CN111443603B - 基于自适应模糊神经网络系统的机器人共享控制方法 - Google Patents
基于自适应模糊神经网络系统的机器人共享控制方法 Download PDFInfo
- Publication number
- CN111443603B CN111443603B CN202010240358.7A CN202010240358A CN111443603B CN 111443603 B CN111443603 B CN 111443603B CN 202010240358 A CN202010240358 A CN 202010240358A CN 111443603 B CN111443603 B CN 111443603B
- Authority
- CN
- China
- Prior art keywords
- robot
- fuzzy
- neural network
- obstacle
- mode
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明涉及一种基于自适应模糊神经网络系统的机器人共享控制方法,包括基于模糊控制的局部自主控制和基于自适应模糊神经网络系统的共享控制两个部分,其中共享控制部分实现将机器人的直接控制命令和自主控制相结合,保证机器人正确执行操作者意图,又能对外部环境及时做出反应,也能在没有直接控制命令的时候实现自主控制,使得机器人可以自适应外界环境的变化实时调整运动轨迹。该发明在机器人系统中引入了共享控制,提供了躲避障碍物、沿墙行走等辅助功能,从而弥补遥控机器人局部自主能力的不足,提高系统的工作效率,增强系统的稳定性和鲁棒性。
Description
技术领域
本发明属机器人控制技术领域,涉及一种基于自适应模糊神经网络系统的机器人共享控制方法。
背景技术
随着机器人控制技术的不断发展,机器人正向多功能化和智能化的方向发展,对其控制精度的要求也不断提高。遥控制等传统控制方式受到指令集有限、控制效率低等缺点限制,无法高效地完成复杂的任务。例如在避障过程中,操作者需要连续完成一系列操作,无法及时应对其他的突发状况,导致发生碰撞等危险。为了解决上述问题,在机器人系统中引入了共享控制,即结合直接控制命令和机器人局部自主控制的方法,增强机器人在复杂环境中的自适应性。
针对多模糊规则的机器人控制系统,当前共享控制方法中许多采用模糊控制、神经网络的方法,但是模糊控制存在设计方法缺乏系统、调整函数参数耗时长及模糊规则爆炸的缺点,而人工神经网络也受到收敛速度慢、局部极小和网络计算量大等限制。而自适应模糊神经网络系统,利用神经网络的学习机制自动地从训练数据中抽取规则,通过离线训练和在线学习进行模糊推理规则的自调整,使系统具有自适应性。
使用基于自适应模糊神经网络的共享控制方法,能够提高机器人的自适应能力,具备自我调整的能力,可适应本身或环境变化,使机器人能够在运动过程中,能够快速、准确地对周围环境做出反应。
发明内容
本发明所要解决的技术问题是提供一种基于自适应模糊神经网络系统的机器人共享控制方法,是提高机器人系统在未知环境中的自适应性的共享控制方法。本发明将机器人的直接控制命令和局部自主控制相结合,提供了躲避障碍物、沿墙行走等辅助功能,从而弥补遥控机器人局部自主能力的不足,提高系统的工作效率,增强系统的稳定性和鲁棒性。
本发明的基于自适应模糊神经网络系统的机器人共享控制方法,是对机器人采用基于自适应模糊神经网络系统的共享控制的方法,通过自适应模糊神经网络系统实现对操作者的直接控制命令和机器人自主控制的实时切换来对机器人直接控制和局部自主控制;同时,机器人的动作模式采用基于模糊逻辑的控制方式。
所述自适应模糊神经网络系统是一种基于Takagi-Sugeno模型的模糊推理系统,将模糊控制的模糊化、模糊推理和反模糊化3个基本过程全部用神经网络来实现,利用神经网络的学习机制自动地从输入输出样本数据中抽取规则,构成自适应神经模糊控制器,通过离线训练和在线学习算法进行模糊推理控制规则的自调整,使其系统本身朝着自适应、自组织、自学习的方向发展;所述自适应模糊神经网络系统是一种将模糊逻辑和神经元网络有机结合的新型的模糊推理系统结构;所述自适应模糊神经网络系统设置三个输出值K1、K2和K3,分别表示容错模式、避障模式和沿墙模式的激活等级。
所述基于模糊逻辑的控制方式是以模糊集合论、模糊语言变量及模糊逻辑推理为基础的计算机智能控制方式,是模糊系统理论和模糊技术与计算机技术相结合的产物。其核心是引入模糊集合,可以将人类语言和思维以数学形式表达出来,从而能够构建合乎实际和人类思维的复杂系统模型。所述基于模糊逻辑的控制方式包括避障模式、沿墙模式和容错模式,用以控制机器人的行为。
避障模式:为机器人躲避障碍的模式,输出机器人避障行为的转动角度ω2;
