CN101650568B - 未知环境下移动机器人导航安全的方法 - Google Patents

Abstract

本发明提出一种未知环境下移动机器人导航安全的方法，其步骤为：1)建立当前环境的局部栅格地图，确定每个栅格的占用概率；2)构建模糊神经网络控制器结构；3)模糊神经网络控制器根据当前局部栅格地图、机器人当前位置信息、移动机器人自主导航系统的当前输出移动速度与转向角，输出移动机器人正确的速度命令。本发明能够克服单一的导航决策系统可靠性不高，避免移动机器人因自主导航系统的错误决策发生碰撞等事故，确保移动机器人在未知环境下探索、运动过程中的安全。

Description

未知环境下移动机器人导航安全的方法

技术领域

本发明属于机器人导航和人工智能控制技术领域，涉及未知环境下移动机器人导航安全的方法。

背景技术

近20年来，人工智能技术和计算机技术的飞速发展，自主智能移动机器人研究取得了重大关注。目前智能移动机器人广泛应用于工农业、交通运输、军事、医疗卫生等行业，以解决危险环境下工作问题和取代人类繁重工作。行为控制和人工势场法是移动机器人自主导航系统中的两种最常见方法，机器人根据当前局部范围内获取的传感器信息(红外、声纳、激光等测距信息、视觉信息等)进行决策，改变转向角和运动速度以避免向期望目标方向行驶过程中与障碍物发生碰撞。

移动机器人在行走过程中，首先要求避免危险情况如碰撞等，将机器人停留于安全的操作环境下。但是机器人所处环境未知、复杂多变，当前根据设计者经验离线设计的自主导航系统很难保证适应所有环境或突发的情况，在实际运行过程中自主导航系统的决策输出(转向角和运动速度)是否正确，如果是错误的如何纠正避免发生碰撞事故，难以人工及时干预。一般采用在移动机器人周边安装触觉传感器和软垫，触觉传感器感应发生碰撞后紧急制动，并由软垫缓冲碰撞力，但这只是一种事后行为，并没有起到提前预防的作用。因此，亟需一种在线自动判断移动机器人的自主导航系统决策信息正确性和更正错误指令的解决方案，在事故发生前能及时更正，消除隐患。

发明内容

本发明的所要解决的技术问题是提供一种未知环境下移动机器人导航安全的方法，以在线自动判断移动机器人的自主导航系统决策信息正确性和更正错误指令，能够克服单一的自主导航决策系统难以适用于所有环境和突发情况的缺点，更正自主导航系统输出的错误信息，避免移动机器人因自主导航系统的错误决策导致碰撞等事故，提高自主导航系统的可靠性，确保移动机器人在未知环境下探索和运动过程中的安全。

为解决上述技术问题，本发明所采用的技术方案为：

一种未知环境下移动机器人导航安全的方法，其特征在于，首先实时创建局部栅格地图；采用基于模糊神经网络输出作用于移动机器人运动机构的最终速度；

所述的基于模糊神经网络的输入信号为3个：由局部栅格地图计算当前环境对机器人虚拟排斥力F、移动机器人自主导航系统输出的转向角和运动速度V；

所述的当前环境对机器人的虚拟排斥力的计算公式为： $F=\underset{i,j}{\mathrm{\Σ}}{F}_r(i,j);$ F_r(i，j)为单个栅格c(i，j)对移动机器人产生的虚拟排斥力；且 $F_r(i,j)=\frac{F_{c}B(i,j)}{d{(i,j)}^k}(\frac{x_i-x_0}{d(i,j)}\stackrel{\→}{x}+\frac{y_i-y_0}{d(i,j)}\stackrel{\→}{y});$ 其中：

