基于神经网络的移动机器人避障控制和决策

２００６年第８期农业装备与车辆工程基于神经网络的移动机器人避障控制和决策

伊连云，金秀慧，贺廉云，王慧

（德州学院机电工程系，山东德州，２５３０１５）

摘要：针对移动机器人避障的特点，提出了一种基于神经网络的动态避障控制方法。介绍了避障行为的决策、基于神经网络的机器人在避障过程中的运动控制等。该方法不用考虑障碍物的运动状态，简化了机器人避障的步骤，机器人能够根据各种情况灵活地判断是否避障以及灵活地选择适当的避障方式，提高了机器人避障的灵活性和鲁棒性。仿真试验证明这种方法是可行而有效的。

关键词：移动机器人；神经网络；避障中图分类号：ＴＰ２４

文献标识码：Ａ

文章编号：１６７３－３１４２（２００６）０８－００２２－０３

ＭｏｂｉｌｅＲｏｂｏｔＯｂｓｔａｃｌｅＡｖｏｉｄａｎｃｅＣｏｎｔｒｏｌａｎｄＤｅｃｉｓｉｏｎＢａｓｅｄｏｎＮｅｕｒａｌＮｅｔｗｏｒｋ

ＹｉＬｉａｎｙｕｎ，ＪｉｎＸｉｕｈｕｉ，ＨｅＬｉａｎｙｕｎ，ＷａｎｇＨｕｉ

（ＤｅｐａｒｔｍｅｎｔｏｆＥｌｅｃｔｒｏｍｅｃｈａｎｉｃＥｎｇｉｎｅｅｒｉｎｇ，ＤｅｚｈｏｕＵｎｉｖｅｒｓｉｔｙ，Ｄｅｚｈｏｕ２５３０１５，Ｃｈｉｎａ）

Ａｂｓｔｒａｃｔ：Ａｃｃｏｒｄｉｎｇｔｏｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｔｈｅｍｏｂｉｌｅｒｏｂｏｔｉｎｏｂｓｔａｃｌｅａｖｏｉｄａｎｃｅ，ａｍｅｔｈｏｄｏｆｄｙｎａｍｉｃｏｂｓｔａｃｌｅａｖｏｉｄａｎｃｅｂａｓｅｄｏｎｎｅｕｒａｌｎｅｔｗｏｒｋｉｓｐｒｅｓｅｎｔｅｄ．Ｔｈｉｓａｒｔｉｃｌｅｐｒｅｓｅｎｔｓｔｈｅｄｅｃｉｓｉｏｎｏｆｏｂｓｔａｃｌｅａｖｏｉｄａｎｃｅｂｅｈａｖｉｏｒ，ｒｏｂｏｔｍｏｖｉｎｇｃｏｎｔｒｏｌｂａｓｅｄｏｎｎｅｕｒａｌｎｅｔｗｏｒｋｄｕｒｉｎｇｏｂｓｔａｃｌｅａｖｏｉｄａｎｃｅｐｒｏｃｅｓｓ．Ｔｈｉｓｍｅｔｈｏｄｄｏｅｓｎｏｔｎｅｃｅｓｓａｒｉｌｙｔａｋｅｔｈｅｖｅｌｏｃｉｔｙａｎｄｔｈｅｄｉｒｅｃｔｉｏｎｏｆｔｈｅｏｂｓｔａｃｌｅｓｉｎｔｏａｃｃｏｕｎｔ，ｓｏｐｒｅｄｉｇｅｓｔｓｔｈｅｐｒｏｃｅｄｕｒｅｏｆｏｂｓｔａｃｌｅａｖｏｉｄａｎｃｅ．Ｔｈｅｒｏｂｏｔｃａｎｊｕｄｇｅｆｌｅｘｉｂｌｙｗｈｅｔｈｅｒｉｔｎｅｅｄｓｔｏａｖｏｉｄｔｈｅｏｂｓｔａｃｌｅａｎｄｃａｎｃｈｏｏｓｅｐｒｏｐｅｒｗａｙｓｏｆｏｂｓｔａｃｌｅａｖｏｉｄ－ａｎｃｅａｃｃｏｒｄｉｎｇｔｏｄｉｖｅｒｓｉｆｉｅｄｃｉｒｃｕｍｓｔａｎｃｅｓ．Ｉｔｉｍｐｒｏｖｅｓｆｌｅｘｉｂｌｙａｎｄａｄａｐｔｉｖｅｌｙｔｈｅｒｏｂｏｔｏｂｓｔａｃｌｅａｖｏｉｄａｎｃｅ．Ｔｈｅｅｘｐｅｒｉｍｅｎｔｏｆｓｉｍｕｌａｔｉｏｎｉｎｄｉｃａｔｅｓｔｈａｔｔｈｅｍｅｔｈｏｄｉｓｆｅａｓｉｂｌｅａｎｄｖａｌｉｄ．ＫｅｙＷｏｒｄｓ：ｍｏｂｉｌｅｒｏｂｏｔ；ｎｅｕｒａｌｎｅｔｗｏｒｋ；ｏｂｓｔａｃｌｅａｖｏｉｄａｎｃｅ

