移動式機器人之行為融合控制器設計

(1)

國立交通大學

電機與控制工程學系

碩士論文

移動式機器人之行為融合控制器設計

Design of a Behavior-Fusion Controller for

Mobile Robot Navigation

研究生：林鎮源

指導教授：宋開泰博士

(2)

移動式機器人之行為融合控制器設計

Design of a Behavior-Fusion Controller

for Mobile Robot Navigation

研究生：林鎮源 Student: Jean-Yuan Lin

指導教授：宋開泰博士 Advisor: Dr. Kai-Tai Song

國立交通大學電機與控制工程學系

碩士論文

A Thesis

Submitted to Department of Electrical and Control Engineering College of Electrical Engineering and Computer Science

National Chiao Tung University in Partial Fulfillment of the Requirements

for the Degree of Master in

Electrical and Control Engineering July 2005

Hsinchu, Taiwan, Republic of China

(3)

移動式機器人之行為融合控制器設計

研究生：林鎮源指導教授：宋開泰博士國立交通大學電機與控制工程學系

摘要

本論文之主旨在以行為融合的方法設計機器人之導航控制系統。由於在週遭環境情況類似下，行為架構模式的機器人其輸出行為表現的融合比例應該也會類似；本論文提出以一啟發性模糊類神經網路設計行為融合比例，文中首先設計閃避障礙物、目標物追蹤、沿牆行走等三個行為。藉由超音波感測器收集周圍的環境資訊，作為個別行為模糊控制器的輸入，以決定在不同的環境資訊下，各行為的輸出表現。接着透過類神經網路設計一行為融合架構，來決定機器人在當時環境中之行為融合比重。由環境資訊與所建立之規則表中各典型環境的相似程度，能即時決定機器人導航的行為融合比例。經由電腦模擬與實際導航實驗，驗證本設計具有令人滿意的導航功效。

(4)

Design of a Behavior-Fusion Controller

for Mobile Robot Navigation

Student：Jean-Yuan Lin Advisor：Dr. Kai-Tai Song

Department of Electrical and Control Engineering National Chiao Tung University

ABSTRACT

The thesis presents a design of behavior-fusion architecture for mobile robot navigation. We first design three behaviors for robot navigation, including obstacle avoidance, wall following, and goal seeking using fuzzy-logic control approach. Then, the fusion weight of each behavior is determined by using the proposed behavior-fusion neural network. The neural network maps the current environment sensor data to suitable fusion weights. Both computer simulation and practical experiments verify the effectiveness of the method.

(5)

致謝

謹向我的指導教授宋開泰博士致上感謝之意，感謝他兩年來在專業上的指導，以他豐富的學識與經驗，配合理論的應用，使得本論文得以順利完成。感謝學長任詔、奇鎰、嘉豪及孟儒的指導，以及感謝與我共同奮鬥的同學松峙、柏秋、維祥及崇民的相互鼓勵及提攜，同時也感謝學弟忠憲、晉懷、宏宜、富全及鎮謙在生活上帶來的樂趣。最後，特別感謝我的父母，由於他們辛苦栽培，在生活上給予我細心地關愛與照料，使得我才得以順利完成此論文；在此我願以此論文獻給我最感謝的老師、父母、學長、同學、學弟。

(6)

目錄

摘要 ………...i Abstract………...ii 致謝 ……….iii 目錄 ……….iv 圖例 ……….vi 表例 ………...viii 第一章緒論 ...1 1.1 研究動機 ...1 1.2 相關研究回顧 ...2 1.3 問題描述 ...6 1.4 章節說明 ...7 第二章機器人導航行為設計 ...8 2.1 模糊控制在機器人導航之應用 ...8 2.2 閃避障礙物行為 (Obstacle avoidance)的設計 ...10 2.3 沿牆行走行為 (Wall following)的設計 ...14 2.4 目標物追蹤的設計 ...17 2.5 結論與討論 ...20 第三章行為融合的設計 ...22 3.1 導航系統架構 ...22 3.2 導航行為融合的設計 ...23 3.3 利用啟發式網路歸類環境以決定行為融合權重 ...24 3.3.1 Kohonen 模糊分類網路 ...26 3.3.2 啟發性網路 ―結合 FKCN 與規則表 ...28 3.4 網路輸入：感測器與目標方向的量化 ...31 3.5 典型圖樣與規則表的建立 ...34 第四章機器人硬體架構 ...40 4.1 機器人系統 ...40 4.2 機器人控制架構 ...41 4.2.1 馬達控制系統 ...42 4.2.2 超音波感測系統 ...43 4.3 超音波感測器的特性與設計原理 ...43

4.3.1 超音波測距模組： Polaroid 6500 Range Module...45

4.3.2 超音波感測器的配置與性能 ...47

4.4 機器人姿態估測系統 ...47

第五章模擬與實驗結果 ...49

(7)

5.2 環境一：狹長走廊進行閃避障礙物行為 ...49 5.2.1 環境一模擬結果 ...49 5.2.2 環境一實驗結果 ...52 5.3 環境二：在死巷子及狹長通道之導航 ...54 5.3.1 環境二模擬之結果 ...54 5.3.3 環境二之實驗結果 ...56 5.4 在實驗室複雜室内環境及通過窄門之導航 ...58 5.4.1 環境三模擬結果討論 ...58 5.4.3 環境三之實驗結果 ...60 5.5 實驗四：長直通道環境之實驗 ...62 第六章結論與未來展望 ...64 6.1 結論 ...64 6.2 未來展望 ...65 參考文獻 ...67

(8)

圖例

圖 1.1 行為模式型控制系統 ….……….2 圖 1.2 障礙物位於機器人與目標之間 …...5 圖 2.1 超音波感測範圍 ……….11 圖 2.2 閃避障礙物決策流程 ………...11 圖 2.3 閃避障礙物的模糊控制器輸入與輸出歸屬函數 ……….13 圖 2.4 閃避障礙物模糊控制器輸入與輸出關係圖 ………..13 圖 2.5 沿牆行走行為設計示意圖 ………16 圖 2.6 沿牆行走行為設計輸入輸出流程 ………16 圖 2.7 沿牆行走行為模糊控制器的設計輸入與輸出歸屬函數 .17 圖 2.8 沿牆行走行為模糊控制器輸入與輸出關係圖 …………..17 圖 2.9 目標物追蹤行為設計示意圖 ………19 圖 2.10 目標物追蹤行為模糊控制器的設計輸入與輸出歸屬函數………...20 圖 2.11 目標物追蹤型為模糊控制器輸入與輸出關係圖 ………20 圖 3.1 導航任務行為融合的設計 ………23 圖 3.2 FKCN 網路架構 ……….………..23 圖 3.3 導航任務行為融合架構 ……….25 圖 3.4 行為融合啟發性網路 ……….29 圖 3.5 超音波偵測方向 ………..29 圖 3.6 目標方向區分示意圖 ……….34 圖 3.7 八種典型圖樣 ………..36 圖 3.8 環境類型與行為表現可能關係 ………37 圖 4.1 實驗室自行研製之自走式機器人 ………41 圖 4.2 機器人控制系統架構圖 ……….42

