[发明专利]一种用于全向智能轮椅避障的模糊神经网络控制方法

权利要求书

1.一种用于全向智能轮椅避障的模糊神经网络控制方法，当检测到轮椅行进方向出现障碍或其它方向有障碍物向轮椅靠近时，在全向智能轮椅运动控制器中运行所述方法，控制轮椅避开障碍物，其特征在于包括以下步骤：

步骤一，定义输入变量；

定义5个输入变量d_l,d_f,d_r,θ,v，分别表示左侧、中间及右侧障碍物距离信息，轮椅行驶方向角和轮椅行驶速率；其中，d_l,d_f,d_r由超声波传感器获得，θ,v由编码器反馈的速度信号经过全向智能轮椅运动控制器进行运算得到；

步骤二，确定模糊神经网络模型结构；

（1）确定输入层；

输入层为第1层，各个节点直接与输入向量的各个分量连接，将输入值U={d_l,d_f,d_r,θ,v}传递到下一层；

（2）确定隶属度函数层；

隶属度函数层为第2层，隶属度函数选取三角形函数、Z型函数和S型函数3种基本形式；Z型函数表示左边界隶属度函数值，三角形函数表示中间隶属度函数值，S型函数表示右边界隶属度函数值；根据输入输出量的特性将上述三式进行组合，得到模糊神经网络的隶属度函数；超声波距离和速率仅采用Z型和S型函数，方向角和加速度增加1个三角形函数，方向角变化率采用3个三角形函数；

3种隶属度函数的表达式分别为：

三角形函数：

Z型函数：

S型函数：

其中，i＝1,2,......,5，j＝1,2,......,5，u_i表示控制器的输入，pi_j表示隶属度函数值，mi_j表示隶属度函数的中心值，σ_ij表示隶属度函数的宽度值；

（3）确定模糊推理层；

模糊推理层为第3层，每一个节点代表一条模糊规则，用来匹配模糊规则的前件，计算每条规则的适用度，即：

q_k＝min{p_1,k,p_2,k,p_3,k,p_4,k,p_5,k}

其中，q_k为规则k的适用度，p_i,k表示输入i对规则k的适用度，k＝1,2,......,K，K为规则总数；根据模糊规则数确定该层总节点数为K；

（4）确定输出层；

输出层为第4层，Δθ,Δv为输出变量，分别表示轮椅行驶方向角变化率及轮椅行驶加速度；采用重心法对模糊集进行解模糊化计算；系统的实际输出为：

Δθ=(Σk=1Kvk,1qk)/(Σk=1Kqk)Δv=(Σk=1Kvk,2qk)/(Σk=1Kqk)]]>

其中，v_k,j表示规则k对输出j的权重，j＝1,2；根据模糊规则匹配v_k,j与n_ls的关系，n_ls为网络权值，l＝1,2;s＝1,2,3,4,5；

步骤三，调整模糊神经网络模型参数；

（1）通过经验设置模糊神经网络初始化参数值，并设置学习训练结束的允许误差值；

误差代价函数为：

E=12Σl=12(yl-y^l)2]]>

其中，{y₁,y₂}={Δθ,Δv}为实际输出值，即实际的轮椅行驶方向角变化率和轮椅行驶加速度，为期望输出值；需调整的参数为：

Z＝{m₁₁,m₁₂,m₂₁,m₂₂,m₃₁,m₃₂,m₄₁,m₄₂,m₄₃,

m₅₁,m₅₂,n₁₁,n₁₂,n₁₃,n₁₄,n₁₅,n₂₁,n₂₂,n₂₃}

（2）开始训练过程后，读取输入变量和理想输出参数；

按下面的误差反向传播修正式进行参数调整：

Z(t+1)=Z(t)-ϵ∂E∂Z]]>

其中，Z为待调整参数向量，t为学习时间，ε为学习效率；

（3）对输入进行模糊化、模糊推理和反模糊化得到实际输出；

对前述误差反向传播修正式两边求导得：

mij(t+1)=mij(t)-ϵm∂E∂mij,i=1,2,......,5,j=1,2,3]]>

nls(t+1)=nls(t)-ϵn∂E∂nls,l=1,2,s=1,2,......,5]]>

其中，ε_m和ε_n分别为调整m_ij和n_ls时的学习效率，进一步对需要调整的参数求偏导：

∂E∂mij=Σl=12∂E∂yl∂yl∂qk∂qk∂pij∂pij∂mij=-2Σl=12[(yl-y^l)vk,lΣk=1Kqk-Σk=1Kvk,lqk(Σk=1Kqk)2]×sign(ui-mij)σij∂E∂nls=Σl=12∂E∂yl∂yl∂vk,l∂vk,l∂nls=(yl-y^l)qkΣk=1Kqk]]>

式中，σ_ij表示隶属度函数的宽度值，q_k为规则k的适用度；

（4）计算偏差并调整模糊神经网络权值，如果偏差小于允许偏差或达到最大训练次数，那么结束训练，否则返回继续学习；

由于控制器输出主要依赖于隶属度函数的中心值，宽度值σ_ij设定为常量；

步骤四，选取状态控制变量记录轮椅的运动状态，规划最优的运动路径；

上述模型主要针对运动方向在使用者视场角内的避障情况，本发明智能轮椅采用麦克纳姆全向轮，根据重心坐标位置来控制轮椅的运动方向和运动速率，可实现无旋转半径的全向运动，故增加状态控制变量解决运动方向在视场角外的避障情况；

（1）定义状态控制变量st=θtvt,t=τ,τ-1,τ-2,]]>用s_τ、s_τ-1、s_τ-2记录连续三个时间段轮椅的运动状态；

（2）求连续三个时间段状态控制变量的均值和变化量：

θv=13θτ+θτ-1+θτ-2vτ+vτ-1+vτ-2]]>

ΔθτΔvτ=θτ-θτ-1vτ-vτ-1]]>

Δθτ-1Δvτ-1=θτ-1-θτ-2vτ-1-vτ-2]]>

（3）确定使用者的目标方向D，实现智能避障；

智能避障方向按下式确定：

式中，0＜N＜1，为实验获得的经验值，-Nθ表示轮椅避障控制的方向角；

当Δθ_τ＜0，并且Δθ_τ-1＜0时，D_S＝0，表明在遇到障碍物前，人的意识的运动方向和智能轮椅的避障规则的避障方向相同，按照既定的避障规则进行避障即可；

当Δθ_τ＞0，并且Δθ_τ-1＞0时，D_S＝-Nθ，表明在遇到障碍物前，人的意识的运动方向和智能轮椅的避障规则的避障方向不同，根据-Nθ确定使用者的目标方向；

其他情况下，D_S＝1，均按照人的意识进行运动；

步骤五，根据表模糊控制规则，将改进模糊神经网络输出的Δθ及Δv经过状态控制变量的优化后，输入电机组驱动器实时控制电机组完成避障任务。

2.根据权利要求1所述的一种用于全向智能轮椅避障的模糊神经网络控制方法，其特征在于，步骤二所述的规则总数为K=48。