沿墙模式:为机器人沿墙行走的模式,输出机器人沿墙行为的转动角度ω3;
容错模式:为机器人判断直接控制命令的安全性的模式,输出一个直接控制命令的转动角ω1;
用所述自适应模糊神经网络系统设置的三个输出分别对应所述基于模糊逻辑的控制方式的三种控制机器人行为模式的激活等级K1、K2和K3值,其数值范围为[0~1];
将三种行为的转动角度分别乘以相对应的激活等级,再将其求和,得到最终的机器人的转动角度ω:
机器人按转动角度ω调整行走方向。
作为优选的技术方案:
如上所述的基于自适应模糊神经网络系统的机器人共享控制方法,所述自适应模糊神经网络系统将在线识别手动控制命令作为直接控制命令,具体为利用MATLAB仿真软件在线识别键盘输入指令,该指令作为直接控制命令;
所述在线识别是指机器人能够实时接收到直接控制命令,并通过传感器获取周围障碍物信息,实时约束直接控制命令。
如上所述的基于自适应模糊神经网络系统的机器人共享控制方法,所述手动控制命令为键盘控制命令、摇杆控制命令等人机交互命令。
如上所述的基于自适应模糊神经网络系统的机器人共享控制方法,机器人通过传感器采集机器人到前方、左前方及右前方障碍物的距离和安全优先级作为所述自适应模糊神经网络系统的输入;将传感器采集到的机器人到前方、左前方及右前方障碍物距离以及机器人当前状态下的朝向角作为所述避障模式的输入;将传感器采集的机器人到前方、左前方及右前方障碍物的距离作为沿墙模式的输入。
如上所述的基于自适应模糊神经网络系统的机器人共享控制方法,具体步骤为:
(1)建立模型;
第一步,确定系统的输入输出变量。ANFIS控制器以左方、前方、右方障碍物的距离、安全优先级作为输入,以各个行为的激活等级K1、K2、K3作为输出。
第二步,初始化系统。初始的模糊推理系统采用Grid partition方法来构建,采用Sugeno型模糊系统,输入变量的隶属度函数设置为高斯函数,输出函数设置为人为设定的常数。
第三步,模型训练。训练算法为混合使用梯度下降和最小二乘法,通过前向学习和反向学习,对参数进行寻优调整,直至均方误差达到规定的精度要求。
第四步,模型应用。在训练次数到达或者误差精度已经满足后,训练过程停止。误差结果表明所建立的模糊神经网络模型是有效的,反映了输入与输出之间的映射规律,最后将模型应用到机器人。
(2)采集机器人到前方障碍物的距离、机器人到左前方障碍物的距离、机器人到右前方障碍物的距离、机器人当前状态下的朝向角和安全优先级,将这些参数作为输入;
(3)基于模糊逻辑控制得到直接控制命令的转动角ω1、机器人避障行为的转动角度ω2和机器人沿墙行为的转动角度ω3;
(4)利用公式:将三种行为的转动角度分别乘以相对应的激活等级,再将其求和,得到最终的机器人的转动角度ω;
(5)输出机器人转动角度ω。
如上所述的基于自适应模糊神经网络系统的机器人共享控制方法,所述的机器人避障模式是由模糊推理控制器所建立,目的实现机器人的安全避障,具体步骤如下:
第一步,确定输入输出变量,将探测到的前方障碍物距离d0、左前方障碍物距离d1、右前方障碍物距离d2和机器人转向角turn作为输入变量,机器人转动角steer作为输出变量。
第二步,输入量的模糊化,障碍物距离的模糊语言变量定义为{近,中,远}={Near,Mid,Far},论域为[0~5]m;机器人转向角turn的模糊语言变量定义为{左,右}={Left,Right};机器人转动角的模糊语言变量定义为{负大,负小,零,正小,正大}={NB,NS,Z,PS,PB},论域为[-60°~60°];其均采用高斯隶属度函数。
第三步,设计模糊控制规则,基本设计思路是当要靠近障碍物时,则尽量使转向角偏离障碍物。
第四步,输出量的去模糊化,避障模糊控制器采用面积重心法对输出变量进行去模糊化处理,得到机器人避障行为的转动角度。
如上所述的基于自适应模糊神经网络系统的机器人共享控制方法,所述的机器人沿墙模式是由模糊推理控制器所建立,当机器人遇到有大面积障碍物或墙体时,将会表现出沿墙行为,其中沿墙行为分左侧有墙和右侧有墙两种情况;沿左侧墙壁行为的设计包括以下步骤:
第一步,确定输入输出变量,将探测到的左方、左前方障碍物的距离作为输入变量,机器人转动角作为输出变量。
第二步,输入量的模糊化,障碍物距离的模糊语言变量定义为{近,中,远}={Near,Mid,Far},论域为[0~5]m;机器人转动角的模糊语言变量定义为{负大,负小,零,正小,正大}={NB,NS,Z,PS,PB},论域为[-60°~60°];其均采用高斯隶属度函数。
第三步,设计模糊控制规则,沿左侧墙壁行为的模糊规则的基本思想是,设置一个安全距离值,使机器人与墙壁之间的距离等于安全距离值,若两者距离值大于或小于安全距离值,通过不断调整机器人的转动角,使两者距离始终为安全距离值。
第四步,输出量的去模糊化,容错模糊控制器采用面积重心法对输出变量进行去模糊化处理,得到机器人沿墙行为的转动角度。
