第一章 緒論
1.1 前言
第一章 緒論
1.1 前言
機器人是一種可以執行操作者規劃行程的機電控制系統，在現代先進科 技研究中，機器人應用發展已經受到許多研究人員的重視，並且在近年來已 逐步地從工業應用延伸到一般日常生活應用中，可視為是在未來生活應用發 展的重要趨勢，就目前常見的機器人依是否可移動之性質分為固定型機器人 與移動型機器人，前者依其結構組成方式可分為串聯型機器人與並聯型機器 人，主要以機械手臂為主，如[1][2][3]；後者依移動結構分為步行移動機器 人與輪型移動機器人，而步行移動機器人需考慮複雜的機構設計問題以及行 走時質心隨時改變而須考慮平衡等問題，相關文獻如[4][5][6]則討論此內容，
相對於步行機器人，輪型機器人則具有較簡單的機構，以控制層面來說，我 們先行需要考慮的內容為機器人的組成結構與尺寸、感測器應用、數學模型 推導，最終就是考慮設計者欲完成目標之問題了，以現今應用層面來說，智 慧型自動吸塵器(又名掃地機器人)[7]則為耳熟能詳的實例之一。
本論文研究的主要內容為路徑規劃(於第二章做詳述)與路徑追蹤(於第 四、五章做詳述)，路徑規劃採用 A*演算法來規劃環境中輪型移動機器人之 起始點到目標點之間的最短路徑，根據其演算法的內容所產生之路徑必定會 十分鄰近環境邊界且方向受限於組成地圖之單元網格形狀，如圖 1-1 所示[8]，
簡易 A*路徑規劃如圖 1-2 所示，僅適用於理論理想路徑，不適用於真實機 器人之移動路徑，相關內容將於 2.1 節中做介紹；B-Spline 曲線具備局部可 調性與連續性的特色，可對 A*演算法路徑中不適合真實機器人做為尋跡的 區段作局部調整，圖形如 1-3 所示，其內容介紹於 2.2 節中。路徑追蹤採用 模糊控制方法控制輪型移動機器人之兩輪速度以達到追蹤目的，由於需考慮 速度問題，因此須清楚了解輪型移動機器人之運動模型如此才可進行控制器
2
設計，因此在第三章將討論論型移動機器人之運動模型；關於模糊控制的設 計方式，就目前而言，尚未有一套完整理論可供依循，只能憑藉專家經驗不 斷的嘗試修正，因此本研究在第四章說明模糊控制理論之後，接著在第五章 將使用結合具有自我學習特性之類神經網路與模糊控制的適應性網路模糊 推論系統來調整模式參數，最後再利用遺傳演算法進行最佳化設計之步驟，
以達到最佳控制結果。
(a) (b)
圖 1-1 網格地圖(a)方形網格(b)蜂巢狀網格
圖 1-2 簡易 A*最短路徑設計 圖 1-3 B-spline 曲線
1.2 文獻回顧
3
輪型移動機器人之研究課題通常分為環境認知、路徑規劃、路徑追蹤與 行為控制四大部分。環境認知包含全局定位、障礙物偵測等等；路徑規劃根 據機器人對於環境的認知，從當前位置到目標位置之間規劃出一條能夠考慮 到安全避障且最佳化的路徑，如[9]提出 A*演算法規劃結果如圖 1-4 所示且 其內容後續利用地圖向量化方式與影像侵蝕方法限制機器人移動可行範圍 後之路徑規劃結果為圖 1-5 所示。
圖 1-4 A* 演算法之路徑規劃結果[9]
圖 1-5 改良後之 A*演算法之結果[9]
4
路徑追蹤的主要任務即是考慮移動機器人實際位置和運動狀態的情況 下，能夠準確地追蹤一條預先規劃好之路徑。由於移動機器人動力學的高度 非線性和工作環境的不確定性，使得路徑追蹤往往成為了移動機器人研究中 最為艱鉅困難的任務。過去許多學者也對此課題做了研究，文獻[10]中提到 了最短路徑之概念並藉由建立多條直線視為下一個參考的追蹤目標如圖 1-6 所示，然而，此方法之結果顯示出其並非為最短路徑且追蹤下一條參考直線 過程中的行走路徑為不可預期之結果，是否能具備避障之效果仍有可議之空 間。
圖 1-6 以直線作為參考追蹤路徑之移動結果[10]
文獻[11]提出追蹤不同路徑如直線、圓弧、貝茲曲線等線條並利用相對 應之合適的速度控制，而其追蹤過程僅將機器人視為一個質心點而忽略真實 機器人之尺寸，是其可改進之方向；文獻[12]提出速度控制(圖 1-7)與差速輪 (圖 1-8)之概念，並且考慮到在未知的位置與方向之下估測下一步狀態的方 式，其預測方式如(1-1)式：
5
6
) sin(
) cos(
D y y y y
D x x x x
(1-4)
此篇內容可做為輪型移動機器人模型推導之參考，但僅為理論說明缺少實例 分析；文獻[13]提出基因演算法控制，其結果圖顯示於圖 1-9，同[11]僅考慮 質心點之路徑追蹤，且其單純使用基因演算法進行路徑追蹤，根據其追蹤結 果觀察，可再嘗試進行改良。
(a)
(b)
圖 1-9 利用基因演算法之路徑追蹤結果(a)追蹤角速度(b)追蹤路徑[13]
7
在[14]中利用模糊控制與提供完整之路徑追蹤模型推導，其內容對於本 次論文研究有了相當大的啟發，其實際追蹤之結果如圖 1-10 與圖 1-11 所示。
圖 1-10 模糊控制用於兩輪機器人之路徑追蹤[14]
(a) (b)
圖 1-11 路徑追蹤兩輪之速度(a)右輪參考速度與實際參考速度(b)左輪參考 速度與實際參考速度[14]
1.3 研究動機
在 1-1 節中已針對本論文之路徑規劃與追蹤採取方式做一論述，並且在 1-2 節最後也提到了模糊控制的文獻回顧正適合用於本論文之研究。針對輪 型移動機器人動力學模型的高度複雜性和非線性特性，想要解決路徑追蹤之
8
問題時，模糊邏輯控制正是適合採取的方式。在不確定的工作環境中，要了 解輪子和地面之間的接觸並且準確地建模通常是一件困難的事情，在眾多的 控制法則中，模糊控制的方法善於解決具有非完整性和不確定性的非線性子 系統的交互作用之問題，也特別適用在缺乏精確完整的模型情況下，將人們 的經驗規則直接運用於輪型移動機器人的驅動控制中，而在本論文考慮機器 人操作環境已知之下則更加適用。傳統模糊推論系統中，規則個數可由專家 決定或藉由實際的操作規則訂定規則數目，然而在實務應用上，並沒有明顯 的規則可供機器人使用，甚至缺乏系統專家來決定規則的前提與結論，此時，
規則庫的決定就必須依靠輸入/輸出的範例與試誤法(trail an error)來尋找最 適當的網路大小，以決定輸入/輸出關係和其規則數目。為了克服模糊控制 器的此種缺點，近年來許多學者已嘗試將模糊控制器與其它智慧型學習法做 整合設計，以漸少設計成本、增加控制效率與結果之準度，如類神經網路 (Neural Network)即模仿生物神經系統的運作，藉由大量的運算單元(神經元) 和位於運算單元間的眾多連結所組成(如圖 1-12 所示)，這些運算單元乃是 以平行且分散的方式所運作，此一設計可被用來處理各種需要大量資料運算 的應用，今日已經廣泛地被應用在各領域，包含理工領域、生物領域到管理 學門都可以看到類神經網路的相關研究。
圖 1-12 神經元示意圖
類神經網路相關論文如[15][16]利用倒傳遞類神經網路應用於路徑規劃
9
的自我學習，文獻[17]使用區塊式立體匹配與訓練倒傳遞類神經網路將影像 轉換為立體資訊於機器人之室外導航，文獻[18]在傳統的模糊類神經網路加 入派翠網路和遞迴學習方式藉此減少參數學習計算量。
(a)
(b)
圖 1-13(a)模糊規則(b)類神經網路結構
類神經網路與模糊邏輯控制目前均被成功地應用在不同領域之不同目 的上，其兩者如類神經網路的聚類分析[19]與模糊集合的概念常常被視為是 相似之概念，而模糊規則關係如圖 1-13(a)也視為相似於類神經網路之結構如 圖 1-13(b))所示，兩者相較之下結構十分相似，這隱含著兩者之間有一種巧
10
妙的關係，而兩者之間之關係為何、應用方面的相似性與差異性，便是一個 值得思索的問題，此細節將於第四、五章進行詳細論述，簡單來說，兩者的 整合具有在一個輸入，輸出對應關係中增加系統智慧的能力。此外，在工程 應用或問題解決上，如何在兩者之間做一合適的選擇，也是常見的問題，而 在 1993 年 Jang[20]提出類神經網路與模糊邏輯控制整合之適應性網路模糊 推論系統(Adaptive Network-Based Fuzzy Inference System,簡稱 ANFIS)，正好 結合了上述兩種概念之特色，更甚者該如何擷取兩者間的優點互補缺失並結 合基因演算法，進而發展一種新的模式則是本論文的研究重點。
基因演算法(Genetic Algorithm，簡稱 GA)屬於人工智慧學門中的一門科 學，用於解決最佳化問題的一種進化演算法，採用自然界中生物擇偶、交配、
突變等衍生方式並且加入一些限制條件以產生優良的下一代。基因演算法至 今已廣泛被應用在生物信息學、系統發生學、計算科學、工程學、經濟學、
化學、製造、數學、物理、藥物測量學和其他領域之中。以上各種應用皆為 尋找解決數學中的最大化(Maximation)、最小化(Minimization)或極值問題，
一般來說要處理這一類之問題，如果函數可微分則可用梯度最佳化搜尋法 (Optimization by using gradient method), 不 可 微 分 則 有 其 他 如 模 擬 退 火 (Simulated annealing)、隨機搜尋法(Random search)等方法。這些方法有一共 同的特性，及找到的結果可能是全域最佳解(Global optimum)，也可能是區 域最佳解(Local optimum)如圖 1-14 所示。而基因演算法的最大優點是當它在 尋求最佳解的過程中可以避免陷入局部最佳點，因此它找到全域最佳解的機 會是蠻大的。這主要是拜有突變的能力所致。雖然利用基因演算法求解也不 一定每次都能找到最佳答案，但它總能在最佳答案附近出現，而不像其他方 法，大部分的機會都會落在次佳點，因此，本論文即基於基因演算法的這種 優勢而選取此種方法來做自我學習之控制器設計的參數最佳化程序。
11
圖 1-14 目標解關係圖
1.4 本研究之貢獻
過去已有不少文獻針對輪型移動機器人之避障路徑規劃與路徑追蹤進
過去已有不少文獻針對輪型移動機器人之避障路徑規劃與路徑追蹤進