(9)

圖 4.3 超音波控制模組設計方塊圖 ………...…….43

圖 4.4 Example of Single-Echo-Mode Cycle without Blanking Input………..46 圖 4.5 超音波感測器配置圖 ……….46 圖 5.1 環境一中的模擬結果 ……….……51 圖 5.2 環境一模擬中個別行為的融和比重紀錄 ……….….51 圖 5.3 環境一模擬中左右輪速度紀錄 (cm/sec)………....52 圖 5.4 環境一中的實驗結果 ……….…...52 圖 5.5 環境一中的實驗結果的個別行為的融和比重紀錄 ….…53 圖 5.6 環境一的實驗中左右輪速度紀錄 (cm/sec)………....53 圖 5.7 環境二中的模擬結果 ………....55 圖 5.8 環境二模擬中個別行為的融和比重紀錄 ……….….55 圖 5.9 環境二模擬中左右輪速度紀錄 (cm/sec)……….……56 圖 5.10 實驗二的機器人行走軌跡圖 ……….….57 圖 5.11 實驗二中個別行為的融和比重紀錄 ……….…57 圖 5.12 實驗二中左右輪速度紀錄 (cm/sec)……….…..58 圖 5.13 環境三中的模擬結果 ……….…..59 圖 5.14 環境三中個別行為的融和比重紀錄 ……….60 圖 5.15 環境三中左右輪速度紀錄 (cm/sec)………...60 圖 5.16 實驗三的機器人行走軌跡圖 ………..61 圖 5.17 實驗三中個別行為的融和比重紀錄 ……….61 圖 5.18 實驗三中左右輪速度紀錄 (cm/sec)………61 圖 5.19 實驗四的機器人行走軌跡圖 ………...62 圖 5.20 實驗四中個別行為的融和比重紀錄 ………..63 圖 5.21 實驗四中左右輪速度紀錄 (cm/sec)……….63

(10)

表例

(11)

第一章

緒論

1.1 研究動機

在近年來智慧型機器人的發展上，使機器人在家庭環境中具有自由移動的能力是一項重要的課題。倘若機器人在未知環境中具有自由移動的能力，則其功能便具有更大的運用空間，如此一來勢必能為人類提供更多服務，並且與人類之間能夠有更多的互動。例如日本 Honda 公司所推出的 ASIMO 機器人，其頭部裝設有兩台 CCD Camera，用以計算出自己與周圍物體之間的距離，藉以自動繞開障礙物行走，或是到達某一定點。吸塵器機器人 Roomba 能夠在無人監督的狀況下自動清潔家庭地板，這些都說明了走入到人類的生活的智慧型機器人已經成為一種趨勢。事實上，具有自動導航能力的機器人可被用來作保全、清潔甚或者是家庭看護等用途，在不久的將來，具有更多功能更強能力的機器人將存在於人類日常生活之中，而不再只是存在於實驗室或是科幻小說之中。目前移動式機器人的發展趨勢已脫離早期的工廠中需要預先鋪設軌跡的設計，此一進展說明人們要求機器人在功能上具有更多便利性、更加的靈巧，能自行透過對於週遭環境的感測資訊判斷移動路徑的智慧型機器人已是一種發展上的需求。相對於早期的設計上，移動式的智慧型機器人必須對於較為複雜的環境具有應對能力，對於不同的環境下都能夠迅速反應。本篇論文的主旨在於研究基於行為概念的架構(behavior-based architecture)[1] 上，透過對於環境的識別比較來決定機器人的個別行為的融合比重，使得機器人具有自動導航的能力，並且能夠在持續變化且無法預期的環境中也可以進行即時有效的移動，達成其所賦予的任

(12)

務。

1.2 相關研究回顧

關於移動式機器人的研究，自從 1986 年 Brooks 提出以行為為概念，『將一個完整但複雜的導航任務分解成數個較簡單的行為並且以平行並聯方式同時執行』[1]，來做為機器人導航設計，其架構如圖 1.1 所示。相對於早期機器人以功能作為區分的小模組，再將每個模組依其順序關係形成一個串聯式的流程設計 (sense-model-plan-act)，行為模式的架構使得環境感測器的輸入資訊跟機器人行為的輸出動作之間的結合更為緊密，整個感測器輸入到機器人動作輸出之間需要花費的時間減少了許多，並且因為平行執行的緣故，系統上計算量上的需求也降低了，使得反應較為迅速的行為模式架構的導航方法較為有利於將導航控制器置於移動式機器人上。由於 Brooks 的行為模式架構上功能區塊是以行為來加以劃分，且以平行並聯方式同時執行，因此，更能滿足即時反應的需求，所以在行為模式架構提出之後，有許多關於機器人導航的研究被提出跟討論[2-10]。 1.1 行為模式型控制系統

(13)

總體而言，使用 behavior-based 架構有下列好處： A. 因為架構上將導航任務分解為數個較為簡單的行為，單一的行為由於較為單純，設計上變得較為簡單，同時計算量相較之下也顯得更少，所以機器人可以更快的產生動作。同時因為計算量的減少，使得機器人所搭載的微電腦或微控器便足以處理，導航控制器可直接建立於移動式機器人上。 B. 由於機器人的輸出行為是由多個簡單行為的結合來決定最後輸出，個別的行為都是為了達成某一特定目的而設計[2]，所以當部分模組無法正常工作時，其他的行為依然可以正常工作，整個架構上具有較高的穩健度。並且可依不同任務或需求予以增減行為模組而不影響其他行為模組的運作，整個架構顯得更為有彈性。 C. 以行為為概念的移動式機器人架構不需準確建立環境模型[3]。因為以行為為概念的移動式機器人是屬於由下而上(Physically grounded bottom-up reactive system)的設計，是由設計的行為模組平行進行計算最後並聯輸出，並非以環境模型來計算進行導航。其次，對於各個行為之間所需要與接收的感測器資訊不見得相同，換而言之，當感測器中有部份產生誤差時，受到影響的僅有以此感測器作為行為之功能輸入項，對於其他不需採用到該感測器資訊的行為自然不會受到影響。最後的輸出由所有的行為根據其仲裁或是融合方式加以決定，所以以行為為概念的移動式機器人並不需要建立精確的環境模型。在行為模組架構中，由於將導航任務分解為數個行為來完

(14)

