模糊神经网络的多智能体系统的运动规划方法技术方案

本发明专利技术涉及人工智能技术领域，且公开了模糊神经网络的多智能体系统的运动规划方法，包括初始化模块、主程序模块、计算角度和计算距离模块、模糊神经网络模块、运动模块和训练模块，所述初始化模块主要作用是完成对系统使用的地图窗口的初始化，设定自主移动机器人的初始位置及朝向，目标位置，障碍物分布位置等；本发明专利技术为自主移动机器人运动规划系统的模糊神经网络控制器部分，该控制器在实际运行时，位于闭环控制系统的被控制对象环节之前。根据训练数据，产生自适应权值，根据距离与角度信号，实时调节自主移动机器人行进的方向与速度，实现自主移动机器人自动规划路径，向目标位置移动，在过程中可避开障碍物的控制目标。在过程中可避开障碍物的控制目标。在过程中可避开障碍物的控制目标。

Motion planning method of multi-agent system based on Fuzzy Neural Network

【技术实现步骤摘要】
模糊神经网络的多智能体系统的运动规划方法


[0001]本专利技术涉及人工智能
，具体为模糊神经网络的多智能体系统的运动规划方法。

技术介绍

[0002]人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。具有自主运动避障能力的机器人为人工智能的代表产品之一，其可以通过摄像头以及各种传感器搭配预先编程好并内置其中的程序，可以实现自主移动以及自动避障的功能。但是传统的机器人在进行自我移动避障的时候，其依靠摄像头和各种传感器输入的数据搭配内置的程序实现自主移动避障功能，无法根据与障碍物之间的距离和角度，自主的实时调节行进方向和速度，且无法自主的规划机器人的移动路径，智能化程度不高。

