地面移动机器人作为无人地面机动平台的重要组成部分，应该具备稳定的运动能力，以及良好的载重功能，同时也要兼具支持高效率工作，能够快速反应运动结果，具有较高的的灵活性和没有复杂的机械工艺。
地面移动机器人越来越引起各方面领域的关注，其可以完成人类因无法到达，且外部条件艰巨的复杂的重要任务。
地面移动机器人的进行工作的环境是未知的、多样复杂的，这使得机器人对从周围环境获取信息的准确性有了更严格的要求。
在地面移动机器人避障算法中，多传感器信息融合技术受到了大量研究并实际应用，但在实际应用中，因获取传感器处理信息结果时间漫长，不能及时计算准确，导致信息融合技术不能满足避障功能需要的实时性和准确性。
基于前人的研究成果，本文提出了一种基于模糊神经网络的地面移动机器人避障算法。首先设计了自适应加权融合算法对多传感器获得的数据进行处理，并将融合算法的结果作为控制方法的输入。
在此基础上分别建立了地面移动机器人路径避障控制的模糊控制器算法和模糊神经网络算法，通过MATLAB软件对模糊控制器和模糊神经网络算法的导航控制下的避障路径进行比较分析。
验证了所提模糊神经网络算法的优越性，通过地面移动机器人实验平台上的避障实验，验证了模糊神经网络避障算法的优越性和可靠性。
«——【·地面移动机器人多传感器信息融合模型·】——»
如图1所示为地面移动机器人的运动学模型，(x0,y0)代表质心，θe代表机器人前进方向与x轴的夹角,θe∈(-π,π);ωe和ve分别为运动的角速度和线速度。
机器人运动学模型的矩阵表示如式(1)所示：
其中△t为移动过程中的采样时间，当地面移动机器人的左轮转速与右轮转速相等且方向相反时，地面移动机器人的旋转半径为0，地面移动机器人绕其质点原地旋转。
机器人的运动学模型是机器人运动控制策略的基础，为后续避障控制算法的MATLAB仿真提供了运动学理论基础，为机器人的运动仿真提供了理论支持。
根据各传感器的特点和自适应加权算法的基本原理，第一步，先进行对传感检测系统传感器数据输出，第二步集中对其数据分配固定的权重，第三步对上一步所得融合加权，并对其结果进行总方差评估算法的可靠性，基于以上研究，所得算法的模型，其结果示意图如图2所示。
X为传感器系统检测目标特征量的实际值，如上图所示传感器1的输出值是X1,传感器2的输出值是X2,，以此类推传感器n的输出值是Xn，再测量传感器1到传感器n的所有方差分别为σ1,σ2,…σn，根据多传感信息融合算法模型，给X1,X2,…Xn分配的权重值为φ1，φ2,…φn。
可以得到：
由式(3)可知，在模型算法一次结果中融合方差σ2与权值φi为二次函数关系，因此当融合方差σ2最小时，所得结果的越接近准确值。
利用拉格朗日积分法求解条件的极值问题，得到总方差最小时的权值为：
式(4)当所有值相加为1时，φi的权值是数据融合误差最小的，将所得结果代回式(3)可以得到式(5)数据分布为：
由式(4)得到的φi代入式(2)得到多传感信息融合算法模型一次测量后进行的数据融合所得的准确结果，从由式(4)可知，算法模型需要知道各个传感器的方差，才能进行下一步，检测各个传感器的值。
若Xi(k)表示第k次检测时的第i个传感器的输出结果，则对于n个传感器的计算系统，第k次检测输出的平均值为：
在多传感器信息融合算法模型范围内，得到各个传感器与之相对的方差平均值的输出结果，此结果也就是第k次检测采样时，第i个传感器最终的方差值：
将式(7)中得到的σ2(r)i代入式(4)，得到总方差最小时的权值，即第r次测量采样时，传感器Xi的权值φi(r)，继续将上一步所得权值φi(r)代入式(2)，得到第r次测量采样时，传感器Xi的数据融合结果X̅。
«——【·地面移动机器人的控制方法设计·】——»
模糊控制器的设计：由于地面移动机器人工作环境中存在许多不确定因素，为排除不定因素对命令的影响，设计利用模糊控制算法将不同环境下，不能准确传递、无法描述的复杂信息模糊化处理。
转化为地面移动机器人可以接受的命令指示，并利用以往经验进行模拟推理，满足系统要求的控制指令。
确定变量和模糊化：输入的参数为目标点相对于机器人的方位角，并且要确定障碍物和地面移动机器人两者之间的直线距离d。
距离d分为近距离和远距离，分别用N和F表示，分别为{near,far}={N,F}，范围为[0,100mm]。
用于距离测量的传感器共计5套，因此d包括{d1,d2,d3,d4,d5}。当测量距离大于100mm时，按100mm处理。
将带有模糊参数N的隶属函数定义为式(8)，将带有模糊参数F的隶属函数定义为式(9)：
其中cij为中心值，σij为宽度值。第一步，设定障碍物目标点位，包括地面移动机器人的右方、右前方、前方、左前方和左方的方位角θ；