如上所述的基于自适应模糊神经网络系统的机器人共享控制方法,所述的容错模式是由模糊推理控制器所建立,其功能是在未知的外界环境下,自适应地判断出直接控制命令的安全优先级,确保机器人正确执行操作者意图;具体设计步骤如下:
第一步,确定输入输出变量,将距离机器人最近的障碍物的距离及相对角度作为输入变量,将安全优先级作为输出变量。
第二步,输入量的模糊化,障碍物距离的模糊语言变量定义为{近,中,远}={Near,Mid,Far},论域为[0~5]m;相对角度的模糊语言变量定义为{负大,负小,正小,正大}={NB,NS,PS,PB},论域为[-90°~90°];安全优先级的模糊语言变量定义为{低、中、高}={Low,Mid,High},论域为[0~1]。
第三步,设计模糊控制规则,基本设计思路是越靠近障碍物及相对角度越小,安全优先级越低。
第四步,输出量的去模糊化,采用面积重心法,得到直接控制命令的安全优先级。
如上所述的基于自适应模糊神经网络系统的机器人共享控制方法,输出量的去模糊化,去模糊化是将推理所得到的模糊值转换为明确的数值。采用面积重心法,是取隶属度函数曲线与横坐标围成面积的重心,作为模糊推理的最终输出值安全优先级。
有益效果
(1)本发明将机器人的直接控制命令和局部自主控制相结合,提供了躲避障碍物、沿墙行走等辅助功能,既能保证机器人正确执行操作者的意图,又能对周围环境及时做出反应,减少操作者的误操作,减少机器人碰撞次数和运行时间。
(2)本发明使用自适应模糊神经推理系统实现共享控制,和模糊控制相比,自适应模糊神经推理系统可以处理更多的输入量和输出量,更适合多变量的机器人系统。模型训练效率更高、误差更小。
附图说明
图1为本发明的基于自适应模糊神经网络系统的机器人共享控制方法原理图;
图2为本发明的实施方式在简单地图中机器人在直接控制实验的仿真结果图;
图3为本发明的实施方式在复杂地图中机器人在直接控制实验的仿真结果图;
图4为本发明的实施方式在简单地图中机器人在共享控制实验的仿真结果图;
图5为本发明的实施方式在复杂地图中机器人在共享控制实验的仿真结果图。
具体实施方式
下面结合具体实施方式,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明的基于自适应模糊神经网络系统的机器人共享控制方法,是对机器人采用基于自适应模糊神经网络系统的共享控制的方法,通过自适应模糊神经网络系统实现对操作者的直接控制命令和机器人自主控制的实时切换来对机器人直接控制和局部自主控制;同时,机器人的动作模式采用基于模糊逻辑的控制方式。
自适应模糊神经网络系统是一种基于Takagi-Sugeno模型的模糊推理系统,将模糊控制的模糊化、模糊推理和反模糊化3个基本过程全部用神经网络来实现,利用神经网络的学习机制自动地从输入输出样本数据中抽取规则,构成自适应神经模糊控制器,通过离线训练和在线学习算法进行模糊推理控制规则的自调整,使其系统本身朝着自适应、自组织、自学习的方向发展;自适应模糊神经网络系统是一种将模糊逻辑和神经元网络有机结合的新型的模糊推理系统结构;自适应模糊神经网络系统设置三个输出值K1、K2和K3,分别表示容错模式、避障模式和沿墙模式的激活等级。
基于模糊逻辑的控制方式是以模糊集合论、模糊语言变量及模糊逻辑推理为基础的计算机智能控制方式,是模糊系统理论和模糊技术与计算机技术相结合的产物。其核心是引入模糊集合,可以将人类语言和思维以数学形式表达出来,从而能够构建合乎实际和人类思维的复杂系统模型。
基于模糊逻辑的控制方式包括避障模式、沿墙模式和容错模式,用以控制机器人的行为:
避障模式:为机器人躲避障碍的模式,输出机器人避障行为的转动角度ω2;
沿墙模式:为机器人沿墙行走的模式,输出机器人沿墙行为的转动角度ω3;
容错模式:为机器人判断直接控制命令的安全性的模式,输出一个直接控制命令的转动角ω1;
用自适应模糊神经网络系统设置的三个输出分别对应基于模糊逻辑的控制方式的三种控制机器人行为模式的激活等级,即K1为容错模式的激活等级,K2为避障模式的激活等级,K3为沿墙模式的激活等级;
将三种行为的转动角度分别乘以相对应的激活等级,再将其求和,得到最终的机器人的转动角度ω:
机器人按转动角度ω调整行走方向。
自适应模糊神经网络系统将在线识别手动控制命令作为直接控制命令,具体为利用MATLAB仿真软件在线识别键盘输入指令,该指令作为直接控制命令;
在线识别是指机器人能够实时接收到直接控制命令,并通过传感器获取周围障碍物信息,实时约束直接控制命令。
手动控制命令为键盘控制命令、摇杆控制命令等人机交互命令。
机器人通过传感器采集机器人到前方、左前方及右前方障碍物的距离和安全优先级作为自适应模糊神经网络系统的输入;将传感器采集到的机器人到前方、左前方及右前方障碍物距离以及机器人当前状态下的朝向角作为避障模式的输入;将传感器采集的机器人到前方、左前方及右前方障碍物的距离作为沿墙模式的输入。
