本发明专利技术公布了一种未知环境下基于行为融合的智能探测车自主避障方法。本发明专利技术方法如下：第一步，根据目标点信息和障碍物的距离信息，采用模糊控制方法设计智能探测车自主避障过程中的四个基本行为；第二步，根据障碍物的环境类别和目标点方向角对智能探测车的四个基本行为进行基于两级BP神经网络的权重在线调整；第三步，采用加权平均法对智能探测车的四个基本行为进行融合，得到智能探测车的转向角变化量和线速度，并作用于智能探测车实施控制。本发明专利技术将模糊控制、神经网络、基于行为融合的智能控制方法相结合，实现智能探测车在未知环境下的自主避障，较现有算法具有避障效果好、鲁棒性强、实时性高、学习能力强。
【技术实现步骤摘要】
本专利技术涉及，属于智能移动机器人导航和智能控制领域。
技术介绍
智能探测车属于智能移动机器人范畴，应用范围涉及到工程探险、灾难救援、反恐防爆、军事侦察、星球探测以及执行特殊任务等。随着应用范围的不断拓宽，智能探测车所面临的工作环境也越来越复杂，往往是未知的、非结构化的，所以，智能探测车要在这种环境下实时地、安全地完成各种探测任务，自主避障算法的设计是智能探测车设计的关键部分之一，同时自主避障也是智能探测车智能化的重要体现。 自主避障技术是移动机器人路径规划技术研究的一个重要环节和课题。根据对环境信息掌握的程度不同将移动机器人路径规划分为两种类型基于环境先验完全信息的全局路径规划和基于传感器信息的局部路径规划。智能探测车在执行特殊任务时，环境信息可能是未知或不完整的，在此之前不可能进行全局路径规划，因此，局部路径规划方法适用于智能探测车的自主避障控制系统。 应用于智能探测车自主避障技术的局部路径规划的方法主要有遗传算法、模糊控制方法、神经网络方法以及基于行为的智能控制方法等。遗传算法克服了局部极小值问题，实时性较好，但运算速度较低，且进化占据较大的存储空间；模糊控制方法符合人类的思维习惯，但是隶属函数的设计以及模糊规则的制定主要靠人的经验和试凑，而且一经确定就不能在线调整，不能很好的适应情况的变化；神经网络方法鲁棒性强，有较强的学习能力，但神经网络的权值设定较为困难；基于行为的智能控制方法用于解决路径规划问题是一种新的发展趋势，它采用行为仲裁机制和行为融合机制来实现路径规划，两种机制各有优缺点，但是基于行为的智能控制方法能够很好的适用于复杂未知环境。 目前，单一的控制方法已不能很好的满足避障要求。为了实现未知环境下智能探测车的自主避障，现有算法将遗传算法、模糊控制、神经网络、模糊神经网络等理论融入到基于行为的智能控制方法研究中，但是仍缺乏鲁棒性强、实时性高、学习能力强的解决方案。
技术实现思路
本专利技术目的是针对现有技术存在的缺陷提供一种在未知环境下具有避障效果好、鲁棒性强、实时性高、学习能力强，能够实现各个基本行为权重在线调整，克服了未知环境下由于环境变化导致权重不能在线调整，不能顺利到达目标点完成规定探测任务缺陷的智能探测车自主避障算法。 本专利技术为实现上述目的，采用如下技术方案 本专利技术，该方法包括以下步骤 (1)、根据目标点信息和障碍物的距离信息，采用模糊控制方法设计智能探测车自主避障过程中的四个基本行为趋向目标点行为、避障行为、追踪行为和解除死锁行为； (2)、根据障碍物的环境类别和目标点方向角对智能探测车的四个基本行为进行基于两级BP神经网络的权重在线调整； (3)、采用加权平均法对智能探测车的四个基本行为进行融合，得到智能探测车的转向角变化量和线速度，并作用于智能探测车实施控制； 所述的设计智能探测车自主避障过程中的四个基本行为的方法具体如下 采用三路超声波传感器获取智能探测车三个方向即左方、前方和右方的障碍物距离信息，根据智能探测车的运动情况推算智能探测车的当前时刻位置 其中X(t)为智能探测车t时刻的横坐标，Y(t)为智能探测车t时刻的纵坐标，θ(t)为智能探测车t时刻的航向角，线速度为V(t)，t为上一时刻，X(t+1)为智能探测车t+1时刻的横坐标，Y(t+1)为智能探测车t+1时刻的纵坐标，θ(t+1)为智能探测车t+1时刻的航向角，线速度为V(t+1)，t+1为当前时刻，智能探测车航向角的变化量为Δθ(t)，ΔT为当前时刻t+1与上一时刻t的时间差； 并根据当前点的位置，获得智能探测车目标点距离和方向角 目标点距离 目标点方向角 