第二步，分别用字母R、LR、FR、LF和L表示，即{右方,右前方,前方,左前方,左方}={R,LR,FR,LF,L}，其取值范围为[-80°,80°]。
障碍物目标点为在地面移动机器人的左方时，角度为正数。
障碍物目标点位在地面移动机器人的右侧时，角度为负。障碍物目标点位在地面移动机器人前方，此时的角度为零。
隶属度函数定义如式(10)：
输入量的隶属度函数图如图3所示。
本文设计了五个部分的机器人偏转角，也就是模糊逻辑控制器推导出的输出参数，记为TG。
分别为右方、右前方、前方、左前方和左方，并用TR，TLR，ST，TLF和TL表示，即{右方，右前方，前方，左前方，左方}={TR,TLR,ST,TLF,TL}。
隶属度函数定义为式(10)，输入量的隶属函数图如图4所示。
当角度小于0时，机器人向右转；当角度等于0时，机器人沿直线运动；当角度大于0时，机器人向左转。
设计模糊规则：根据模糊集的隶属度函数的定义规则，地面移动机器人有160条避障规则，可以用“IF…THEN”语句来表达规则。
例如规则6为‘IF(d1=F,d2=N,d3=F,d4=F,d5=F,θ=L),THEN(TG=TL)’,这意味着左前侧有障碍，则设置目标点为前进方向的左侧，地面移动机器人作出左转动作。
表1列出了其他一些模糊规则。
去模糊化：设计模糊逻辑融合系统的最后一步是去模糊化过程，即根据模糊规则、隶属度值和输入产生输出，用于去模糊化的方法是质心法。
模糊神经网络的设计：模糊控制算法缺乏自主学习能力，不能完全满足地面移动机器人的避障要求，神经网络算法具有学习机制，不断的优化学习，能够优化实际环境的数据的参数，但当输入数据为非线性时，神经网络也存在计算复杂度高的问题。
将模糊控制算法与神经网络算法相结合，设计模糊神经网络算法来实现地面移动机器人的避障功能。
模糊神经网络的结构：如图5所示，第一层是输入层，其作用是将输入的数据对应的直接传输到第二层模糊化层，神经元数为N1=6，即6个输入变量，其中d1,d2,d3,d4,d5表示传感器在五个方向上检测到的距离向量，θ表示方位角。
第二层为模糊化层，各节点的参数为模糊变量及其隶属度结果。输入距离参数对应两个模糊语言变量，也就是在第一层中，取前5个神经元作为输入的距离参数，以此对应模糊化层的2个模糊语言神经元，即m1=m2=m3=m4=m5=2。
输入角度参数对应五个模糊语言变量，也就是说，取第一层的第六个神经元作为输入的角度参数，将其对应模糊化层的5个模糊语言神经元。即神经元总数为N2=15。
第三层对应的是整个模糊神经网络的模糊推理过程，在该过程中，主要通过获取不同模糊神经元的隶属度，来计算所对应模糊变量的匹配度，其中，每条每条模糊规则对应一个节点。
具体的匹配度计算公式为：
第四层是归一化层，为模糊结果的清晰化做准备，即：
该层神经元数N4=N3=160。
第五层是去模糊化层，实现去模糊化的计算，即：
在公式(13)中，实现去模糊化后输出的具体结果为转向角，ωj代表权值，该权值表示所得到的推理结果对应的隶属度中心值。
根据图5，可以得到具有计算能力的层数为5，需要优化的参数为26。
模糊神经网络的时间复杂度可以逐层计算。如果只有一个训练样本，时间复杂度为15+160+160+160+1=496。
参数优化过程：根据模糊神经网络训练优化第二层模糊化层隶属函数的宽度值σij中心值cij和，以及各节点之间的权重值ωj。
输入参数个数共有6个，与宽度值σij个数相同；中心值cij，分别对应第二层模糊语言神经元共有15个，与中心值cij个数相同；输出参数中共有5个模糊语言元素，与权值ωj个数相同。
采用误差反向传播的梯度下降法和前馈调整法，对模糊神经网络进行训练，权重值的调整公式为：
其中η为学习率，模糊神经网络算法流程如图6所示。
«——【·地面移动机器人控制算法的仿真·】——»
利用MATLAB软件建立静态多障碍仿真环境，先对地面移动机器人避障运动进行仿真实验，采用模糊控制器能有效地减小误差，再利用神经网络进行权值参数的优化。
当地面移动机器人的左轮转速与右轮转速相等且方向相反时，则地面移动机器人的转弯半径为0。
因此，机器人的位置在转弯时不会改变。在MATLAB中建立机器人运动区域，区域中随机分布9个不同形状的障碍物，机器人需要从区域左下角移动到区域右上角。
由于本文中所设计的地面移动机器人可以在固定的位置转弯，因此在仿真实验中可以忽略矩形结构对避障功能的影响，并假设地面移动机器人为圆形。
根据输入参数、输出参数及其对应的模糊语言变量来制定模糊推理规则，选取权重参数的初始值，建立模糊控制器，权重参数初始值如表2所示。
