Obstacle avoidance for mobile robots: a Hybrid Intelligent System based on Fuzzy Logic and Artificial Neural Network
Raulcezar M. F. Alves and Carlos R. Lopes
Faculty of Computing
Federal University of Uberldndia, UFU Uberldndia, Brazil
raul@cti.ufu.br, crlopes@fac om.ufu.br
Abstract-Obstacle avoidance is one of the most important aspects of autonomous mobile robots. This task is composed by two phases. First, the robot must detect obstacles in the environment with its sensors. Then, it must choose an appropriate movement to go through the environment without colliding. However, the noise produced during the sensors reading can lead the robot to take wrong decisions. This paper presents the development of an E-Puck mobile robot obstacle avoidance controller using a Hybrid Intelligent System (HIS) based on Fuzzy Logic (FL) and Artificial Neural Networks (ANN). The FL treats the data of infrared sensors and then feeds an ANN that decides which movement the robot must perform. The HIS was compared to another approach in which the data of infrared sensors are used directly in an ANN. The empirical results show that HIS avoids more collisions and improves the smoothness of navigation.
Keywords-HIS, FL, ANN, Mobile Robots.
- INTRODUCTION
Mobile robots must be able to navigate safely in unknown and dynamic environments. Usually, they are equipped with sensors which allow the detection of obstacles and actuators that move the robots to avoid collisions. But the noise produced by the light variation in the environment or the interference from other devices, during the sensors reading, can affect the algorithms that control the robots navigation. There are many techniques that can be used to treat the uncertainty of the sensors and adjust the movement of actuators within a reasonable accuracy, such as Fuzzy Logic (FL), Genetic Algorithm (GA), Particle Swarm Optimization (PSO), Artificial Neural Networks (ANN) and their variashy;
tions.
For instance, Chi and Lee [I] proposed an ANN control system that is able to guide a P3DX robot to traverse a maze with arbitrary obstacles. The model was trained by using Matlab. The inputs are generated by 8 sonar sensors, while the outputs indicate the angle of the robots movement.
Another technique widely used in such case is FL. In [2] is presented a control system based on FL for mobile robots that aims to treat the uncertainties of an ultrasonic sensor and calculate the angular velocity of the motors.
However, in the last years, many researches focused on the development of Hybrid Intelligent Systems (HISs). These
978-1-5090-0626-7/16/$31.00 copy;2016 IEEE
systems combine two or more different techniques, but at least one of them is from Artificial Intelligence (AI). This approach is reasonable because a particular technique might not be sufficient to solve the whole problem, but it could be used to solve at least part of it. Therefore, it is possible to combine the advantages of various techniques for solving a given problem.
Thus, some works related to robots navigation have been applying a fusion of FL, to handle the uncertainties of the environment, along with other techniques such as ANN to decide the robots movement.
Considering this approach, leffril and Sariff [3] introduced a HIS based on FL and ANN. The FL algorithm treats the data of 8 infrared sensors and feeds an ANN which moves the robot in a certain direction. This model was trained on Matlab and tested in a virtual E-Puck robot. The problem is that the membership functions and the fuzzy rules must be created by a human specialist.
Moreover, a system is called neuro-fuzzy when it merges FL with ANN in order to create a homogeneous model. In this case, the components of FL are distributed within the ANN architecture, making it an indivisible system. But if it is necessary to adjust the model for a different environment, the entire system must be retrained because the FL elements can not be separated from the ANN and vice versa.
In [4] and [5] were addressed the application of Adaptive Neuro-Fuzzy Inference System (ANFIS) to control mobile robots. Algabri et. al [4] developed a multilayer ANFIS where 2 layers are dedicated to control the movements and the other 2 to detect obstacles. Also, Dutta [5] used a PSO algorithm to evolve the membership functions of the ANFIS network.
This paper proposes a HIS architecture that uses two sepshy; arated modules, a fuzzy control based on the Fuzzy Lattice Reasoning (FLR) [6] algorithm along with a Multiple Layer Perceptron (MLP) [7] network, to ensure a collision-free navigation for mobile robots. In this system, the sensors data pass through the fuzzy rules to generate linguistic/symbolic information about possible obstacles in the environment, for example, if the path is free or if there is an obstacle on the left side of the robot. These symbolic information are used
1038
by the neural network to determine which movement the robot must do to navigate without colliding, such as moving forward or turning right.
