模糊神经网络信息融合在移动机器人导航中的应用

　　随着移动机器人应用的日益广泛,对移动机器人的智能要求也越来越高。多传感器的信息融合正成为提高移动机器人智能的关键技术。在移动机器人中常用的传感器有超声波测距传感器、CCD摄像机、红外传感器、激光传感器、GPS等[1]。作者采用了CCD摄像机、多个超声波测距传感器和红外传感器。依据推理方法不同,多传感器信息融合主要有贝叶斯估计、卡尔曼滤波、D-S证据推理、模糊推理和神经网络等方法^[2]。

　　神经网络技术与模糊技术各有自己的优点,二者有机结合,可有效发挥各自的优势并弥补不足。神经网络在学习和自动模式识别方面有极强的优势,采取神经网络技术来进行模糊信息处理,则使得模糊规则的自动提取及模糊隶属函数的自动生成有可能得以解决。因此,作者采用一种基于模糊神经网络的融合方法,该方法不依赖于系统的精确数学模型且适用于复杂的系统和过程。

　　1　模糊神经网络结构

　　为了使移动机器人能躲避物体,传感器必须能够获得障碍物的以下参数:形状、距离、方位以及环境信息,将这些信息通过模糊神经网络融合^[3]。

　　由超声传感器、红外传感器组来获取障碍物的距离和位置信息以及环境类型信息。通过信息处理得到需要的数据,将这些数据输入形成子神经网络。子神经网络将环境信息基本分为8类,如图1所示。隶属度函数则采用了模糊规则库以及神经元模型中常用的非线性函数Sigmoid函数[4]。神经网络采用重心法去模糊化,最终输出移动机器人所需要的速度和方向。

　　由Takagi和Sugeno提出的一种用于多维模糊推理方法,本质非线性,易于表达复杂系统的动态特性的模型,称之为T-S模型。基于Takagi-Sugeno模型的模糊神经网络具有局部逼近功能,又具有模糊逻辑和神经网络二者的优点,它既可以容易地表示模糊和定性的知识,又具有很好的学习能力^[5]。

　　网络的拓扑结构如图2所示,第1—4层为前提网络,第5—7层为结论网络。

　　第1层为前提网络的输入层。该层的各个结点直接与输入向量的各个分量xi连接,它起着将输入值x传送到下一层的作用。

　　第2层每个结点代表一个语言变量值。它的作用是一个模糊化过程。

　　第3层的每个结点代表一条模糊规则,它的作用是用来匹配模糊规则的前提,采用Mamdani的最小运算规则或Larsen的积运算规则计算出每条规则的适用度[6]。

　　第4层的结点数与第3层相同,它所实现的是归一化计算,即

　　第5层是结论网络的输入层,它将输入变量传送到第6层。