成，個別行為都是為了完成特定的導航目的而設計。例如：閃避障礙物(Obstacle avoidance)其主要目的在於使機器人在移動過程中能夠避開障礙物而不發生碰撞。沿牆行走(Wall following)的行為設計目的在於讓機器人能夠沿著環境的邊界行走。目標物追蹤 (Goal seeking)行為設計上是為了使得機器人在移動期間能夠盡量往目標物方向移動。在此一規範下，因各行為的設計目的不同，所以各模組設計上是獨立分開的，最後再透過並聯的方式產生輸出行為。其中行為模式架構中，一些較簡單的行為是根據環境的感測輸入以類似映射的方式產生，如同人類的反射動作一般，因此行為模式也被稱為是一反射(Reactive)行為的控制系統。並且架構上各行為最後以並聯方式輸出，使得設計上各個行為能夠獨立分開而不需考慮承接的順序，所以計算上可以平行進行，其所需的時間亦大為縮短。另外，對於較為複雜的行為，亦存在有將一個行為在分割成數個動作來加以處理的方法[3]。因此行為架構(behavior based)的優點很多，所以自提出以來，許多建立在此架構上的機器人導航方法被提出來，像是結合模糊邏輯 (Fuzzy Logic)[4-7]、類神經網路 (ANN)[8-9]、基因演算法

(GA)[10-11]等等來設計。以行為模式架構所設計的機器人，因為各行為模組分開設計，讓單一行為的設計較為容易，使得移動式的機器人執行效率得以改進，但是也延伸出另外一個被需要解決的問題，那就是最終機器人的行為輸出部分該如何決定？依行為模式架構上而言，依導航任務分解出來的多個行為模組是同時平行計算處理的，但是各個行為模組設計上的目的都不相同，那麼最終輸出的行為表現又當如何協調，才能處理行為之間的衝突？舉例而言，

(15)

圖 1.2 障礙物位於機器人與目標之間像是閃避障礙物與目標物追蹤行為，在如圖 1.2 的環境中，閃避障礙物的行為輸出會使機器人由左邊或是右邊繞開，但是繞開之後則未必往目標物所在處移動，另一方面，目標物追蹤的行為輸出則會使機器人調整行進方向，使其往目標物所在之處前進，則很可能會撞上路徑上的障礙物。就此例而言，明確顯示各行為之間的確可能發生衝突，會出現此一問題的原因在於所設計的行為都是為了達到其特定的導航目的，而各行為之間並不會考慮其他行為的輸出，因此有多個行為時，個別的行為輸出就有可能產生衝突的情況。這也是行為模式架構所需面對的一個重要的問題。目前行為模式架構中，行為協調的方式可概略分為兩個類別：行為仲裁(Arbitration)[1]與行為融合 (Fusion)[12-13]。兩者的區分在於：行為仲裁最後的輸出，通常是所有設計行為的其中一個；而行為融合對於最後的輸出，每個行為都有參與，只是其參與的程度有多有少。

(16)

以此兩種行為協調方式而言，各有其優缺點。行為仲裁部分因每次輸出的行為皆只有所有行為設計中其中的一個，所以當控制行為不停的切換改變時，機器人的動作顯得較不流暢，然而卻具有較好的強健度，同時行為模組增加時的協調方式亦較為簡單。行為融合則剛好相反，強健度上的表現較差，但是整個動作流程較為流暢。導致這個差異的主要原因在於個別的行為模組設計乃是為了達到特定的導航目的，所以對於相同環境之下，個別的行為其反應迥異，所以倘若當環境複雜導致以仲裁為行為協調方式的輸出不停切換，自然會有少許動作不流暢的現象；而以融合為行為協調方式，具體來講，當環境改變時，每個行為都會被表現出來，只是在時間上的前後行為表現出來的比例高低不同，而總輸出的導航表現合適與否，則與其融合方式是否有效率有關。

1.3 問題描述

在行為融合的方法上，已有許多報告提出，例如透過模糊邏輯來做行為的設計與行為融合[14-15]，大大地降低行為設計的計算量，使得行為設計更加的簡單易行，並且加速的反應的時間，並且在行為融合方面，透過模糊邏輯中將歸屬函數所對應的行為融合設計加以解模糊化，來得到行為融合比例；或是結合類神經網路 [16-17]讓機器人學習感測與環境的關係，此類神經網路透過環境的輸入可以改變模糊控制器中的歸屬函數，因此行為融合時個別行為的融合比重可以隨着環境資訊更新。但是這種透過類神經網路加以訓練的方式，因為訓練過程中網路的鍵結值收斂的時間通常需要耗掉比較多的時間，訓練過程顯得較為耗時，在本

(17)

論文中提出一個想法，就是以圖形識別網路來判斷機器人所處的環境類型較為接近哪種情況，並以其相似程度作為行為融合的參考值，並建立應對於常發生的環境資訊與行為融和比重的規則表。透過兩者的結合，形成一啟發性網路，來決定面對各種環境類型下的行為融和比重。此一設計上的目的在於藉由規則表中典型圖樣的設定來減少類神經網路的鍵結值訓練時花費的時間，並且我們對典型圖樣的設計做一說明，並藉由電腦模擬與實驗證明其可行性。

1.4 章節說明

本論文共分為六章，第一章為緒論，介紹移動式機器人在設計上可能遭遇到的問題並就到目前為止相關的研究做一說明。第二章說明機器人導航行為上的設計，以及行為融合的方式。第三章則介紹本論文中所要使用的透過圖樣辨識做環境歸類來進行機器人行為融合的基本概念與規則表之建立。第四章介紹機器人硬體架構的組成，包含機器人探測環境資訊所使用的超音波感測模組與位置估測系統。第五章為電腦模擬與實際上測試的機器人導航實驗結果。第六章為結論與未來展望。

(18)

第二章機器人導航行為設計

本章之重點在於陳述如何透過簡單模糊控制規則的使用，來設計機器人的導航行為，使得計算量可以有效的降低以加快處理的速度。導航行為的設計上，目前將導航任務分成三個行為來處理，分別是閃避障礙物、沿牆行走、目標物追蹤三個行為。機器人本身我們假設已經先給予一個線速度在前進，若三個行為都沒有輸出的話，機器人會不改變方向地往前行走，而三個行為的輸出其作用就在於改變移動式機器人的行進方向，來完成閃避障礙物、沿牆行走、目標物追蹤等工作。就三個行為模組設計的模糊控制器而言，閃避障礙物與沿牆行走輸入項都是超音波感測資訊，透過設計的模糊控制器得到兩輪的速度修正值，用以改變機器人行進的方向；目標物追蹤的輸入項則藉由馬達 encoder 每 50 ms 經由運動控制卡回傳的資料，不斷更新機器人所在位置與前進的方向，來決定與目標物的相對位置關係，並將之作為目標物追蹤的模糊控制器輸入；三個行為所需求的資訊各自從機器人上所裝置的 9 個超音波感測器與運動控制卡所傳回資訊取得，分別通過三個行為設計的模糊控制器來得到該行為的輸出，最後再透過第三章所設計的行為融合架構加以融合作為輸出。

2.1 模糊控制在機器人導航之應用

當機器人在未知環境中移動時，機器人需要利用本身所具有的感測能力，例如本論文所使用的為超音波(ultrasonic)感測器測距來探測周圍的環境資訊，做為導航系統的輸入，使其能安全行駛於未知環境當中，但是獲得的環境資訊正確與否依賴感測器的性能跟誤差大小，尤其是像超音波對於反射面的角度跟材質不

(19)

