專利名稱：：未知環(huán)境下移動機器人導(dǎo)航安全的方法
技術(shù)領(lǐng)域：
：本發(fā)明屬于機器人導(dǎo)航和人工智能控制
技術(shù)領(lǐng)域：
，涉及未知環(huán)境下移動機器人導(dǎo)航安全的方法。
背景技術(shù)：
：近20年來，人工智能技術(shù)和計算機技術(shù)的飛速發(fā)展，自主智能移動機器人研究取得了重大關(guān)注。目前智能移動機器人廣泛應(yīng)用于工農(nóng)業(yè)、交通運輸、軍事、醫(yī)療衛(wèi)生等行業(yè)，以解決危險環(huán)境下工作問題和取代人類繁重工作。行為控制和人工勢場法是移動機器人自主導(dǎo)航系統(tǒng)中的兩種最常見方法，機器人根據(jù)當(dāng)前局部范圍內(nèi)獲取的傳感器信息(紅外、聲納、激光等測距信息、視覺信息等)進行決策，改變轉(zhuǎn)向角和運動速度以避免向期望目標方向行駛過程中與障礙物發(fā)生碰撞。移動機器人在行走過程中，首先要求避免危險情況如碰撞等，將機器人停留于安全的操作環(huán)境下。但是機器人所處環(huán)境未知、復(fù)雜多變，當(dāng)前根據(jù)設(shè)計者經(jīng)驗離線設(shè)計的自主導(dǎo)航系統(tǒng)很難保證適應(yīng)所有環(huán)境或突發(fā)的情況，在實際運行過程中自主導(dǎo)航系統(tǒng)的決策輸出(轉(zhuǎn)向角和運動速度)是否正確，如果是錯誤的如何糾正避免發(fā)生碰撞事故，難以人工及時干預(yù)。一般采用在移動機器人周邊安裝觸覺傳感器和軟墊，觸覺傳感器感應(yīng)發(fā)生碰撞后緊急制動，并由軟墊緩沖碰撞力，但這只是一種事后行為，并沒有起到提前預(yù)防的作用。因此，亟需一種在線自動判斷移動機器人的自主導(dǎo)航系統(tǒng)決策信息正確性和更正錯誤指令的解決方案，在事故發(fā)生前能及時更正，消除隱患。
發(fā)明內(nèi)容本發(fā)明的所要解決的技術(shù)問題是提供一種未知環(huán)境下移動機器人導(dǎo)航安全的方法，以在線自動判斷移動機器人的自主導(dǎo)航系統(tǒng)決策信息正確性和更正錯誤指令，能夠克服單一的自主導(dǎo)航?jīng)Q策系統(tǒng)難以適用于所有環(huán)境和突發(fā)情況的缺點，更正自主導(dǎo)航系統(tǒng)輸出的錯誤信息，避免移動機器人因自主導(dǎo)航系統(tǒng)的錯誤決策導(dǎo)致碰撞等事故，提高自主導(dǎo)航系統(tǒng)的可靠性，確保移動機器人在未知環(huán)境下探索和運動過程中的安全。為解決上述技術(shù)問題，本發(fā)明所采用的技術(shù)方案為一種未知環(huán)境下移動機器人導(dǎo)航安全的方法，其特征在于，首先實時創(chuàng)建局部柵格地圖；采用基于模糊神經(jīng)網(wǎng)絡(luò)輸出作用于移動機器人運動機構(gòu)的最終速度；所述的基于模糊神經(jīng)網(wǎng)絡(luò)的輸入信號為3個由局部柵格地圖計算當(dāng)前環(huán)境對機器人虛擬排斥力F、移動機器人自主導(dǎo)航系統(tǒng)輸出的轉(zhuǎn)向角和運動速度F;所述的當(dāng)前環(huán)境對機器人的虛擬排斥力的計算公式為<formula>formulaseeoriginaldocumentpage7</formula>為單個柵格對移動機器人產(chǎn)生的虛擬排斥力；且<formula>formulaseeoriginaldocumentpage7</formula>Fc排斥力常量；saj)柵格c仏力與移動機器人之間的距離；S(/,力柵格"/,J')的狀態(tài)；JC。,h移動機器人在當(dāng)前局部柵格地圖中的坐標；x,，x柵格c仏力在當(dāng)前局部柵格地圖中的坐標；先常量；UJC和y方向的單位矢量，即表示F力',刀為矢量；J(/Jf是c/(/，力的A次方。所述模糊神經(jīng)網(wǎng)絡(luò)分為五層，在下列各式中/",W、cn^。分別代表第r層網(wǎng)絡(luò)的第/個神經(jīng)元的輸入和輸出第一層為輸入層，共3個節(jié)點，各個節(jié)點直接與輸入向量;c-[IFI，IFI,^的各分量連接，其中I尸I,IFI，3分別為虛擬排斥力F的大小、移動機器人自主導(dǎo)航系統(tǒng)輸出的運動速度F的大小以及虛擬排斥力F與速度F之間的夾角；第一層神經(jīng)元到第二層神經(jīng)元的連接權(quán)值為l;有OMf)"=Z.M)"=X,，！=1，2,3;第二層為模糊化層每個節(jié)點表示一個語言變量值，第二層的作用是計算各輸入分量屬于各語言變量值模糊集合的模糊隸屬函數(shù)///，其中i表示第i個輸入，j表示該輸入的第j個模糊語言變量。IFI的模糊語言變量有4個^ZJ77X五，i:/77Z五，M五A5/G〉，分別表示{非常小，小，中等、大}，即W、//,2、//f和W;3的模糊語言變量有3個{ZJ77Z￡,7kffiA5/G}，分別表示{小，中等，大}，即川、//22和//23;iri的模糊語言變量有3個"CW，AffiA歷G/f7，分別表示{低，中等，高},即川、//32和//33,IF卜in和3的模糊隸屬度函數(shù)采用三角形模糊隸屬度函數(shù)，第二層神經(jīng)元的數(shù)量為輸10個；第二層各節(jié)點的輸出為///，第二層節(jié)點到第三層節(jié)點的連接權(quán)值為1:o《=《)=〃/—)，/=1,2,3;/=1,2，3,4;第三層為模糊規(guī)則層每個節(jié)點為一個神經(jīng)元，代表一條模糊規(guī)則，作用是匹配模糊規(guī)則的前件，計算出每條規(guī)則的適用度；模糊規(guī)則的數(shù)量為4X3X3=36條，具體規(guī)則列在表l中，第三層神經(jīng)元的數(shù)量為36個；第三層神經(jīng)元的輸入之間采用的連接方式為"與"操作，第三層節(jié)點到第四層節(jié)點的連接權(quán)值為^(^=1,2，...，36);o<)=<=，附=1,2,3;/=1,2,3;w=1,2,3,4;A:=1,2,…，36;表1模糊規(guī)則表<table>tableseeoriginaldocumentpage8</column></row><table><table>tableseeoriginaldocumentpage9</column></row><table><table>tableseeoriginaldocumentpage10</column></row><table>第四層為去模糊化層只有一個節(jié)點，表示比例因子尸，采用重心法f"(4)/"1第五層為耦合處理層只有一個節(jié)點，將比例因子尸與in相乘得到最終作用到移動機器人運動機構(gòu)上的速度F'，通過調(diào)整權(quán)值^4，《=1，2,進一步優(yōu)化比例因子戶與in的關(guān)系，得到最佳速度F':本發(fā)明所具有的有益效果與現(xiàn)有技術(shù)相比，本發(fā)明的優(yōu)點就在于1、本發(fā)明采用模糊神經(jīng)網(wǎng)絡(luò)控制方法，將神經(jīng)網(wǎng)絡(luò)與模糊控制相結(jié)合，既可以使模糊控制具有自學(xué)習(xí)的能力，又可以賦予神經(jīng)網(wǎng)絡(luò)推理歸納的能力，同時還能夠使網(wǎng)絡(luò)的結(jié)構(gòu)、權(quán)值具有明確的物理意義;也充分利用了神經(jīng)網(wǎng)絡(luò)并行處理計算的能力，具備較高實時性。2、本發(fā)明能在線自動判斷移動機器人自主導(dǎo)航系統(tǒng)決策信息是否正確，在保證向目標前進的同時給出當(dāng)前最安全、最佳的運動速度，有效地預(yù)防碰撞事故發(fā)生。3、本發(fā)明采用了冗余技術(shù)，增強了移動機器人自主導(dǎo)航系統(tǒng)的容錯性能，提高了系統(tǒng)的可靠性。移動機器人導(dǎo)航安全保護系統(tǒng)獨立于移動機器人自主導(dǎo)航系統(tǒng)，采用單獨一套測距傳感器和計算機感知環(huán)境和控制移動機器人的速度，移動機器人自主導(dǎo)航系統(tǒng)的決策信息通過RS232串口送入移動機器人導(dǎo)航安全保護系統(tǒng)的安全決策模塊。這個移動機器人導(dǎo)航安全保護系統(tǒng)單獨是另外一套系統(tǒng)，有獨立的計算機，與控制導(dǎo)航的計算機(即自主導(dǎo)航系統(tǒng))之間用串口通信方式獲取自主導(dǎo)航系統(tǒng)的數(shù)據(jù)，所以本技術(shù)方案采用了冗余技術(shù)。4、本發(fā)明通用性好，能適用于任何安裝了測距傳感器的移動機器人平臺。圖1為移動機器人導(dǎo)航安全保護系統(tǒng)框圖；圖2為虛擬排斥力F與速度r的關(guān)系示意圖；圖3為安全決策模塊的模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)；圖4為輸入變量和比例因子的模糊隸屬度函數(shù)(圖a，b，c,d分別為l尸l,in,3，戶的模糊隸屬度函數(shù))；圖5為移動機器人前向聲納環(huán)配置；圖6為移動機器人獲取樣本的環(huán)境；圖7為某一時刻的局部柵格地圖。具體實施例方式以下結(jié)合附圖對本發(fā)明作進一步說明。實施例1:本發(fā)明的結(jié)構(gòu)框圖如圖1所示。移動機器人導(dǎo)航安全保護系統(tǒng)獨立于移動機器人自主導(dǎo)航系統(tǒng)，采用單獨一套測距傳感器和計算機感知環(huán)境和控制移動機器人的速度。移動機器人導(dǎo)航安全保護系統(tǒng)包括局部柵格地圖創(chuàng)建模塊和基于模糊神經(jīng)網(wǎng)絡(luò)的安全決策模塊。其中，安全決策模塊的輸入有三個，即由局部柵格地圖計算的當(dāng)前環(huán)境對機器人虛擬排斥力和移動機器人自主導(dǎo)航系統(tǒng)的決策信息(轉(zhuǎn)向角和運動速度)；輸出只有一個，即作用于移動機器人運動機構(gòu)的最終速度。移動機器人自主導(dǎo)航系統(tǒng)的決策信息轉(zhuǎn)向角直接作用到移動機器人運動機構(gòu)上。移動機器人自主導(dǎo)航系統(tǒng)的決策信息通過RS232串口送入移動機器人導(dǎo)航安全保護系統(tǒng)的安全決策模塊。具體步驟如下1、建立周部柵格地圖。采用專利"一種實時數(shù)據(jù)融合的移動機器人柵格地圖創(chuàng)建方法"(公開號CN101413806)所述的方法，利用測距傳感器獲取的信息創(chuàng)建局部柵格地圖，即將移動機器人所在空間環(huán)境劃分為若干規(guī)則柵格，通過提取每個柵格單元的狀態(tài)(以。安全決策模塊的模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示，該模糊神經(jīng)網(wǎng)絡(luò)控制器分為五層，在下列各式中!、W、0Mf,w分別代表第r層網(wǎng)絡(luò)的第/個神經(jīng)元的輸入和輸出。(1)第一層為輸入層。共3個節(jié)點，各個節(jié)點直接與輸入向量x-[iFi,iri,3:r的各分量連接，它起著將輸入值傳遞到下一層的作用。第一層神經(jīng)元到第二層神經(jīng)元的連接權(quán)值為l。om/((1)=;c,.,/=1，2，3(4)(2)第二層為模糊化層。每個節(jié)點表示一個語言變量值，如VLITTLE、BIG等，它的作用是計算各輸入分量屬于各語言變量值模糊集合的模糊隸屬函數(shù)///，其中i表示第i個輸入，j表示該輸入的第j個模糊語言變量。l尸l的模糊語言變量有4個{FZ/77Z￡，ZiT7Z￡，M￡￡)，5/G}(分別表示(非常小，小，中等、大}，即、//!2、/^和A4);3的模糊語言變量有3個仏/7Ti^，M^^/q(分別表示{小，中等，大}，即//、//22和//23);iri的模糊語言變量有3個"0『,Affi化/f/G//〉(分別表示{低，中等，高},即^、//32和//33)，IF卜IJH和3的模糊隸屬度函數(shù)如圖4所示，此層神經(jīng)元的數(shù)量為輸入變量對應(yīng)的模糊語言變量之和，即10個。第一層和第二層對應(yīng)模糊推理系統(tǒng)中的模糊化。第二層各節(jié)點的輸出為///，該層節(jié)點到第三層節(jié)點的連接權(quán)值為1。0《)=/《)=)，/=1,2,3;_/=1,2,3,4(5)(3)第三層為規(guī)則層。每個節(jié)點代表一條模糊規(guī)則，作用是匹配模糊規(guī)則的前件,計算出每條規(guī)則的適用度。模糊規(guī)則的數(shù)量為4X3X3=36條(見表1)，所以此層神經(jīng)元的數(shù)量為36個。第三層神經(jīng)元的輸入之間采用的連接方式為"與"操作，該層節(jié)點到第四層節(jié)點的連接權(quán)值為-1,2，...,36)。w=l，2，3;/=1,2,3;w=l，2,3,4;*=1,2V."36(6)(4)第四層為去模糊化。只有一個節(jié)點，表示比例因子P，采用重心法。36!-"(4)=￡(oWC(7)/36尸=做,(4)=/"(4)/2。<)(8)(5)第五層為耦合處理。只有一個節(jié)點，將比例因子尸與IKI相乘得到最終作用到移動機器人運動機構(gòu)上的速度Z，通過調(diào)整權(quán)值^4,《=1,2可以進一步優(yōu)化比例因子尸與iri的關(guān)系，得到最佳速度r'。r',4x+尸xr(9)在使用基于模糊神經(jīng)網(wǎng)絡(luò)的安全決策模塊之前，離線訓(xùn)練模糊神經(jīng)網(wǎng)絡(luò)以確定模型中的權(quán)值^(A^1，2，…，36)和^4、w24，其步驟如下。(1)隨機初始化各權(quán)值w〗和v^;(2)輸入學(xué)習(xí)樣本數(shù)據(jù){|,|,,R'}，0</2w，m為樣本數(shù)據(jù)數(shù)量；確定學(xué)習(xí)性能s，一般取值范圍在0.0010.01;確定學(xué)習(xí)率/7，一般取值范圍在0.0010.01。(3)計算該模糊神經(jīng)網(wǎng)絡(luò)的實際輸出K/;(4)根據(jù)公式(10)計算學(xué)習(xí)性能指標五￡=去1>''—O(10)(5)如果￡<"則離線學(xué)習(xí)結(jié)束，得到權(quán)值wf和^;否則執(zhí)行第(6)步；(6)通過下列公式計算、更新參數(shù)w〗和^4,然后返回第(3)步。<("1)=,1^,"1，2(11)+1)=*-"2^,A:=l,2"..，36(12)、其中，/7l、72為學(xué)習(xí)率。以下用一個具體應(yīng)用實例對本發(fā)明的操作進行詳細說明。Pioneer2-DXE是Activmedia公司開發(fā)的商業(yè)移動機器人平臺，其包含電池、驅(qū)動電機、輪式驅(qū)動機構(gòu)、位置-速度編碼器、集成聲納等其他配置，并由內(nèi)置的微控制器和移動機器人服務(wù)器軟件實現(xiàn)控制管理。機器人設(shè)置有多種連接控制端口，如Com端口、RS-232通訊端口、Ethernet有線和無線接口等，可方便與內(nèi)置PC機、或遠程網(wǎng)絡(luò)計算機進行連接，擴展其功能應(yīng)用。Pioneer2-DXE的前端安裝有八個聲納測距傳感器，它們的位置為±10°、±30°、±50°和±90°,如圖5中所示。利用該移動機器人在如圖6所示的環(huán)境漫游實時獲取局部地圖信息，采樣時間間隔為100ms。假設(shè)某一時刻創(chuàng)建的局部柵格地圖如圖7所示，地圖由11X15個20cmX20cm的柵格組成，為了簡化問題說明，該局部地圖中只有柵格(4，8)和(9，6)有占用情況，占用概率分別為0.86和0.77，其余的占用概率值為O。由公式(1)可分別得到柵格(4,8)、(9，6)對機器人的排斥力r//to、1*0.86,4—6—8-1、K(4,8)=-^-5"(,x+j力(3*0.2)2+(8*0.2)2^/(3*0.2)2+(8*0.2)27(3*0.2)2+(8*0.2)2=-0.3447;1.2065;n、"0.77/9—6—6—1—、(9,6)=-^-7(,艾+,力(4*0.2)2+(6*0.2)2^(4*0.2)2+(6*0.2)2V(4*0'2)2+(6*0.2)2=1.82533.0422J則局部柵格地圖中對機器人的排斥力F由公式(2)得F=&(4,8)+(9,6)=1.48064.2487^其大小和方向如圖7中所示，也可以由平行四邊形矢量合成法則得到。艮P|F|=4.4993，角度^=70.78。Pioneer2-DXE自身演示程序中已經(jīng)有基于行為的自主導(dǎo)航系統(tǒng)，可以通過串口得到此時該基于行為的自主導(dǎo)航系統(tǒng)的決策輸出轉(zhuǎn)向角^-12度和運動速度F=70cm/s，則|,|與速度之間的夾角為7.22度，利用之前所述的模糊隸屬度函數(shù)、模糊規(guī)則、模糊推理可得到對應(yīng)的速度F、0.53cm/s合適。這樣得到一組樣本數(shù)據(jù)，同理可得其它的樣本數(shù)據(jù)。采用同樣的方法獲取多組樣本數(shù)據(jù)，對模糊神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練之后，即可直接應(yīng)用于移動機器人導(dǎo)航的安全保護。權(quán)利要求1.一種未知環(huán)境下移動機器人導(dǎo)航安全的方法，其特征在于，首先實時創(chuàng)建局部柵格地圖；采用基于模糊神經(jīng)網(wǎng)絡(luò)輸出作用于移動機器人運動機構(gòu)的最終速度；所述的基于模糊神經(jīng)網(wǎng)絡(luò)的輸入信號為3個由局部柵格地圖計算當(dāng)前環(huán)境對機器人虛擬排斥力F、移動機器人自主導(dǎo)航系統(tǒng)輸出的轉(zhuǎn)向角和運動速度V；所述的當(dāng)前環(huán)境對機器人的虛擬排斥力的計算公式為<mathsid="math0001"num="0001"><math><![CDATA[<mrow><mi>F</mi><mo>=</mo><munder><mi>Σ</mi><mrow><mi>i</mi><mo>,</mo><mi>j</mi></mrow></munder><msub><mi>F</mi><mi>r</mi></msub><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>)</mo></mrow><mo>;</mo></mrow>]]></math>id="icf0001"file="A2009100442730002C1.tif"wi="27"he="8"top="59"left="139"img-content="drawing"img-format="tif"orientation="portrait"inline="yes"/></maths>Fr(i，j)為單個柵格c(i，j)對移動機器人產(chǎn)生的虛擬排斥力；且<mathsid="math0002"num="0002"><math><![CDATA[<mrow><msub><mi>F</mi><mi>r</mi></msub><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>)</mo></mrow><mo>=</mo><mfrac><mrow><msub><mi>F</mi><mi>c</mi></msub><mi>B</mi><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>)</mo></mrow></mrow><mrow><mi>d</mi><msup><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>)</mo></mrow><mi>k</mi></msup></mrow></mfrac><mrow><mo>(</mo><mfrac><mrow><msub><mi>x</mi><mi>i</mi></msub><mo>-</mo><msub><mi>x</mi><mn>0</mn></msub></mrow><mrow><mi>d</mi><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>)</mo></mrow></mrow></mfrac><mover><mi>x</mi><mo>→</mo></mover><mo>+</mo><mfrac><mrow><msub><mi>y</mi><mi>i</mi></msub><mo>-</mo><msub><mi>y</mi><mn>0</mn></msub></mrow><mrow><mi>d</mi><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>)</mo></mrow></mrow></mfrac><mover><mi>y</mi><mo>→</mo></mover><mo>)</mo></mrow><mo>;</mo></mrow>]]></math>id="icf0002"file="A2009100442730002C2.tif"wi="71"he="10"top="83"left="22"img-content="drawing"img-format="tif"orientation="portrait"inline="yes"/></maths>其中Fc排斥力常量；d(i，j)柵格c(i，j)與移動機器人之間的距離；B(i，j)柵格c(i，j)的狀態(tài)；x0，y0移動機器人在當(dāng)前局部柵格地圖中的坐標；xi，yi柵格c(i，j)在當(dāng)前局部柵格地圖中的坐標；id="icf0003"file="A2009100442730002C3.tif"wi="6"he="6"top="154"left="45"img-content="drawing"img-format="tif"orientation="portrait"inline="yes"/>x和y方向的單位矢量，即表示Fr(i，j)為矢量；k常量；d(i，j)k是d(i，j)的k次方。2.根據(jù)權(quán)利要求1所述的未知環(huán)境下移動機器人導(dǎo)航安全的方法，其特征在于，所述模糊神經(jīng)網(wǎng)絡(luò)分為五層，在下列各式中/",W、oW,W分別代表第r層網(wǎng)絡(luò)的第/個神經(jīng)元的輸入和輸出第一層為輸入層，共3個節(jié)點，各個節(jié)點直接與輸入向量x-[IFI,IH，^的各分量連接，其中IFI，in，3分別為虛擬排斥力F的大小、移動機器人自主導(dǎo)航系統(tǒng)輸出的運動速度F的大小以及虛擬排斥力F與速度r之間的夾角；第一層神經(jīng)元到第二層神經(jīng)元的連接權(quán)值為l;有<formula>formulaseeoriginaldocumentpage3</formula>第二層為模糊化層每個節(jié)點表示一個語言變量值，第二層的作用是計算各輸入分量屬于各語言變量值模糊集合的模糊隸屬函數(shù)///，其中i表示第i個輸入，j表示該輸入的第j個模糊語言變量。IFI的模糊語言變量有4個(K丄/7TZ^,丄/77X五,M五A5/G〉，分別表示{非常小，小，中等、大}，即//,1、^、W和//。3的模糊語言變量有3個仏/7TZ五，Mi:A3/(^,分別表示{小，中等，大}，即//、//22和//23;IFI的模糊語言變量有3個"(9『,#五化///<^/},分別表示{低，中等，高}，即//;、//32和//33,IF卜IH和3的模糊隸屬度函數(shù)采用三角形模糊隸屬度函數(shù)，第二層神經(jīng)元的數(shù)量為輸10個；第二層各節(jié)點的輸出為;V,第二層節(jié)點到第三層節(jié)點的連接權(quán)值為1:0<)=/《)=///))，/=1,2,3;/=1,2,3,4;第三層為模糊規(guī)則層每個節(jié)點為一個神經(jīng)元，代表一條模糊規(guī)則，作用是匹配模糊規(guī)則的前件，計算出每條規(guī)則的適用度；模糊規(guī)則的數(shù)量為4X3X3=36條，具體規(guī)則列在表l中，第三層神經(jīng)元的數(shù)量為36個；第三層神經(jīng)元的輸入之間采用的連接方式為"與"操作，第三層節(jié)點到第四層節(jié)點的連接權(quán)值為^3(^=1，2,...，36);o<)=《)=o<)o)，w=1，2，3;/=1,2,3;w=1,2,3,4;A:=1,2,…，36;<table>tableseeoriginaldocumentpage3</column></row><table><table>tableseeoriginaldocumentpage4</column></row><table>,36BIGHIGHBIGST第四層為去模糊化層只有一個節(jié)點，表示比例因子P，采用重心法,36A:=l/"1第五層為耦合處理層只有一個節(jié)點，將比例因子戶與in相乘得到最終作用到移動機器人運動機構(gòu)上的速度F'，通過調(diào)整權(quán)值v^，《=1,2,進一步優(yōu)化比例因子P與IFI的關(guān)系，得到最佳速度F':全文摘要本發(fā)明提出一種未知環(huán)境下移動機器人導(dǎo)航安全的方法，其步驟為1)建立當(dāng)前環(huán)境的局部柵格地圖，確定每個柵格的占用概率；2)構(gòu)建模糊神經(jīng)網(wǎng)絡(luò)控制器結(jié)構(gòu)；3)模糊神經(jīng)網(wǎng)絡(luò)控制器根據(jù)當(dāng)前局部柵格地圖、機器人當(dāng)前位置信息、移動機器人自主導(dǎo)航系統(tǒng)的當(dāng)前輸出移動速度與轉(zhuǎn)向角，輸出移動機器人正確的速度命令。本發(fā)明能夠克服單一的導(dǎo)航?jīng)Q策系統(tǒng)可靠性不高，避免移動機器人因自主導(dǎo)航系統(tǒng)的錯誤決策發(fā)生碰撞等事故，確保移動機器人在未知環(huán)境下探索、運動過程中的安全。文檔編號G05D1/00GK101650568SQ20091004427公開日2010年2月17日申請日期2009年9月4日優(yōu)先權(quán)日2009年9月4日發(fā)明者琴萬,余洪山,理劉,江朱,王耀南,許海霞申請人:湖南大學(xué)