模糊神經(jīng)網(wǎng)絡(luò)信息融合在管道機(jī)器人導(dǎo)航中的應(yīng)用*

李慶云，楊文凱，李 揚(yáng)

（中國(guó)石油大學(xué)（華東）計(jì)算機(jī)與通信工程學(xué)院，山東 東營(yíng) 257061）

模糊神經(jīng)網(wǎng)絡(luò)信息融合在管道機(jī)器人導(dǎo)航中的應(yīng)用*

李慶云，楊文凱，李 揚(yáng)

（中國(guó)石油大學(xué)（華東）計(jì)算機(jī)與通信工程學(xué)院，山東 東營(yíng) 257061）

考慮到石油管道的封閉性和復(fù)雜性，很難識(shí)別環(huán)境特征，將基于模糊神經(jīng)網(wǎng)絡(luò)的多傳感器信息融合用于解決管道中管道機(jī)器人的導(dǎo)航問題。采用CCD攝像頭和距離傳感器來(lái)識(shí)別管道中的障礙物和彎道，并根據(jù)環(huán)境信息制定控制決策。建立了機(jī)器人物理模型和模糊神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，并對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行了學(xué)習(xí)訓(xùn)練。最后，對(duì)其中一種環(huán)境類型進(jìn)行了仿真驗(yàn)證，證實(shí)了算法的有效性。

多傳感器信息融合；管道機(jī)器人；導(dǎo)航；模糊神經(jīng)網(wǎng)絡(luò)

油氣管道被廣泛應(yīng)用在石油、化工等行業(yè)，隨著使用時(shí)間的增長(zhǎng)，問題不斷暴露，人為檢測(cè)既費(fèi)力又不準(zhǔn)確。另外，存在一些無(wú)法從管道外部進(jìn)行檢測(cè)的在役管道，這就需要管道機(jī)器人來(lái)完成。為了使管道機(jī)器人能較好地完成管道環(huán)境識(shí)別和在役檢測(cè)，除了需要高效的移動(dòng)載體和機(jī)載能源，還要有基于多傳感器的管道環(huán)境識(shí)別系統(tǒng)。多傳感器的信息融合技術(shù)是提高管道機(jī)器人智能化的一項(xiàng)關(guān)鍵技術(shù)，主要用來(lái)解決機(jī)器人自主定位、障礙物識(shí)別及導(dǎo)航等問題[1]。

在機(jī)器人導(dǎo)航中，需要多個(gè)傳感器來(lái)感知外部環(huán)境。單目CCD傳感器采集雖然速度快、圖像處理知識(shí)豐富，但不能獲得目標(biāo)的距離信息；而采用雙目視覺傳感器又具有計(jì)算量復(fù)雜、實(shí)時(shí)性差的問題[2]。距離傳感器可以彌補(bǔ)視覺傳感器的不足，能夠提供目標(biāo)的距離信息?，F(xiàn)在已經(jīng)有許多利用單目視覺和距離傳感器等來(lái)實(shí)現(xiàn)移動(dòng)機(jī)器人自主導(dǎo)航的研究。吉林大學(xué)的王榮本等通過(guò)單目視覺與激光雷達(dá)建立傳感器信息融合系統(tǒng)，用于解決機(jī)器人前方障礙物探測(cè)與三維信息獲取的問題，但精度有待提高[3]。南開大學(xué)自動(dòng)化系的劉先恩等人通過(guò)聲納傳感器和CCD攝像機(jī)對(duì)環(huán)境進(jìn)行探測(cè)，獲得環(huán)境特征，并采用切線法進(jìn)行路徑規(guī)劃[4]。Ohya A等人利用車載攝像機(jī)和超聲波傳感器研究了基于視覺導(dǎo)航系統(tǒng)中的避碰問題[5]。上述研究大多在室內(nèi)或者走廊的環(huán)境下進(jìn)行，很少有將多傳感器信息融合用于管道機(jī)器人中。本文嘗試將多傳感器信息融合用于管道機(jī)器人的自主導(dǎo)航中。

采用模糊神經(jīng)網(wǎng)絡(luò)信息融合算法對(duì)CCD攝像機(jī)、超聲波傳感器、紅外傳感器得到的信息進(jìn)行融合處理，識(shí)別管道環(huán)境特征，為管道機(jī)器人的自主導(dǎo)航提供決策依據(jù)。