同，具有著某程度的感測誤差。換言之，當機器人在一個未知的環境移動時，感測器所得的環境資訊經常存在某些程度上的不確定性，尤其是對於使用距離感測器作為環境感測的機器人，其對環境感測的輸入時常會因環境的變化而有劇烈的變化。模糊控制針對具有不確定的性的資訊有著相當好的處理能力，對於含有隱藏的不確定因素的資料也能夠有很好的效能，所以使用模糊邏輯控制(Fuzzy Logic Control，FLC)來設計控制器在機器人導航上被廣泛的使用。除此之外，在機器人導航設計上找出明確的環境模型不太容易，但是模糊邏輯控制透過其對於不確定的資料的良好處理能力，也能對此問題進行處理，使得不需透過精確的環境模型亦能進行導航。模糊邏輯是典型的多値邏輯，容許資料融合的不確定性直接在推論過程中表示，以[0, 1]區間的數字表示資料的參與度 (Membership)，模糊邏輯控制乃是根據模糊集合理論將人們的經驗與直覺表達為模糊語句(IF… THEN… )，並以計算機來執行這些模糊規則。與傳統控制不同的是，模糊控制並非單純將邏輯二分化，而是可以直接訴諸於人類的直覺或是操作者的經驗，將原本的只有 0 或 1 邏輯判斷，依照程度的高低給予 0 到 1 之間的數字來表示，特別是當控制系統較為複雜時，模糊邏輯控制更能有優良的表現，就此而言，使用行為模式為機器人導航方式的架構很適合採用模糊控制來處理行為的設計。簡言之，模糊邏輯控制具有下列特點： 1. 不需要知道控制對象的數學模型，FLC 為一種語言控制器。 2. 能實現對於非線性系統的控制。 3. 模糊控制對於參數的變化具有很強的適應性。模糊控制器的設計上包含隸屬函數(Membership Function)

(20)

與推論法則(Inference Rule)兩大部分。

2.2 閃避障礙物行為 (Obstacle avoidance)的設計

行為模式架構中每一個行為都是為了達到某一特定的導航目的。就此來講，我們先確認閃避障礙物行為設計上主要的目的在於能夠使機器人避開障礙物而不會發生碰撞。並針對此目的來設計此一行為的功能，我們希望此一行為設計上能夠帶領機器人尋找出即時且較好的閃避路徑來閃避機器人行進方向上的障礙物。閃避障礙物行為設計所使用之超音波感測距離資訊為前方 Sonar 與左右兩側 Sonar 共 5 個超音波距離資訊。超音波裝設位置如圖 2.1 所示，我們由前方超音波資訊 (圖 2.1 編號 3、 4、 5) 做為模糊控制器的輸入來決定機器人的兩輪輸出的速度修正值，亦即由障礙物與機器人的距離來決定機器人改變行進方向的程度。當在目前行進方向上的障礙物越近時，則閃避行為需要較大的動作才能閃開，此模糊控制器的設計將詳細敘述於後。而左前方與右前方的距離資訊透過 Sonar 2 及 Sonar 6 來取得，用以得知左側與右側哪邊的閃避空間較大，來判定機器人該往左邊或是右邊來避開目前行進方向上的障礙。其中我們透過比較 Sonar2 及 6 的距離量測值之判斷的條件是：如果偵測結果左側大於右側 30 cm 以上，則旋轉方向向左，否則旋轉方向向右，如此設定的原因是為了提早確定旋轉的方向。當前方障礙物分布較為複雜時，可能機器人剛選擇右轉後，在右側的方向又偵測到障礙物，而左前方與右前方的回傳值所判斷的迴轉空間大小恰好與前一個命令相反，造成機器人會忽左忽右的擺盪，為了減少這種情況，所以設計上我們多給了 30 cm 的差距來增加閃避障礙物行為

(21)

表現的穩定度。當決定了機器人閃避障礙物的方向後，接下來討論閃避障礙物行為設計中之模糊控制器部分。閃避障礙物的行為設計其流程可以用圖 2.2 來表示。首先將前方的感測器資訊加以分組對於左前方、右前方各使用一個感測器，以偵測左右兩側的空間，來決定機器人之迴轉的方向；而正前方的障礙物資訊為閃避障礙物行為設計的模糊控制器輸入，因為較為重要，所以使用三個感測器來加以量測，其後將三個感測器傳回的値取其最小值，做為閃避障礙物的行為控制器的輸入，以提高安全性，避免發生碰撞。因此，在本設計中 5 個感測器資訊只分成左前方、正前方、右前方，3 個群組，其中前方障礙物的距離資訊作為模糊控制器的輸入項，用以決定機器人行進方向應該改變的程度大小。圖 2.1 超音波感測範圍圖 2.2 閃避障礙物決策流程

(22)

對於前方輸入的超音波距離資訊作為模糊控制器的輸入，模糊控制器的輸出部分為兩輪的速度修正值，因為我們假設在直線前進時機器人具有一線速度 vl，設計的三個行為的輸出項目都只是為了改變機器人的行進方向，例如：當圖 2.2 中輸出的兩輪速度修正值為 vd i f 時，則左右兩輪速度一輪為 vl+vd i f、另一輪為 vl-vd i f。本章所設計模糊控制器使用的模糊規則可表示為圖 2.3。在此模糊控制器中，我們使用三條單一輸入的簡單模糊控制規則，這三條規則如下：其中 input 部分為前方輸入的超音波距離資訊，output 為左右兩輪與機器人本身直線前進時的線速度的差值。

1. If the distance from obstacle is close, then the differential speed is big.

2. If the distance from obstacle is medium, then differential speed is medium.

3. If the distance from obstacle is far, then the differential speed is small.

當偵測到機器人目前行進方向上正前方的障礙物資訊距離較近時，為了閃避該障礙物，機器人應該採取較大的旋轉動作，也就是讓左右輪的速度差較大來得到較快的轉向，而左轉或是又轉來迴避，則透過左前方與右前方的感測器資訊來決定；反之當機器人偵測到的障礙物距離較遠時，機器人只需慢慢改變行進方向來進行閃避障礙物的動作即可。上述閃避障礙物行為的設計規則，我們將其歸屬函數以圖 2.3 作一說明，規則一說明如下：當機器人行進方向的障礙物距離少於 50 cm 時 (close)，兩輪的速度與直線前進時機器人的速度

(23)

圖 2.3 閃避障礙物的模糊控制器輸入與輸出歸屬函數圖 2.4 閃避障礙物模糊控制器輸入與輸出關係圖差為 20 cm/s(big)，藉此機器人取得較大的轉向；當障礙物距離介於 50~100 時，依照歸屬函數中 close 區段的程度値映射到 big 區段相同歸屬度所對應的速度差值。規則二、規則三同樣如圖樣 2.3 所示。

(24)

由歸屬函數中，透過簡單的模糊推論，我們獲得了機器人左右輪速度與直線前進時的線速度差的絕對值，並藉以改變機器人前進的方向，在圖 2.2 中，透過 Sensor 2、 6 的比較來決定左輪與右輪的速度何者較高、何者較低，來達成左轉或右轉的閃避障礙物行為。

