基于模糊神經(jīng)網(wǎng)絡(luò)的agv避障路徑規(guī)劃

基于模糊神經(jīng)網(wǎng)絡(luò)的agv避障路徑規(guī)劃

0自動(dòng)指引車—引言作為現(xiàn)代物流處理自動(dòng)化的有效手段和柔性制造系統(tǒng)的重要設(shè)備，自動(dòng)誘導(dǎo)車輛（agv）越來(lái)越受到重視。由于其自身的特點(diǎn)和許多優(yōu)點(diǎn)，agv已廣泛應(yīng)用于醫(yī)療、衛(wèi)生、汽車制造商、卷煙制造商、機(jī)械工程、機(jī)場(chǎng)和其他材料運(yùn)輸場(chǎng)所。一般來(lái)說(shuō),主要應(yīng)用范圍有如下幾個(gè)方面:①倉(cāng)儲(chǔ)業(yè);②制造業(yè);③郵局、圖書館、港口碼頭和機(jī)場(chǎng);④煙草、醫(yī)藥、食品、化工;⑤危險(xiǎn)場(chǎng)所和特種行業(yè)。因而對(duì)AGV的研究也具有十分重要的理論意義和現(xiàn)實(shí)意義。自動(dòng)導(dǎo)引車(AGV)在行進(jìn)過(guò)程中的主要任務(wù)是避障及路徑規(guī)劃,即避開障礙物,走出一條無(wú)碰的路徑。根據(jù)AGV對(duì)環(huán)境信息感知程度的不同,路徑規(guī)劃分為兩種:環(huán)境信息完全知道的全局路徑規(guī)劃和環(huán)境信息完全未知或局部未知的局部路徑規(guī)劃。全局路徑規(guī)劃一般離線進(jìn)行,常用的方法主要有可視圖法、柵格法、結(jié)構(gòu)空間法、拓?fù)浞?、模擬退火法、遺傳算法和蟻群算法等智能算法。局部路徑規(guī)劃常用的方法有人工勢(shì)場(chǎng)法、模糊邏輯算法和神經(jīng)網(wǎng)絡(luò)法等。自動(dòng)導(dǎo)引車(AGV)是一種具有高度非線性、強(qiáng)耦合的對(duì)象,且具有諸如摩擦、負(fù)載變化等不確定因素,傳統(tǒng)的基于對(duì)象的控制方法很難精確地控制AGV。為了精確的控制自動(dòng)引導(dǎo)車(AGV),許多學(xué)者進(jìn)行了大量的研究,也研究出了許多方法,如模糊控制、神經(jīng)網(wǎng)絡(luò)和模糊神經(jīng)網(wǎng)絡(luò)等。其中,模糊控制策略已經(jīng)比較成熟,辛辛那提大學(xué)(UniversityofCincinnati)已經(jīng)設(shè)計(jì)出帶模糊控制器的AGV—Bearcat系列。近來(lái)的趨勢(shì)表明,越來(lái)越多的學(xué)者已經(jīng)把注意力集中到神經(jīng)網(wǎng)絡(luò)在機(jī)器人上的應(yīng)用。模糊控制和神經(jīng)網(wǎng)絡(luò)各有特點(diǎn)。模糊控制解決了智能控制中人類語(yǔ)言尤其是不確定性語(yǔ)言的描述和推理問(wèn)題,但是其處理數(shù)據(jù)、抗干擾和自學(xué)習(xí)的能力較差。神經(jīng)網(wǎng)絡(luò)模擬人腦細(xì)胞的分布、工作特點(diǎn)和自組織功能以實(shí)現(xiàn)并行處理、自學(xué)習(xí)和非線性映射等能力,但是不能直接處理結(jié)構(gòu)化的知識(shí),需要大量的訓(xùn)練數(shù)據(jù),而且任何修改都要重新訓(xùn)練,訓(xùn)練生成的控制規(guī)則是不可見的,而且難以理解。將神經(jīng)網(wǎng)絡(luò)與模糊控制結(jié)合起來(lái)組成模糊神經(jīng)網(wǎng)絡(luò),能夠較好的克服二者各自的缺點(diǎn),既可以使模糊控制具有自學(xué)習(xí)的能力,又可以賦予神經(jīng)網(wǎng)絡(luò)推理的能力,同時(shí)還能夠使網(wǎng)絡(luò)的結(jié)構(gòu)、權(quán)值具有明確的物理意義,使得網(wǎng)絡(luò)的設(shè)計(jì)和初始化都十分容易。本研究將應(yīng)用模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行AGV的避障路徑規(guī)劃。