1 管道機(jī)器人傳感器布局

管道機(jī)器人主要采用CCD攝像機(jī)和距離傳感器來(lái)實(shí)現(xiàn)機(jī)器人的環(huán)境探測(cè)。傳感器分布在管道機(jī)器人的不同部位，以檢測(cè)不同方向的信息，識(shí)別管道環(huán)境。由于管道是封閉的，所以還需要配備相應(yīng)的照明系統(tǒng)。圖1為管道機(jī)器人傳感器布局示意圖，其中，1為觸覺傳感器，當(dāng)其他傳感器失效時(shí)，作為輔助傳感器使用，分別安在4個(gè)角；2為紅外傳感器，安裝在兩側(cè)，檢測(cè)與管壁的安全距離；3為超聲波傳感器，用于檢測(cè)前方的彎道和障礙物；4為CCD攝像頭，用于檢測(cè)障礙物位置和大?。?為管道環(huán)境，6為驅(qū)動(dòng)輪。

2 模糊神經(jīng)網(wǎng)絡(luò)信息融合算法

2.1 模糊神經(jīng)網(wǎng)絡(luò)概述

神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)收斂性差，不適合表達(dá)基于規(guī)則的知識(shí)，而模糊邏輯控制規(guī)則過(guò)多，缺乏自學(xué)習(xí)和自適應(yīng)能力[6]。將兩者結(jié)合形成模糊神經(jīng)網(wǎng)絡(luò)（FNN）可以實(shí)現(xiàn)優(yōu)勢(shì)互補(bǔ)，能夠?qū)崿F(xiàn)模糊規(guī)則的自動(dòng)獲取和隸屬函數(shù)的自動(dòng)生成[7]。基于T-S模型的模糊神經(jīng)網(wǎng)絡(luò)具有局部逼近的功能，而且具有模糊邏輯和神經(jīng)網(wǎng)絡(luò)兩者的優(yōu)點(diǎn)。

2.2 模糊神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

將模糊系統(tǒng)表達(dá)成神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，可得到一種模糊神經(jīng)元網(wǎng)絡(luò)。這種模糊神經(jīng)元網(wǎng)絡(luò)一般分為前層、中層和后層，前層實(shí)現(xiàn)模糊化，中層實(shí)現(xiàn)模糊推理，后層實(shí)現(xiàn)反模糊化[8]。模糊神經(jīng)網(wǎng)絡(luò)由一些基本神經(jīng)元組成，該神經(jīng)元的輸入是與其相連的神經(jīng)元輸出和連接權(quán)重作用而得到的，分為五層，模糊神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)如圖2所示。

A層為輸入層，將傳感器得到的距離信息和經(jīng)過(guò)處理的圖像信息傳入下一層神經(jīng)元，節(jié)點(diǎn)函數(shù)為：

B層為模糊化層，每個(gè)節(jié)點(diǎn)代表一個(gè)語(yǔ)言值，節(jié)點(diǎn)個(gè)數(shù)為輸入量的模糊分割數(shù)之和。超聲波傳感器得到的距離信息，分為近、中、遠(yuǎn)三類，分別記為 Near、Mid、Far。紅外傳感器得到的信息分為近和遠(yuǎn)兩類，記為N、F。對(duì)CCD攝像機(jī)采集到的圖像進(jìn)行預(yù)處理，分離出障礙物，得到障礙物的邊緣信息（為簡(jiǎn)單起見采用矩形區(qū)域表示），根據(jù)透鏡成像原理的坐標(biāo)變換關(guān)系式,將矩形區(qū)域左右邊緣的坐標(biāo)信息轉(zhuǎn)化為世界坐標(biāo)系下的坐標(biāo)。分為左邊緣距管道軸線的最短距離和右邊緣距管道軸線的最短距離兩類，記為L(zhǎng)、R，數(shù)值越小障礙物越靠近中間，說(shuō)明越危險(xiǎn)。模糊化層的作用是用該神經(jīng)元產(chǎn)生屬于各語(yǔ)言變量值的模糊隸屬函數(shù)，本文采用高斯函數(shù)。節(jié)點(diǎn)函數(shù)為：

其中，cij、dij分別為隸屬函數(shù)的中心和寬度。

C層為模糊規(guī)則層，用神經(jīng)元節(jié)點(diǎn)表示每條規(guī)則，用于匹配模糊規(guī)則的前件，計(jì)算每條規(guī)則的適用度。該層的節(jié)點(diǎn)數(shù)為4個(gè)輸入量的模糊分割數(shù)之積。節(jié)點(diǎn)函數(shù)表示為：

D層節(jié)點(diǎn)數(shù)與C層相同，能夠得到輸出融合值的模糊量，起到歸一化的作用，加權(quán)系數(shù)通過(guò)訓(xùn)練得到。節(jié)點(diǎn)函數(shù)為：

E為輸出層，實(shí)現(xiàn)清晰化計(jì)算，這里定義輸出分別為左右輪的速度，即 VL、VR，選擇輪子速度為[-400，-200，-100，0，100，200，400]——[NF，NS，NM，ZERO，PS，PM，PF]，單位為mm/s。對(duì)應(yīng)的節(jié)點(diǎn)函數(shù)為：