2.3 沿牆行走行為 (Wall following)的設計

沿牆行走行為的設計的目的在於『當機器人行進時，可以沿著環境的邊界來前進』，這個命題可能包含更多動作，像是對於牆角轉角處的應對或是當環境更加不規則時，一樣能夠沿著邊界前進。在相關論文中，這個命題的處理，是將一個 behavior 再予以分解成多個 action 來加以完成。目前我們的主題的重點在於說明我們所提出的融合方式是否有效，我們簡單將之定義為『與較為鄰近的那一側的牆壁，保持相同的距離行走』，在這個目的下，我們需要的資訊包含有前個環境偵測週期中機器人的左側與右側的距離資訊與目前感測器所量測的距離資訊 ─ 經圖 2.1 所示的 Sonar 0、 Sensor 1 跟 Sonar 7 及 Sensor 8 四個超音波感測器取得，來決定機器人目前的狀態較上個週期時是較為遠離側邊的牆壁或是更為靠近。如下圖 2.4 所示，當機器人在位置 A 原方向前進會使得左側距離牆壁較近的感測器前後兩次所偵測的距離値增加，當遠離牆壁的速度越快時，兩次偵測到的距離資訊其差值也相對應增加越多，以此為輸入，透過沿牆行走的模糊控制器調整方向，達成沿牆行走的目的，如圖 2.4 的位置 B 所示。在沿牆行走行為的模糊控制器的設定上，我們將輸入項定義為兩次量測到的距離資訊的差值，使用的超音波感測器為圖 2.1

(25)

中的 Sonar 0 與 Sensor 1 跟 Sonar 7 及 Sensor 8 作為 wall sensor。設計上，左側與右側各有兩個超音波感測器讀值取其最小值，如此安排的原因在於我們希望當機器人在走廊上行走時，對於小小的走廊起伏，依然能夠有較高的容忍度。當兩次距離資訊的超音波感測器傳回的值相差越多時，表示機器人的路徑與前次相比偏離牆壁更加的嚴重，所以移動式機器人調整轉向的幅度也越大。而如果兩側傳回的感測器距離資訊相同，表示機器人目前正沿著牆壁行走，其流程我們以如圖 2.5 表示，當接收到兩側邊的超音波感測器資訊時，我們一邊各自取其最小值判斷目前機器人較為接近左側或是右侧的牆壁，較為貼進的一側，即是我們沿牆行走行為輸出時所靠的牆壁，另一方面，比較兩側偵測週期中兩次障礙物距離的讀値，並計算其差值，作為沿牆行走模糊控制器的輸入。我們所設計的模糊控制器其規則如下：其輸入與輸出歸屬函數如圖 2.6 所示。input 定義為兩次超音波距離量測的差值，output 部分為左右兩輪與機器人本身直線前進時的線速度的差值。

1. If the difference between two periods of detection is big, then the differential speed is big.

2. If the difference between two periods of detection is medium, then the differential speed is medium. 3. If the difference between two periods of detection is

small, then the differential speed is zero.

由歸屬函數中，透過簡單的模糊推論，我們獲得了機器人左右輪速度與直線前進時的線速度差的絕對值，並藉以改變機器人前進的方向，在圖 2.6 中我們對模糊控制器的做一說明，透過左側與右侧兩組超音波在兩次偵測週期中回傳値的差值，來決定機

(26)

器人目前前進的方向改變的程度。當兩次偵測的距離差值越大時，表示目前機器人遠離牆壁的速度較快，所以機器人需要較大的轉向來與牆壁平行前進。

圖 2.5 沿牆行走行為設計示意圖

(27)

圖 2.7 沿牆行走行為模糊控制器的設計輸入與輸出歸屬函數圖 2.8 沿牆行走模糊控制器輸入與輸出關係圖

2.4 目標物追蹤的設計

目標物追蹤的行為，我們將之定義為『調整機器人前進方向，使朝目標物所在方向前進』，作此定義的原因在於當我們機器人在環境中導航時，為了閃避障礙物或是沿牆走訪邊界時可能偏離目標物的方向，我們希望在偏離之後能夠讓機器人回到原本的方向上，使其朝向目標物所在位置前進，最後才能到達目的

(28)

地。設計上其模糊控制器的輸入項為機器人行進方向與目標物的夾角 θ，輸出項則為左右輪的速度修正值，用來改變機器人行進的方向，使其朝向目標物所在位置前進。因為機器人已先設定有一基本的線速度直線前進，目標物追蹤設計輸出為透過改變左右論速度來使機器人行進方向朝向目標物的所在方向。由圖 2.7 可知，將機器人前進方向與目標物方向上的夾角作為目標物追蹤此一行為的輸入項，如果該夾角為零，表示機器人正朝向目標物所在的方向前進，若不是的話，則機器人前進方向與目標物方向間存在一個夾角 θ，在此我們定義在機器人與目標物的連線與機器人目前行進方向之間，若目標物在目前機器人行進方向的右邊，則 θ 定義為正；反之則定義為負。模糊控制器的輸出為一絕對值，用以表示左右輪速度與機器人直線前進時的線速度差值，作為左輪與右輪速度增加或減少的値。如果 θ 越大，則表示偏離目標物方向越遠，所以機器人必須改變其前進方向幅度較大，才能使之朝向目的地。如圖 2.7 中所示，為目標物追蹤的行為表現圖形，當目標物追蹤行為發生時，目標位方向與機器人前進方向的夾角越來越小。對於此一行為，我們設計一模糊控制器其歸屬含數如下圖 2.8 所示。其規則如下，其中 input 為機器人前進方向與目標物方向上的夾角θ， output 為左右兩輪與機器人本身直線前進時的線速度的差值。

1. If the angle to the target is big, then the differential speed is big. 2. If the angle to the target is medium,

then the differential speed is medium. 3. If the angle to the target is small,

(29)

當機器人目前行進的方向與目標物的所在方位差距在 31°以上，機器人旋轉改變行進方向的程度也隨之提升，兩輪的速度與機器人直線前進時的線速度差值為 5 cm/s，當目標物在行進方向的左方時，機器人須向左轉，才能朝目標物前進，所以右輪速度增加 5 cm/s，左輪速度減少 5 cm/s；當 θ 介於 16°到 31°之間，依照圖 2.8 輸入歸屬函數中的模糊推論， big 區段的程度値，映射到輸出歸屬函數中 big 區段相同歸屬度所對應的速度差值。規則二、規則三同樣如圖樣 2.8 所示。圖 2.9 目標物追蹤行為設計示意圖

(30)

圖 2.10 目標物追蹤行為模糊控制器的設計輸入與輸出歸屬函數

圖 2.11 目標物追蹤型為模糊控制器輸入與輸出關係圖

2.5 結論與討論

目前設計的三個行為模式都較為簡單，僅是為達成所預設的導航目的而設計，所以模糊控制器的輸入輸出項都很快可以計算

(31)