This system was compared to another approach that uses only a MLP. In such case, each sensor is an input neuron and the output neurons represent the robot movements. Both approaches were tested on an E-Puck robot within a 3D simulation environment using Webots [8] platform. Also, samples were created on Webots and used to generate the fuzzy rules and train the neural network on Weka [9].
Experimental results show the effectiveness of both apshy; proaches. Although the control that uses only MLP can prevent collisions, the HIS avoids more obstacles and also improves the smoothn
剩余内容已隐藏，支付完成后下载完整资料
移动机器人避障：基于模糊逻辑和人工神经网络的混合智能系统
Raulcezar M. F. Alves，Carlos R. Lopes
计算机专业
尤伯尔邦迪亚联邦大学，UFU
尤伯尔邦迪亚，巴西
raul@cti.ufu.br, crlopes@fac om.ufu.br
摘要：避障是自主移动机器人的一个重要方面，这项任务由两个阶段组成。首先，机器人必须用传感器探测环境中的障碍物，然后它必须选择一个适当的运动以防止发生碰撞。然而，传感器读取过程中产生的噪音会导致机器人做出错误的决定。本文提出了一种基于模糊逻辑（FL）和人工神经网络（ANN）的混合智能系统（HIS）的E-Puck移动机器人避障控制器。FL处理红外传感器的数据，然后输入一个ANN来决定机器人必须执行的运动。将HIS与另一种直接将红外传感器数据用于ANN的方法进行了比较。实验结果表明，HIS避免了更多的碰撞，提高了导航的平稳性。
关键词：HIS，FL，Ann，移动机器人
1.介绍
移动机器人必须能够在未知和动态环境中安全导航。通常，它们都配备了传感器，可以检测障碍物，执行器可以控制机器人以避免碰撞。但是，在传感器读取过程中，环境中的光照变化或其他设备的干扰所产生的噪声，会影响控制机器人导航的算法。
有许多技术可以用来处理传感器的不确定性，并在合理的精度范围内调整执行器的运动，如模糊逻辑（FL）、遗传算法（GA）、粒子群优化（PSO）、人工神经网络（ANN）及其变量。
例如，Chi和Lee[I]提出了一种能够引导P3DX机器人穿越带有任意障碍物的迷宫的神经网络控制系统。利用Matlab对模型进行了训练。输入由8个声纳传感器产生，输出则指示机器人的运动角度。
在文[2]中提出了一种基于FL的移动机器人控制系统，该系统旨在处理超声波传感器的不确定性并计算电机的角速度。
然而，近年来，许多研究集中在混合智能系统（HISs）的开发上。这些系统结合了两种或多种不同的技术，其中至少有一种来自人工智能（AI）。这种方法是合理的，因为一种特定的技术可能不足以解决整个问题，但至少可以用来解决其中的一部分。因此，可以结合各种技术的优点来解决给定的问题。
因此，一些与机器人导航相关的工作已经应用了FL的融合来处理环境的不确定性，以及其他诸如ANN等技术来决定机器人的运动。
考虑到这种方法，leffril和Sariff[3]提出了一种基于FL和ANN的HIS。FL算法对8个红外传感器的数据进行处理，并输入一个神经网络，使机器人向某一方向运动。该模型在Matlab上进行了训练，并在虚拟E-Puck机器人上进行了测试。问题是隶属函数和模糊规则必须由人类专家创建。
此外，将模糊神经网络与模糊神经网络相结合，建立一个齐次模型，称之为模糊神经系统。在这种情况下，FL的组件分布在ANN体系结构中，使其成为一个不可分割的系统。但是，如果需要根据不同的环境调整模型，则必须重新训练整个系统，因为FL元素不能与ANN分离，反之亦然。
文[4]和[5]讨论了自适应神经模糊推理系统（ANFIS）在移动机器人控制中的应用。Algabri等人[4]开发了一种多层ANFIS，其中两层用于控制运动，另两层用于检测障碍物。此外，Dutta[5]使用PSO算法进化ANFIS网络的隶属度函数。
