CN103699124A - 一种用于全向智能轮椅避障的模糊神经网络控制方法 - Google Patents

Abstract

本发明公开了一种用于全向智能轮椅避障的模糊神经网络控制方法。结合基于改进模糊神经网络的避障算法以及策略转换机制，增加状态控制变量解决运动方向在视场角外的避障情况。采用状态控制变量记录使用者在运动过程中的运动状态，尽可能地保证路径规划结果接近用户原来的运动方向，实现全向智能轮椅的自主避障导航。与传统避障算法相比，当面对同样障碍物时，本发明可较好地预测动态障碍物的移动方向及速度，从而快捷地规划出避障路径；本发明提供的避障方法可使轮椅最大程度地按照使用者的意图进行避障路径规划，不仅优化了避障路径，还体现出对使用者的人文关怀。

Description

一种用于全向智能轮椅避障的模糊神经网络控制方法

技术领域

本发明涉及一种全向智能轮椅的避障方法，尤其涉及一种基于状态控制变量的模糊神经网络全向智能轮椅避障方法。

背景技术

为了给残障人提供性能优越的代步工具，帮助他们提高行动自由度及重新融入社会，许多国家都对智能轮椅进行了研究。随着残障人士对生活质量需求的不断提高，尤其是对参加竞技体育的渴望，人们对轮椅的运动性能提出了更高、更具体的要求。比如，轮椅网球双打作为残奥会的比赛项目，受到了许多残疾朋友的关注。在常规的轮椅网球运动中，下肢残废的运动员必须依靠上肢力量实现对轮椅运动方向和运动速度的控制，同时完成接发球，因而对运动轮椅的安全性、可控性及高效性有较高要求。此外，比赛过程中还可能会出现选手意外发生碰撞的情况，以致于运动员受伤。因此，全向智能轮椅逐渐被应用到轮椅网球运动中。为了保障安全，要求全向智能轮椅避障能够进行自主避障。

模糊逻辑控制、神经网络控制和专家控制是智能控制的三个方向。基于规则的传统AI专家系统有逐渐让位于基于模糊的神经网络专家系统的趋势，近年来智能信息处理与智能控制的研究主要集中在模糊系统、神经网络以及二者相结合的模糊神经控制技术方面。

模糊神经网络系统在移动机器人避障及路径规划领域也有一定的应用。2010年，张利等在《电子测量与仪器学报》中发表的论文“智能轮椅避障系统的研究”认为，传统避障方法的路径规划结果多为使轮椅单纯向着远离障碍物的方向运动，且面对的障碍物主要为前方和侧面的障碍物。但在轮椅网球运动及其他日常使用中，存在使用者试图使轮椅向后运动的情况，此时运动方向已经超出了使用者的视场角，容易发生碰撞，且避障时单纯地远离障碍物容易使轮椅行驶路径偏离使用者期望的路径。

发明内容

为克服现有技术中存在的上述不足，本发明提供一种基于状态控制变量及改进模糊神经网络的全向智能轮椅避障方法，结合基于改进模糊神经网络的避障算法以及策略转换机制，增加状态控制变量解决运动方向在视场角外的避障情况。采用状态控制变量记录使用者在运动过程中的运动状态，尽可能地保证路径规划结果接近用户原来的运动方向，实现全向智能轮椅的自主避障导航。

图1为全向智能轮椅硬件结构图。轮椅座椅和靠背的压力传感器用来获取人体的重心位置信息，超声波传感器用来获取障碍物距离信息，编码器用来获取电机速度。距离和速度构成避障系统的输入信息。数据采集卡及其扩展模块用于接收输入信息，全向智能轮椅运动控制器用于处理输入信息并运行避障控制算法，经过数据处理最终输出轮椅全向轮电机组的控制信号，通过电机驱动器控制电机组工作，结合编码器输出的速度反馈，从而控制轮椅进行全方位运动。

本发明采用的技术方案如下：

一种用于全向智能轮椅避障的模糊神经网络控制方法，当检测到轮椅行进方向出现障碍或其它方向有障碍物向轮椅靠近时，在全向智能轮椅运动控制器中运行所述方法，控制轮椅避开障碍物，其特征在于包括以下步骤：

步骤一，定义输入变量。

定义5个输入变量d_l,d_f,d_r,θ,v，分别表示左侧、中间及右侧障碍物距离信息，轮椅行驶方向角和轮椅行驶速率。其中，d_l,d_f,d_r由超声波传感器获得，θ,v由编码器反馈的速度信号经过全向智能轮椅运动控制器进行运算得到。