其中目标点的坐标为(Xg，Yg)，其中Xg为目标点的横坐标，Yg为目标点的纵坐标； 然后分别采用模糊控制器设计智能探测车的四个基本行为，其中输出量均为智能探测车的转向角变化量和线速度 对于趋向目标点行为，采用两输入两输出的模糊控制器，输入量为智能探测车的质心距离目标点的距离D和目标点方向角Φ，输出量为转向角变化量Wg和线速度Vg； 对于避障行为，采用两输入两输出的模糊控制器；输入量为前方超声波传感器测得的前方障碍物距离DF和两侧超声波传感器测得的两侧障碍物距离DS，输出量为转向角变化量Wo和线速度Vo； 对于追踪行为，采用两输入两输出的模糊控制器，输入量为左方或右方两个超声波传感器测得的左方障碍物距离DL或右方障碍物距离DR，输出量为转向角变化量Ww和线速度Vw； 对于解除死锁行为，采用三输入两输出的模糊控制器，输入量为前方超声波传感器测得的前方障碍物距离DF和左右两侧超声波传感器测得的左方障碍物距离DL和右方障碍物距离DR，输出量为转向角变化量Wd和线速度Vd； 其中上述四个基本行为输出的转向角变化量表示为W，线速度表示为V。下标g代表趋向目标点行为，o代表避障行为，w代表追踪行为，d代表解除死锁行为； 所述的基于两级BP神经网络的权重调整方法，其中第一级BP神经网络的输入量为智能探测车三个方向即左方、前方和右方的障碍物距离，输出量为障碍物环境的类别P；第二级BP神经网络的输入量为第一级BP神经网络输出的环境类别和目标点方向角模糊量化后的区域值，输出量为四个基本行为的权重Kg，Ko，Kw，Kd； 其中上述四个基本行为的权重表示为K；下标g代表趋向目标点行为，o代表避障行为，w代表追踪行为，d代表解除死锁行为。 本专利技术的有益效果是，本专利技术是一种未知环境下基于行为融合的智能探测车自主避障算法，包括基本行为设计、基本行为的权重调整、基本行为融合3个步骤。在进行融合之前，根据目标点信息和障碍物的距离信息设计了智能探测车的四个基本行为，然后采用基于两级BP神经网络实现对四个基本行为权重的在线调整，具有了神经网络的自学习能力，克服了未知环境下由于环境变化导致权重不能在线调整，不能顺利到达目标点完成规定探测任务的缺陷，最终实现了智能探测车的自主避障。 在第(1)步中，本专利技术采用了模糊控制方法，该方法不需要建立系统的数学模型，而且易于将专家知识转换为控制信号，对超声波传感器距离信息的精度要求不高，对智能探测车周围环境以及本身位姿信息的不确定性也不敏感，该方法能够使得智能探测车的行为体现出很好的一致性、稳定性和连续性已得到业界人士的肯定。因此，用该方法可以实现智能探测车自主避障过程中各个基本行为的设计。 在第(2)步中，本专利技术采用了BP神经网络方法， 该方法能够较好地模拟人的形象思维，处理速度高且不依赖于系统精确的数学模型，具有大规模并行协同处理能力、较强的容错能力、联想能力和较强的自学习能力，鲁棒性强等优点已得到业界人士的肯定。因此，提出基于两级BP神经网络的方法实现了智能探测车四个基本行为权重的在线调整，具有了较强的自学习能力，提高了智能探测车在未知环境下实现自主避障的鲁棒性。 在第(3)步中，本专利技术采用基于行为融合的智能控制方法，该方法能够允许多个行为同时对智能探测车的最终控制产生作用，适用于解决典型的多行为问题，在环境未知或发生变化的情况下，能够准确的规划智能探测车的路径。因此，本专利技术针对第(1)步中设计的智能探测车自主避障过程中的四个基本行为本文档来自技高网...
【技术保护点】
一种未知环境下基于行为融合的智能探测车自主避障方法，其特征是，该方法包括以下步骤： （１）、根据目标点信息和障碍物的距离信息，采用模糊控制方法设计智能探测车自主避障过程中的四个基本行为：趋向目标点行为、避障行为、追踪行为和解除死锁行为；（２）、根据障碍物的环境类别和目标点方向角对智能探测车的四个基本行为进行基于两级ＢＰ神经网络的权重在线调整； （３）、采用加权平均法对智能探测车的四个基本行为进行融合，得到智能探测车的转向角变化量和线速度，并作用于智能探测车实施控制；
【技术特征摘要】
【专利技术属性】
技术研发人员：李舜酩，鲍庆勇，雷衍斌，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：84
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。