基于多传感器数据融合的智能小车避障的研究

传感器与微系统(T ransducer and M i c rosyste m T echno l og i es)2010年第29卷第2期基于多传感器数据融合的智能小车避障的研究刘金强1,聂诗良1,潘泽友2,冯聪杰1(1.西南科技大学信息工程学院,四川绵阳621010;2.中国工程物理研究院计算机应用研究所,四川绵阳621900)摘要:针对智能小车避障问题,提出了一种将模糊逻辑和神经网络相结合的融合方法)T akag-i Sugeno (T-S)模糊神经网络方法。

基于此方法的数据融合算法应用在智能小车避障运动中,采用多只超声波传感器和红外线传感器探测障碍物的距离和方向,采集的各种数据利用T-S模糊神经网络进行融合。

通过实验仿真表明:此方法能够使智能小车对障碍物的灵活避障和导航行进。

关键词:多传感器数据融合;避障;模糊神经网络;智能小车中图分类号:TP242文献标识码:A文章编号:1000)9787(2010)02)0066)03Study on obstacle avoidance of intelligentmachi ne basedon mult-i sensor data fusionLI U Ji n-qiang1,N I E Sh-i liang1,PAN Ze-you2,FENG Cong-jie1(1.School of Infor mat i on Engineering,Sou thwest Un iver sity of Science&T echnology,M ianyang621010,Ch i na;2.Institute of Co m puter App lication,Ch i na Academy E ngi n eer i ng Physi cs,M ianyang621900,Ch i na)Abstract:A i m ed a t the prob l em o f obstacle avo i dance of i nte lli gent m ach i ne,a novel approach o f mu lt-i sensori nfor m ati on f usion based on neura l net w orks and f uzzy l og ic,.i e.T-S f uzzy neural net wo rks m ethod is presented.T he m e t hod based on data f usion a l go rith m i s used i n i ntelli g ent m ach i ne obstacle-avo i d i ng m ove m en t,seve ra l u ltrasonic sensors and i nfrared senso rs are used fo r detec ti ng distance and d i recti on o f the obstac l e.A ll k i nds o f co ll ected da ta are i ntegrated by t he T-S fuzzy neural net wo rks.The si m u lati on expe ri m en t i ndicates that the m ethod w hich is used i n avo i d i ng the obstacle and nav i gating o f i nte lli gent machine is fl ex i b l e.K ey word s:m ult-i sensor da ta fusi on;obstac le avo i dance;fuzzy neura l net wo rks;i nte lli gentm achi ne0引言多传感器融合是把在不同位置的多只同类或者不同类传感器所提供的局部环境的不完整信息加以综合,消除传感器间可能存在的冗余信息,加以互补,降低不确定性,从而提高智能系统的决策、规划、反应的快速性和正确性,降低决策风险。

目前常采用的数据融合方法主要有:卡尔曼滤波方法、D-S方法、模糊逻辑控制的避障方法、神经网络的避障方法等。

本文针对移动智能小车避障问题,提出了一种基于T-S模糊神经网络的多传感器数据融合方法。

它利用模糊逻辑控制来实现传感器的信息融合,并采用模糊神经网络来实现决策控制,在软件模拟仿真实验中完成智能小车的避障实验,验证了此方法的可行性与可靠性。

1避障控制算法在智能小车的避障控制系统结构的基础上,着重介绍收稿日期:2009)07)23基于T-S模型的模糊神经网络算法。

1.1避障控制系统结构为了综合利用系统所拥有的传感器以准确判定待测参数,必须建立适当的信息融合的体系结构[1]。

本文选用基于T-S模糊神经网络方法,输入的是超声波传感器和红外线传感器采集到的障碍物的距离和方向数据,先采用模糊逻辑对其进行特征级模糊处理,然后,采用神经网络对输入的模糊逻辑进行决策级融合,输出小车的转向角度和移动加速度。

另外,还利用了电子指南针的定位作用来指导小车的运动,其避障控制系统结构如图1所示。

1.2基于T-S模型的模糊神经网络算法为了使小车能躲避物体,传感器必须能够获得障碍物的形状、距离、方位以及环境信息[2]。

基于T-S模型的模糊神经网络既具有模糊逻辑和神经网络的优点,又有很好的收敛性和学习能力,故采用模糊神经网络方法来实现智能小车的避障。

又由于模糊逻辑是柔性,建立在自然语言的66第2期 刘金强,等:基于多传感器数据融合的智能小车避障的研究图1 智能小车避障控制系统结构图F ig 1 Structure di agram of contro l syste m of i ntelligentm achi ne obstacl e avo i dance基础上对数据的精确性要求不高,而非线性隶属度函数使得输入和输出的曲面映射更加平滑,有利于输出的精确和稳定,所以,选择隶属度函数为非线性[3]。