F_c排斥力常量；

d(i，j)栅格c(i，j)与移动机器人之间的距离；

B(i，j)栅格c(i，j)的状态；

x₀，y₀移动机器人在当前局部栅格地图中的坐标；

x_i，y_i栅格c(i，j)在当前局部栅格地图中的坐标；

k常量；

x和y方向的单位矢量，即表示F_r(i，j)为矢量；

d(i，j)^K是d(i，j)的k次方。

所述模糊神经网络分为五层，在下列各式中in_i ^(r)、out_i ^(r)分别代表第r层网络的第i个神经元的输入和输出：

第一层为输入层，共3个节点，各个节点直接与输入向量 $x={\left[\right|F|,|V|,\∂]}^T$ 的各分量连接，其中|F|，|V|，分别为虚拟排斥力F的大小、移动机器人自主导航系统输出的运动速度V的大小以及虚拟排斥力F与速度V之间的夹角；第一层神经元到第二层神经元的连接权值为1；有

${\mathrm{out}}_i^{\left(1\right)}={\mathrm{in}}_i^{\left(1\right)}=x_i,$ i＝1，2，3；

第二层为模糊化层：每个节点表示一个语言变量值，第二层的作用是计算各输入分量属于各语言变量值模糊集合的模糊隶属函数μ_i ^j其中i表示第i个输入，j表示该输入的第j个模糊语言变量。|F|的模糊语言变量有4个{VLITTLE，LITTLE，MED，BIG}，分别表示{非常小，小，中等、大}，即μ₁ ¹、μ₁ ²、μ₁ ³和μ₁ ⁴；

的模糊语言变量有3个{LITTLE，MED，BIG}，分别表示{小，中等，大}，即μ₂ ¹、μ₂ ²和μ₂ ³；|V|的模糊语言变量有3个{LOW，MED，HIGH}，分别表示{低，中等，高}，即μ₃ ¹、μ₃ ²和μ₃ ³，|F|、|V|和

的模糊隶属度函数采用三角形模糊隶属度函数，第二层神经元的数量为输10个；第二层各节点的输出为μ_i ^j，第二层节点到第三层节点的连接权值为1：

${\mathrm{out}}_{\mathrm{ij}}^{\left(2\right)}={\mathrm{in}}_{\mathrm{ij}}^{\left(2\right)}={\mathrm{\μ}}_i^j\left({\mathrm{out}}_i^{\left(1\right)}\right),$ i＝1，2，3；j＝1，2，3，4；

第三层为模糊规则层：每个节点为一个神经元，代表一条模糊规则，作用是匹配模糊规则的前件，计算出每条规则的适用度；模糊规则的数量为4×3×3＝36条，具体规则列在表1中，第三层神经元的数量为36个；第三层神经元的输入之间采用的连接方式为“与”操作，第三层节点到第四层节点的连接权值为w_k ³(k＝1，2，...，36)；

${\mathrm{out}}_k^{\left(3\right)}={\mathrm{in}}_k^{\left(3\right)}={\mathrm{out}}_{1m}^{\left(2\right)}{\mathrm{out}}_{2l}^{\left(2\right)}{\mathrm{out}}_{3n}^{\left(2\right)},$ m＝1，2，3；l＝1，2，3；n＝1，2，3，4；k＝1，2，...，36；

表1模糊规则表

第四层为去模糊化层：只有一个节点，表示比例因子P，采用重心法：

${\mathrm{in}}^{\left(4\right)}=\underset{k=1}{\overset{36}{\mathrm{\Σ}}}({\mathrm{out}}_k^{\left(3\right)}\·{\mathrm{\ω}}_k^{\left(3\right)});$

$P={\mathrm{out}}^{\left(4\right)}={\mathrm{in}}^{\left(4\right)}/\underset{k=1}{\overset{36}{\mathrm{\Σ}}}{\mathrm{out}}_k^{\left(3\right)};$

第五层为耦合处理层：只有一个节点，将比例因子P与|V|相乘得到最终作用到移动机器人运动机构上的速度V′，通过调整权值w_q ⁴，q＝1，2，进一步优化比例因子P与|V|的关系，得到最佳速度V′：

$V^{\′}=w_1^4\×w_2^4\×P\×V.$

本发明所具有的有益效果：

与现有技术相比，本发明的优点就在于：

1、本发明采用模糊神经网络控制方法，将神经网络与模糊控制相结合，既可以使模糊控制具有自学习的能力，又可以赋予神经网络推理归纳的能力，同时还能够使网络的结构、权值具有明确的物理意义；也充分利用了神经网络并行处理计算的能力，具备较高实时性。