收稿日期：２００５－１２－１９

作者简介：伊连云（１９７４－），女，山东德州人，硕士，讲师，主要研究领域为自动控制及人工智能。

农业装备与车辆工程

ＡＧＲＩＣＵＬＴＵＲＡＬＥＱＵＩＰＭＥＮＴ＆ＶＥＨＩＣＬＥＥＮＧＩＮＥＥＲＩＮＧ

２００６年第８期（总第１８１期）

Ｎｏ．８２００６（Ｔｏｔａｌｌｙ１８１）

０引言

随着移动机器人的应用领域不断扩大，人们希望机器人能够在未知环境中自动实现路径规划，以大大提高其对环境的适应能力。避障是移动机器人运动规划中的基本问题之一，一直以来都是机器人路径规划中的难点。根据机器人对环境信息知道的程度不同，可分为两种类型：环境信息完全知道的全局路径规划和环境信息完全未知或部分未知的局部路径规划。对于已知环境下的避碰问题，已经提出了许多有效的解决方法。其中，Ｋｈａｔｉｂ提出的人工势场法，结构简单，易于实现，得到了广泛应用。但人工势场法主要存在陷阱区域，栅格法空间分辨率、时间复杂度与内存容量、实时性要求之间的矛盾限制了它的使用。近年来，一些生物进化算法被用于机器人的避碰与路径规划研究，如人工神经网络、遗传算

法、模拟退火算法、蚂蚁算法等。与在已知环境中相比，机器人在环境完全未知或部分未知情况下实现避障更加困难。针对环境信息不确定情况下的避障问题，本文提出一种机器人的动态避障方法，该方法是以机器人与障碍物之间的相对运动作为决策依据，不用考虑障碍物的运动状态，简化了机器人避障的步骤；另外，机器人能够根据各种情况灵活地判断是否避障以及灵活地选择适当的避障方式，使机器人在躲避碰撞的前提下能快速地跟踪规划路径。

１避障行为的决策

机器人在运动过程中需要对碰撞的危险性进行判断并以此作为机器人避障行为选择的依据。图１ａ给出了机器人的扇形视野区域。机器人把所有的障碍物都看作运动体，通过检测障碍物的历史位置与当前位置的相对关系，来判断机器人是否会与障碍物相撞，判断步骤如下：

