煤礦救援蛇形機器人環(huán)境建模方法研究*

白 云

(西安科技大學 實驗室與設(shè)備管理處，陜西 西安710054)

0 引 言

環(huán)境模型是機器人通過自身攜帶的傳感器感知局部環(huán)境信息而建立起來的地圖模型［1-3］，機器人的環(huán)境感知與空間環(huán)境建模是機器人實現(xiàn)路徑規(guī)劃的基礎(chǔ)。就煤礦救援蛇形機器人而言，只有在認知礦難發(fā)生后的煤礦井下環(huán)境才能進行路徑規(guī)劃、導(dǎo)航和避障，以完成救援任務(wù)，因此，應(yīng)選取一種適用于煤礦環(huán)境，既能準確表達度量信息又能體現(xiàn)位置關(guān)系信息的地圖模型，是煤礦救援蛇形機器人在復(fù)雜煤礦環(huán)境中進行路徑規(guī)劃、完成救援任務(wù)的基礎(chǔ)，有著重要的現(xiàn)實意義。

在機器人系統(tǒng)中，環(huán)境信息主要包括物體的位置和形狀信息、路徑信息等。近年來，主要采用柵格表示法、幾何表示法、拓撲圖法等方法描述環(huán)境模型［4-6］

1)柵格表示法，是將整個環(huán)境分為若干相同大小的柵格，對于每個柵格指出其中是否存在障礙物。一些研究者對柵格表示法進行了改進，根據(jù)不同的信息優(yōu)化策略，定期地刪除不必要的柵格存儲信息，以減少處理時間。例如:洪偉等人提出了根據(jù)超聲波傳感器建立柵格地圖、由柵格地圖變換產(chǎn)生極坐標地圖、在極坐標地圖基礎(chǔ)上識別障礙物群、提取障礙物邊緣特征、計算環(huán)境復(fù)雜指數(shù)等一系列的數(shù)據(jù)融合方法來建立機器人運動的環(huán)境模型［7］;

2)幾何表示法，是指機器人從環(huán)境傳感信息中提取抽象的幾何特征，如交點、折線、邊角等來表示空間環(huán)境模型。該方法比較緊湊，占用計算資源較小，便于定位與目標識別，例如，Stephen 通過對環(huán)境視覺識別的特征點提取實現(xiàn)了對不確定環(huán)境的模型表達［8］;

3)拓撲模型，是一種非度量空間環(huán)境模型，將空間表示為節(jié)點與連接節(jié)點的邊的關(guān)系拓撲圖，適合于大范圍的空間環(huán)境使用，缺點是由于缺少環(huán)境的細節(jié)表達，因而難以實現(xiàn)機器人的細節(jié)動作規(guī)劃。Choset 提出將拓撲節(jié)點用帶有度量信息的弧段連接起來，并通過仿真實驗證明這種方法可以在大規(guī)模室內(nèi)環(huán)境中實現(xiàn)機器人的導(dǎo)航［9］;

多傳感器數(shù)據(jù)融合是利用多個信息源所獲取的關(guān)于對象和環(huán)境的信息，從而獲得任務(wù)所需要的全面、完整的信息。目前，常見的方法有Bayes估計、卡爾曼濾波、D - S 證據(jù)推理等方法［10-11］?；谏窠?jīng)網(wǎng)絡(luò)的多傳感器數(shù)據(jù)融合方法是近幾年來發(fā)展的熱點。神經(jīng)網(wǎng)絡(luò)所具有的信息分布存儲、容錯性，自學習、自組織和自適應(yīng)等特征使得其在處理未知環(huán)境、環(huán)境信息復(fù)雜、知識背景不清楚以及推理規(guī)則不明確的問題時，顯得非常優(yōu)越［12］。文中將神經(jīng)網(wǎng)絡(luò)技術(shù)與模糊技術(shù)相結(jié)合，利用模糊神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合算法完成對煤礦救援蛇形機器人的環(huán)境建模，該算法采用神經(jīng)網(wǎng)絡(luò)來進行模糊信息的處理，使得隸屬函數(shù)的調(diào)整和模糊規(guī)則的的擇優(yōu)提取成為可能。通過實驗和仿真可以得出該算法不依賴于系統(tǒng)的精確數(shù)學模型且適用于復(fù)雜的煤礦井下環(huán)境，用于煤礦救援蛇形機器人的環(huán)境建模是一種切實、有效的方法。