2、本发明能在线自动判断移动机器人自主导航系统决策信息是否正确，在保证向目标前进的同时给出当前最安全、最佳的运动速度，有效地预防碰撞事故发生。

3、本发明采用了冗余技术，增强了移动机器人自主导航系统的容错性能，提高了系统的可靠性。移动机器人导航安全保护系统独立于移动机器人自主导航系统，采用单独一套测距传感器和计算机感知环境和控制移动机器人的速度，移动机器人自主导航系统的决策信息通过RS232串口送入移动机器人导航安全保护系统的安全决策模块。这个移动机器人导航安全保护系统单独是另外一套系统，有独立的计算机，与控制导航的计算机(即自主导航系统)之间用串口通信方式获取自主导航系统的数据，所以本技术方案采用了冗余技术。

4、本发明通用性好，能适用于任何安装了测距传感器的移动机器人平台。

附图说明

图1为移动机器人导航安全保护系统框图；

图2为虚拟排斥力F与速度V的关系示意图；

图3为安全决策模块的模糊神经网络结构；

图4为输入变量和比例因子的模糊隶属度函数(图a，b，c，d分别为|F|，|V|，P的模糊隶属度函数)；

图5为移动机器人前向声纳环配置；

图6为移动机器人获取样本的环境；

图7为某一时刻的局部栅格地图。

具体实施方式

以下结合附图对本发明作进一步说明。

实施例1：

本发明的结构框图如图1所示。移动机器人导航安全保护系统独立于移动机器人自主导航系统，采用单独一套测距传感器和计算机感知环境和控制移动机器人的速度。移动机器人导航安全保护系统包括局部栅格地图创建模块和基于模糊神经网络的安全决策模块。其中，安全决策模块的输入有三个，即由局部栅格地图计算的当前环境对机器人虚拟排斥力和移动机器人自主导航系统的决策信息(转向角和运动速度)；输出只有一个，即作用于移动机器人运动机构的最终速度。移动机器人自主导航系统的决策信息转向角直接作用到移动机器人运动机构上。移动机器人自主导航系统的决策信息通过RS232串口送入移动机器人导航安全保护系统的安全决策模块。

具体步骤如下：

1、建立局部栅格地图。采用专利“一种实时数据融合的移动机器人栅格地图创建方法”(公开号CN101413806)所述的方法，利用测距传感器获取的信息创建局部栅格地图，即将移动机器人所在空间环境划分为若干规则栅格，通过提取每个栅格单元的状态(以[0，1]之间的值表示栅格的空闲、未知、占用三种状态)来确定环境表示。

2、根据局部栅格地图每个栅格的状态计算当前环境对移动机器人的虚拟排斥力。局部栅格地图中，每个栅格c(i，j)对移动机器人虚拟产生一种将移动机器人推向该栅格相反方向的力，称为虚拟排斥力F_r(i，j)。假设移动机器人以某个速度和方向往目标移动，单个栅格c(i，j)的虚拟排斥力如式(1)：

$F_r(i,j)=\frac{F_{c}B(i,j)}{d{(i,j)}^k}(\frac{x_i-x_0}{d(i,j)}\stackrel{\→}{x}+\frac{y_i-y_0}{d(i,j)}\stackrel{\→}{y})---\left(1\right)$

