模糊控制與多感測器資訊融合避障演算法
這個研究介紹了一種機器人避障方法。它利用多感測器（multi-sensor）技術收集障礙物資訊，然後分類和識別收集到的資料，接著利用模糊控制演算法（fuzzy control algorithms），進一步分析的障礙物資訊。它所建構機器人的多感測器資訊融合避障方法，可以提高機器人的避障準確性並且優化機器人的避障路徑，實現機器人的自主避障功能。
模糊控制（ Fuzzy control）是一種基於模糊邏輯的控制方法，該系統的輸入要先透過模糊化將明確數值變成模糊輸入。接著用模糊的輸入資料進行推論得出模糊輸出，最後透過解模糊化的步驟，將模糊輸出變回明確數值。模糊控制是基於人為經驗和直覺的控制方法，用電腦模擬人的判斷與思維方式，可以處理非線性、時變和模型不完全的系統，並具有絕佳的適應性、強健性以及容錯能力。
模糊控制的關鍵是使用模糊邏輯來處理輸入和輸出之間的模糊關係。傳統的控制方法通常依賴於精確的數學模型和精確的控制規則，而模糊控制則不使用數值而是用語意式的變數來描述系統。模糊邏輯通常使用條件式IF/THEN的控制規則來描述系統變數之間的關係，最基本的模糊推理形式為：
前提1（規則）： IF x is A ，THEN y is B
前提2（事實）： IF x is A’
推理結果（結論）：THEN y is B’
其中x和y是語意變數，A、A’、B、B’是模糊集合。
模糊控制的主要結構（如圖一）：
1. 模糊化：選擇適當的模糊化方式（選擇適當的歸屬函數），將精確輸入變量轉換成模糊語言變數。
2. 模糊知識庫：定義了輸入與輸出之間的模糊關係。包括資料庫與規則庫。規則庫是由一條一條的IF/THEN表示式所組成。
3. 模糊推理：基於模糊規則和模糊輸入，使用模糊邏輯的運算規則來推導出模糊的輸出。
4. 解模糊：將模糊的輸出轉換為具體的數值。
模糊控制在許多領域中得到廣泛應用，例如自動控制系統、機器人、交通控制、消費性電子產品和工業控制等領域。使用模糊控制，可以更好地處理現實世界中的模糊和不確定性問題，並實現更好的控制性能和效果。
 |
| 圖一、模糊控制器結構 |
此研究利用超聲波和雷射感測器，檢測地形威脅和障礙威脅，將這些威脅資訊進行融合和分類，構建了一個具有多感測器資訊融合的模糊控制系統。在該設計中，超聲波模組和雷射模組分別檢測對應的障礙物，並將每個感測器收集到的實際距離資訊進行有效融合和分類，通過誤差補償方法進行處理，從而找出具體的模糊控制輸入，然後使用模糊控制器完成推理和判斷，最後使用解模糊模組將模糊輸出轉換為精確的控制值輸出，以便有效引導物體完成任務。（如圖一、圖二）
 |
| 圖二、感測器訊息融合的模糊控制系統 |
總之，這個研究提出了一種基於多感測器資訊融合的模糊控制系統（如圖二），用於機器人的障礙物避讓。該研究使用超聲波和雷射感測器來檢測障礙物並收集數據，採用模糊控制算法分析收集到的數據，提高機器人的避障準確性並優化機器人的避障路徑。還利用卡爾曼濾波（Kalman filter）幫助感測器的資訊融合，實現多感測器資訊融合避障算法（如圖三），該算法旨在獲得複雜環境下避障的最優解，使機器人在複雜環境中更安全地移動。
 |
| 圖三、多感測器資訊融合避障演算法流程圖 |
撰文：陳祖喬
Reference:
1. X. Song, "Research and design of robot obstacle avoidance strategy based on multi-sensor and fuzzy control," 2022 IEEE 2nd International Conference on Data Science and Computer Application (ICDSCA), Dalian, China, 2022, pp. 930-933
留言
張貼留言