1 模糊神經(jīng)網(wǎng)絡(luò)多傳感器數(shù)據(jù)融合算法

為了使求援機器人能夠?qū)崟r、準確地避開障礙物，救援蛇形機器人必須獲得障礙物的基本信息，如距離、形狀、位置等。結(jié)合煤礦井下的特殊環(huán)境和蛇形機器人自身結(jié)構(gòu)特點，采用超聲波傳感器、紅外測距傳感器、激光雷達傳感器組來獲得障礙物的距離、位置信息及環(huán)境類型信息，利用模糊神經(jīng)網(wǎng)絡(luò)多傳感器數(shù)據(jù)融合算法處理這些信息，對救援蛇形機器人的運動空間進行分析，建立機器人行走的環(huán)境拓撲結(jié)構(gòu)。多傳感器數(shù)據(jù)融合模型如圖1 所示。由傳感器組獲取障礙物的信息作為模糊神經(jīng)網(wǎng)絡(luò)的輸入，網(wǎng)絡(luò)隸屬度函數(shù)采用的是正態(tài)型函數(shù)，網(wǎng)絡(luò)最終輸出為八類典型環(huán)境標志。通過環(huán)境類型標志建立救援蛇形機器人行走的環(huán)境拓撲結(jié)構(gòu)，為救援蛇形機器人路徑規(guī)劃提供依據(jù)。

圖1 模糊神經(jīng)網(wǎng)絡(luò)多傳感器數(shù)據(jù)融合模型Fig.1 Model of fuzzy neural network multi-sensor data fusion

1.1 變結(jié)構(gòu)模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

變結(jié)構(gòu)模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計如圖2 所示。

圖2 變結(jié)構(gòu)模糊神經(jīng)網(wǎng)絡(luò)的拓撲結(jié)構(gòu)Fig.2 Topology of fuzzy neural network with changeable structure

其中 (A)～(D)層表示模糊規(guī)則的前提，網(wǎng)絡(luò)有n 個輸入節(jié)點，輸入變量xi經(jīng)(A)～(D)層轉(zhuǎn)換成前提部分的隸屬度函數(shù){μAji(xi)}，其中，j =1，2，…，mi，mi是xi的模糊分割數(shù)。(E)～(G)層表示規(guī)則的結(jié)論部分，結(jié)論部分由結(jié)構(gòu)相同的r 個并列子網(wǎng)絡(luò)組成，每個子網(wǎng)絡(luò)的輸出經(jīng)(G)層的清晰化計算后成為模糊神經(jīng)網(wǎng)絡(luò)的最終輸出量。具體為

(A)層為前提網(wǎng)絡(luò)的輸入層。它起著將輸入變量xi傳送到(B)層的作用，其中i=0，1，…，n;

(C)層將各隸屬度進行模糊計算，每個節(jié)點代表一條模糊規(guī)則，(C)層采用最小運算規(guī)則或積的運算規(guī)則計算出每條規(guī)則的強度為

該層的節(jié)點數(shù)為m，m 是可變的。通過對結(jié)論網(wǎng)路權(quán)值的調(diào)整，擇優(yōu)選取模糊規(guī)則，從而自動的調(diào)節(jié)模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)。

(D)層進行歸一化計算，即

其中 j = 1，2，…，m.

(E)層是結(jié)論部分的輸入層，將輸入變量傳送到(F)層。(E)層的第0 號節(jié)點的輸入值為1，其作用是為模糊規(guī)則結(jié)論部分中提供常數(shù)項。

(F)層是計算每一條規(guī)則的結(jié)論，(F)層的r個并列子網(wǎng)絡(luò)分別有m 個結(jié)點與(G)層的每個輸出節(jié)點相連，m 個結(jié)點代表m 條模糊規(guī)則。

(G)層是模糊神經(jīng)網(wǎng)絡(luò)的輸出層，作用是進行清晰化計算。

其中 k = 1，2，…，r.

1.2 學習算法

網(wǎng)絡(luò)的學習算法采用改進的BP 算法，若網(wǎng)絡(luò)輸出yk與期望輸出值dk不一致，則將其誤差信號從輸出端反向傳播，并在傳播過程中不斷修正網(wǎng)絡(luò)權(quán)值，以結(jié)論網(wǎng)絡(luò)的連接權(quán)值ωkji為例，其中，j =1，2，…，m;i = 0，1，2，…，n;k = 1，2，…，r.設(shè)E 為平均誤差代價函數(shù)，

由(式1)～(式4)可得

如(式6)所示，通過對結(jié)論網(wǎng)路權(quán)值的調(diào)整，可以自動的調(diào)節(jié)模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，若(E)層中與(F)層相對應(yīng)的某個節(jié)點i，若其連接權(quán)值均小于某一閾值，則刪除該結(jié)點i，其對應(yīng)的(D)層和(C)層的節(jié)點也相應(yīng)地被刪除，這表明第i 條規(guī)則不存在，從而可以精練模糊規(guī)則庫，減少網(wǎng)絡(luò)節(jié)點數(shù)，使計算量變小。然后進行參數(shù)的再學習調(diào)整。

2 實驗與仿真

根據(jù)上述理論，文中采集超聲波傳感器、紅外傳感器、激光雷達傳感器所測得的距離數(shù)據(jù)如表1所示，分析機器人在接近障礙物時，3 種傳感器距離信息的差異性，可以總結(jié)出環(huán)境中存在八類典型的標志如圖3 所示。利用模糊神經(jīng)網(wǎng)絡(luò)來識別對應(yīng)環(huán)境的特征標志，完成機器人對環(huán)境的感知和識別，并給出了仿真結(jié)果。

