Интеллектуальная система планирования траектории мобильного робота в режиме он-лайн Текст научной статьи по специальности «Компьютерные и информационные науки»

УДК 621.865.8:004.93

ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА ПЛАНИРОВАНИЯ ТРАЕКТОРИИ МОБИЛЬНОГО РОБОТА В РЕЖИМЕ ОН-ЛАЙН

© 2009 г. Чинь Суан Лонг

Южно-Российский государственный South-Russian State Technical University

технический университет (Novocherkassk Polytechnic Institute)

(Новочеркасский политехнический институт)

Представлен метод обхода препятствий и планирование траектории мобильного робота с использованием нечеткой логики и нейронной сети в неизвестной динамической среде.

Ключевые слова: мобильный робот, нейронная сеть, нечеткая логика, планирование траектории.

Introduce method obstacle avoidance and planning trajectory of mobile robot based on neural network and fuzzy logic in unknown environment.

Keywords: mobile robot, neural network, fuzzy logic, trajectory planning.

1. Введение

Планирование траектории - это самая важная задача в навигации автономных роботов. Существует два типа планирования траектории мобильных роботов: глобальное планирование траектории и локальное планирование траектории. Глобальное планирование траектории включает несколько методов и все они работают в режиме офф-лайн. Однако этот метод не подходит для навигации в неизвестной динамической среде. Поэтому этот метод включает использование метода локального планирования траектории с использованием датчиков.

Локальное планирование траектории использует информацию датчиков, например ультразвуковых и др. Боренстэн и Корен [1] предлагали метод гистограммы векторов для быстродвижущегося мобильного робота, который имеет ультразвуковые датчики. Однако этот метод имеет недостаток, потому что трудно определить скорость и направление мобильного робота в сложных ситуациях. Чтобы решить эту проблему, требуется применение нейронной сети и нечеткой логики. Алехандро Рамирес-Серано [2] использует в системе управления два блока нечеткой логики для планирования траектории мобильного робота в неизвестной среде. Однако им была решена задача планирования траектории в статической среде. Х.Р. Беом и Х.С. Чо [3] использовали нейронную сеть и нечеткую логику для управления роботом. Нейронная сеть использована для классификации типа препятствия, а нечеткая логика - для преодоления препятствия. Их работа имеет хорошую классификацию и построенные базы правил. Однако число классифицируемых препятствий и баз правил нечеткой логики мало, трудно получить высокую точность.

Чтобы улучшать эффективность планирования траектории движения мобильного робота в неизвестной динамической среде и в режиме он-лайн, предла-

гается интеллектуальная система на базе нейронной сети и нечеткой логики. Нейронная сеть использована для классификации типа препятствия во многих простых ситуациях, а блок нечеткой логики, который включает два блока нечеткой логики для обхода препятствия, решения о движении мобильного робота при помощи базы правил, которая построена и связана с каждой ситуацией.

Эта интеллектуальная система смоделирована для трехколесного мобильного робота, который показан на рис. 1.

Рис. 1. Трехколесный мобильный робот

Чтобы передвигаться, робот должен получить информацию об окружающем пространстве. Первым шагом в процессе планирования траектории мобильного робота является определение препятствий, которые могут повредить роботу. В этом случае мобильный робот получает информацию только о том, что находится перед тележкой (рассматриваем вектор скорости, направленный вперед). Мобильный робот

имеет 5 ультразвуковых датчиков, установленных наверху робота, и два колесных датчика положения (енкодеры), связанные с каждым электродвигателем.

Информация, полученная через датчики - это относительное положение препятствий, выраженное в двух полярных координатах робота 6), где d -расстояние от центра мобильного робота до препятствия, а 6 - угловое направление препятствия. Элементы ультразвуковых датчиков отражают ситуацию в окружающей среде, например, какого типа препятствие перед роботом [2].

Цель

Og yg)

У Препятствие fe У,) ш

0 жш / di

^ \ t

1Ä \ \ \ x

• \ ' « \ 1

Рис. 2. Размещение ультразвуковых датчиков и система координат

На рис. 2 показано размещение ультразвуковых датчиков и система координат. Расстояние di и 6 можно выразить соответственно как [3]:

d12 = х2 + у,2; 6 = 90 - i х а, где (хь у) - координатная величина препятствия: х= (а + Я)эт(6) = (а + Я)эт(6); у= (а + Я)^(6) = (а + Я)соэ(6),

где а - угол между двумя соседними датчиками; R -радиус мобильного робота; а - расстояние от i-го сенсора до препятствия.