1agv環(huán)境的分區(qū)AGV所處的環(huán)境定義為以其機(jī)體幾何中心為中心、半徑為R的圓形區(qū)域,如圖1所示。為了滿足不同的理解規(guī)劃和控制要求,可通過(guò)調(diào)整R來(lái)調(diào)節(jié)環(huán)境范圍,所以半徑R是環(huán)境識(shí)別時(shí)一個(gè)重要的參數(shù)。當(dāng)取R=R1時(shí),AGV當(dāng)前環(huán)境是不存在障礙物的;當(dāng)取R=R2時(shí),那么AGV當(dāng)前環(huán)境是有障礙物的環(huán)境。障礙物的識(shí)別依賴于各種視覺和傳感器系統(tǒng)信息,這本身就是非常復(fù)雜的技術(shù)問(wèn)題,這里做如下假設(shè):(1)假設(shè)障礙物的位置能準(zhǔn)確檢測(cè)到,即di(i=1,2,3,…)可以通過(guò)各種測(cè)距傳感器實(shí)際測(cè)量;且障礙物運(yùn)動(dòng)速度為0;(2)假設(shè)AGV能精確定位。AGV行駛的環(huán)境可以分為有障礙物區(qū)和無(wú)障礙物區(qū)。不同行駛環(huán)境,行駛方式和策略有所不同。從人類的駕駛經(jīng)驗(yàn)可知,在遇到障礙時(shí)駕駛員會(huì)放慢速度,駕駛的注意力主要放在避讓障礙物上。在無(wú)障礙物區(qū)行駛時(shí),駕駛員會(huì)提升速度朝目標(biāo)點(diǎn)行駛?？紤]到AGV的位置與方向,AGV的環(huán)境可被分為若干分區(qū)域,分別稱為前邊、左邊、右邊、后邊等。根據(jù)相應(yīng)的分區(qū)域是否有障礙物的情形,AGV所處的環(huán)境將被定義為相應(yīng)的環(huán)境類型。AGV環(huán)境的分類也可以采用不同的分法,如圖1所示,可以將環(huán)境劃分成3個(gè)分區(qū)(前區(qū)、左區(qū)、右區(qū),也稱三分區(qū)),也可以將環(huán)境劃分成5個(gè)分區(qū)(前區(qū)、左區(qū)、右區(qū)、左前區(qū)、右前區(qū),也稱五分區(qū)),當(dāng)然還可以繼續(xù)細(xì)分,一般分區(qū)越多對(duì)傳感系統(tǒng)配置的要求就越高、信息計(jì)算量也就越大,所以分區(qū)數(shù)量的選擇應(yīng)該視AGV運(yùn)動(dòng)控制的具體要求而定。對(duì)于三分區(qū)的情形意味著將前方、左方、右方的障礙物距離作為環(huán)境識(shí)別的參數(shù),而五分區(qū)的情形則意味著將前方、左方、右方、左前方、右前方的障礙物距離作為環(huán)境識(shí)別的參數(shù),等等。需要指出的是,既然環(huán)境的類型與AGV的位置和方向有關(guān),那么AGV的位姿的改變就可能將一個(gè)特定的環(huán)境表示為不同的環(huán)境類型,因此環(huán)境的類型會(huì)隨著AGV位姿的變化而變化。AGV前方、左方、右方、左前方和右前方的障礙物距離分別用df、dl、dr、dlf和drf來(lái)表示,如果所有的障礙物距離都大于環(huán)境半徑R,則AGV所處環(huán)境就可認(rèn)為是無(wú)障礙的環(huán)境,否則就是有障礙的環(huán)境。所以在三分區(qū)的情況下就會(huì)有3個(gè)方向的障礙物距離df、dl、和dr,AGV就有8種可能的環(huán)境類型,如圖2所示。然而當(dāng)環(huán)境為五分區(qū)情形時(shí)(對(duì)應(yīng)的障礙物距離為df、dl、dr、dlf和drf),則AGV的環(huán)境有32種可能的類型。圖2中環(huán)境類別(a)表示無(wú)障情況,其余環(huán)境類別表示有障情況。2道路規(guī)劃綱要路徑規(guī)劃的結(jié)構(gòu)如圖3所示。下面著重介紹避障路徑規(guī)劃。2.1轉(zhuǎn)向裝置控制量低環(huán)境中存在障礙物時(shí),路徑規(guī)劃控制系統(tǒng)具有高度不確定性。系統(tǒng)結(jié)構(gòu)如圖4所示。系統(tǒng)輸入包括:3個(gè)方向上探測(cè)的障礙物距離信息、環(huán)境類別以及目標(biāo)點(diǎn)與小車當(dāng)前車身方向夾角Δθ。