步骤二，确定模糊神经网络模型结构。

（1）确定输入层。

输入层为第1层，各个节点直接与输入向量的各个分量连接，将输入值U={d_l,d_f,d_r,θ,v}传递到下一层。

（2）确定隶属度函数层。

隶属度函数层为第2层，隶属度函数选取三角形函数、Z型函数和S型函数3种基本形式。Z型函数表示左边界隶属度函数值，三角形函数表示中间隶属度函数值，S型函数表示右边界隶属度函数值。根据输入输出量的特性将上述三式进行组合，得到模糊神经网络的隶属度函数。超声波距离和速率仅采用Z型和S型函数，方向角和加速度增加1个三角形函数，方向角变化率采用3个三角形函数。

3种隶属度函数的表达式分别为：

三角形函数：

Z型函数：

S型函数：

其中，i＝1,2,......,5，j＝1,2,......,5，u_i表示控制器的输入，p_ij表示隶属度函数值，m_ij表示隶属度函数的中心值，σ_ij表示隶属度函数的宽度值。

（3）确定模糊推理层。

模糊推理层为第3层，每一个节点代表一条模糊规则，用来匹配模糊规则的前件，计算每条规则的适用度，即：

q_k＝min{p_1,k,p_2,k,p_3,k,p_4,k,p_5,k}

其中，q_k为规则k的适用度，p_i,k表示输入i对规则k的适用度，k＝1,2,......,K，K为规则总数，K=48。根据模糊规则数确定该层总节点数为K=48。

（4）确定输出层。

输出层为第4层，Δθ,Δv为输出变量，分别表示轮椅行驶方向角变化率及轮椅行驶加速度。采用重心法对模糊集进行解模糊化计算。系统的实际输出为：

$\left\{\begin{array}{c}\mathrm{\Δ\θ}=\left({\mathrm{\Σ}}_{k=1}^K{v}_{k,1}{q}_k\right)/\left({\mathrm{\Σ}}_{k=1}^K{q}_k\right)\\ \mathrm{\Δv}=\left({\mathrm{\Σ}}_{k=1}^K{v}_{k,2}{q}_k\right)/\left({\mathrm{\Σ}}_{k=1}^K{q}_k\right)\end{array}\right.$

其中，v_k,j表示规则k对输出j(j＝1,2)的权重。根据模糊规则匹配v_k,j与n_ls的关系，n_ls为网络权值，l＝1,2;s＝1,2,3,4,5，见图4。

步骤三，调整模糊神经网络模型参数。

（1）通过经验设置模糊神经网络初始化参数值，并设置学习训练结束的允许误差值；

误差代价函数为：

$E=\frac{1}{2}\underset{l=1}{\overset{2}{\mathrm{\Σ}}}{(y_l-{\hat{y}}_l)}^2$

其中，{y₁,y₂}={Δθ,Δv}为实际输出值，即实际的轮椅行驶方向角变化率和轮椅行驶加速度，

为期望输出值。需调整的参数为：

Z＝{m₁₁,m₁₂,m₂₁,m₂₂,m₃₁,m₃₂,m₄₁,m₄₂,m₄₃,

m₅₁,m₅₂,n₁₁,n₁₂,n₁₃,n₁₄,n₁₅,n₂₁,n₂₂,n₂₃}

（2）开始训练过程后，读取输入变量和理想输出参数；

按下面的误差反向传播修正式进行参数调整：

$Z(t+1)=Z\left(t\right)-\mathrm{\ϵ}\frac{\∂E}{\∂Z}$

其中，Z为待调整参数向量，t为学习时间，ε为学习效率。

（3）对输入进行模糊化、模糊推理和反模糊化得到实际输出；

对（2）中误差反向传播修正式两边求导：

$m_{\mathrm{ij}}(t+1)=m_{\mathrm{ij}}\left(t\right)-{\mathrm{\ϵ}}_m\frac{\∂E}{{\∂m}_{\mathrm{ij}}},i=\mathrm{1,2},......,5,j=\mathrm{1,2,3}$

$n_{\mathrm{ls}}(t+1)=n_{\mathrm{ls}}\left(t\right)-{\mathrm{\ϵ}}_n\frac{\∂E}{{\∂n}_{\mathrm{ls}}},l=\mathrm{1,2},s=\mathrm{1,2},......,5$