表1 8 類典型環(huán)境傳感器測距樣本Tab.1 Eight typical environmental sensor ranging sample cm

圖3 8 類典型環(huán)境標志Fig.3 Eight typical environment mark

圖4 網(wǎng)絡(luò)誤差訓(xùn)練變化曲線Fig.4 Change curve of the network training error

3 結(jié) 論

提出了一種變結(jié)構(gòu)的模糊神經(jīng)網(wǎng)絡(luò)多傳感器數(shù)據(jù)融合算法，并給出了算法的原理。通過實驗表明，該方法不依賴于系統(tǒng)的明確數(shù)學模型且適用于復(fù)雜的煤礦井下和過程，尤其是在環(huán)境信息融合過程中，通過對傳感器數(shù)據(jù)的處理能夠得到救援機器人所處的井下環(huán)境的拓撲結(jié)構(gòu)，機器人據(jù)此可進行路徑的規(guī)劃和避障，從而順利完成救援任務(wù)。

References

［1］ 齊 帥，李寶林，程 巖.煤礦救援機器人研究應(yīng)用現(xiàn)狀和需解決的問題［J］.礦山機械，2012，40(6):7-9.QI Shuai，LI Bao-lin，CHENG Yan. Study and application status of rescue robots used in collieries and existing problems［J］.Mining Machinery，2012，40(6):7-9.

［2］ 柳玉龍.煤礦搜救機器人的研究現(xiàn)狀及關(guān)鍵技術(shù)分析［J］.礦山機械，2013，41(3):7 -9.LIU Yu-long. Analysis on current research status and key technologies of mine search and rescue robots［J］.Mining Machinery，2013，41(3):7 -9.

［3］ WEI Juan，MA Hong-wei. Study on mine rescue robot system［C］//Proceedings Second International Conference，Intelligent Robotics and Applications，Singapore，2009.

［4］ Ren C. Luo，Michael G. KAY，multisensor integration and fusion in intelligent systems［J］. IEEE Trans. On SMC，1989，19(5):901 -931.

［5］ 魏 寧，劉一松.基于柵格模型的移動機器人全局路徑規(guī)劃研究［J］.微計算機信息，2008，24(4):2 -4.WEI Ning，LIU Yi-song. Research on global path planning for mobile robots based on the grid model［J］.Micro Computer Information，2008，24(4):2 -4.

［6］ 李瑞峰，趙立軍，靳新輝.基于粒子濾波器的室內(nèi)移動機器人自定位［J］.華中科技大學學報:自然科學版，2008，36(Suppl.):145 -148.LI Rui-feng，ZHAO Li-jun，JI Xin-hui. Self localization for indoor mobile robot based on particle filter［J］.Journal of Huazhong University of Science and Technology:Natural Science Edition，2008，36(Suppl.):145 -148.

［7］ 洪 偉.移動機器人系統(tǒng)中分布式傳感器信息融合方法及路徑規(guī)劃問題的研究［D］. 長春:吉林大學，2004.HONG Wei. Research on distributed multisensor information fusion and path planning in mobile robot system［D］.Changchun:Jilin University，2004.

［8］ Stephen S，David L，Jim L.Local and global localization for mobile robots using visual landmarks［C］//Proceedings 2001 IEEE/RSJ International Conference on Intelligent Robots and Systems，Maui，USA，2001.

［9］ Choset H，Konuksven I，Burdick J W. Sensor based planning for a planar rod robot［C］//Proceedings of the 1996 IEEE nternational Conference on Multisensor Fusion and Integration for Intelligent Systems. Albuquerque，USA，1996.

［10］韓崇昭，朱洪艷，段戰(zhàn)勝. 多信源信息融合［M］. 北京:清華大學出版社，2006.HAN Chong-zhao，ZHU Hong-yan，DUAN Zhan-sheng.Multi source information fusion［M］. Beijing:Tsinghua University Press，2006.

［11］梁亞婷，楊振宏，屈利偉.基于多源異構(gòu)信息融合的煤礦冒頂事故預(yù)報技術(shù)［J］. 西安科技大學學報，2013，33(1):78 -82.LIANG Ya-ting，YANG Zhen-hong，QU Li-wei. Mine roof fall prediction technique based on multi-source information fusion［J］.Journal of Xi’an University of Science and Technology，2013，33(1):78 -82.

［12］毛紅閣，劉長旺，劉香偉，等.兩層模糊神經(jīng)網(wǎng)絡(luò)交通信號控制模型［J］.西安科技大學學報，2012，32(2):62 -65.MAO Hong-ge，LIU Chang-wang，LIU Xiang-wei，et al.A signal control model based on two layer signal fuzzy neural network［J］. Journal of Xi’an University of Science and Technology，2012，32(2):62 -65.