在仿真过程中，机器人的工作顺序是首先测量机器人与障碍物之间的距离，其次通过模糊控制器计算转向角，最后根据转向角向前推进一步。根据传感器的实际分布，每次推进需要计算五个方向的距离。
如图7为模糊控制算法导航无人机避障运动的仿真结果，其右上角的红色十字代表地面移动机器人的目标位置，其左下角的蓝色圆圈代表地面移动机器人的起始位置。
可以看出虽然代表机器人的粒子与障碍物之间有一定的距离，但是代表机器人轮廓的图形与障碍物之间存在交点，碰撞的位置由红色圆圈表示，即仿真结果表明仅采用模糊控制算法不能满足地面移动机器人的避障要求。
在仿真环境中通过人工规划机器人最优运动路径，收集地面移动机器人与路径中与目标点的相对角度，与障碍物的相对位置距离，准确地计算最佳路径上每移动一步的距离与偏转角度，其结果就是模糊神经网络所的期望输出值。
再利用模糊神经网络学习机制，继续优化权值参数，并设置其学习率为0.001，设置误差为0.001。当训练次数大于3000次时或者误差小于0.001时，训练可以停止。
如表3所示，为调整后的权重参数(仅保留小数点后两位)。
根据以上的优化后的结果，继续调整模糊控制器对应的权值参数，并调整后的参数代入地面移动机器人避障算法程序中，能够得到模糊神经网络算法下如图8所示的躲避障碍运动路径仿真效果图。
可以看出机器人在运动过程中能够与周围障碍物保持一定的距离，且顺利到达目标点。
对比图7和图8可以发现，图8中机器人的避障运动路径更平滑，机器人与障碍物的距离更大。
在模糊控制器和模糊神经网络算法的对比仿真中，地面移动机器人避障距离如图9所示，可以看出红色曲线的总体趋势在蓝色曲线之上，说明在模糊神经网络算法控制下，地面移动机器人的避障距离较大。
图10所示为在两种算法下，地面移动机器人的避障距离的分布情况，可以看出在模糊神经网络算法下，避障距离基本在10cm以上，这符合仿真实验中的边界设置。
通过仿真分析表明：设计的模糊神经网络避障算法比模糊控制算法更佳，能满足地面移动机器人对避障的反应速度和准确度。
«——【·地面移动机器人的避障实验验证·】——»
为了验证所设计的模糊神经网络算法的避障算法的正确性和可行性，基于上述分析算法进行地面移动机器人的避障实验。
本文所使用的地面移动机器人是自主设计的轮式车辆，地面移动机器人的整体外观尺寸为260mm×280mm×110mm，图11所示为地面移动机器人的三维模型和实物图。
为了满足地面移动机器人在复杂环境中避障和移动的要求，机器人的环境检测系统包括多组传感器，以获取障碍物的距离信息。
避障系统包括5个超声波传感器和5个红外传感器，传感器的安装位置如图11所示，10个传感器被分成5组，分布在机器人前方180°范围内。
此外，在地面移动机器人内部安装了电子罗盘来测量偏转角度。
将地面移动机器人的初始运动方向设为常数90，即向前方移动，地面移动机器人第一次转向后获得的转向角度进行运算，从而获得新的转向角度值，在后续的避障计算中，地面移动机器人要将每一次的计算的角度值存储在控制核心的寄存器中。
并在模糊控制器的输入，这样可以尽量保持原方向行驶，在同样的条件下重复实验。
图12为所设计模糊控制器导航下的地面移动机器人避障实验结果，地面移动机器人背后的黑色实线是地面移动机器人的运动轨迹。
在实验过程中，地面移动机器人与障碍物发生两次碰撞，如图12(c)和图12(e)所示，且在整个运动过程中，地面移动机器人与障碍物之间的避障距离相对较近，模糊控制算法不能根据避障的实际情况进行调整，这说明模糊控制算法不能满足机器人的避障要求。
图13为模糊神经网络算法控制下的地面移动机器人避障实验，地面移动机器人背后的黑色实线是地面移动机器人的运动轨迹。
实验结果表明，在复杂环境下，机器人能够顺利避障，并与障碍物保持适当的距离，证明了机器人具有良好的避障功能。
对比两种算法下的避障路径，可以看出在模糊神经网络算法控制下，地面移动机器人运动方向的变化次数明显较少，地面移动机器人对障碍物的反应更快。
这也说明通过对避障实验结果的对比，表明所设计的模糊神经网络算法具有合理性和可行性。
«——【·结语·】——»
针对地面移动机器人的移动设计了自适应加权融合算法，提出了基于多传感器信息融合的地面移动机器人避障的控制方法。
对多传感器获得的数据进行处理，并将融合算法的结果作为控制方法的输入。
在此基础上分别建立了地面移动机器人路径避障控制的模糊控制器算法和模糊神经网络算法，通过MATLAB软件对模糊神经网络算法和模糊控制器导航的避障路径进行比较分析。
结果表明模糊神经网络算法下的地面移动机器人避障运动路径更平滑，地面移动机器人路径与障碍物的距离更大。
通过实验平台分析了模糊控制器和模糊神经网络算法导航控制下避障效果，验证了模糊神经网络算法在地面移动机器人避障效果的优越性和可靠性。