式中：f_c排力常量-一般取值为1。

d(i，j)栅格c(i，j)与移动机器人之间的距离；

B(i，j)栅格c(i，j)的状态；

x₀，y₀移动机器人在当前局部栅格地图中的坐标；

x_i，y_i栅格c(i，j)在当前局部栅格地图中的坐标；

k常量(通常取2)；

x和y方向的单位矢量，即表示F_r(i，j)为矢量；

当前局部栅格地图对移动机器人产生的虚拟排斥力为每个栅格对移动机器人产生的虚拟排斥力F_r(i，j)之和，即式(2)：

$F=\underset{i,j}{\mathrm{\Σ}}{F}_r(i,j)---\left(2\right)$

3、获取移动机器人自主导航系统的决策信息(转向角θ和运动速度V)。

4、将虚拟排斥力F用标量|F|表示力的大小(无量纲)，角度

表示力与水平方向的夹角；速度V用标量|V|表示速度的大小(单位：m/s)，角度θ表示速度与移动机器人正前方向的夹角。计算虚拟排斥力F与速度V之间的夹角

(单位：度)，其中F、

V、θ以及的关系如图2所示。

越小表明移动机器人往障碍物方向移动；

越大表明移动机器人往离开障碍物方向移动。

5、标量|F|、标量|V|和F与V之间的夹角

作为基于模糊神经网络的安全决策模块输入，输出最终作用到移动机器人运动机构上的速度V′(此处为标量)，其中速度V′为自主导航系统输出速度|V|的百分比速度，即V′＝P×V，P是比例因子P∈[0，100％]。安全决策模块的模糊神经网络结构如图3所示，该模糊神经网络控制器分为五层，在下列各式中in_i ^(r)、out_i ^(r)分别代表第r层网络的第i个神经元的输入和输出。

(1)第一层为输入层。共3个节点，各个节点直接与输入向量 $x={\left[\right|F|,|V|,\∂]}^T$ 的各分量连接，它起着将输入值传递到下一层的作用。第一层神经元到第二层神经元的连接权值为1。

${\mathrm{out}}_i^{\left(1\right)}={\mathrm{in}}_i^{\left(1\right)}=x_i,$ i＝1，2，3       (4)

(2)第二层为模糊化层。每个节点表示一个语言变量值，如VLITTLE、BIG等，它的作用是计算各输入分量属于各语言变量值模糊集合的模糊隶属函数μ_i ^j，其中i表示第i个输入，j表示该输入的第j个模糊语言变量。|F|的模糊语言变量有4个{VLITTLE，LITTLE，MED，BIG}(分别表示{非常小，小，中等、大}，即μ₁ ¹、μ₁ ²、μ₁ ³和μ₁ ⁴)；的模糊语言变量有3个{LITTLE，MED，BIG}(分别表示{小，中等，大}，即μ₂ ¹、μ₂ ²和μ₂ ³)；|V|的模糊语言变量有3个{LOW，MED，HIGH}(分别表示{低，中等，高}，即μ₃ ¹、μ₃ ²和μ₃ ³)，|F|、|V|和

的模糊隶属度函数如图4所示，此层神经元的数量为输入变量对应的模糊语言变量之和，即10个。第一层和第二层对应模糊推理系统中的模糊化。第二层各节点的输出为μ_i ^j，该层节点到第三层节点的连接权值为1。

${\mathrm{out}}_{\mathrm{ij}}^{\left(2\right)}={\mathrm{in}}_{\mathrm{ij}}^{\left(2\right)}={\mathrm{\μ}}_i^j\left({\mathrm{out}}_i^{\left(1\right)}\right),$ i＝1，2，3；j＝1，2，3，4     (5)

(3)第三层为规则层。每个节点代表一条模糊规则，作用是匹配模糊规则的前件，计算出每条规则的适用度。模糊规则的数量为4×3×3＝36条(见表1)，所以此层神经元的数量为36个。第三层神经元的输入之间采用的连接方式为“与”操作，该层节点到第四层节点的连接权值为w_k ³(k＝1，2，...，36)。

${\mathrm{out}}_k^{\left(3\right)}={\mathrm{in}}_k^{\left(3\right)}={\mathrm{out}}_{1m}^{\left(2\right)}{\mathrm{out}}_{2l}^{\left(2\right)}{\mathrm{out}}_{3n}^{\left(2\right)},$ m＝1，2，3；l＝1，2，3；n＝1，2，3，4；k＝1，2，...，36    (6)

(4)第四层为去模糊化。只有一个节点，表示比例因子P，采用重心法。

${\mathrm{in}}^{\left(4\right)}=\underset{k=1}{\overset{36}{\mathrm{\Σ}}}({\mathrm{out}}_k^{\left(3\right)}\·{\mathrm{\ω}}_k^{\left(3\right)})---\left(7\right)$