本文提出了一种基于模糊格点推理（FLR）[6]算法和多层感知器（MLP）[7]网络的HIS体系结构，该结构采用两个独立的模块，保证了移动机器人的无碰撞导航。在该系统中，传感器数据通过模糊规则生成环境中可能存在的障碍物的语言/符号信息，例如路径是否自由或机器人左侧是否有障碍物。神经网络利用这些符号信息来确定机器人在不发生碰撞的情况下必须进行的运动，如向前或右转。
将该系统与仅使用MLP的另一种方法进行了比较。在这种情况下，每个传感器都是一个输入神经元，输出神经元代表机器人的运动。这两种方法都是在三维仿真环境下使用Webots[8]平台在E-Puck机器人上进行测试的。同时，在Webots上创建样本，用于生成模糊规则，并在Weka上训练神经网络[9]。
实验结果表明了两种方法的有效性。虽然只使用MLP的控制可以防止碰撞，但HIS可以避免更多的障碍物，同时也提高了导航的平滑度。
论文的其余部分安排如下。第二节介绍了拟议的办法。第三节对实验及其结果进行了描述。最后，第四节给出了结论。
- 研究方法
本文提出了一种E-Puck机器人避障控制器的研制。实现了两种方法，一种是基于FL和MLP的HIS方法，另一种是仅使用MLP的HIS方法。
- Puck是一个小型机器人，由2个带步进电机的轮子、9个led、I扬声器、1个VGA摄像头、8个红外传感器、1个3D加速计、3个麦克风和其他设备组成，如图1所示。
重置按钮
蓝牙
红外接收器
扩音器
编程连接器
加速度计
开关
麦克风
带步进电机的车轮
红外传感器
锂电池
VGA摄像头
发光二极管环
RS232
开关16 pas。
图1.E-Puck设备
在这项工作中，我们使用了Webots平台上可用的E-Puck虚拟模型。Webots是一个软件，用于建模、编程、仿真，然后将代码传输到真正的机器人上。在Webots上生成样本，生成模糊规则，并创建和训练神经网络。然后，两种方法都在Webots上实现并再次测试。
在这项工作中使用的另一个软件是Waikato知识分析环境（Weka）。它提供了数据预处理、聚类、分类、重组、可视化和数据关联规则的工具。为了从Webots生成的样本中自动生成模糊规则和神经网络，使用了FLR和多层感知器两个Weka包。
这个E-Puck有8个红外传感器，用来测量机器人和给定物体之间的距离。它们的值范围从0到2000，即，等于0的值表示对象距离较远，2000表示对象距离较近。控制轮子速度的步进电机可以接收-1000到1000的值。当该值接近这些限制时，速度更高。此外，负值使车轮向后移动，正值使车轮向前移动，当该值等于0时，车轮上没有移动。
反应模型，就像专家制定的静态规则一样，可以用来控制机器人。然而，一些不可预测的方面，如光线变化或来自其他设备的干扰，可能导致机器人对环境做出错误的评估，从而导致不适当的移动。此外，机器人无法表现出对其行为的自主性。
- HIS控制器
本文提出的智能导航系统旨在保证电子冰球机器人在任何障碍物下都能实现无碰撞导航。因此，机器人必须感知是否有物体挡住了它的路径，并做出安全的偏离。该系统由两个独立模块组成：模糊模块和MLP（图2）。
模糊模块负责对红外传感器的数据进行处理。该模块的模糊规则使用传感器值来确定机器人周围是否有障碍物。输出为符号变量，显示机器人是否自由或前方、左侧和（或）右侧是否有障碍物。这些变量代表MLP的输入神经元。MLP模块的目标是根据给定的输入值为机器人选择最佳的运动。可能的输出动作有：前进、右转45°、右转90°、后退和左转、左转90°、左转45°。
- 模糊模块：模糊集理论不同于传统的集合理论，因为它允许给定集合的每个元素在某种程度上属于该集合。因此，模糊系统背后的主要思想是，真值或隶属度值由0-1范围内的值表示，0表示绝对虚假，1表示绝对真实[10]。
通常，模糊系统由以下步骤组成：
- 模糊化：使用隶属函数将清晰的输入模糊化，使之与语言变量相关联。
- 推理：模糊化后，推理机引用包含模糊IF-THEN规则的模糊规则库，导出中间语言变量和输出语言变量的语言值。
- 去模糊化：一旦输出语言值可用，去模糊化就从输出语言值生成最终的清晰值。
这个过程的主要问题是需要专业的知识来定义模糊规则和隶属函数的区域。
图2. ilS控制器
模糊格推理（FLR）[6]是一种基于双曲线的决策知识（规则）归纳分类器。一个双曲线可以被赋予一个对应于以下规则的标签：如果一个点p在双曲线h内（由c标记），那么p在c类中。基于双曲线的归纳法的优点包括快速计算和直接解释。