系統(tǒng)輸出為轉(zhuǎn)向裝置控制量α和期望速度v。這是一個(gè)有5個(gè)輸入量,2個(gè)輸出量的MIMO系統(tǒng)(多輸入多輸出系統(tǒng))。對(duì)于這種具有高度不確定性的MIMO系統(tǒng),傳統(tǒng)的控制方法不能達(dá)到很好的控制效果。本研究采用模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行AGV的避障路徑規(guī)劃。2.2模糊神經(jīng)網(wǎng)絡(luò)控制器的設(shè)計(jì)2.2.1模糊語(yǔ)言變量的mid取值避障路徑規(guī)劃模糊神經(jīng)網(wǎng)絡(luò)控制器的輸入包括環(huán)境類別號(hào)、目標(biāo)點(diǎn)與小車當(dāng)前車身方向夾角Δθ、以及3個(gè)方向上的障礙物距離信息。各輸入、輸出量的隸屬函數(shù)的定義如圖5所示。環(huán)境類別num的隸屬函數(shù)如圖5(a)所示。模糊變量環(huán)境類別號(hào)No取值為0~6,分別對(duì)應(yīng)圖2中的(b)~(h)7種環(huán)境類別。小車前方障礙物距離DMid的模糊化隸屬函數(shù)如圖5(b)所示,m∈(0,300)cm。共有5個(gè)離散值分別對(duì)應(yīng)不同的距離段:1—cm;2—cm;3—cm;4—cm;5—cm。模糊語(yǔ)言變量Mid取值分為B(遠(yuǎn)),M(中),S(近)三檔。隸屬函數(shù)形狀為梯形。左、右兩側(cè)障礙物距離Dleft、Dright的隸屬函數(shù)如圖5(c)、(d)所示。模糊語(yǔ)言變量L、R共有5個(gè)離散值分別對(duì)應(yīng)不同的距離段:1—cm;2—cm;3—cm;4—cm;5—cm。模糊語(yǔ)言變量L、R取值均分為B(遠(yuǎn)),M(中),S(近)三檔。小車車身與理想方向的偏差Δθ的模糊化隸屬函數(shù)如圖5(e)所示。它有兩個(gè)離散值FZ,NZ。隸屬函數(shù)含義如下:Dsita={FZNZΔθ≥0Δθ<0Dsita={FΖΔθ≥0ΝΖΔθ<0式中語(yǔ)言值NZ、FZ—目標(biāo)點(diǎn)在小車右側(cè)或左側(cè)。輸出速度變量vt的模糊化隸屬函數(shù)如圖5(f)所示。語(yǔ)言變量值分為:中速前進(jìn)(FM),慢速前進(jìn)(FS)和后退(BA)三檔。轉(zhuǎn)向裝置控制量α的隸屬函數(shù)如圖5(g)所示。其語(yǔ)言變量值分為:LL(左大轉(zhuǎn)彎),LS(左小轉(zhuǎn)彎),Z(保持當(dāng)前方向),RS(右小轉(zhuǎn)彎),RL(右大轉(zhuǎn)彎)五檔。如圖中所示,這五檔分別對(duì)應(yīng)不同的轉(zhuǎn)向機(jī)構(gòu)控制量-α2~α。2.2.2網(wǎng)絡(luò)訓(xùn)練樣本的確定模糊神經(jīng)網(wǎng)絡(luò)控制器在輸入/輸出參量的選擇,以及模糊論域和模糊子集的確定方面,與一般模糊控制器沒有什么區(qū)別,只是在推理手段上引入了神經(jīng)網(wǎng)絡(luò)。模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖6所示。圖中,第1層為模糊化,第5層為清晰化即去模糊化層,模糊化與清晰化中間的神經(jīng)網(wǎng)絡(luò)為BP網(wǎng)絡(luò),第2、3、4層分別為BP網(wǎng)絡(luò)的輸入層、隱層和輸出層。令x1~x7為輸入量環(huán)境類別num的模糊子集,x8~x12為輸入量前方距離DMid的模糊子集,x13~x18為輸入量左方距離Dleft的模糊子集,x19~x24為輸入量右方距離Dright的模糊子集,x25、x26為輸入量目標(biāo)點(diǎn)與小車當(dāng)前車身方向夾角Δθ的模糊子集。y1~y3為輸出量速度變量vt的模糊子集,y4~y8為輸出量轉(zhuǎn)向裝置控制量α的模糊子集。每一個(gè)輸入/輸出參量的模糊量如表1所示。