出來，我們的重點在於我們設計的這三個行為，是否可以透過下一章的方法加以融合，使得總輸出結果符合我們所需要的導航行為。

(32)

第三章行為融合的設計

以行為架構來進行的機器人在導航的設計上，如果有相似的環境感測輸入，那麼同樣根據環境資訊來進行動作的個別行為在類似環境之下行為融合輸出方面應該也具有相似的輸出比例。根據這個假設之下，我們將超音波所測得的環境資訊依據偵測方向與距離加以量化，使其成為一個有序的數列，來代表一個環境資訊的圖樣。透過類神經網路對環境圖樣進行比較，當環境資訊的圖樣相似時，那麼機器人的行為融合比應該具有相似的輸出。

3.1 導航系統架構

導航的設計上，目前將之分成三個行為來處理，分別是閃避障礙物(obstacle avoidance)，沿牆行走 (wall following)及目標物追蹤(goal seeking)。三個行為輸入項分別是超音波感測資訊與機器人自我位置估測的資訊，輸出部分都定義成左右輪的速度與機器人直線前進時的線速度差距，目的在於改變機器人前進的方向。機器人本身已經先給予一個線速度(10 cm/sec)在，若三個行為都沒有輸出的話，機器人會直接地往前行走，而三個行為作用就在於改變移動式機器人的行進方向，來完成閃避障礙物、沿牆行走、目標物追蹤等工作。三個行為依其需求各自從機器人前半部的 9 個超音波感測器與自我位置估測的資訊取得所需要的訊息，而後通過模糊控制來得到該行為的輸出。最後由本章所設計的融合機制針對該時刻所得的環境資訊求得三個行為的融合比例，如圖 3.1、 3.2 所示。

(33)

圖 3.1 導航任務行為融合的設計 圖 3.2 導航任務行為融合架構

3.2 導航行為融合的設計

依據『相似環境之下，機器人的行為融合比重應該接近』的假設，我們將設計一個機制來比較輸入的環境感測數列(代表此時機器人所處的環境)與預先已給定行為融合比例的環境圖樣的相似程度 ─ 預設的環境圖樣，稱為典型圖樣，用來表示機器人在導航過程中遭遇某些較為容易處理的環境狀況時，其融和比例亦較為容易決定。典型圖樣的設定乃是因為在機器人導航前進時所面對的環境狀況隨時在變化，具有許多可能的環境類型可能發

(34)

生，所以我們難以對每種情形都定義其行為融合比例，於是我們選出其中幾種較有明顯特性且易於決定其行為融合比例的環境類型做為典型圖樣。

我們將預設的環境典型圖樣作為模糊分類網路(Fuzzy Kohonen Clustering Network， FKCN)[18]架構中 input layer 到 distinct layer 的鍵結值，另以所設定之融合比例做為該典型圖樣所對應的行為融合值，FKCN 的架構將在下一節中加以描述。在實際導航行進時，透過 FKCN 網路，我們在網路的最末端獲得了由輸入的環境資訊轉換成的圖樣與典型圖樣之間的相似程度，當與某一典型圖樣相似程度越高時，表示輸入的環境資訊與該典型圖樣所表示的環境越接近，則輸出的行為融合比重也越加的相似。網路中最後輸出的融合比例即是透過對於各典型圖樣相似程度乘上該典型圖樣的輸出比例，將之加總而得到在該環境之下的行為融合比例，見圖 3.1。如此一來，融和比例便可直接由環境感測資訊所轉換成圖樣而產生。在此我們注意到網路中的鍵結值並非經由 FKCN 網路的訓練方式得到，對此我們做一說明：當輸入環境向量到 FKCN 網路時，首先會計算輸入向量到每一個典型圖樣之間的距離(2-norm)，當輸入向量與典型圖樣差異越大時，距離層輸出的値增加極快，所以對於輸入的環境向量與典型圖樣差異越大，會明顯表現出越低的相似程度，且作為典型圖樣的向量彼此之間具有相當的差異程度。所以當一般化的環境向量輸入時，透過 FKCN 依然能夠加以分類。單一行為的設計上，採用第二章之三個模糊邏輯控制器來決定該行為的輸出，包含閃避障礙物、沿牆行走、目標物追蹤三個行為，最後透過由 FKCN 網路輸出的相似程度計算而來的三個行為的融合比例作為三個行為最後輸出行為的融合比例。

3.3 利用啟發式網路歸類環境以決定行為融合權重

由於週遭環境影響機器人運動行為，所以此處利用 FKCN

(35)

對於環境加以辨識分類，並輸出針對於此時環境所應採取的輸出行為融合比例。以下對於 FKCN 的網路架構我們將作一說明： FKCN 原本是應用於圖樣分類與辨識的一種類神經網路 [18]，如圖 3.2 所示。沈良寰 [19]跟黃信益 [20]曾利用到該架構來設計其自走式機器人的導航系統，他們以 FKCN 直接控制機器人的速度，本文利用 FKCN 的架構並建立一規則表，將兩者結合成一個啟發性網路，透過這個網路來執行計算出三個行為表現出來的融合比例。此啟發性網路的輸入項是經過我們將得到的超音波感測器資訊予以量化後所產生的數列，輸出部分則經過各典型圖樣的相似程度乘上在各典型圖樣下其預設的融合比例得到該環境資訊下所推測的應有融合比例。細節部份我們將在下兩小節予以說明。圖 3.3 FKCN 網路架構

(36)

3.3.1 Kohonen 模糊分類網路

如圖 3.3 所示， FKCN 是一種非監督式學習 (unsupervised learning)的類神經網路，原本的用途是作為圖樣分類與辨識。圖 3.3 中 FKCN 的架構中，一共分成三層，不同層之間的神經元 (neuron)的鏈結 (linker)是完全連結的 (fully connected)。架構圖中，最下面的一層是輸入層，待辨識的圖樣由此輸入；第二層是距離層，負責計算輸入的圖樣 Xi與典型圖樣 Wj 之間的距離，也就是相異程度 di j；第三層是歸屬層，負責計算輸入圖樣相對於典型圖樣的歸屬度 ui j，亦即用以表示相似程度有多高，歸屬度的値介於 0 到 1 之間，若為 1 的話，則表示輸入圖樣與某典型圖樣完全一致。其中對於輸入圖樣 Xi 與典型圖樣 Wj 我們皆用有序向量加以表示。典型圖樣是透過學習法則不斷訓練得到的，以下是 FKCN 的學習法則：步驟一：隨機地設定初始鍵結值 Wj；設定鄰域大小(NE)為 c/2， c 是輸出神經元的數目；設定鍵結值更新量 △ Wj 為 0；設定學習速率 η 介於 0 到 1 之間的値。步驟二：輸入訓練圖樣 Xj，計算每一個距離 di j，di j的定義如式 (3-1)： ) ( ) ( || || 2 j i T j i j i ij X W X W X W d = − = − − (3-1) 再計算每一個歸屬度 ui j，ui j 的定義如式(3-2)跟式 (3-3) ⎩ ⎨ ⎧ − ≤ ≥ ≠ = = = ) 1 , 0 , 0 ( , 0 , 0 0 , 1 c j k k d if d if u ik ij ij (3-2) c 等於典型圖樣的數目。否則