本文选择高斯型(gauss m f)隶属度函数。

图2为T-S 型模糊神经网络结构图[4,5],一共有7层,其中,A,B ,C ,D 为前件网络,E,F ,G 层为后件网络[6]。

图2 T -S 模糊神经网络结构F ig 2 Structure of fuzzy neural net works base on T -S前件网络属于递归模糊神经网络,其中包含了4个输入节点,对每个输入定义了m 个语言词集节点,另外有l 个控制规则节点和2个输出节点。

用u (k )i,f(k )i分别代表第k层的第i 个节点的输入和输出,在A 层为输入层,它的每个节点直接与输入向量的各个分量x i 连接,它起着直接将输入值x =[x 1x 2x 3x 4]T传送到下一层的作用。

输入关系为f(1)i(k )=u(1)i(k)=x(1)i(k )+w(1)i(k )f(1)i(k -1),i =1,,,4.B 层每个节点代表一个语言变量值,作用是计算输入分量属于各语言变量值的模糊集合的隶属度函数,即f (2)ij =-(x(1)i-c ij )2R 2ij,x (2)ij =u j i =g (2)ij =ef (2)ij=e-(x i -c ij )2R 2ij,式中 u j i 为相应的隶属度函数;c ij 和R ij 分别代表高斯函数的中心值和宽度;i =1,2,,,4;j =1,2,,,m 。

C 层为每个节点代表一条模糊规则,它的作用是用来匹配模糊规则的前件,计算出每条规则的触发强度,即a j =m i n {L l 11,L l 22,,,L l 44},式中 l 1I {1,2,,,m 1},,,l 4I {1,2,,,m i },j =0,1,,,m 。

D 层是用来实现归一化计算,即f 4j=x (3)j E mi=1x(3)j=A jE mi=1Aj,x (4)j = A j =g (4)j =f (4)j ,j =0,1,,,m .相对于前件网络,后件网络由r 个结构相同的并列子网络组成,每个子网产生一个输出量。

E 层为子网络的输入层,是将输入变量传送到第二层,即f (4)i =x (0)i =x i ,i =1,2,,,4,f (4)0=x (0)0=1,x (4)i =g (4)i ,i =0,1,,,4.该层第0个节点的输入值为1,作用是为模糊规则后件提供常数项。

F 层有m 个节点,作用是计算每一条规则的后件,即f (6)i =E4i=0P k i x (4)i ,k =1,2;i =0,1,,,4,x (6)i =y k i =g (6)i =f (6)i ,式中 P ki 为网络的连接权值;y k i 为每条规则的输出值。

G 层为系统的输出层,是实现模糊变量的清晰化处理,求解模糊结果为f(7)k=E4i=0y k i x(4)i=E4i=0y k i A i ,k =1,2,x (7)1=y r =f (7)1,x (7)2=y 1=f (7)2.基于避障控制要求,模糊神经网络控制器共有4个输入,2个输出。

根据图1,4个输入量分别为移动机器人距离左方、前方和右方障碍物的距离d l ,d c ,d r 和移动机器人当前的运动速度v ,设置x 1为d l ,x 2为d c ,x 3为d r ,x 4为v ,其中,d l ,d c ,d r 分别由超声波传感器和红外传感器采集的数据经特征级融合形成,2个输出量分别为小车的转向角5和加速度a ,设置y 1为小车的转向角5,y 2为小车的加速度a ,其中,5右转为正,左转为负,如下参数模糊化其障碍物距离{N ear ,M D,Far}={近,中,远},论域为[0,2m ];前进速度v {S ,M,Q }={慢,中,快};转向角5值为{-P /6,-P /12,0,P /12,P /6},分别用{T LB,TLS ,TZ,TR S ,TRB }={/左大0,/左小0,/零0,/右小0,/右大0}表示。

输出量加速度a 的值为{-0.4,0,0.4m /s 2},分别用{D,Z,A }表示。

小车避障的主要依据是左、右、前3个方向的障碍物距67传感器与微系统 第29卷离和当前运动速度信息,从而来调整转向角和加速度来实施避障。

根据d l ,d c ,d r 和v 的不同取值,可以建立出相应的小车避障控制规则,部分规则罗列如下:1)if d c is N ear and d l i s Far and d r is N ear and v is S then 5i s TLB and a is D;2)if d c i s N ear and d l is N ear and d r is F ar and v is M then 5i s TRB and a is A;3)if d c is F ar and d l i s N ea r and d r is Fa r and v is S then 5i s TZ and a is Z;4)if d c is F ar and d l i s F ar and d r i s N ea r and v is S then 5i s TZ and a is Z;5)if d c is F ar and d l is N ear and d r i s N ear and v i s Q then 5i s TZ and a is Z;2 仿真实验在控制算法完成后,利用VB 来设计小车避障仿真系统。