因此，FLR是一种从样本中自动生成模糊规则的技术。这些样本由数字属性组成，可以在由语言/符号变量标记的类中分离。
在这项工作中应用FLR有两个原因。首先，MLP模块具有符号输入，因此不需要执行整个模糊过程，特别是去模糊阶段。其次，它可以在不需要人工干预的情况下生成模糊规则。
为了产生模糊规则来描述机器人周围是否有障碍物，需要在机器人将要导航的环境中创建样本。这些样本是用一个E-puck机器人和一个球形障碍物在Webots上创建的。
这3个例子说明了在机器人右侧检测障碍物的样本生成。样本被构造成一个向量，由每个传感器的值组成，从IRO到IR7，以及它们的类，在本例中是类1（右侧障碍物）。在图的右侧，一个障碍物放置在机器人附近。在图的左侧，屏幕上显示每个红外传感器的值。IRI和IR2值较高，表示右侧有障碍物。机器人保持在一个循环中，在自己的轴上旋转一点，这就产生了更多多样的样本。示例在控制台中打印，如图底部所示。
图3. 模糊模块的样本生成实例
为了为每一类生成更加多样化的样本，设置了如下障碍：
- 组0（前方障碍物）：障碍物位于IR7附近，然后靠近IRO，最后位于IR7和IRO之间。
- 组1（右侧障碍物）：障碍物位于IRI附近，然后靠近IR2，最后位于IR1和IR2之间。
- 组2（左侧障碍物）：障碍物位于IR5附近，然后靠近IR6，最后位于IR5和IR6之间。
- 组3（自由）：机器人附近没有障碍物。
创建了7000多个样本。这些样本被转换成一个.arff文件并导入Weka。采用10倍交叉验证的训练方法。FLR的准确度为76.37%执行FLR后，生成以下规则：
- MLP模块：人工神经网络（ANNs）属于人工智能的一个领域，称为联结机制。它们受到生物神经元和神经系统的物理结构的启发。神经网络是由分布在各层的处理单元（人工神经元）组成，并通过加权连接连接起来。学习过程是通过调整这些连接权值来实现的，目的是减少分类误差。
Ann具有很强的泛化能力，因为它们能够对训练阶段没有提交给它们的样本进行分类。
多层感知器（MLP）[7]可能是最流行的人工神经网络结构。其特征是至少存在一层隐藏的神经元。隐藏层是位于输入层和相应输出层之间的层。因此，MLP网络必须至少有两层处理神经元，这样才能解决非线性问题。
在该模块中实现的MLP必须使用由模糊模块生成的符号输入选择适当的运动。为了在Weka上建立和训练这种神经网络，有必要在Webots上生成其他样本。这次，样本必须参考代表移动的分类，这些分组是：
组0：直走
组1：右转45度
组2：向右旋转90度
组3：往回走，向左拐
组4：左转90度
组5：向左旋转45度
利用模糊模块的规则生成样本。它们在向量中的结构如下：
位置1-前方障碍物：0表示假，1表示真
位置2-右侧障碍物：0表示错误，1表示正确
位置3-左侧障碍物：0表示假，1表示真
位置4-无障碍物：0表示假，1表示真
位置5-移动等级：从0到5
多个模糊规则可能会被触发，这意味着障碍物可能同时阻塞机器人的左前方。在这种情况下，需要像“向右旋转90°”这样的移动，由样本[1,0,1,0,2]描述。
此外，表示机器人自由的规则可以与其他规则一起触发。这意味着，即使周围有可能的障碍物，机器人也一定不会偏离。
使用不同的障碍物来创建MLP的样本。图4描述了“向右旋转90°”的样本生成。
在图的右侧，有一个障碍物挡住了机器人的左侧。在图的左侧，屏幕上显示每个红外传感器的值。机器人前后保持一个循环，这就产生了更多多样的样本。示例在控制台中打印，如图底部所示。
图4. MLP模块的样本生成示例
创建了3500多个样本。这些样本被转换成一个.arff文件并导入到Weka中，以自动创建MLP。这个MLP在输入层上有4个神经元，在隐藏层上有5个神经元，在输出层上有6个代表运动类的神经元。训练参数为：学时数=500，学习率=0.3，动量=0.2。再次，使用的训练方法是10倍交叉验证。MLP的准确度为89.48%。
- MLP控制器
开发另一种仅使用MLP网络的避障控制器，并与HIS控制器进行了比较。在这种方法中，MLP必须选择一个可能的动作，比如HIS控制器。然而，红外传感器的值直接发送到神经网络，而无需任何处理，如图5所示。
图5.MLP控制器
以与MLP模块II-A2相同的方式生成样本，但样本的结构是由每个传感器的值（从IRO到IR7）及其运动类别组成的向量。
lt;
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[239010]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