(37)

1 1 0 − − = ⎟ ⎟ ⎠ ⎞ ⎜ ⎜ ⎝ ⎛ ⎟⎟ ⎠ ⎞ ⎜⎜ ⎝ ⎛ =

∑

c l il ij ij d d u (3-3) 步驟三：對於每一個輸入圖樣，選擇一個輸出神經元 j*， (0≦ j* ≦c-1)，使得 di j=min(di 1,di 2,di ( c - 1 ))，再根據式 3-4 跟 3-5 更新鍵結值 Wj。 j j j k W k W W ( )= ( −1)+η×∆ ，k： the kth state (3-4) ) ( ) 1 ( ) ( _j _ij _i _j j k W k u X W W =∆ − + × − ∆ (3-5) 在此，j 包含輸出神經元 j*與其鄰域 (NE)中的每一神經元。重複步驟二跟步驟三，直到 Wj 不改變。步驟四：如果 NE=0，那即表示訓練過程完成，否則 NE=NE-1，回到步驟二繼續訓練。此學習法則的目的，就是要將所有被訓練的圖樣加以分類，當訓練完成後，鍵結值 Wj 則代表第 j 類的典型圖樣。典型圖樣決定之後便可以進行圖樣辨識的工作，辨識的方法就是執行學習法則的步驟二。式子 3-3 源自於 Bezdek 所發展的疊代法則，式中的總和等於 1，其簡要證明如下： 1 1 0 1 0 − − = − =

∑ ∑

⎟⎟ ⎠ ⎞ ⎜⎜ ⎝ ⎛ c j c l il ij d d (3-6) il il i il i il il i i i i i il i i i i i d d d d d d d d d d d d d d d d d d + + + + + + + + + + + + = ... 1 ... ... 1 ... 1 1 0 1 1 1 0 1 0 1 0 0 0 ⎟⎟ ⎠ ⎞ ⎜⎜ ⎝ ⎛ + + + × + + + = il i i il i i d d d d d d 1 ... 1 1 1 ... 1 1 1 1 0 1 0 = 1 (3-7)

(38)

利用此點，我們使三個行為在任何環境下輸出的融合比例總和都是 1。經過相似度乘上各典型圖樣的預設行為融合比例之後，其輸出的總行為融合比例依然等於 1。所以融合比例相對之間的數值等於存在有正規化的意義。

3.3.2 啟發性網路 ─ 結合 FKCN 與規則表

圖3.4 是我們利用 FKCN 網路所設計出來的行為融合啟發性網路架構。圖中的下半部結構就是我們前一小節所講的 FKCN 的架構，用以作圖樣的辨識，計算輸入圖樣與典型圖樣的相似程度；上半部則包含我們所設計的規則表跟定義出來的目標方位，用以計算對應於輸入的環境訊息所應產生的行為融合比重。在本論文中，我們所使用來探測環境資訊的是超音波感測器，用以量測環繞機器人運動時周遭的距離資訊，超音波感測器在機器人上共裝置了 12 個，前半部 9 個，後半部由 3 個負責，根據我們的需求只使用前方的 9 個超音波感測器資訊，其分布如圖 3.5 所示。對於我們所使用的正前方 9 個感測器資訊，設計上我們將之分成 5 組，分別表示左右兩側，左前跟右前方還有正前方的資訊，如圖 3.5 所示。我們依照超音波感測器偵測而得的資訊按照由左至右的順序寫成一個有序的向量，此一向量內包含的元素總共有 5 個，依序為左側、左前方、正前方、右側、右前方，藉以表示此時的環境資訊，尤其要說明的是我們收到的超音波共有 9 個，在分組的過程中，同一組只取其最小值，要如此做的原因在於我們希望在同一個方向內我們所得的距離能夠有一個較安全的讀値，以免機器人在反應時發生危險。

(39)

圖 3.4 行為融合啟發性網路

圖 3.5 超音波偵測方向

Front-Sonar：min(Sensor[3,4,5])

Front-left：Sonar[2]；Front-right：Sonar[6]

(40)

依上述設定，超音波在不同的環境下都可以取得一組不同的感測向量：

{

g1,g2,g3,g4,g5

}

l_j = (3-8) gi 為第 i 組感測器的讀値，而 lj 則為我們網路中的輸入向量，代表此時我們的環境資訊，根據環境辨識的概念，我們將每一個感測向量都視為一個圖樣。因此在不同的特定環境中我們便可以得到不同的特定圖樣，以一個有序向量加以表示；此外針對某些具有較有明顯特性且易於決定其行為融合比例的環境類型做為典型圖樣。此特定圖樣就是指對應於特定環境類型的典型圖樣，亦即我們在 FKCN 網路中所指定的鍵結值 Wj，相對於原本 FKCN 的設計，在此我們的鍵結值改由以指定方式得到，而非透過其訓練法則，理由說明如下。就 FKCN 的訓練法則而言，前提是需要有大量的資料來完成整個訓練，且在訓練過程中需要計算測試點與典型圖樣的距離，然後再計算典型圖樣的變動以做為訓練停止的條件。就此而言，與我們需求有部分的不同，因為我們只是需要 FKCN 這樣的網路架構來幫助我們做辨識的工作，對於典型圖樣的分類樣式與數目並不需要對所有可能的結果做分析。所以我們直接用指定的方式，透過我們對於較具有代表性的環境類型跟行為融合的結果明顯的環境資訊將其列為主要的類別，作為我們典型圖樣的設定即可。所指定的典型圖樣內其行為融合比例的設定值是由我們先予以設定初值，再經由不斷的模擬去修改其值使其能表現良好，最後在實驗過程中加以驗證來產生。當典型圖樣設定完成後，我們將之指定為 FKCN 架構中第一層輸入層到第二層距離層的鍵結值，在距離層我們利用(3-1)

(41)

式來計算輸入的圖樣 Xi 和每一個典型圖樣 Wj 之間的差距 di j。 (3-1) 式是一個 2-範數 (2-Norm)的方程式，當差異越大時， di j會快速增加。如果 di j等於零，表示輸入圖樣與典型圖樣完全相同。在 FKCN 架構中最上層的歸屬層部份，我們利用 (3-2)與 (3-3) 式將輸入圖樣 Xi 跟每個典型圖樣 Wj 之間的距離映射成歸屬度 ui j。歸屬度以到之間的値表示，當其值越大表示相似程度越高。毎一個典型圖樣都代表某一環境類型，根據此一環境類型，我們給予配置當此之時的行為融合權重，也就是說，事先我們要建立一規則表。毎一條規則的 IF-PART 是典型圖樣與目標方位；THEN-PART 是參考的行為融合比例。規則的數目等於典型圖樣的個數。歸屬度 ui j代表輸入圖樣 Xi與典型圖樣 Wj的相似度，由(3-7) 式的証明，可知全部規則的總激發量等於 1。最後決定行為輸出融合比例的，恰等於每一個典型圖樣的激發量乘上其參考的典型圖樣所屬的行為融合比例，其總和也等於 1。