本发明的基于自适应模糊神经网络系统的机器人共享控制方法,具体步骤为:
(1)建立模型:
第一步,确定系统的输入输出变量。ANFIS控制器以左方、前方、右方障碍物的距离、安全优先级作为输入,以各个行为的激活等级K1、K2、K3作为输出。
第二步,初始化系统。初始的模糊推理系统采用Grid partition方法来构建,采用Sugeno型模糊系统,输入变量的隶属度函数设置为高斯函数,输出函数设置为常数。
第三步,模型训练。训练算法为混合使用梯度下降和最小二乘法,通过前向学习和反向学习,对参数进行寻优调整,直至均方误差达到规定的精度要求。
第四步,模型应用。在训练次数到达或者误差精度已经满足后,训练过程停止。误差结果表明所建立的模糊神经网络模型是有效的,反映了输入与输出之间的映射规律,然后应用到机器人。
(2)采集机器人到前方障碍物的距离、机器人到左前方障碍物的距离、机器人到右前方障碍物的距离、机器人当前状态下的朝向角和安全优先级,将这些参数作为输入;
(3)基于模糊逻辑控制得到直接控制命令的转动角ω1、机器人避障行为的转动角度ω2和机器人沿墙行为的转动角度ω3;
(4)利用公式:将三种行为的转动角度分别乘以相对应的激活等级,再将其求和,得到最终的机器人的转动角度ω;
(5)输出机器人转动角度ω。
机器人避障模式是由模糊推理控制器所建立,目的实现机器人的安全避障,具体步骤如下:
第一步,确定输入输出变量,将探测到的前方障碍物距离d0、左前方障碍物距离d1、右前方障碍物距离d2和机器人转向角turn作为输入变量,机器人的转动角steer作为输出变量。
第二步,输入量的模糊化,障碍物距离的模糊语言变量为{近,中,远}={Near,Mid,Far},论域为[0~5]m;机器人转向角turn的模糊语言变量为{左,右}={Left,Right};机器人转动角的模糊语言变量为{负大,负小,零,正小,正大}={NB,NS,Z,PS,PB},论域为[-60°~60°];其均采用高斯隶属度函数。
第三步,设计模糊控制规则,采用Mamdani型模糊推理制定模糊规则,采用if-then条件语句,具体模糊控制规则如下所示。
1.If(d0 is Near)and(turn is Left)then(steer is PB);
2.If(d0 is Mid)and(turn is Left)then(steer is NS);
3.If(d0 is Far)and(turn is Left)then(steer is NS);
4.If(d0 is Near)and(turn is Right)then(steer is PB);
5.If(d0 is Mid)and(turn is Right)then(steer is PS);
6.If(d0 is Far)and(turn is Right)then(steer is PS);
7.If(d1 is Near)then(steer is PB);
8.If(d1 is Mid)then(steer is PS);
9.If(d2is Near)then(steer is NB);
10.If(d2 is Mid)then(steer is NS);
第四步,输出量的去模糊化,模糊控制器采用面积重心法对输出变量进行去模糊化处理,得到机器人避障行为的转动角度;因为这种方法几乎不会损失所有模糊规则的信息,是最合理和完善的方法。
机器人沿墙模式是由模糊推理控制器所建立,当机器人遇到有大面积障碍物或墙体时,将会表现出沿墙行为,其中沿墙行为分左侧有墙和右侧有墙两种情况;沿左侧墙壁行为的设计包括以下步骤:
第一步,确定输入输出变量,将探测到的左方、左前方障碍物的距离作为输入变量,机器人转动角作为输出变量。
第二步,输入量的模糊化,障碍物距离的模糊语言变量为{近,中,远}={Near,Mid,Far},论域为[0~5]m;机器人转动角的模糊语言变量为{负大,负小,零,正小,正大}={NB,NS,Z,PS,PB},论域为[-60°~60°];其均采用高斯隶属度函数。
第三步,设计模糊控制规则。沿左侧墙壁行为的模糊控制规则的基本思想是,设置一个安全距离值,使机器人与墙壁之间的距离等于安全距离值,若两者距离值大于或小于安全距离值,通过不断调整机器人的转动角,使两者距离始终为安全距离值。具体的模糊控制规则如表1所示。
表1沿左侧墙壁行为的模糊规则表
第四步,输出量的去模糊化,容错模糊控制器采用面积重心法对输出变量进行去模糊化处理,得到精确的转动角输出值。因为沿右侧墙壁行为的设计原理和沿左侧墙壁行为的原理相似,所以沿右侧墙壁行为的设计步骤省略。
容错模式是由模糊推理控制器所建立,其功能是在未知的外界环境下,自适应地判断出直接控制命令的安全优先级,确保机器人正确执行操作者意图;具体设计步骤如下:
第一步,确定输入输出变量,将距离机器人最近的障碍物的距离及相对角度作为输入变量,将安全优先级作为输出变量。
第二步,输入量的模糊化,障碍物距离的模糊语言变量为{近,中,远}={Near,Mid,Far},论域为[0~5]m。相对角度的模糊语言变量为{负大,负小,正小,正大}={NB,NS,PS,PB},论域为[-90°~90°]。安全优先级的模糊语言变量为{低、中、高}={Low,Mid,High},论域为[0~1]。
第三步,设计模糊控制规则。根据以上的设计,采用if-then的形式设计了如表2所示的模糊控制规则表。
表2容错模糊控制规则表
第四步,输出量的去模糊化,采用面积重心法对输出变量安全优先级进行去模糊化处理得到直接控制命令的安全优先级。
基于自适应模糊神经网络系统的机器人共享控制方法,输出量的去模糊化,去模糊化是将推理所得到的模糊值转换为明确的数值。采用面积重心法是取隶属度函数曲线与横坐标围成面积的重心,作为模糊推理的最终输出值安全优先级。
实施例1
本实施方式利用MATLAB对研究的共享控制算法进行了仿真,设置静态障碍物区,移动机器人起点、终点坐标,及建立自适应模糊神经网络仿真模型。为了测试控制方法的有效性,设计了在不同地图(即简单地图和复杂地图)下进行直接控制以及基于自适应模糊神经网络的共享控制的实验。
直接控制在简单地图和复杂地图的仿真结果如图2和图3所示,粗线部分代表机器人的运行轨迹。基于自适应模糊神经网络系统的共享控制在简单地图和复杂地图的仿真结果如图4和图5所示。表3记录了各次实验的碰撞次数以及完成时间。
从表3可以看出,直接控制的机器人虽然能够达到目标点,但在控制过程中会发生多次碰撞障碍物的情况,而且这种碰撞障碍物的次数在复杂地图中更多。这是由于机器人只接受到手动控制信号,控制效果不理想,导致容易发生碰撞。
而从图2~5中可以看出基于自适应模糊神经网络系统的共享控制下的机器人的运动轨迹相对于直接控制实验结果更为平滑,且从表3可知,共享控制下的机器人没有发生碰撞的情况;机器人的运动路径也有明显缩短,机器人的运行时间也明显减少。
因此,由上述实验结果可以验证共享控制的效果要优于直接控制;验证了本发明的方法可以有效约束操作者的控制命令,避免机器人发生碰撞,提高系统的操作效率。
表3各次实验的碰撞次数以及完成时间
Claims (8)
1.基于自适应模糊神经网络系统的机器人共享控制方法,其特征是:是对机器人采用基于自适应模糊神经网络系统的共享控制的方法,通过自适应模糊神经网络系统实现对操作者的直接控制命令和机器人自主控制的实时切换来对机器人直接控制和局部自主控制;同时,机器人的动作模式采用基于模糊逻辑的控制方式;
所述自适应模糊神经网络系统是一种将模糊逻辑和神经元网络有机结合的新型的模糊推理系统结构;所述自适应模糊神经网络系统设置三个输出值K1、K2和K3;
所述基于模糊逻辑的控制方式是以模糊集合论、模糊语言变量及模糊逻辑推理为基础的计算机智能控制方式,包括避障模式、沿墙模式和容错模式,用以控制机器人的行为;
避障模式:为机器人躲避障碍的模式,输出机器人避障行为的转动角度ω2;
沿墙模式:为机器人沿墙行走的模式,输出机器人沿墙行为的转动角度ω3;
容错模式:为机器人判断直接控制命令的安全性的模式,输出一个直接控制命令的转动角ω1;
用所述自适应模糊神经网络系统设置的三个输出分别对应所述基于模糊逻辑的控制方式的三种控制机器人行为模式的激活等级,即K1为容错模式的激活等级,K2为避障模式的激活等级,K3为沿墙模式的激活等级;
将三种行为的转动角度分别乘以相对应的激活等级,再将其求和,得到最终的机器人的转动角度ω:
机器人按转动角度ω调整行走方向;
具体步骤为:
(1)建立模型;
第一步,确定系统的输入输出变量:ANFIS控制器以左方、前方、右方障碍物的距离、安全优先级作为输入,以各个行为的激活等级K1、K2、K3作为输出;
第二步,初始化系统:初始的模糊推理系统采用Grid partition方法来构建,采用Sugeno型模糊系统,输入变量的隶属度函数设置为高斯函数,输出函数设置为常数;
第三步,模型训练:训练算法为混合使用梯度下降和最小二乘法,通过前向学习和反向学习,对参数进行寻优调整,直至均方误差达到规定的精度要求;
第四步,应用模型:在训练次数到达或者误差精度已经满足后,训练过程停止;误差结果表明所建立的模糊神经网络模型是有效的,反映了输入与输出之间的映射规律,然后将模型应用到机器人中;
(2)采集机器人到前方障碍物的距离、机器人到左前方障碍物的距离、机器人到右前方障碍物的距离、机器人当前状态下的朝向角和安全优先级,将这些参数作为输入;
(3)基于模糊逻辑控制得到直接控制命令的转动角ω1、机器人避障行为的转动角度ω2和机器人沿墙行为的转动角度ω3;
