基于综合智能算法的新型救援机器人路径规划研究

第３０卷第１期　２０１４年２月　天津理工大学学报　Ｖｏ１．３０　Ｎｏ．１　ＪＯＵＲＮＡＬ　ＯＦ　ＴＩＡＮＪＩＮ　ＵＮＩＶＥＲＳＩＴＹ　ｏＦ　ＴＥＣＨＮｏＬ０ＧＹ　Ｆｅｂ．２０１４　文章编号：１６７３－０９５Ｘ（２０１４）０１—００２１—０４　基于综合智能算法的新型救援机器人路径规划研究　杜晓坤　，赵辉　（１．渤海大学工学院，锦州１２１０００；２．天津大学电气与自动化工程学院，天津３００１９２；　３．天津农学院，天津３００３８４）　摘要：为满足救援机器人在特殊工作环境下的成功避障和趋于目标，设计了一种新的机器人总体结构，采用超声　波传感器收集周围距离信息并采用生命探测仪扫描周围环境将结果用于指导机器人到达事故地点．为提高结构化　和非结构化交互环境下救援机器人的避障成功率，提出一种自适应模糊神经网络路径规划算法，利用障碍物信息生　成相应的模糊控制规则，并将模糊算法构建成神经网络结构形式，使得规则的在线精度和神经网络的学习速度均有　较大的提高，同样可使救援机器人具有较为迅速的反应能力，实现机器人连续、快速地避障并顺利搜索到指定目标．　系统仿真证明了该算法在救援机器人路径规划中的有效性．　关键词：救援机器人；自适应模糊神经网络；总体结构；路径规划；超声波传感器；生命探测仪　中图分类号：ＴＰ２４２．６　文献标识码：Ａ　ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１６７３－０９５Ｘ．２０１４．０１．ｏｏ５　Ｎｅｗ　ｔｙｐｅ　ｏｆ　ｒｅｓｃｕｅ　ｒｏｂｏｔ　ｐａｔｈ　ｐｌａｎｎｉｎｇ　ｂａｓｅｄ　ｏｎ　ｃｏｍｐｒｅｈｅｎｓｉｖｅ　ａｒｔｉｆｉｃｉａｌ　ｉｎｔｅｌｌｉｇｅｎｃｅ　ａｌｇｏｒｉｔｈｍ　ＤＵ　Ｘｉａｏ—ｋｕｎ　．ＺＨＡＯ　Ｈｕｉ　（１．Ｃｏｌｌｅｇｅ　ｏｆ　Ｅｎｇｉｎｅｅｉｒｎｇ，Ｂｏｈａｉ　Ｕｎｉｖｅｒｓｉｔｙ，Ｊｉｎｚｈｏｕ　１２１０００，Ｃｈｉｎａ；　２．Ｅｌｅｃｔｒｉｃａｌ　Ｅｎｇｉｎｅｅｒｉｎｇ　ｏｆ　Ａｕｔｏｍａｔｉｏｎ，Ｔｉａｎｊｉｎ　Ｕｎｉｖｅｒｓｉｔｙ，Ｔｉａｎｊｉｎ　３０００７２，Ｃｈｉｎａ；　３．Ｔｉａｎｊｉｎ　Ａｇｒｉｃｕｌｔｕｒａｌ　Ｕｎｉｖｅｒｓｉｔｙ，Ｔｉａｎｊｉｎ　３００３８４，Ｃｈｉｎａ）　Ａｂｓｔｒａｃｔ：Ｉｎ　ｏｒｄｅｒ　ｔｏ　ｍｅｅｔ　ｔｈｅ　ｒｅｓｃｕｅ　ｒｏｂｏｔ　ｏｂｓｔａｃｌｅ　ａｖｏｉｄａｎｃｅ　ｓｕｃｃｅｓｓｆｕｌｌｙ　ｕｎｄｅｒ　ｔｈｅ　ｓｐｅｃｉａｌ　ｗｏｒｋｉｎｇ　ｅｎｖｉｒｏｎｍｅｎｔ　ａｎｄ　ｔｅｎｄ　ｔｏ　ｂｅ　ｍｏｒｅ　ｏｂｊｅｃｔｉｖｅ，ｄｅｓｉｇｎ　ａ　ｎｅｗ　ｋｉｎｄ　ｏｆ　ｒｏｂｏｔ　ｓｔｒｕｃｔｕｒｅ　ｂｙ　ｕｓｉｎｇ　ｄｉｓｔａｎｃｅ　ｉｎｆｏｒｍａｔｉｏｎ　ｆｒｏｍ　ｕｌｔｒａｓｏｎｉｃ　ｓｅｎｓｏｒｓ　ａｎｄ　ｕｓｅｓ　ｔｈｅ　ｌｉｆｅ　ｄｅｔｅｃｔｏｒｓ　ｓｃａｎｎｉｎｇ　ｔｈｅ　ｅｎｖｉｒｏｎｍｅｎｔ，ｔｈｅ　ｒｅｓｕｌｔｓ　ｗｉｌｌ　ｂｅ　ｕｓｅｄ　ｔｏ　ｇｕｉｄｅ　ｔｈｅ　ｒｏｂｏｔ　ｔｏ　ａｒｒｉｖｅ　ａｔ　ｔｈｅ　ａｃｃｉｄｅｎｔ　ｓｉｔｅ．Ｆｏｒ　ｉｍｐｒｏ—　ｖｉｎｇ　ｔｈｅ　ｒｏｂｏｔｇ　ｏｂｓｔａｃｌｅ　ａｖｏｉｄａｎｃｅ　ｓｕｃｃｅｓｓ　ｒａｔｅ　ｏｎ　ｔｈｅ　ｓｔｒｕｃｔｕｒｅｄ　ａｎｄ　ｕｎｓｔｒｕｃｔｕｒｅｄ　ｅｎｖｉｒｏｎｍｅｎｔ，ｔｈｅ　ｐａｐｅｒ　ｐｕｔ　ｆｏｒｗａｒｄ　ａ　ｐａｔｈ　ｐｌａｎｎｉｎｇ　ａｌｇｏｒｉｔｈｍ－－ａｄａｐｔｉｖｅ　ｆｕｚｚｙ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ——ｕｓｉｎｇ　ｏｂｓｔａｃｌｅ　ｉｎｆｏｒｍａｔｉｏｎ　ｔｏ　ｇｅｎｅｒａｔｅ　ｔｈｅ　ｃｏｒｒｅｓｐｏｎｄｉｎｇ　ｆｕｚｚｙ　ｃｏｎｔｒｏｌ　ｕｌｒｅｓ，ａｎｄ　ｆｕｚｚｙ　ａｌｇｏｒｉｔｈｍ　ｉｓ　ｂｕｉｌｔ　ｉｎｔｏ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ｓｔｒｕｃｔｕｒｅ，ｍａｋｅ　ｔｈｅ　ｒｕｌｅｓ　ｏｆ　ｔｈｅ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ａｎｄ　ｔｈｅ　ｐｒｅｃｉｓｉｏｎ　ｏｆ　ｏｎ－　ｌｉｎｅ　ｌｅａｒｎｉｎｇ　ｓｐｅｅｄ　ａｌｌ　ｈａｖｅ　ｌａｒｇｅ　ｉｎｃｒｅａｓｅ，ａｌｓｏ　ｃａｎ　ｍａｋｅ　ｔｈｅ　ｍｏｂｉｌｅ　ｒｏｂｏｔ　ｈａｓ　ｔｈｅ　ｒｅｌａｔｉｖｅｌｙ　ｒａｐｉｄ　ｒｅｓｐｏｎｓｅ　ａｂｉｌｉｔｙ，ｒｅａｌｉｚｅ　ｔｈｅ　ｒｏｂｏｔ　ｏｂｓｔａｃｌｅ　ａｖｏｉｄａｎｃｅ　ｓｕｃｃｅｓｓｉｖｅ　ａｎｄ　ｑｕｉｃｋｌｙ　ｓｅａｒｃｈ　ｔｏ　ｓｐｅｃｉｆｙ　ｔｈｅ　ｔａｒｇｅｔ　ｓｎｍｏｔｈｌｙ．Ｓｙｓｔｅｍ　ｓｉｍｕｌａｔｉｏｎ　ｐｒｏｖｅｓ　ｔｈｅ　ｖａｌｉｄｉ—　ｔｙ　ｏｆ　ｔｈｉｓ　ａｌｇｏｒｉｔｈｍ　ｉｎ　ｔｈｅ　ｒｅｓｃｕｅ　ｒｏｂｏｔ　ｐａｔｈ　ｐｌａｎｎｉｎｇ．　Ｋｅｙ　ｗｏｒｄｓ：ｒｅｓｃｕｅ　ｒｏｂｏｔ；ａｄａｐｔｉｖｅ　ｆｕｚｚｙ　ｎｅｕｒ￣ｎｅｔｗｏｒｋ；ｏｖｅｒａｌｌ　ｓｔｒｕｃｔｕｒｅ；ｐａｔｈ　ｐｌａｎｎｉｎｇ；ｕｌｔｒａｓｏｎｉｃ　ｓｅｎｓｏｒｓ；ｌｉｆｅ　ｄｅｔｅｃｔｏｒ　在世界范围内，由于自然灾害、恐怖活动和各种　突发事故等原因，灾难经常发生．在灾后救援中，救　援人员只有非常短的时间（黄金７２　ｈ）在倒塌的废墟　时灾后环境复杂，很多场合存在多水、毒气、二次灾　难等使得救援人员无法顺利展开救援工作，救灾机　器人可以为救援人员提供帮助．　中寻找幸存者，否则发现幸存者的几率几乎为零．同　本文对救援机器人的工作环境做了详细的了解　收稿日期：２０１３．Ｏ８一Ｏ４．　基金项目：国家自然科学基金（６１１０４０７１）．　作者简介：杜晓坤（１９８Ｏ一）女，讲师，博士生，ｄｘｉａｏｋｕｎ０９０９＠１６３　・２２・　天津理工大学学报　第３０卷第１期　和研究，尝试提出一种新型的救援机器人总体结构，　并对未知环境下的机器人路径规划做了深入研究，　提出基于自适应模糊神经网络的路径规划算法．　１救援机器人的总体结构及传感器分布　灾区的地形环境为非结构化的地形环境，如煤　矿井下塌方既有片帮的煤块、顶板冒落、岩石堆积成　的复杂凌乱地形，又有人工建造的斜坡、排水沟道、　行人台阶以及钢轨等较为规则的地形．震后灾区既　有塌陷形成的大片楼板堆积的复杂凌乱地形，又有　部分平坦路面、行人台阶等规则地形．因此，进入灾　区进行环境探测与搜救作业的救援机器人不但应具　有克服乱石（煤块）堆积而成的高低起伏地形的自适　应能力，还应具有克服沟道、连续阶梯、台阶等规则　地形的越障能力．　履带式机器人具有良好的攀越台阶、爬越沟道　的性能，而且如果机身扁平可以降低其重心，这样在　爬坡以及跨越零乱地形时可以降低翻车几率，但传　统型履带式机器人结构固定，不能针对环境做出变　化，为此可考虑采用罗庆生等在《光机电一体化系统　常用机构》中提到的形状可变履带机器人的基本结　构＿ｌ　Ｊ．在此基础上做一些必要的改动，将环境探测传　感器改为超声波传感器，这样既不影响其探测精度　又可降低信息处理的复杂程度．改装后的机体结构　示意图如图１所示．　图１　救援机器人总体结构示意图　Ｆｉｇ．１　Ｓｔｒｕｃｔｕｒｅ　ｄｉａｇｒａｍ　ｏｆ　ｔｈｅ　ｒｅｓｃｕｅ　ｒｏｂｏｔ　本文采用超声传感器来采集机器人周围的障碍　物信息．在救援机器人周身布置超声传感器，参考美　国ＡｃｔｉｖＭｅｄｉａ　Ｒｏｂｏｔｉｃｓ公司开发的Ｐｉｏｎｅｅｒ３机器人，　Ｐｉｏｎｅｅｒ３配置有１６路超声传感器，均匀分布于机器　人本体周围．在不考虑机器人后退运动的情况下，本　文采用机器人前端８路传感器如图２所示，为避免　镜面反射造成的测量误差，这些传感器被分为左（０　～１号传感器）、左前（２号传感器）、前（３～４号传感　器）、右前（５号传感器）、右（６～７号传感器），每组　若有两个传感器则取其最小测量值作为这一方向的　障碍物距离．　图２机身传感器分布图　Ｆｉｇ．２　Ｓｅｎｓｏｒｓ　ｏｎ　ｔｈｅ　ｒｅｓｃｕｅ　ｒｏｂｏｔ　特殊的工作环境使得超声波的波速受环境温　度、湿度等条件的影响较大，会使测量的值与实际值　产生较大误差，因此这些距离数据必须是采用文献　［２］的方法进行补偿后的数据再作为神经网络的输　入值．　另外，在机体加入了生命探测仪用于寻找受伤　及遇难人员的位置，将位置方向信息作为神经网络　的输入．　２　自适应模糊神经网络系统结构设计　路径规划是救援机器人实现环境探测、救援的　前提条件＿３４　Ｊ．Ｙｕａｎ　Ｚｈａｎｇ等人提出了图像不变矩描　述机动目标来提高模型的描述，通过其递归算法来　优化目标模型．Ｓｈｉｎ—Ｇｕｋ　Ｋｉｍ等人针对多移动机器　人从事合作跟踪和捕捉移动的目标对象提出一种分　布式的鲁棒自适应控制器　Ｊ．该控制器能保证分布　式多机器人位置渐近收敛到期望的距离．Ｄｏｎｇｋｙ．　ｏｕｎｇ　Ｃｈｗａ针对轮式移动机器人提出了一种模糊自　适应跟踪控制方法，考虑了未知滑移的发生和动力　学干扰　］．　本文把模糊控制和神经网络这两种技术结合起　来，利用神经网络引入学习机制，为模糊控制器提取　模糊规则及隶属函数，使整个系统成为自适应模糊　神经网络系统．输入变量定义为６个，分别用Ｌ表示　左方障碍物距离信息、尺表示右方障碍物距离信息、　表示左前方障碍物距离信息、ＲＦ表示右前方障　碍物距离信息、Ｆ表示前方障碍物距离信息、　表示　目标方向的角度信息．输出变量定义为２个，分别用　ｚ、ｙ表示移动机器人左右轮的速度．网络结构采用５　２０１４年２月　杜晓坤，等：基于综合智能算法的新型救援机器人路径规划研究　．２３・　层结构如图３所示．　图３　自适应模糊神经网络的结构图　Ｆｉｇ．３　Ｓｔｒｕｃｔｕｒｅ　ｏｆ　ａｄａｐｔｉｖｅ　ｆｕｚｚｙ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　其中，第１层是输入层，输入节点用Ｘ＝（　，　，　。，　，　，　）表示，依次与输人变量Ｌ、　Ｆ、Ｆ、ＲＦ、　、　连接．该层负责将输入变量值传送到第２层．　第２层为隶属函数层，其中的每个节点代表一　个语言变量值，该层节点数是每个输入变量的模糊　子集的和．它的作用是计算各输入分量属于各模糊　子集的隶属度，隶属函数采用高斯函数，可表示为　（　一　）２　＝ｅ一可（ｉ＝１，２，…，６，　＝１，２，…，ｓ　）（１）　表示第ｉ个输入变量对应的第．　个模糊子集　的隶属度，ｃ　示第ｉ个输入节点的第．　个模糊子集　的隶属函数中心，ｏｒ　表示其宽度，ｓ　表示第ｉ个节点　的模糊子集数．　第３层称为推理层，每个节点代表一条模糊规　则，该层可根据前一层的相关各隶属度连乘得到每　条规则的适用度．由于采用高斯函数作为隶属度函　数，因此只有在输入值附近的模糊子集有较大的隶　属度，其余隶属度很小或为０，将隶属度很小时近似　为０，这样连乘之后大部分规则的适用度结果都为　０，只有少量　不为零．　第４层实现归一化，节点数与第３层相同．　第５层作为输出层，完成去模糊化．去模糊化方　法一般有加权平均法、平均最大隶属度法、重心法　等，这里选用重心法，输出量为机器人左右轮的　速度．　３　自适应模糊神经网络的学习算法　自适应模糊神经网络系统采用快速ＢＰ反向传　播算法进行学习　Ｊ．系统在学习过程中会根据网络　实际输出与期望输出计算出误差，再通过误差反向　传播对系统参数作出相应调整．需要调整的系统参　数为权值Ｗ、高斯函数中心ｃ　宽度　采用如下函　数作为学习误差函数：　Ｅ＝÷∑（ｙ。一Ｙｉ）　（２）　其中，Ｙ　和Ｙ　分别为期望的输出和实际的输出．　调整参数的方法为　１）　）　（３）　ｃ　＋１）一　）　（４）　Ｏ＇ｑ（　＋１）＝Ｏ＇ｑ（　）一６　ＯＥ　（５）　其中，　为迭代次数；１＞６＞０为学习速率．　４仿真检验　救援机器人在通常状态下（未扫描到目标信息　时）运行延墙行走模式；避障模式时根据５个方向的　障碍物距离以及目标的方向决定行走的速度和方　向，一侧轮不动另一侧运动实现转弯；遇到陷阱时采　用向左或右转弯的方式摆脱死锁状态，由目标方向　～决定左拐或右拐，如果目标在正前方时进入陷阱则　右转弯．　利用Ｍａｔｌａｂ７．０对自适应模糊神经网络进行仿　真训练，取２００组训练样本，表１是其中９组样本．　２００次迭代为最大值，学习速率６取０．１查看其收敛　效果．图４为训练曲线．　表１训练样本　Ｔａｂ．１　Ｔｒａｉｎｉｎｇ　ｓａｍｐｌｅ　从训练曲线中可以看出网络在训练到６２次时　可达到允许误差在０．０１范围内．救援机器人机身带　Ｆ一　５一　～一　Ｒ一一　Ｆ一２　～一～