本研究根據(jù)盲人走路和汽車駕駛的思維方式制定了如下所示的模糊控制規(guī)則:若環(huán)境類別為b,前方障礙物距離較大,目標(biāo)點(diǎn)在小車右方,則保持中等前進(jìn)速度,向右小轉(zhuǎn)彎;若環(huán)境類別為b,前方障礙物距離較大,目標(biāo)點(diǎn)在小車左方,則保持中等前進(jìn)速度,向左小轉(zhuǎn)彎;若環(huán)境類別為b,前方障礙物距離中等,目標(biāo)點(diǎn)在小車右方,則保持慢速前進(jìn),向右大轉(zhuǎn)彎;若環(huán)境類別為b,前方障礙物距離中等,目標(biāo)點(diǎn)在小車左方,則保持慢速前進(jìn),向左大轉(zhuǎn)彎;……將控制規(guī)則用模糊語(yǔ)言表達(dá)為如下形式:if(No=Noi&Mid=Midj&R=Ri&L=Li&Dsita=Dsitam)then(v=vijklm&α=αijklm)(1)if(Νo=Νoi&Μid=Μidj&R=Ri&L=Li&Dsita=Dsitam)then(v=vijklm&α=αijklm)(1)式中:i=0,1,…,6;j=0,1,2;k=0,1,2;l=0,1,2;m=0,1。共有126條控制規(guī)則,每條規(guī)則都是一對(duì)樣本,則共有126對(duì)樣本。當(dāng)訓(xùn)練結(jié)束后,神經(jīng)網(wǎng)絡(luò)已經(jīng)記憶了模糊控制規(guī)則,使用時(shí)具有聯(lián)想記憶功能。由于中間隱層節(jié)點(diǎn)數(shù)與記憶的樣本數(shù)有關(guān),一般來(lái)說(shuō),g個(gè)隱層節(jié)點(diǎn)可以用來(lái)準(zhǔn)確記憶g+1個(gè)不同樣本。因?yàn)橛?xùn)練樣本數(shù)取為126,故隱層至少采用125個(gè)節(jié)點(diǎn)。采用公式z0=∑ic=1nqzicμc(zic)∑ic=1nqμc(zic)z0=∑ic=1nqzicμc(zic)∑ic=1nqμc(zic)(其中,zic為第ic個(gè)模糊變量,μc(zic)為對(duì)應(yīng)模糊變量zic的隸屬度),去模糊化后便得到精確輸出量速度變量vt和轉(zhuǎn)向裝置控制量α。根據(jù)模糊規(guī)則,可得到網(wǎng)絡(luò)的訓(xùn)練樣本P和T;由于有126個(gè)樣本節(jié)點(diǎn),所以中間層有125個(gè)節(jié)點(diǎn);中間層神經(jīng)元的傳遞函數(shù)為tansig;輸出層有8個(gè)節(jié)點(diǎn),其神經(jīng)元傳遞函數(shù)為logsig;訓(xùn)練函數(shù)采用traingdx;訓(xùn)練步數(shù)為1000次;訓(xùn)練目標(biāo)誤差為0.001。網(wǎng)絡(luò)的訓(xùn)練結(jié)果為:TRAINGDX,Epoch0/1000,MSE0.48421/0.001,Gradient0.167061/1e-006TRAINGDX,Epoch25/1000,MSE0.473888/0.001,Gradient0.171473/1e-006TRAINGDX,Epoch50/1000,MSE0.439376/0.001,Gradient0.176508/1e-006TRAINGDX,Epoch75/1000,MSE0.339062/0.001,Gradient0.144186/1e-006TRAINGDX,Epoch100/1000,MSE0.160801/0.001,Gradient0.0758492/1e-006TRAINGDX,Epoch125/1000,MSE0.0714461/0.001,Gradient0.0334867/1e-006TRAINGDX,Epoch150/1000,MSE0.0309173/0.001,Gradient0.0122248/1e-006TRAINGDX,Epoch175/1000,MSE0.00537365/0.001,Gradient0.00339935/1e-006TRAINGDX,Epoch194/1000,MSE0.00092937/0.001,Gradient0.000705875/1e-006TRAINGDX,Performancegoalmet.網(wǎng)絡(luò)的誤差曲線如圖7所示,網(wǎng)絡(luò)性能可以滿足控制要求。網(wǎng)絡(luò)經(jīng)過(guò)194次訓(xùn)練后,目標(biāo)誤差達(dá)