(4)利用公式:将三种行为的转动角度分别乘以相对应的激活等级,再将其求和,得到最终的机器人的转动角度ω;
(5)输出机器人转动角度ω。
2.根据权利要求1所述的基于自适应模糊神经网络系统的机器人共享控制方法,其特征在于,所述自适应模糊神经网络系统将在线识别手动控制命令作为直接控制命令,具体为利用MATLAB仿真软件在线识别键盘输入指令,该指令作为直接控制命令;
所述在线识别是指机器人能够实时接收到直接控制命令,并通过传感器获取周围障碍物信息,实时约束直接控制命令。
3.根据权利要求2所述的基于自适应模糊神经网络系统的机器人共享控制方法,其特征在于,所述手动控制命令为键盘控制命令或摇杆控制命令。
4.根据权利要求1所述的基于自适应模糊神经网络系统的机器人共享控制方法,其特征在于,机器人通过传感器采集机器人到前方、左前方及右前方障碍物的距离和安全优先级作为所述自适应模糊神经网络系统的输入;将传感器采集到的机器人到前方、左前方及右前方障碍物距离以及机器人当前状态下的朝向角作为所述避障模式的输入;将传感器采集的机器人到前方、左前方及右前方障碍物的距离作为沿墙模式的输入。
5.根据权利要求1所述的基于自适应模糊神经网络系统的机器人共享控制方法,其特征在于,所述的避障模式是由模糊推理控制器所建立,目的实现机器人的安全避障,具体步骤如下:
第一步,确定输入输出变量,将探测到的前方障碍物距离d0、左前方障碍物距离d1、右前方障碍物距离d2和机器人转向角turn作为输入变量,机器人转动角steer作为输出变量;
第二步,输入量的模糊化,障碍物距离的模糊语言变量定义为{近,中,远}={Near,Mid,Far},论域为[0~5]m;机器人转向角turn的模糊语言变量定义为{左,右}={Left,Right};机器人转动角的模糊语言变量定义为{负大,负小,零,正小,正大}={NB,NS,Z,PS,PB},论域为[-60°~60°];其均采用高斯隶属度函数;
第三步,设计模糊控制规则,基本设计思路是当要靠近障碍物时,则使转向角偏离障碍物;
第四步,输出量的去模糊化,避障模糊控制器采用面积重心法对输出变量进行去模糊化处理,得到机器人避障行为的转动角度。
6.根据权利要求1所述的基于自适应模糊神经网络系统的机器人共享控制方法,其特征在于,所述的沿墙模式是由模糊推理控制器所建立,当机器人遇到有大面积障碍物或墙体时,将会表现出沿墙行为,其中沿墙行为分左侧有墙和右侧有墙两种情况;沿左侧墙壁行为的设计包括以下步骤:
第一步,确定输入输出变量,将探测到的左方、左前方障碍物的距离作为输入变量,机器人转动角作为输出变量;
第二步,输入量的模糊化,障碍物距离的模糊语言变量定义为{近,中,远}={Near,Mid,Far},论域为[0~5]m;机器人转动角的模糊语言变量定义为{负大,负小,零,正小,正大}={NB,NS,Z,PS,PB},论域为[-60°~60°];其均采用高斯隶属度函数;
第三步,设计模糊控制规则,沿左侧墙壁行为的模糊规则的基本思想是,设置一个安全距离值,使机器人与墙壁之间的距离等于安全距离值,若两者距离值大于或小于安全距离值,通过不断调整机器人的转动角,使两者距离始终为安全距离值;
第四步,输出量的去模糊化,用面积重心法对输出变量进行去模糊化处理,得到机器人沿墙行为的转动角度。
7.根据权利要求1所述的基于自适应模糊神经网络系统的机器人共享控制方法,其特征在于,所述的容错模式是由模糊推理控制器所建立,其功能是在未知的外界环境下,自适应地判断出直接控制命令的安全优先级,确保机器人正确执行操作者意图;具体设计步骤如下:
第一步,确定输入输出变量,将距离机器人最近的障碍物的距离及相对角度作为输入变量,将安全优先级作为输出变量;
第二步,输入量的模糊化,障碍物距离的模糊语言变量定义为{近,中,远}={Near,Mid,Far},论域为[0~5]m;相对角度的模糊语言变量定义为{负大,负小,正小,正大}={NB,NS,PS,PB},论域为[-90°~90°];安全优先级的模糊语言变量定义为{低、中、高}={Low,Mid,High},论域为[0~1];
第三步,设计模糊控制规则,基本设计思路是越靠近障碍物及相对角度越小,安全优先级越低;
第四步,输出量的去模糊化,采用面积重心法,得到直接控制命令的安全优先级。
