[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

说明书

技术领域

本发明涉及一种全向智能轮椅的避障方法，尤其涉及一种基于状态控制变量的模糊神经网络全向智能轮椅避障方法。

背景技术

为了给残障人提供性能优越的代步工具，帮助他们提高行动自由度及重新融入社会，许多国家都对智能轮椅进行了研究。随着残障人士对生活质量需求的不断提高，尤其是对参加竞技体育的渴望，人们对轮椅的运动性能提出了更高、更具体的要求。比如，轮椅网球双打作为残奥会的比赛项目，受到了许多残疾朋友的关注。在常规的轮椅网球运动中，下肢残废的运动员必须依靠上肢力量实现对轮椅运动方向和运动速度的控制，同时完成接发球，因而对运动轮椅的安全性、可控性及高效性有较高要求。此外，比赛过程中还可能会出现选手意外发生碰撞的情况，以致于运动员受伤。因此，全向智能轮椅逐渐被应用到轮椅网球运动中。为了保障安全，要求全向智能轮椅避障能够进行自主避障。

模糊逻辑控制、神经网络控制和专家控制是智能控制的三个方向。基于规则的传统AI专家系统有逐渐让位于基于模糊的神经网络专家系统的趋势，近年来智能信息处理与智能控制的研究主要集中在模糊系统、神经网络以及二者相结合的模糊神经控制技术方面。

模糊神经网络系统在移动机器人避障及路径规划领域也有一定的应用。2010年，张利等在《电子测量与仪器学报》中发表的论文“智能轮椅避障系统的研究”认为，传统避障方法的路径规划结果多为使轮椅单纯向着远离障碍物的方向运动，且面对的障碍物主要为前方和侧面的障碍物。但在轮椅网球运动及其他日常使用中，存在使用者试图使轮椅向后运动的情况，此时运动方向已经超出了使用者的视场角，容易发生碰撞，且避障时单纯地远离障碍物容易使轮椅行驶路径偏离使用者期望的路径。

发明内容

为克服现有技术中存在的上述不足，本发明提供一种基于状态控制变量及改进模糊神经网络的全向智能轮椅避障方法，结合基于改进模糊神经网络的避障算法以及策略转换机制，增加状态控制变量解决运动方向在视场角外的避障情况。采用状态控制变量记录使用者在运动过程中的运动状态，尽可能地保证路径规划结果接近用户原来的运动方向，实现全向智能轮椅的自主避障导航。

图1为全向智能轮椅硬件结构图。轮椅座椅和靠背的压力传感器用来获取人体的重心位置信息，超声波传感器用来获取障碍物距离信息，编码器用来获取电机速度。距离和速度构成避障系统的输入信息。数据采集卡及其扩展模块用于接收输入信息，全向智能轮椅运动控制器用于处理输入信息并运行避障控制算法，经过数据处理最终输出轮椅全向轮电机组的控制信号，通过电机驱动器控制电机组工作，结合编码器输出的速度反馈，从而控制轮椅进行全方位运动。

本发明采用的技术方案如下：

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：