2. Интеллектуальная система планирования траектории мобильного робота в режиме он-лайн

Структура обхождения препятствия и контроллер поиска цели показаны на рис. 3.

2.1. Классификация на базе нейронной сети

В основе классификации сложной среды лежит использование открыто-безопасного маршрута. Если на пути к цели нет препятствий, робот будет двигаться прямо, следуя в запланированном направлении. Если на пути имеются препятствия, робот будет анализировать траекторию и искать открыто-безопасный маршрут при помощи датчиков [4, 5].

В основе расположения препятствий в области считывания и открыто-безопасного маршрута лежит деление на два типа ситуаций.

Первый: на пути к цели препятствий нет, делится на 4 класса:

- вокруг робота нет никаких препятствий;

- имеется одно или несколько препятствий с правой стороны на пути робота;

- имеется одно или несколько препятствий с левой стороны на пути робота;

- имеется одно или несколько препятствий с двух сторон на пути робота.

Второе: наличие препятствий на пути к цели делится на 4 класса:

- на пути робота имеется одно препятствие;

- на пути робота имеется одно препятствие и по одному с каждой стороны, но есть открыто-безопасный маршрут;

- на пути робота имеется несколько препятствий на одной стороне;

- на пути робота имеются несколько препятствий впереди него и с каждой стороны, и между препятствиями нет открыто-безопасного маршрута.

Рис. 3. Интеллектуальная система планирования траектории мобильного робота в режиме он-лайн

Рис. 4. Структура нейронной сети

Для классификации среды робот использует нейронную сеть, которая играет роль классификатора ситуации. На рис. 4 показана структура нейронной сети.

Нейронная сеть имеет 5 слоев. Слой ввода имеет 5 нейронов, которые принимают сигналы с 5 ультразвуковых датчиков. Слой выхода - 8 нейронов для определения ситуации, с тем чтобы мобильный робот мог принять правильное решение движения, реагируя на установленную среду. Три скрытых уровня имеют 8, 6 и 7 нейронов.

2.2. Обход препятствия на базе нечеткой логики

Предложенный навигатор состоит из следующих линий поведения: обход препятствий и поиск цели. Регулятор нечеткой логики получит входные переменные (4) для двухцелевого обхода препятствия и поиска цели. Выходные сигналы - это скорость робота (у) и угол поворота (у). База правил нечеткой логики связана с классом ситуации, которая была определена нейронной сетью. Конструктивное исполнение предусматривает следующие ступени: (1) подготовка входных и выходных переменных к решению задачи с помощью нечеткой логики; (2) построение базы правил; (3) процесс осмысления; (4) распознавание выходных переменных [2].

1. Фаззификация входных и выходных переменных

Входные переменные: угол препятствия (0), угол погрешности (&), расстояние от робота до цели (л) и расстояние от робота до препятствия (4) выражены лингвистическими величинами (ЬВ, LS, 2, Я8, ЯВ), (¿В, LS, 2, ЯS, ЯВ), (2, N ЯЕ, М, ГА) и N М, ГА) соответственно, в то время как выходные переменные: скорость робота (у) и угол поворота (у) выражены лингвистическими величинами (¿В, LS, 2, ЯS, ЯВ) и (2, VS, S, М, Г). Г: быстро; М: средний; Я^ правая малая; ГА: дальний; N ближайшее; ^ медленный; ¿В: левый большой; ЯВ: правый большой; VS: очень медленно; LS: левый малый; ЯЕ:регулярный; 2: нулевой.

Функция принадлежности показана на рис. 5.

2. Построение базы правил

Правила предотвращения препятствия построены на основе логики. Так как сложная рабочая среда группируется в некоторое количество простых ситуаций, легко построить исходную базу правил, привязанную к каждой ситуации.