其中，ε_m和ε_n分别为调整m_ij和n_ls时的学习效率，进一步对需要调整的参数求偏导：

$\begin{array}{c}\frac{\∂E}{{\∂m}_{\mathrm{ij}}}=\underset{l=1}{\overset{2}{\mathrm{\Σ}}}\frac{\∂E}{{\∂y}_l}\frac{\∂y_l}{{\∂q}_k}\frac{\∂q_k}{{\∂p}_{\mathrm{ij}}}\frac{{\∂p}_{\mathrm{ij}}}{{\∂m}_{\mathrm{ij}}}=-2\underset{l=1}{\overset{2}{\mathrm{\Σ}}}\left[(y_l-{\hat{y}}_l)\frac{v_{k,l}{\mathrm{\Σ}}_{k=1}^K{q}_k-{\mathrm{\Σ}}_{k=1}^K{v}_{k,l}{q}_k}{{\left({\mathrm{\Σ}}_{k=1}^K{q}_k\right)}^2}\right]\×\frac{\mathrm{sign}(u_i-m_{\mathrm{ij}})}{{\mathrm{\σ}}_{\mathrm{ij}}}\\ \frac{\∂E}{{\∂n}_{\mathrm{ls}}}=\underset{l=1}{\overset{2}{\mathrm{\Σ}}}\frac{\∂E}{{\∂y}_l}\frac{{\∂y}_l}{{\∂v}_{k,l}}\frac{{\∂v}_{k,l}}{{\∂n}_{\mathrm{ls}}}=(y_l-{\hat{y}}_l)\frac{q_k}{{\mathrm{\Σ}}_{k=1}^K{q}_k}\end{array}$

式中，q_k为规则k的适用度；σ_ij表示隶属度函数的宽度值，由于控制器的输出主要依赖于隶属度函数的中心值，宽度值σ_ij设定为常量。

（4）计算偏差并调整模糊神经网络权值，如果偏差小于允许偏差或达到最大训练次数，那么结束训练，否则返回继续学习。

步骤四，选取状态控制变量记录轮椅的运动状态，规划最优的运动路径。

上述模型主要针对运动方向在使用者视场角内的避障情况，本发明智能轮椅采用麦克纳姆全向轮，根据重心坐标位置来控制轮椅的运动方向和运动速率，可实现无旋转半径的全向运动，故增加状态控制变量解决运动方向在视场角外的避障情况。

（1）定义状态控制变量 $s_t=\left[\begin{array}{c}{\mathrm{\θ}}_t\\ v_t\end{array}\right],t=\mathrm{\τ},\mathrm{\τ}-1,\mathrm{\τ}-2,$ 用s_τ、s_τ-1、s_τ-2记录连续三个时间段轮椅的运动状态。

（2）求连续三个时间段状态控制变量的均值和变化量：

$\left[\begin{array}{c}\mathrm{\θ}\\ v\end{array}\right]=\frac{1}{3}\left[\begin{array}{c}{\mathrm{\θ}}_{\mathrm{\τ}}+{\mathrm{\θ}}_{\mathrm{\τ}-1}+{\mathrm{\θ}}_{\mathrm{\τ}-2}\\ v_{\mathrm{\τ}}+v_{\mathrm{\τ}-1}+v_{\mathrm{\τ}-2}\end{array}\right]$

$\left[\begin{array}{c}{\mathrm{\Δ\θ}}_{\mathrm{\τ}}\\ {\mathrm{\Δv}}_{\mathrm{\τ}}\end{array}\right]=\left[\begin{array}{c}{\mathrm{\θ}}_{\mathrm{\τ}}-{\mathrm{\θ}}_{\mathrm{\τ}-1}\\ v_{\mathrm{\τ}}-v_{\mathrm{\τ}-1}\end{array}\right]$

$\left[\begin{array}{c}{\mathrm{\Δ\θ}}_{\mathrm{\τ}-1}\\ {\mathrm{\Δv}}_{\mathrm{\τ}-1}\end{array}\right]=\left[\begin{array}{c}{\mathrm{\θ}}_{\mathrm{\τ}-1}-{\mathrm{\θ}}_{\mathrm{\τ}-2}\\ v_{\mathrm{\τ}-1}-v_{\mathrm{\τ}-2}\end{array}\right]$

（3）确定使用者的目标方向D，实现智能避障。

智能避障方向按下式确定：

式中，0＜N＜1，为实验获得的经验值，-Nθ表示轮椅避障控制的方向角。

当Δθ_τ＜0，并且Δθ_τ-1＜0时，D_S＝0，表明在遇到障碍物前，人的意识的运动方向和智能轮椅的避障规则的避障方向相同，按照既定的避障规则进行避障即可。

当Δθ_τ＞0，并且Δθ_τ-1＞0时，D_S＝-Nθ，表明在遇到障碍物前，人的意识的运动方向和智能轮椅的避障规则的避障方向不同，根据-Nθ确定使用者的目标方向。

其他情况下，D_S＝1，均按照人的意识进行运动。

步骤五，根据模糊控制规则，将改进模糊神经网络输出的Δθ及Δv经过状态控制变量的优化后，输入电机组驱动器实时控制电机组完成避障任务。

与现有技术相比，本发明具有以下优点：

（1）传统避障算法中，若轮椅或移动机器人前进路径中出现动态障碍物时，机器人会出现面对障碍物左右旋转、卡顿等现象，甚至出现错误估计障碍物运动方向而与其发生碰撞等危险情况。本发明在改进的模糊神经网络避障算法中引入状态控制变量，改进了对动态障碍物的避障效果，当面对同样障碍物时，轮椅可较好地预测动态障碍物的移动方向及速度，从而快捷地规划出避障路径，保证了使用者的安全。

（2）由于采用状态控制变量对全向智能轮椅的运动方向和速率进行了记录，轮椅可估计使用者的运动意图。传统避障算法仅考虑是否可以安全避障，而忽略了使用者的乘坐体验，常常出现规划的路径背离使用者的意图等情况，降低了用户的满意度。本专利提供的避障方法可使轮椅最大程度地按照使用者的意图进行避障路径规划，不仅优化了避障路径，还体现出对使用者的人文关怀。

附图说明

图1为全向智能轮椅硬件结构图

图2为全向智能轮椅模型简图；

图3为本发明所涉及方法的流程图；

图4为改进模糊神经网络结构图；

图5为隶属度函数，图中，(a）为距离隶属度函数，(b)为方向角隶属度函数和加速度隶属度函数，(c)为速率隶属度函数，(d)为方向角变化率隶属度函数；

图6为本发明在全向智能轮椅实际应用中的运行结果示意图，(a)、(b)为模糊控制避障效果，(c)、(d)为基于状态控制变量及改进模糊神经网络控制的避障效果。

具体实施方式

下面结合附图对本发明加以详细说明。

步骤一，定义输入变量。

模糊逻辑控制方法类似于人如何理解事物，主要包括模糊化、模糊推理和解模糊化三个过程。为达到智能轮椅无碰撞通行的目的，本发明通过超声波传感器采集智能轮椅周围的障碍物距离信息，并对障碍物距离信息进行分类，在设计的模糊神经网络中，定义5个输入变量d_l,d_f,d_r,θ,v，分别表示左侧、中间及右侧障碍物距离信息，轮椅行驶方向角和轮椅行驶速率。

如图2所示，当轮椅运动方向为-60°～60°时，将0号超声波传感器采集信息作为前侧信息值，其权值为1.0；将A、B号超声波传感器采集信息作为左侧信息值，权值分别为0.7和0.3；将1、2号超声波传感器采集信息作为右侧信息值，权值分别为0.3和0.7。当轮椅运动方向为30°～150°时，将3号超声波传感器采集信息作为前侧信息值，其权值为1.0；将1、2号超声波传感器采集信息作为左侧信息值，权值分别为0.7和0.3；将4、5号超声波传感器采集信息作为右侧信息值，权值分别为0.3和0.7。当轮椅运动方向为120°～-120°时，将6号超声波传感器采集信息作为前侧信息值，其权值为1.0；将4、5号超声波传感器采集信息作为左侧信息值，权值分别为0.7和0.3；将7、8号超声波传感器采集信息作为右侧信息值，权值分别为0.3和0.7。当轮椅运动方向为-150°～-30°时，将9号超声波传感器采集信息作为前侧信息值，其权值为1.0；将7、8号超声波传感器采集信息作为左侧信息值，权值分别为0.7和0.3；将A、B号超声波传感器采集信息作为右侧信息值，权值分别为0.3和0.7。