$P={\mathrm{out}}^{\left(4\right)}={\mathrm{in}}^{\left(4\right)}/\underset{k=1}{\overset{36}{\mathrm{\Σ}}}{\mathrm{out}}_k^{\left(3\right)}---\left(8\right)$

(5)第五层为耦合处理。只有一个节点，将比例因子P与|V|相乘得到最终作用到移动机器人运动机构上的速度V′，通过调整权值w_q ⁴，q＝1，2可以进一步优化比例因子P与|V|的关系，得到最佳速度V′。

$V^{\′}=w_1^4\×w_2^4\×P\×V---\left(9\right)$

在使用基于模糊神经网络的安全决策模块之前，离线训练模糊神经网络以确定模型中的权值w_k ³(k＝1，2，...，36)和w₁ ⁴、w₂ ⁴，其步骤如下。

(1)随机初始化各权值w_k ³和w_q ⁴；

(2)输入学习样本数据{|F|_l，|V|_l，

V′_l}，0＜l ≤m，m为样本数据数量；确定学习性能ε，一般取值范围在0.001～0.01；确定学习率η，一般取值范围在0.001～0.01。

(3)计算该模糊神经网络的实际输出

(4)根据公式(10)计算学习性能指标E：

$E=\frac{1}{2}\underset{l=1}{\overset{m}{\mathrm{\Σ}}}{({\hat{V}}_l^{\′}-V_l^{\′})}^2---\left(10\right)$

(5)如果E＜ε，则离线学习结束，得到权值w_k ³和w_q ⁴；否则执行第(6)步；

(6)通过下列公式计算、更新参数w_k ³和w_q ⁴，然后返回第(3)步。

$w_q^4(t+1)=w_q^4\left(t\right)-{\mathrm{\η}}_1\frac{\∂E}{{\∂w}_q^4},$ q＝1，2        (11)

$w_k^3(t+1)=w_k^3\left(t\right)-{\mathrm{\η}}_2\frac{\∂E}{{\∂w}_k^3},$ k＝1，2，...，36           (12)

其中，η₁、η₂为学习率。

以下用一个具体应用实例对本发明的操作进行详细说明。

Pioneer 2-DXE是Activmedia公司开发的商业移动机器人平台，其包含电池、驱动电机、轮式驱动机构、位置-速度编码器、集成声纳等其他配置，并由内置的微控制器和移动机器人服务器软件实现控制管理。机器人设置有多种连接控制端口，如Com端口、RS-232通讯端口、Ethernet有线和无线接口等，可方便与内置PC机、或远程网络计算机进行连接，扩展其功能应用。Pioneer 2-DXE的前端安装有八个声纳测距传感器，它们的位置为：±10°、±30°、±50°和±90°，如图5中所示。利用该移动机器人在如图6所示的环境漫游实时获取局部地图信息，采样时间间隔为100ms。假设某一时刻创建的局部栅格地图如图7所示，地图由11×15个20cm×20cm的栅格组成，为了简化问题说明，该局部地图中只有栅格(4，8)和(9，6)有占用情况，占用概率分别为0.86和0.77，其余的占用概率值为0。由公式(1)可分别得到栅格(4，8)、(9，6)对机器人的排斥力：

$F_r\left(\mathrm{4,8}\right)=\frac{1*0.86}{{(3*0.2)}^2+{(8*0.2)}^2}(\frac{4-6}{\sqrt{{(3*0.2)}^2+{(8*0.2)}^2}}\stackrel{\→}{x}+\frac{8-1}{\sqrt{{(3*0.2)}^2+{(8*0.2)}^2}}\stackrel{\→}{y})$

$=-0.3447\stackrel{\→}{x}+1.2065\stackrel{\→}{y}$

$F_r\left(\mathrm{9,6}\right)=\frac{1*0.77}{{(4*0.2)}^2+{(6*0.2)}^2}(\frac{9-6}{\sqrt{{(4*0.2)}^2+{(6*0.2)}^2}}\stackrel{\→}{x}+\frac{6-1}{\sqrt{{(4*0.2)}^2+{(6*0.2)}^2}}\stackrel{\→}{y})$