Когда при построении базы правил учтены эти факторы - принятые во внимание, то правила обхода препятствий принимают следующую форму, используя формулировку ЕСЛИ - ТОГДА:

Л: ЕСЛИ (3=ЗД И (4 = ДО И (0, =0*) И (л = Sik),

ТОГДА (у = Vk) ИЛИ (у = у к),

где ^ обозначает к-е правило базы правил с j-м классом ситуации и Зк, Дк, 0к, Sik, Укк и у к - нечеткие под-

наборы Х&, Ха, Хш, Хц и Ху, Ху.

3. ИФЕРЕНС-процедуры

Действия обхода препятствия V и у определяются путем применения входных данных, полученных от датчиков и приходом к заключению по основной базе правил. Механизм заключения использует действие минимума-максимума, а каждое действие выхода V и у вычисляется как

Ц v (V) = U X

(3, Di , 0; , S)

X { Ц j(V) (3, dt, 0;, V) П Ц3 (3) П ЦD; (d ) n (0; ) П ЦS (S;)} ;

Цу (У) = U X

(3,D; ,0;,S)

X {Ц j(у) (3, dl, 0;, у) n Цз (3) П ЦD (d;) n Ц0; (0;) П ЦS (s)}.

Mj,(x)

А 1 7 М

N \/ FA

0 10 20 40 60 80

N м FA

х ц,(х) X li(x) х ц,(х)

0 0 20 0 40 0

10 1 40 1 80 1

40 0 60 0 100 1

Рис. 5. Функция принадлежности нечёткой логики

4. Дефаззификация выходных переменных

Для того чтобы определить четкое действие вывода v и у из нечеткого множества, необходим процесс распознавания (дефаззификации). Распознавание осуществляется с помощью метода центра гравитации, и выходные данные выражаются как

p p v = ( Е Vv(v m' m )/( Е Vv(v m

m=l m=l

q p

У = ( Е Vy (У mm )/( Е Vy (У m ))'

m =l m =l

где p и q определяют число лингвистических нечетких множеств для v и y соответственно.

Рис. 6. Результаты моделирования

3. Результаты моделирования

На рис. 6 представлены результаты моделирования движения робота в лаборатории. Робот успешно достиг целевой точки, однако целевая точка была достигнута с недостаточной точностью. Это обусловлено скольжением колеса по поверхности пола.

Вывод

Применение нейронной сети и нечеткой логики является оптимальным методом решения задачи планирования траектории движения мобильного робота в недетерминированной среде. Этот метод формирует для мобильного робота удовлетворительные движения в реальном масштабе времени, с тем чтобы он благополучно достиг цели. Для повышения точности движения робота необходимо увеличить количество возможных ситуаций при классификации и количество правил в базе.

Литературы

Borenstein and Koren. Real-time obstacle avoidance for fast mobile robot". IEEE Transactions on Systems. 1989. Vol 19, № 5. P. 1179-1187, Sept/Oct.

Alejandro Ramirez-Serrano. Ultrasonic Sensing and Fuzzy Logic Control for Navigation in Unknown Static Environments // IEEE Robotic and Automation. 1996. Vol. 2. P. 54-58.

Hee Rak Beom and Hyung Suck Cho. A Sensor-Based Navigation for Mobile Robot Using Fuzzy Logic and Reinforcement Learning // IEEE Transactions on Systems. 1995. Vol. 25, № 3. March.

Panagiotis G. Zavlangas. Fuzzy Obstacle Avoidance and Navigation for Ominidirectional Mobile Robot"/ Intellegent Robotics and Automation Laboratory, National Technical University of Athens.

Hee Rak Beom and Hyung Suck Cho. A Sensor-Based Navigation for Mobile Robot Using Neural Network and Fuzzy Logic // IEEE Transactions on Systems. 1992. Vol. 20, № 3. P. 1470-1475. February.

Поступила в редакцию

20 ноября 2008 г.

Чинь Суан Лонг - аспирант кафедры автоматизации производства, робототехники и мехатроники ЮжноРоссийского государственного технического университета (Новочеркасского политехнического института). Тел. 89034731400.

Thin Suan Long - post-gaduante student of departament of automatic production, robot-technique and mechatronic of South-Russian State Technical University (Novocherkassk Polytechnic Institute). Ph. 89034731400.

1

2

3

4

5