（１）连接历史点与当前点，并延长至与扇形区相交，当交点在扇形的弧线上，标志障碍物正远离物

・２２・

资料整理自互联网，版权归原作者！ 欢迎访问 新势力单片机、嵌入式

２００６年８月

伊连云等：基于神经网络的移动机器人避障控制和决策

体，不需要避障。否则记录交点的位置，我们称该交点为出口点。

（２）从物体当前点向机器人与出口点同侧的边缘点引直线（圆形机器人为切线），然后求图１ａ上０位置到两条直线的距离，当前者大于或等于后者则不需要避障，否则选择避障。

２从屏幕坐标到扇形区的映射

人工神经网络由于具有分布式存储和并行处理结构，自组织和自学习功能以及很强的容错性和鲁棒性等优点，能够用来进行非线性逼近。因此我们采用人工神经网络对相对坐标和相对误差半径进行标定。我们采用了前馈型神经网络模型和误差反传算法。神经网络如式（１）～式（４）所示。

ｆ（ｘ）＝

１，ｘ≥０

０，ｘ＜"

０

（１）

式（１）为输入层与输出层的激励函数；

ｇ（ｘ）＝

１１＋ｅｘｐ（－ａｘ）

（２）

隐层的激励函数为Ｓｉｇｍｏｉｄ函数，式中参数ａ

为可控制斜率；

ｈｊ＝ｆ（Ｍ－１

ｉ＝０

#ｗ１ｉｊｘｉ－ｂ１ｊ）

（３）

式（３）表示隐层各单元的输出；

ｙｋ＝ｇ（Ｌ－１

ｊ＝０

$ｗ２ｊｋｈｊ－ｂ２ｋ）

（４）

式（４）表示输出层各单元的值。

通过实验数据我们可以知道：拟合误差在屏幕

中心点（０，Ｙｍａｘ／２）处取得最小值；拟合点越偏离屏幕中心点，拟和误差越大；这说明当障碍物位于远距离或者侧前方时，判断是否避障难度较大，而当障碍物靠近时或者位于中心区域时判断比较容易。

３机器人在避障过程中的运动控制

为了保证机器人在避障过程中的快速性，一般

不采用减速的方法，而是通过调节ω；而在一些必要的情况下必须减速，甚至停止。当然在一些情况下可以采用直线加速的方法。因此，在图１中分为加速区、减速区、终止区和自由规划区四大部分。这几部分并不是严格分开的，有的区域相互重叠。其中Ａ区为终止区，如果障碍物的当前点在终止区内，机器人的线速度应减为零，终止区的径向宽度由公式（５）确定：

ｄａ＝（Ｖｒｍａｘ＋Ｖｏｍａｘ）×ｔｓ＋ａ

（５）

在式中Ｖｒｍａｘ和Ｖｏｍａｘ为机器人和障碍物的最大速度，

ｔｓ为采样时间（信息数据更新时间），ａ为安全系数，

一般随实际情况而定。

Ｂ区（斜线区）为加速区，并不是说障碍物在该

区内就可以加速，机器人以加速的方式避障必须满足下面两个条件：

（１）障碍物的当前点在加速区。

（２）出口点在当前点所在加速区的边线（如图１中的线段９ｄ或者线段５１）上。

如果满足条件（１）而不能满足条件（２），则按自由规划处理。

Ｃ区为减速区，减速区的功能是使机器人以最大的加速度使速度从Ｖｒｍａｘ减到某一速度Ｖｒ，利用式６和式７可以求得减速区的宽度。

ｔｄ＝ｖｍａｘ－ｖ

ｍａｘｄ

δｖｍａｘ

（６）ｄ＝ｖｍａｘｔｄ－１２

δｖｍａｘｔｄ

２

（７）Ｆ区为自由规划区，在自由规划区内可以自由

地选择减速避障或者线速度不变避障。

下面分别求解机器人避障时的线速度变化量ΔＶ和角速度变化量Δω

：ΔＶ＝（ｘ１－ｘ０）ｋｔｓ－ｙ１－ｙ

０

ｔｓ

（８）

图１扇形区与屏幕坐标的映射

（ａ）

５

６

７８９

Ｂ

Ｂ

Ｆ

４３２１

ａ

ｂ

ｃｄＣＡ０

（ｂ）

５

６７８９

０ＢＦＢ

４３２１

ａｂｃｄＣＡ・２３・