8.根据权利要求7所述的基于自适应模糊神经网络系统的机器人共享控制方法,其特征在于,输出量的去模糊化,去模糊化是将推理所得到的模糊值转换为明确的数值;采用面积重心法是取隶属度函数曲线与横坐标围成面积的重心,作为模糊推理的最终输出值安全优先级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010240358.7A CN111443603B (zh) | 2020-03-31 | 2020-03-31 | 基于自适应模糊神经网络系统的机器人共享控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010240358.7A CN111443603B (zh) | 2020-03-31 | 2020-03-31 | 基于自适应模糊神经网络系统的机器人共享控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111443603A CN111443603A (zh) | 2020-07-24 |
CN111443603B true CN111443603B (zh) | 2021-07-06 |
Family
ID=71649333
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010240358.7A Active CN111443603B (zh) | 2020-03-31 | 2020-03-31 | 基于自适应模糊神经网络系统的机器人共享控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111443603B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112578389B (zh) * | 2020-12-08 | 2021-09-24 | 浙江景奕智能控制技术有限公司 | 一种多源融合的rov实时路径规划方法 |
CN113031647B (zh) * | 2021-02-25 | 2022-09-23 | 浙江工业大学 | 一种基于模糊综合评判的供电式无人机最优路径规划方法 |
CN113204235B (zh) * | 2021-04-13 | 2022-12-09 | 常州工学院 | 一种灭火机器人的自动避障算法 |
CN113353799A (zh) * | 2021-06-08 | 2021-09-07 | 南京工业大学 | 一种分布质量负载的双摆塔式起重机摆动抑制控制方法 |
CN113867366A (zh) * | 2021-11-02 | 2021-12-31 | 福建省海峡智汇科技有限公司 | 一种基于自适应网络模糊的移动机器人控制方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100568144C (zh) * | 2008-09-04 | 2009-12-09 | 湖南大学 | 一种未知环境下移动机器人多行为融合自动导航方法 |
TWI447660B (zh) * | 2009-12-16 | 2014-08-01 | Univ Nat Chiao Tung | Robot autonomous emotion expression device and the method of expressing the robot's own emotion |
CN101758827B (zh) * | 2010-01-15 | 2013-06-12 | 南京航空航天大学 | 一种未知环境下基于行为融合的智能探测车自主避障方法 |
CN103116279B (zh) * | 2013-01-16 | 2015-07-15 | 大连理工大学 | 脑控机器人系统的模糊离散事件共享控制方法 |
CN103984342B (zh) * | 2013-12-23 | 2016-04-06 | 河北师范大学 | 移动机器人的多脉冲神经网络控制器导航控制方法 |
CN107168324B (zh) * | 2017-06-08 | 2020-06-05 | 中国矿业大学 | 一种基于anfis模糊神经网络的机器人路径规划方法 |
-
2020
- 2020-03-31 CN CN202010240358.7A patent/CN111443603B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111443603A (zh) | 2020-07-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111443603B (zh) | 基于自适应模糊神经网络系统的机器人共享控制方法 | |
Cai | ROBOTICS: From Manipulator to Mobilebot | |
Thongchai et al. | Sonar behavior-based fuzzy control for a mobile robot | |
CN107168324A (zh) | 一种基于anfis模糊神经网络的机器人路径规划方法 | |