技术实现思路

[0003](一)解决的技术问题
[0004]针对现有技术的不足，本专利技术提供了模糊神经网络的多智能体系统的运动规划方法，解决了上述
技术介绍
中所存在的问题。
[0005](二)技术方案
[0006]为实现上述目的，本专利技术提供如下技术方案：模糊神经网络的多智能体系统的运动规划方法，包括初始化模块、主程序模块、计算角度和计算距离模块、模糊神经网络模块、运动模块和训练模块，所述初始化模块主要作用是完成对系统使用的地图窗口的初始化，设定自主移动机器人的初始位置及朝向，目标位置，障碍物分布位置等；所述主程序模块是系统主要运行模块，在此模块中加载数据，划分数据集，参数初始化，调用函数，传递参数，绘制轨迹图，判断程序是否达到目标，是否中止程序等；所述计算角度和计算距离模块的输入为自主移动机器人与目标的相对距离和相对角度，与障碍物的相对距离和相对角度，计算相对距离时，障碍物距离评价限定一个最大值，如果不设定，一旦一条轨迹没有障碍物，将太占比重，相对角度根据计算，总角度范围为[0,π]；所述模糊神经网络模块采用模糊神经网络推理系统实现控制，采用基于极限学习计算法调整参数；所述运动模块在二维参考坐标系中建立自主移动机器人导航避障模型，为了在控制过程中获得良好的动力学性能，在运动规划中考虑了自主移动机器人的自然运动学约束，选取等间隔时间t，其移动过程中以一个离散时间运动学模型表示，差分方程如下式所示，其中F为参数矩阵，v为线速度，w为角速度，θ为运动朝向：
[0007]p＝[x,y,θ,v,w]T
[0008][0009]u＝[v,w]T
；
[0010]所述训练模块主要作用为为了得到模糊神经网络的参数，需要提前使用训练数据训练模糊神经网络，得到合适的参数，在之后的程序中使用所得到的的权值参数进行控制；
[0011]所述方法包括以下步骤：
[0012]S1、先通过初始化模块进行系统初始化设置，然后通过训练模块对模糊神经网络进行训练，并判断是否达到迭代次数，若达到则进入步骤S2，反之则继续进行迭代训练；
[0013]S2、通过主程序模块初始化设定参数，并通过计算角度和计算距离模块计算位置信息；
[0014]S3、将步骤S2得到的位置信息输入到模糊神经网络模块中进行计算，输出线速度和角度，使机器人进行移动；
[0015]S4、判断机器人是否到达目标位置，若到达目标位置则结束，反之，则继续进行步骤S2
‑
S4的操作，直至机器人到达目标位置。
[0016]优选的，所述模糊神经网络模块包括前件网络和后件网络，前件网络由前四层组成，第一层为输入层，该层的节点直接与输入向量各分量相连接，设定为四输入，输入为自主移动机器人目标之间的距离和夹角，自主移动机器人与障碍物之间的距离和夹角，第二层为模糊输入层，每个节点代表一个语言变量值，计算各输入分量属于各语言变量值模糊集合的隶属度，采用钟形隶属函数，因为钟形隶属函数的隶属度变化的平滑性和中心灵活性，第三层为模糊规则强度释放层，将输入信号相乘，输出为每条规则的可信任程度，前件网络用来匹配模糊规则的前件，相当于每条模糊规则的适用度，第四层为归一化层，计算适用度的归一化值；后件网络由后两层组成，第五层由两部分组成，输入层将输入向量传送到第五层，输入层中的第0个节点的输入值为一，其作用是提供模糊规则后件中的常数项，第五层的作用是计算每条模糊规则的输出，第六层为输出层，计算模糊神经网络系统的输出，输出为线速度和角速度。
[0017](三)有益效果
[0018]本专利技术提供了模糊神经网络的多智能体系统的运动规划方法，具备以下有益效果：
[0019]本专利技术为自主移动机器人运动规划系统的模糊神经网络控制器部分，该控制器在实际运行时，位于闭环控制系统的被控制对象环节之前。根据训练数据，产生自适应权值，根据距离与角度信号，实时调节自主移动机器人行进的方向与速度，实现自主移动机器人自动规划路径，向目标位置移动，在过程中可避开障碍物的控制目标，使自主移动机器人的智能化程度更高。
附图说明
[0020]图1为本专利技术的流程示意图；
[0021]图2为本专利技术中模糊神经网络模块的结构示意图。
具体实施方式
[0022]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0023]本专利技术提供一种技术方案：模糊神经网络的多智能体系统的运动规划方法，包括初始化模块、主程序模块、计算角度和计算距离模块、模糊神经网络模块、运动模块和训练模块，其特征在于：所述初始化模块主要作用是完成对系统使用的地图窗口的初始化，设定自主移动机器人的初始位置及朝向，目标位置，障碍物分布位置等；所述主程序模块是系统主要运行模块，在此模块中加载数据，划分数据集，参数初始化，调用函数，传递参数，绘制轨迹图，判断程序是否达到目标，是否中止程序等；所述计算角度和计算距离模块的输入为自主移动机器人与目标的相对距离和相对角度，与障碍物的相对距离和相对角度，计算相对距离时，障碍物距离评价限定一个最大值，如果不设定，一旦一条轨迹没有障碍物，将太占比重，相对角度根据计算，总角度范围为[0,π]；所述模糊神经网络模块采用模糊神经网络推理系统实现控制，采用基于极限学习计算法调整参数，如图2所示，模糊神经网络模块包括前件网络和后件网络，前件网络由前四层组成，第一层为输入层，该层的节点直接与输入向量各分量相连接，设定为四输入，输入为自主移动机器人目标之间的距离和夹角，自主移动机器人与障碍物之间的距离和夹角，第二层为模糊输入层，每个节点代表一个语言变量值，计算各输入分量属于各语言变量值模糊集合的隶属度，采用钟形隶属函数，因为钟形隶属函数的隶属度变化的平滑性和中心灵活性，第三层为模糊规则强度释放层，将输入信号相乘，输出为每条规则的可信任程度，前件网络用来匹配模糊规则的前件，相当于每条模糊规则的适用度，第四层本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.模糊神经网络的多智能体系统的运动规划方法，包括初始化模块、主程序模块、计算角度和计算距离模块、模糊神经网络模块、运动模块和训练模块，其特征在于：所述初始化模块主要作用是完成对系统使用的地图窗口的初始化，设定自主移动机器人的初始位置及朝向，目标位置，障碍物分布位置等；所述主程序模块是系统主要运行模块，在此模块中加载数据，划分数据集，参数初始化，调用函数，传递参数，绘制轨迹图，判断程序是否达到目标，是否中止程序等；所述计算角度和计算距离模块的输入为自主移动机器人与目标的相对距离和相对角度，与障碍物的相对距离和相对角度，计算相对距离时，障碍物距离评价限定一个最大值，如果不设定，一旦一条轨迹没有障碍物，将太占比重，相对角度根据计算，总角度范围为[0,π]；所述模糊神经网络模块采用模糊神经网络推理系统实现控制，采用基于极限学习计算法调整参数；所述运动模块在二维参考坐标系中建立自主移动机器人导航避障模型，为了在控制过程中获得良好的动力学性能，在运动规划中考虑了自主移动机器人的自然运动学约束，选取等间隔时间t，其移动过程中以一个离散时间运动学模型表示，差分方程如下式所示，其中F为参数矩阵，v为线速度，w为角速度，θ为运动朝向：p＝[x,y,θ,v,w]
T
u＝[v,w]
T
；所述训练模块主要作用为为了得到模糊神经网络的参数，需要提前使用训练数据训练模糊神经网络，得到合适的参数，在之后的程序中使用所得到的权值参数进行控制；所述方法包括以下步骤：S1、先通过初始化模块进行系统初始化设...

【专利技术属性】
技术研发人员：陈珊，陈以，胡水源，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：