步骤二，确定模糊神经网络模型结构。

采用四层神经网络结构，对应模糊控制器中的控制输入、模糊化、模糊推理、解模糊化和控制输出五部分，其中后两部分合并优化得到神经网络的第四层，简化了网络结构，算法流程如图3所示，模型结构如图4所示。

（1）确定输入层。输入层为第1层，各个节点直接与输入向量的各个分量连接，将输入值U={d_l,d_f,d_r,θ,v}传递到下一层。

如图4所示，节点数为5，共5个输入量u_i，i＝1,2,......,5，其中，u₁＝d_l，u₂＝d_f，u₃＝d_r，u₄＝θ，u₅＝v，分别表示左侧障碍物距离值、中间障碍物距离值、右侧障碍物距离值、轮椅速度的方向角和大小。

（2）确定隶属度函数层。隶属度函数层为第2层，用于实现输入变量的模糊化。节点的个数等于各个输入变量的模糊子集的和，每个节点代表一个语言变量值，其作用是计算各输入分量属于各语言变量模糊集合的隶属函数值。

如图4所示，节点数为11，隶属度函数如图5所示，选取三角形函数、Z型函数和S型函数3种基本形式。Z型函数表示左边界隶属度函数值，三角形函数表示中间隶属度函数值，S型函数表示右边界隶属度函数值，故根据输入输出量的特性将上述三式进行组合，得到模糊神经网络的隶属度函数。

超声波距离和速率仅采用了Z型和S型函数，方向角和加速度增加了1个三角形函数，而方向角变化率则采用了3个三角形函数，如图5所示。图5(a)为距离隶属度函数，图5(b)为方向角隶属度函数和加速度隶属度函数，图5(c)为速率隶属度函数，图5(d)为方向角变化率隶属度函数，其中，图5(a)中的m₁₁，m₁₂分别代表超声波传感器距离值远和近的隶属度函数的中心值，图5(c)中的m₅₁，m₅₂分别代表速率慢和快的隶属度函数的中心值。

（3）确定模糊推理层。模糊推理层为第3层，每一个节点代表一条模糊规则，它是用来匹配模糊规则的前件，计算每条规则的适用度，即：

q_k＝min{p_1,k,p_2,k,p_3,k,p_4,k,p_5,k}

其中p_i,k表示输入i对规则k(k＝1,2...48)的适用度。根据模糊规则数确定该层总节点数为48。

模糊规则如表1所示，FAR表示障碍物离得远，NEAR表示障碍物离得近，L表示目标在轮椅运动方向的左方，C表示目标在轮椅运动方向的前方，R表示目标在轮椅运动方向的右方，FS表示轮椅速度快，SL表示轮椅速度慢，PB表示较快增加方向角，PS较慢增加方向角，Z1表示保持方向角不变，NS表示较慢减小方向角，NB较快减小方向角，P表示增加速度，Z2表示保持速度不变，N表示减小速度。

例如：规则1、24、48的模糊推理过程如下：

规则1，如果左边的障碍物离得远，中间的障碍物离得远，右边障碍物离得远，目标在障碍物的左边，轮椅运行速度慢，则较快的增加方向角，并且增加轮椅速度。

规则24，如果左边的障碍物离得近，中间的障碍物离得近，右边障碍物离得近，目标在障碍物的右边，轮椅运行速度快，则较快的增加方向角，并且减小轮椅速度。

规则48，如果左边的障碍物离得远，中间的障碍物离得近，右边障碍物离得远，目标在障碍物的右边，轮椅运行速度快，则较慢的增加方向角，并且保持轮椅速度不变。

表1模糊规则表

（4）确定输出层。输出层为第4层，实现解模糊化计算，这里采用重心法对模糊集进行解模糊，根据模糊规则表匹配v_k,j与n_ls的关系，如图4所示，v_1,1=n₁₅，v_1,2=n₂₃，v_24,1=n₁₅，v_24,2=n₂₁，v_48,1=n₁₄，v_48,2=n₂₂。解模糊化函数采用的是图5(b)、(d)中的隶属度函数。

步骤三，模糊神经网络模型参数整定。

通常在设计模糊控制器时，许多参数都是随机选的，而没有结合到机器人工作的实际环境，设计的参数很有可能让机器人运行不稳定，因此，需要找到一个有效调节控制器参数的方法，使之满足我们的需求。

参数调整的过程可概况为：通过经验设置模糊神经网络初始化参数值，并设置学习训练结束的允许误差值；开始训练过程后，读取输入变量和理想输出参数；对输入进行模糊化、模糊推理和反模糊化得到实际输出；计算偏差并调整模糊神经网络权值，如果偏差小于允许偏差或达到最大训练次数，那么结束训练，否则返回继续学习。

步骤四，选取状态控制变量记录轮椅的运动状态，规划最优的运动路径。

智能轮椅采用麦克纳姆轮结构，能够实现零半径全方向移动。日常生活中，有可能遇到轮椅向后运动的情况，本发明的智能轮椅采用麦克纳姆全向轮，根据重心坐标位置来控制轮椅的运动方向和运动速率，可实现无旋转半径的全向运动，能很好地满足需求。但是向后运动时，运动方向已经超出了使用者的视场角，容易发生碰撞，因此增加状态控制变量解决运动方向在视场角外的避障情况。用状态控制变量记录连续三个时间段轮椅的运动状态，根据连续三个时间段状态控制变量的均值和变化量按照公式（1）确定智能避障方向。

步骤五，根据表1中的模糊控制规则，将改进模糊神经网络输出的Δθ及Δv经过状态控制变量的优化后，输入电机组驱动器实时控制电机组完成避障任务。

下面给出本发明在全向智能轮椅实际应用中的运行结果示意图。

实验所用轮椅为全方向运动智能轮椅平台，使用自主研发的控制软件进行控制，实验结果如图6所示。

图6(a)中的圆形和长方形障碍物分别为路锥和纸箱，其中A点为轮椅初始位置，方向角θ＝180°，B点为轮椅的终点。由于根据经验值设定模糊控制器参数，轨迹不是很平滑而且方向角变化很大。C点、D点、E点为轮椅遇到障碍物时发生的轨迹变化，在F点时，使用者目标方向经过一系列向右改变后，运动方向正对路锥，由于未采用状态控制变量，按照避障规则，轮椅向左侧进行避障。其中图6(b)内，①～④分别为轮椅在C～F点的运动状态图。

图6(c)中，A点为轮椅初始位置，方向角θ＝180°，B点为轮椅的终点。首先根据经验值设定模糊控制器参数，通过神经网络训练得到理想的参数，运动轨迹很平滑。C点、D点、E点为轮椅遇到障碍物时发生的轨迹变化，与模糊控制时相比平滑很多，增加了使用者的舒适性；在F点时，状态控制变量记录了使用者目标方向经过一系列向右改变的状态，当运动方向正对路锥，没有按照避障规则进行避障，而是根据使用者的意识方向向右侧进行避障，减少了使用者目标方向和避障方向的差异。其中图6(d)内，①～④分别为轮椅在C～F点的运动状态图。

实验结果表明，本发明所述方法可用于全向智能轮椅实际运动中，其避障效果具有较高的精度和较好的实时性。

以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种用于全向智能轮椅避障的模糊神经网络控制方法，当检测到轮椅行进方向出现障碍或其它方向有障碍物向轮椅靠近时，在全向智能轮椅运动控制器中运行所述方法，控制轮椅避开障碍物，其特征在于包括以下步骤：

步骤一，定义输入变量；

定义5个输入变量d_l,d_f,d_r,θ,v，分别表示左侧、中间及右侧障碍物距离信息，轮椅行驶方向角和轮椅行驶速率；其中，d_l,d_f,d_r由超声波传感器获得，θ,v由编码器反馈的速度信号经过全向智能轮椅运动控制器进行运算得到；

步骤二，确定模糊神经网络模型结构；

（1）确定输入层；

输入层为第1层，各个节点直接与输入向量的各个分量连接，将输入值U={d_l,d_f,d_r,θ,v}传递到下一层；

（2）确定隶属度函数层；

隶属度函数层为第2层，隶属度函数选取三角形函数、Z型函数和S型函数3种基本形式；Z型函数表示左边界隶属度函数值，三角形函数表示中间隶属度函数值，S型函数表示右边界隶属度函数值；根据输入输出量的特性将上述三式进行组合，得到模糊神经网络的隶属度函数；超声波距离和速率仅采用Z型和S型函数，方向角和加速度增加1个三角形函数，方向角变化率采用3个三角形函数；

3种隶属度函数的表达式分别为：

三角形函数：

Z型函数：

S型函数：

其中，i＝1,2,......,5，j＝1,2,......,5，u_i表示控制器的输入，pi_j表示隶属度函数值，mi_j表示隶属度函数的中心值，σ_ij表示隶属度函数的宽度值；

（3）确定模糊推理层；

模糊推理层为第3层，每一个节点代表一条模糊规则，用来匹配模糊规则的前件，计算每条规则的适用度，即：

q_k＝min{p_1,k,p_2,k,p_3,k,p_4,k,p_5,k}

其中，q_k为规则k的适用度，p_i,k表示输入i对规则k的适用度，k＝1,2,......,K，K为规则总数；根据模糊规则数确定该层总节点数为K；

（4）确定输出层；

输出层为第4层，Δθ,Δv为输出变量，分别表示轮椅行驶方向角变化率及轮椅行驶加速度；采用重心法对模糊集进行解模糊化计算；系统的实际输出为：

$\left\{\begin{array}{c}\mathrm{\Δ\θ}=\left({\mathrm{\Σ}}_{k=1}^K{v}_{k,1}{q}_k\right)/\left({\mathrm{\Σ}}_{k=1}^K{q}_k\right)\\ \mathrm{\Δv}=\left({\mathrm{\Σ}}_{k=1}^K{v}_{k,2}{q}_k\right)/\left({\mathrm{\Σ}}_{k=1}^K{q}_k\right)\end{array}\right.$

其中，v_k,j表示规则k对输出j的权重，j＝1,2；根据模糊规则匹配v_k,j与n_ls的关系，n_ls为网络权值，l＝1,2;s＝1,2,3,4,5；

步骤三，调整模糊神经网络模型参数；

（1）通过经验设置模糊神经网络初始化参数值，并设置学习训练结束的允许误差值；

误差代价函数为：

$E=\frac{1}{2}\underset{l=1}{\overset{2}{\mathrm{\Σ}}}{(y_l-{\hat{y}}_l)}^2$

其中，{y₁,y₂}={Δθ,Δv}为实际输出值，即实际的轮椅行驶方向角变化率和轮椅行驶加速度，

为期望输出值；需调整的参数为：

Z＝{m₁₁,m₁₂,m₂₁,m₂₂,m₃₁,m₃₂,m₄₁,m₄₂,m₄₃,

m₅₁,m₅₂,n₁₁,n₁₂,n₁₃,n₁₄,n₁₅,n₂₁,n₂₂,n₂₃}

（2）开始训练过程后，读取输入变量和理想输出参数；

按下面的误差反向传播修正式进行参数调整：

$Z(t+1)=Z\left(t\right)-\mathrm{\ϵ}\frac{\∂E}{\∂Z}$

其中，Z为待调整参数向量，t为学习时间，ε为学习效率；

（3）对输入进行模糊化、模糊推理和反模糊化得到实际输出；

对前述误差反向传播修正式两边求导得：

$m_{\mathrm{ij}}(t+1)=m_{\mathrm{ij}}\left(t\right)-{\mathrm{\ϵ}}_m\frac{\∂E}{{\∂m}_{\mathrm{ij}}},i=\mathrm{1,2},......,5,j=\mathrm{1,2,3}$

$n_{\mathrm{ls}}(t+1)=n_{\mathrm{ls}}\left(t\right)-{\mathrm{\ϵ}}_n\frac{\∂E}{{\∂n}_{\mathrm{ls}}},l=\mathrm{1,2},s=\mathrm{1,2},......,5$

其中，ε_m和ε_n分别为调整m_ij和n_ls时的学习效率，进一步对需要调整的参数求偏导：

$\begin{array}{c}\frac{\∂E}{{\∂m}_{\mathrm{ij}}}=\underset{l=1}{\overset{2}{\mathrm{\Σ}}}\frac{\∂E}{{\∂y}_l}\frac{\∂y_l}{{\∂q}_k}\frac{\∂q_k}{{\∂p}_{\mathrm{ij}}}\frac{{\∂p}_{\mathrm{ij}}}{{\∂m}_{\mathrm{ij}}}=-2\underset{l=1}{\overset{2}{\mathrm{\Σ}}}\left[(y_l-{\hat{y}}_l)\frac{v_{k,l}{\mathrm{\Σ}}_{k=1}^K{q}_k-{\mathrm{\Σ}}_{k=1}^K{v}_{k,l}{q}_k}{{\left({\mathrm{\Σ}}_{k=1}^K{q}_k\right)}^2}\right]\×\frac{\mathrm{sign}(u_i-m_{\mathrm{ij}})}{{\mathrm{\σ}}_{\mathrm{ij}}}\\ \frac{\∂E}{{\∂n}_{\mathrm{ls}}}=\underset{l=1}{\overset{2}{\mathrm{\Σ}}}\frac{\∂E}{{\∂y}_l}\frac{{\∂y}_l}{{\∂v}_{k,l}}\frac{{\∂v}_{k,l}}{{\∂n}_{\mathrm{ls}}}=(y_l-{\hat{y}}_l)\frac{q_k}{{\mathrm{\Σ}}_{k=1}^K{q}_k}\end{array}$

式中，σ_ij表示隶属度函数的宽度值，q_k为规则k的适用度；

（4）计算偏差并调整模糊神经网络权值，如果偏差小于允许偏差或达到最大训练次数，那么结束训练，否则返回继续学习；

由于控制器输出主要依赖于隶属度函数的中心值，宽度值σ_ij设定为常量；

步骤四，选取状态控制变量记录轮椅的运动状态，规划最优的运动路径；

上述模型主要针对运动方向在使用者视场角内的避障情况，本发明智能轮椅采用麦克纳姆全向轮，根据重心坐标位置来控制轮椅的运动方向和运动速率，可实现无旋转半径的全向运动，故增加状态控制变量解决运动方向在视场角外的避障情况；

（1）定义状态控制变量 $s_t=\left[\begin{array}{c}{\mathrm{\θ}}_t\\ v_t\end{array}\right],t=\mathrm{\τ},\mathrm{\τ}-1,\mathrm{\τ}-2,$ 用s_τ、s_τ-1、s_τ-2记录连续三个时间段轮椅的运动状态；

（2）求连续三个时间段状态控制变量的均值和变化量：

$\left[\begin{array}{c}\mathrm{\θ}\\ v\end{array}\right]=\frac{1}{3}\left[\begin{array}{c}{\mathrm{\θ}}_{\mathrm{\τ}}+{\mathrm{\θ}}_{\mathrm{\τ}-1}+{\mathrm{\θ}}_{\mathrm{\τ}-2}\\ v_{\mathrm{\τ}}+v_{\mathrm{\τ}-1}+v_{\mathrm{\τ}-2}\end{array}\right]$

$\left[\begin{array}{c}{\mathrm{\Δ\θ}}_{\mathrm{\τ}}\\ {\mathrm{\Δv}}_{\mathrm{\τ}}\end{array}\right]=\left[\begin{array}{c}{\mathrm{\θ}}_{\mathrm{\τ}}-{\mathrm{\θ}}_{\mathrm{\τ}-1}\\ v_{\mathrm{\τ}}-v_{\mathrm{\τ}-1}\end{array}\right]$

$\left[\begin{array}{c}{\mathrm{\Δ\θ}}_{\mathrm{\τ}-1}\\ {\mathrm{\Δv}}_{\mathrm{\τ}-1}\end{array}\right]=\left[\begin{array}{c}{\mathrm{\θ}}_{\mathrm{\τ}-1}-{\mathrm{\θ}}_{\mathrm{\τ}-2}\\ v_{\mathrm{\τ}-1}-v_{\mathrm{\τ}-2}\end{array}\right]$

（3）确定使用者的目标方向D，实现智能避障；

智能避障方向按下式确定：

式中，0＜N＜1，为实验获得的经验值，-Nθ表示轮椅避障控制的方向角；

当Δθ_τ＜0，并且Δθ_τ-1＜0时，D_S＝0，表明在遇到障碍物前，人的意识的运动方向和智能轮椅的避障规则的避障方向相同，按照既定的避障规则进行避障即可；

当Δθ_τ＞0，并且Δθ_τ-1＞0时，D_S＝-Nθ，表明在遇到障碍物前，人的意识的运动方向和智能轮椅的避障规则的避障方向不同，根据-Nθ确定使用者的目标方向；

其他情况下，D_S＝1，均按照人的意识进行运动；

步骤五，根据表模糊控制规则，将改进模糊神经网络输出的Δθ及Δv经过状态控制变量的优化后，输入电机组驱动器实时控制电机组完成避障任务。

2.根据权利要求1所述的一种用于全向智能轮椅避障的模糊神经网络控制方法，其特征在于，步骤二所述的规则总数为K=48。

Images