2.3 模糊規(guī)則的建立

由經(jīng)驗(yàn)分析可知，影響機(jī)器人前進(jìn)的控制因素主要是左、前、右3個(gè)方向的障礙物距離信息、大小和方位，當(dāng)管道機(jī)器人在管內(nèi)運(yùn)行時(shí)，若遇到障礙物或者彎道就要采取相應(yīng)的策略，控制速度、避障或者清除障礙。經(jīng)過(guò)分析，將管道的環(huán)境分為如圖3所示的10種類型。

對(duì)于有障礙物的情形，根據(jù)模糊分割中的模糊變量，可以得到相應(yīng)的規(guī)則。下面對(duì)部分類別進(jìn)行分析。

（1）當(dāng)環(huán)境類型為圖 3（b）時(shí)，左前方有小障礙物，列出如下主要的模糊規(guī)則：

①IF X1=Near AND X2=Y AND X3=Y AND X4=L THEN VL=PS AND VR=PS-50；

②IF X1=Mid AND X2=Y AND X3=Y AND X4=L THEN VL=PS AND VR=PS；

③IF X1=Mid AND X2=Y AND X3=Y AND X4=L THEN VL=PM AND VR=PM；

④IF X1=Far AND X2=Y AND X3=Y AND X4=L THEN VL=PF AND VR=PF；

（2）對(duì)于環(huán)境類型為圖3中（h）的情形，這里簡(jiǎn)單認(rèn)為，左邊和前方同時(shí)存在障礙物，并且右方不存在障礙物，模糊規(guī)則如下：

①IF X1=Near AND X2=Y AND X3=N AND X4=LTHEN VL=PS AND VR=PS-50；

②IF X1=Mid AND X2=Y AND X3=N AND X4=L THEN VL=PS AND VR=PS；

③IF X1=Mid AND X2=Y AND X3=N AND X4=LTHEN VL=PM AND VR=PM；

④IF X1=Far AND X2=Y AND X3=Y AND X4=L THEN VL=PF AND VR=NF；

同理可以得到其他環(huán)境類型的模糊規(guī)則。

2.4 學(xué)習(xí)算法推導(dǎo)

其中，cij、dij為隸屬函數(shù)的中心和寬度，需要調(diào)整。另外網(wǎng)絡(luò)權(quán)值ωj也需要調(diào)整。

在學(xué)習(xí)過(guò)程中對(duì)權(quán)值及隸屬函數(shù)的調(diào)整可用式（7）～（9）表示：

其中，η為學(xué)習(xí)率，β為動(dòng)量系數(shù)。網(wǎng)絡(luò)通過(guò)不斷地修正權(quán)值和隸屬度參數(shù)，使網(wǎng)絡(luò)的輸出誤差達(dá)到最小，利用上式的進(jìn)一步推導(dǎo)可完成神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算子的調(diào)整，直至系統(tǒng)穩(wěn)定。

3 仿真驗(yàn)證

模糊神經(jīng)網(wǎng)絡(luò)的重要組成部分是BP神經(jīng)網(wǎng)絡(luò)。訓(xùn)練樣本來(lái)自模糊規(guī)則組成的樣本，結(jié)合BP算法訓(xùn)練網(wǎng)絡(luò)，BP訓(xùn)練過(guò)程中的樣本誤差曲線如圖4所示，可以看出，訓(xùn)練250次后，網(wǎng)絡(luò)逐步趨于穩(wěn)定。

管道機(jī)器人通過(guò)前方的超聲波傳感器檢測(cè)前方的障礙物，通過(guò)兩側(cè)的紅外傳感器檢測(cè)與側(cè)壁的安全距離。若沒有發(fā)現(xiàn)障礙物和彎道，則沿管道中軸線正常行駛；當(dāng)檢測(cè)到有距離較近的障礙物時(shí)，則開啟CCD攝像機(jī)，進(jìn)行位置和大小的確定，以決定清除障礙物還是避開障礙物；當(dāng)與側(cè)壁的距離小于安全距離時(shí)，則進(jìn)行必要的位姿調(diào)整。

表1為超聲波傳感器和紅外傳感器測(cè)得的部分距離數(shù)據(jù)，編號(hào) 1代表前方的超聲波傳感器，編號(hào) 2、編號(hào)3分別為左側(cè)和右側(cè)的紅外傳感器，編號(hào)4為CCD攝像機(jī)得到的圖像信息經(jīng)處理后的距離值。對(duì)表1中數(shù)據(jù)分析可得，環(huán)境類型為管道左前方存在小障礙物。表2為表1中數(shù)據(jù)送入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)后得到的部分?jǐn)?shù)據(jù)的隸屬度。圖5所示為管道機(jī)器人行駛中，左右驅(qū)動(dòng)輪的期望輸出速度值與實(shí)際輸出值。由圖5可知，實(shí)際輸出與期望輸出值的誤差較小，能夠滿足實(shí)際要求。

表1 距離傳感器測(cè)得的距離值

表2 測(cè)得距離的隸屬度

圖6所示為管道機(jī)器人的行走軌跡，黑色區(qū)域?yàn)檎系K物，矩形框?yàn)閳D像信息經(jīng)處理后得到的矩形區(qū)域。當(dāng)沒有檢測(cè)到障礙物時(shí)，沿管道中軸線行駛；當(dāng)檢測(cè)到有較近障礙物時(shí)，啟動(dòng)避障程序?？梢姍C(jī)器人能夠較好地避障和通過(guò)彎道。

仿真試驗(yàn)結(jié)果表明，管道機(jī)器人可以探測(cè)到障礙物，得到其距離、大小和方位信息，并且能夠采取相應(yīng)的避障措施。

采用模糊神經(jīng)網(wǎng)絡(luò)對(duì)超聲波傳感器、紅外傳感器和CCD攝像機(jī)采集到的信息進(jìn)行融合，可以較為準(zhǔn)確地探測(cè)到障礙物及彎道，根據(jù)障礙物信息進(jìn)行避障，實(shí)現(xiàn)自主行走。實(shí)驗(yàn)環(huán)境較為簡(jiǎn)單，采用的前方障礙物探測(cè)的超聲波傳感器精度不是很高，這是今后要改進(jìn)的方向。

[1]HALLD L，LLINAS J.An introduction to multisensor data fusion[J].Proceeding ofthe 1998 IEEE International Symposium on Circuits and Systems，1998（6）：537-540.

[2]項(xiàng)志宇.針對(duì)越野自主導(dǎo)航的障礙物檢測(cè)系統(tǒng)[J].東南大學(xué)學(xué)報(bào)：自然科學(xué)版，2005，35（2）：71-74.

[3]趙一兵，王榮本，李琳輝，等.基于多傳感器信息的前方障礙物檢測(cè)[J].計(jì)算機(jī)工程與應(yīng)用，2007，43（26）：174-178.

[4]劉先恩，趙學(xué)敏.基于多傳感器的移動(dòng)機(jī)器人路徑規(guī)劃[J].計(jì)算機(jī)工程，2008，34（8）：213-215.

[5]CHOSET H，NAGATANI Keiji，LAZAR N A.The arctransversalmedian algorithm： a geometric approach to increasing ultrasonic sensor azimuth accuracy[J].IEEE Transactions on Robotics and Automation （S1042-296X），2003，19（3）：513-522.

[6]周中良，于雷，李永華.基于信息融合的改進(jìn)型模糊神經(jīng)網(wǎng)絡(luò)[J].計(jì)算機(jī)應(yīng)用，2006，26（6）：117-118.

[7]王檀彬，陳無(wú)畏，李進(jìn)，等.多傳感器融合的視覺導(dǎo)航智能車避障仿真研究[J].系統(tǒng)仿真學(xué)報(bào)，2009，21（4）：1015-1019.

[8]BARSHAN B，BASKENT D.Morphological surface profile extraction with multiple range sensors[J]. Pattern Recognition（S0031-3203），2001，34（7）：1459-1467.

Application of fuzzy neural networks information fusion in the pipeline robot navigation

Li Qingyun，Yang Wenkai，Li Yang

（College of Computer and Communication Engineering，China University of Petroleum，Dongying 257061，China）

It’s difficult to identify environmental characteristics for the closed oil pipeline and complexity，and the multi-sensor information fusion algorithm based on fuzzy neural networks was used to solve the problem of pipeline robot navigation in the pipeline.Using CCD camera and some distance sensors to identify obstacles and emerging pipeline corners and to develop decisionmaking.This paper establishes the robot physical model，fuzzy neural network topology and network learning training.At last，the simulation of one type of environment confirmed the validity of the algorithm.

multi-sensor information fusion；pipeline-robot；navigation；fuzzy neural networks

TP393

A

1674-7720（2011）03-0082-04

國(guó)家自然科學(xué)基金資助項(xiàng)目（50674099）;中石油風(fēng)險(xiǎn)基金項(xiàng)目（060725）

2010-09-05）

李慶云，女，1968年生，碩士，副教授，主要研究方向：管道機(jī)器人控制。

楊文凱，男，1984年生，碩士研究生，主要研究方向：智能控制。