$=1.8253\stackrel{\→}{x}+3.0422\stackrel{\→}{y}$

则局部栅格地图中对机器人的排斥力F由公式(2)得：

$F=F_r\left(\mathrm{4,8}\right)+F_r\left(\mathrm{9,6}\right)=1.4806\stackrel{\→}{x}+4.2487\stackrel{\→}{y}$

其大小和方向如图7中所示，也可以由平行四边形矢量合成法则得到。即|F|＝4.4993，角度

Pioneer 2-DXE自身演示程序中已经有基于行为的自主导航系统，可以通过串口得到此时该基于行为的自主导航系统的决策输出转向角θ＝12度和运动速度V＝70cm/s，则|F|与速度之间的夹角为7.22度，利用之前所述的模糊隶属度函数、模糊规则、模糊推理可得到对应的速度V′＝0.53cm/s合适。这样得到一组样本数据，同理可得其它的样本数据。

采用同样的方法获取多组样本数据，对模糊神经网络进行训练之后，即可直接应用于移动机器人导航的安全保护。

Claims (1)

1.一种未知环境下移动机器人导航安全的方法，其特征在于，首先实时创建局部栅格地图；采用基于模糊神经网络输出作用于移动机器人运动机构的最终速度；

所述的基于模糊神经网络的输入信号为3个：由局部栅格地图计算当前环境对机器人虚拟排斥力F、移动机器人自主导航系统输出的转向角和运动速度V；

所述的当前环境对机器人的虚拟排斥力的计算公式为： 

F_r(i，j)为单个栅格c(i，j)对移动机器人产生的虚拟排斥力；且 

其中：

F_c排斥力常量；

d(i，j)栅格c(i，j)与移动机器人之间的距离；

B(i，j)栅格c(i，j)的状态；

x₀，y₀移动机器人在当前局部栅格地图中的坐标；

x_i，y_i  栅格c(i，j)在当前局部栅格地图中的坐标；

x和y方向的单位矢量，即表示F_r(i，j)为矢量；

k常量；

d(i，j)^k是d(i，j)的k次方；

所述模糊神经网络分为五层，在下列各式中 

分别代表第r层网络的第i个神经元的输入和输出：

第一层为输入层，共3个节点，各个节点直接与输入向量 

的各分量连接，其中|F|，|V|， 

分别为虚拟排斥力F的大小、移动机器人自主导航系统输出的运动速度V的大小以及虚拟排斥力F与速度V之间的夹角；第一层神经元到第二层神经元的连接权值为1；有

i＝1，2，3； 

第二层为模糊化层：每个节点表示一个语言变量值，第二层的作用是计算各输入分量属于各语言变量值模糊集合的模糊隶属函数 

其中i表示第i个输入，j表示该输入的第j个模糊语言变量；|F|的模糊语言变量有4个{VLITTLE，LITTLE，MED，BIG}，分别表示{非常小，小，中等、大}，即 

和 

的模糊语言变量有3个{LITTLE，MED，BIG}，分别表示{小，中等，大}，即 

和 

|V|的模糊语言变量有3个{LOW，MED，HIGH}，分别表示{低，中等，高}，即 

和 

|F|、|V|和 

的模糊隶属度函数采用三角形模糊隶属度函数，第二层神经元的数量为10个；第二层各节点的输出为 

，第二层节点到第三层节点的连接权值为1：

i＝1，2，3；j＝1，2，3，4；

第三层为模糊规则层：每个节点为一个神经元，代表一条模糊规则，作用是匹配模糊规则的前件，计算出每条规则的适用度；模糊规则的数量为4×3×3＝36条，具体规则列在表1中，第三层神经元的数量为36个；第三层神经元的输入之间采用的连接方式为“与”操作，第三层节点到第四层节点的连接权值为 

m＝1，2，3；l＝1，2，3；n＝1，2，3，4；k＝1，2，...，36；

表1模糊规则表

第四层为去模糊化层：只有一个节点，表示比例因子P，采用重心法：

第五层为耦合处理层：只有一个节点，将比例因子P与|V|相乘得到最终作用到移动机器人运动机构上的速度V′，通过调整权值 

q＝1，2，进一步优化比例因子P与|V|的关系，得到最佳速度V′：

Images