Bao et al. | A fuzzy behavior-based architecture for mobile robot navigation in unknown environments | |
Sun et al. | A novel fuzzy control algorithm for three-dimensional AUV path planning based on sonar model | |
CN113848974A (zh) | 一种基于深度强化学习的飞行器轨迹规划方法及系统 | |
Dubrawski et al. | Learning locomotion reflexes: A self-supervised neural system for a mobile robot | |
Cuevas et al. | Towards an adaptive control strategy based on type-2 fuzzy logic for autonomous mobile robots | |
Hamad et al. | Path Planning of Mobile Robot Based on Modification of Vector Field Histogram using Neuro-Fuzzy Algorithm. | |
Wu et al. | A novel fuzzy control path planning algorithm for intelligent ship based on scale factors | |
Wei et al. | A wall-following algorithm based on dynamic virtual walls for mobile robots navigation | |
Boufera et al. | Fuzzy inference system optimization by evolutionary approach for mobile robot navigation | |
Baklouti et al. | Motion planning in dynamic and unknown environment using an interval type-2 TSK fuzzy logic controller | |
Lin et al. | Mobile robot wall-following control using a behavior-based fuzzy controller in unknown environments | |
Wang et al. | Adaptive variable structure control with neuron for path tracking of beaver AUV | |
Xu et al. | Shared control of robot based on adaptive network-based fuzzy inference system | |
Lu et al. | The implementation of fuzzy-based path planning for car-like mobile robot | |
Chouraqui et al. | Unmanned vehicle trajectory tracking by neural networks | |
Zhou et al. | Research on the fuzzy algorithm of path planning of mobile robot | |
Yung et al. | An intelligent navigator for mobile vehicles | |
Melingui et al. | Neuro-fuzzy controller for autonomous navigation of mobile robots | |
Qiu et al. | Fuzzy behavior organization and fusion for mobile robot reactive navigation | |
Dupre et al. | Two-stage fuzzy logic-based controller for mobile robot navigation | |
Wang et al. | EMBEDDED NAVIGATION SYSTEM OF MECHATRONICS ROBOT BY FUZZY CONTROL ALGORITHM |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |