教育移动机器人路径规划技术研究.doc

-专业文档，值得下载!-专业文档，值得珍藏！-教育移动机器人路径规划技术研究刘尧摘要：机器人课程已逐渐进入高中教育，移动机器人的路径规划作为一项关键技术，学生实际学习操作比较困难。结合高中教育实际，本文设计了一种基于模糊控制的机器人局部路径规划方法，该方法简单有效，便于理解，可以使学生对机器人控制及路径规划有初步的认识和理解，以激发其学习机器人技术的兴趣。关键词：局部路径规划；模糊控制；栅格地图ResearchonPathPlanningTechniqueofEducationMobileRobotAbstract：Roboticlessonhasgraduallyenteredhighschoolcurriculum.Themobilerobotpathplanningasakeytechnology,studentsinhighschoollearnthepracticaloperationmoredifficult.Combinedwithactualhighschooleducation,inthepaper,arobotlocalpathplanningmethodbasedonfuzzycontrolisdesigned,whichissimpleandeffective,easytounderstand,sothatstudentscancontrolandrobotpathplanningoftheinitialawarenessandunderstanding,tostimulatetheirlearninginterestinrobotics.Keywords：LocalPathPlanning；FuzzyControl；GridMap1引言机器人课程已进入高中教育阶段，移动机器人作为机器人的一个重要分支具有典型的代表意义，它集合了机械、电子及人工智能等先进技术，是学生学习机器人技术、教学实验和锻炼动手能力理想平台12。目前，教育机器人比较普及，其教学对象大多针对大学学生，但高中学生基础知识比较缺乏，对目前的机器人学理论无法理解3-6，因此本文针对这一现状，研究一种基于模糊控制的移动机器人路径规划技术，便于学生理解与实践。2障碍物环境模型的建立2.1环境地图的建立机器人采用占栅格地图7，环境模型的建立方法如下：建立x-y坐标系（如图2.1所示），机器人的起始点设为S，全局目标点设为G，都处于第一象限。S的坐标为(,)xy，G的坐标为(x，y)(xx0,yy0)。根据x，y的值在第一象限内建立一个大小为xy的二维矩阵D。矩阵中，值为0的元素代表障碍物单元，值大于0的代表自由单元，列向量对应x轴的正方向，行向量对应y轴的正方向。障碍物信息就包含在环境信息当中。在此元素坐标系中，矩阵D元素的下标(b，c)等于元素在坐标系中的坐标(x，y)，矩阵元素值z在坐标系中表示成函数：(,)(,)fxyzbc（b=x，c=y）（2-1）这样就可以根据函数f判断点(x，y)是自由元素还是障碍物元素。坐标系中，机器人的实时位置设为P(x，y)。机器人的路径规划在这个环境模型中，就是计算出一条代表自由单元矩阵元素的曲线，即一维向量x和y。-专业文档，值得珍藏！-2.2障碍物模型的描述在路径规划仿真时，假设障碍物已事先根据机器人的实际尺寸和安全性要求进行了“膨化”，使得处理后的障碍物边界以外为安全区域。机器人将简化为一个质点。机器人无全局信息，它只能根据超声传感器感知的环境信息推算当前视线内的临时目标T。2.2.1障碍物识别超声波传感器的配置方案和安装角度如图2.2，把3个超声传感器分为s1、s2和s3。对于单个的传感器来说，只能获得障碍物的距离信息，并不能得到障碍物的准确方位信息，导航误差增大。为此，提出一种简单明了的分区算法，对每个方向组的传感器测得的数据进行融合，从而得到三个方向上障碍物距离和方位信息。，超声传感器最大测距范围为5米，当障碍物在5米之外时传感器距离值为5米。假定：三个传感器距离信息值用di（i=13）表示，融合后取值(d,)，d表示距离值，d的取值范围为(55cm,500cm)，三个方向上分别为dr、df、dl，表示障碍物方位角度，当有多个障碍物时，取使90值最小的值S2移动机器人S3S1图2.2障碍物传感器信息示意图另外，当障碍物在左方与前方共有区域，认为障碍物是在左方，当障碍物在右方与前方共有区域，认为障碍物是在右方。至此，我们得到了探测机器人前方三个方向上障碍物距离信息的三维向量D1dr，df，dl，传感器信息分区可以顺利地完成传感器信息初步融合，从而可以建立移动机器人障碍物环境模型。我们根据向量D1dr，df，dl取值来设定探测机器人车体周围环境的类别，每个方向上有障碍物时该方向分量取值为1，无障碍物取值为0，则三位二进制代码即可对环境进行分类，共有8种类。具体定义如下：000：无障碍物，为了简化神经网络输出，定义为第0类，记为EN0；001：左方有障碍物，定义其为第1类，记为EN1；010：前方有障碍物，定义其为第2类，记为EN2；G(x,y)(0,0)yxS(1,1)图2.1在环境模型矩阵上建立坐标系-专业文档，值得珍藏！-011：前方和左方有障碍物，定义其为第3类，记为EN3；100：右方有障碍物，定义其为第4类，记为EN4；101：左方和右方有障碍物，定义其为第5类，记为EN5；110：前方和右方有障碍物，定义其为第6类，记为EN6；111：三个方向都有障碍物，定义其为第7类，记为EN7。3路径规划的模糊算法得到环境分类信息后，我们采用模糊控制器来实现局部路径规划信息融合的最后一步。为满足系统要求，选用三维控制器进行控制。实现模糊控制步骤如下：3.1确定结构该控制器共有三个输入：环境类别、当前机器人速度V和当前障碍物方位角度信息；经过模糊逻辑处理后输出两个变量：机器人的速度V和转角。3.2确定语言变量值及其隶属函数环境类别为0到7共8个离散值；当前机器人速度V模糊化取值语言变量为快，中，慢，隶属函数取梯形函数，见图3.1；输出速度Vo模糊化与输入速度值相同；输出转角取值为三个离散值：,0，（=5）。L01234500.81HMDegreeofMembershipSpeed6图3.1当前机器人速度V及输出速度Vo隶属函数3.3模糊规则的建立由以上变量取值得知可以制定共72条模糊规则。参考Mamdani控制规则制定的方法取舍之后，制定了如下24条IF-THEN形式的模糊规则。1、当环境类别EN为0时，不考虑：1)若V为快和中，输出Vo保持不变，为0；2)若V为慢，输出Vo为快，为0。2、当EN为1时：3)若V为慢，则输出Vo为中，为0；4)若V为快，则输出Vo为快，为0；3、当EN为2时：5)若V为慢，则输出Vo为慢，为-；6)若V为快，则输出Vo为中，为-；7)若V为中，则输出Vo为中，为-；4、当EN为3时：-专业文档，值得珍藏！-8)若V为快，则输出Vo为中，为；9)若V为慢，则输出Vo为慢，为；10)若V为中，则输出Vo为中，为；5、当EN为4时：11)若为左方，V为慢，则输出Vo为快，为0；12)若为左方，V为快，则输出Vo为快，为0；6、当EN为5时：13)若V为快，则输出Vo为中，为0；14)若V为慢，则输出Vo为中，为0；15)若V为中，则输出Vo为中，为0；16)若V为退，则输出Vo为慢，为-；7、当EN为6时：17)若V为快，则输出Vo为中，为-；18)若V为慢，则输出Vo为慢，为-；19)若V为中，则输出Vo为中，为-；8、当EN为7时：20)若V为快，则输出Vo为退，为0；21)若V为中，则输出Vo为退，为0；22)若V为慢，则输出Vo为退，为-；23)若V为退，则输出Vo为退，为-；9、24)若当前情况不属于上述8种情况，则保持当前状态不变。3.4控制输出的非模糊化模糊推理结果都是模糊值，不能直接用于控制被控对象，需转换为执行机构可以执行的精确量。将模糊量转换为精确量的过程就叫非模糊化，方法有：最大隶属度法、中位数法、加权平均法等。其中应用最多的是加权平均法，可用下式计算：njjnijjjWWWz1*)()(（3.1）其中jW为推理结果，即经模糊规则判断后的输出，)(jW为各种推理结果的权函数，为方便起见，可以取隶属函数为全函数。在这里jW为输出速度Vo，而输出转角本