理器中做移植，输入输出隶属函数均采用如图4所示的三角形均匀分布。

模糊控制器的输出为下一时刻机器人两侧的速度，分别用模糊语言变量V1和V2表示，根据机器人的移动速度？自为-3～3m/s，将速度论域Y设定为（-1m/s，1m/s）。

将Y的模糊子集设定为{RR，R，S，F，FR}，分别表示快速反转，反转，停止，正转和快速正转，隶属函数采用如图5所示的三角函数，均匀分布。

2.2 模糊控制规则

根据超声波传感器所探测障碍物的信息特征，分4种情况讨论：（1）只有一个方向有障碍物；（2）两个方向有障碍物；（3）在三个方向有障碍物；（4）四个方向均有障碍物。采用IF-THEN条件语句，建立如下模糊控制规则：

ifLD=ANYandLFD=NandRFD=FandRD=F，THEN=FAND=R；

ifLD=ANYandLFD=MandRFD=FandRD=F，THEN=FRAND=R；

ifLD=FandLFD=FandRFD=NandRD=ANY，THEN=RAND=F；

ifLD=FandLFD=FandRFD=MandRD=ANY，THEN=RAND=FR；

ifLD=NandLFD=FandRFD=FandRD=N，THEN=FAND=F；

ifLD=NandLFD=FandRFD=FandRD=M，THEN=FRAND=F；

ifLD=NandLFD=MandRFD=MandRD=N，THEN=FAND=F；

ifLD=NandLFD=MandRFD=FandRD=N，THEN=FRAND=F；

2.3 解模糊

上述模糊推理得到的输出为模糊量，在控制系统中无法使用，还需对其进行解析，即解模糊。本文采用中心平均法解模糊，不仅继承了最大隶属法和重心法的优点，而且简化了计算，尽可能多的保留数据信息。

3 测试实验

测试试验在室内进行，机器人以0.8m/s的速度直线运行，通过在机器人周围设置障碍物来检测机器人自主避障性能。下面分两种情况进行讨论，从而验证本系统的有效性和可行性。

情况1：在机器人右前方设置障碍物。如图6（a）所示，放置一个质量较小，体积较大的盒子在机器人右前方。机器人先以稳定速度直线前行，当超声波传感器检测到前方有障碍物时，如图6（b）所示，利用差速转向原理，通过左转自主避开右前方障碍物；图6（c）所示，机器人成功避开障碍物（在另一方向拍摄），实现自主避障功能。

情况2：机器人右侧和左前方设置障碍物。分别在机器人右侧放置一个体积较小的盒子，左前方放置一个体积较大的盒子，如下图7（a）所示。

当超声波传感器检测到右侧的障碍物时，机器人通过左转避开障碍物继续前行，当接近左前方障碍物时，如图7（b）所示，机器人右转继续运动，如下图7（c）所示，从而验证了本系统的可行性与有效性。

本文基于模糊控制的算法对机器人自主避障进行了研究，实验表明，机器人可以根据所制定的模糊控制规则，准确自主地避开障碍物，验证了系统的可行性与有效性。但是当障碍物形状多变且分布复杂时，机器人可能会发生误判行为，因此下一步的工作是优化算法，考虑将神经网络与模糊控制进行最优融合，使机器人能更准确的自主避障。

参考文献：

[1]孙树栋，林茂.基于遗传算法的多移动机器人协调路径规划[J].自动化学报，2000，26（5）：672-676.

[2]杨小菊，张伟，高宏伟，等.基于模糊控制的移动机器人避障研究[J].传感器与微系统，2017（3）：51-54.

[3]聂章龙，张静.采摘机器人智能避障决策系统-基于ZigBee和单片机[J].农机化研究，2018（12）：130-134.