3.4 網路輸入：感測器與目標方向的量化

依前所述，我們將正前方的超音波資訊分為 5 組，得到一個有序向量作為啟發性網路的輸入，機器人前半部環境的 9 個超音波感測器被分為 5 組如圖 3.4 所示，其中第 2 組跟第 4 組分別負責左前方跟右前方各有一個超音波感測器來偵測；為於兩側部份的第 1、第 5 組則各有兩個，當偵測時兩側的超音波資訊取其最小值，避免感測器誤差的發生；正前方部份的偵測則由三個超音波來負責，傳回的距離訊息一樣取其最小值作為環境向量的輸入項。如此一來已知各組之內的超音波感測器都會取其最小感測

(42)

值作為該組的代表値，得到的這 5 個數據分別表示移動式機器人的左側、左前、正前方、右前、右側這五個方向的障礙物距離資訊。這五個值在轉為一有序向量輸入啟發性網路前，我們使其先經一量化的處理。第 1、2、4、5 組的値根據下面 (3-9)式作量化，在量化之時，我們對於障礙物距離小於 90 cm 跟障礙物距離大於 270 cm 的部分，分別都視作極近與極遠，當傳回資訊介於這兩種範圍內時，都只以 1 跟 4 來表示。至於障礙物距離資訊在兩者之間的，我們分別以 1 到 4 之間的數來表示。 ⎪ ⎪ ⎪ ⎩ ⎪⎪ ⎪ ⎨ ⎧ > ≤ < − + ≤ < − + ≤ < − + ≤ ≤ = 270 4 270 210 60 / ) 210 ( 3 210 150 60 / ) 150 ( 2 150 90 60 / ) 90 ( 1 90 0 1 i i i i i i i i i d for d for d d for d d for d d for x (3-9) di表示第 i 組的感測值， i 等於 1、 2、 4、 5 第 3 組中代表正前方的障礙物距離，由於正好在機器人的前進方向上，為了可以即時閃避障礙物，所以對於歸類為較近的距離部份有必要拉長，於是我們視障礙物距離 120 cm 以內的都當距離 1 處理，而障礙物距離 300 cm 以上的都當作 4。兩者之間的距離輸入則以 1 到 4 之間的數字表示。第三組感測數值根據 (3-10)式作量化。 ⎪ ⎪ ⎪ ⎩ ⎪⎪ ⎪ ⎨ ⎧ > ≤ < − + ≤ < − + ≤ < − + ≤ ≤ = 300 4 300 240 60 / ) 240 ( 3 240 180 60 / ) 180 ( 2 180 120 60 / ) 120 ( 1 120 0 1 i i i i i i i i i d for d for d d for d d for d d for x (3-10) di表示第 i 組的感測值， i 等於 3

(43)

在量化的等級上，如果量化的等級太多會增加規則表上構建的困難度，反之，若量化的等級太小，則無法明確表達出環境類型。所以我們在量化等級上只有區分成 1 到 4 級，分別表示極近、稍近、稍遠、極遠，而處於極近跟極遠之間我們使用介於 1 到 4 之間的數字，包含小數來代表，是為了増加解析度，使得在計算差異度與相似程度時能較為仔細。同時，規則表中另一輸入 ─ 目標方向也要予以量化。量化的理由說明如下：我們考慮的是 FKCN 的環境圖樣的典型圖樣中對於目標所在方向是否與行為具有相關性：舉例如下：就障礙物迴避而言，如果障礙物在右側，而目標位於正前方的方向，此時障礙物迴避的動作實屬多餘，那這個時候，障礙物迴避應如何表現行為的輸出呢。這麼說好了，『假設目標物的方向與我們如何迴避此一障礙物的方式有關』。所以在建立 FKCN 的典型圖樣時將目標物所在的方向列為參數之一。所謂目標方向，我們將之定義成目標點的位置相對於目前移動式機器人的正前方的方向。我們將目標方向分割成五個範圍，如圖 3.6 所示。以方程式 (3-11) 表示於下：式中φ是目標方向值與機器人目前行進方向上的夾角。 ⎪ ⎪ ⎪ ⎩ ⎪⎪ ⎪ ⎨ ⎧ < ≤ < ≤ < ≤ < ≤ ≤ ≤ = -180 90 -for 5 -90 30 for 4 30 30 -for 3 90 30 for 2 180 90 for 1 φ φ φ φ φ dir (3-11)

(44)

Direction 1 Direction 2 Direction 3 Direction 4 Direction 5 圖 3.6 目標方向區分示意圖

3.5 典型圖樣與規則表的建立

FKCN 網路中典型圖樣的設定即是我們將較具有明顯特性且易於決定其行為融合比例的環境資訊所對應的行為融和比重加以列入，依據可能的數種情況分別預估出在該環境下移動式機器人行為融和比重，並將之建成一張規則表。規則表是依據移動式機器人所在的環境類型而設計的。我們考慮的規則表中，共含有八種環境類型，如圖 3.7 所示。當然，在機器人實際在環境中移動時所面對的環境類型絕對不止這八種，然而只要我們將這八種環境圖樣加以模糊化就可以用來應付其他我們未予考慮的環境類型，也就是說將我們的設計做一般化的處理，便可適應更多的環境類型，因此透過 FKCN 的架構我們只需建立少數的典型圖樣跟規則即可。針對圖 3.7 作為典型圖樣的設定，並利用啟發性網路比較環境資訊與典型圖樣的相似度，我們將其流程說明如下：在圖 3.4 下半部分的 FKCN 的架構圖，一共可分成三層，不同層之間透過鍵結加以連接而成。當我們將 5 個方向的感測資訊作為

(45)

一組『感測向量』作為 FKCN 的輸入項。尤其要說明的是，第一層到第二層之間的鍵結值我們以指定的方式來決定，即是將我們典型圖樣的 8 組向量作為鍵結值。透過 FKCN 的網路架構，我們可以得到感測到的環境資訊與我們原本設定的典型圖樣那個圖形較為接近，同時依照 ─“對於相似的環境感測結果，應有相似的行為輸出表現”─ 這一推論得到三個行為之間的融合比例。 FKCN 網路最後輸出的部份，是輸入的環境類型相對於典型圖樣的相似程度，如果相似程度越高，則我們推論三個行為的輸出應該越接近原本最相似的典型圖樣的輸出。當然，如果分類出來的環境群組構多的話，可以明顯對應到所發生的各個環境輸出，更能寫實地反映週遭環境與當時應採取的行為融合比例的應對關係。關於典型圖樣如何被定義出來的問題，目前定義是以考慮三種行為在什麼樣的環境資訊會必須要完全被激發的狀態，藉由較為偏向某一單一行為被激發到最高融和比例時，作為移動式機器人融合的基本典型圖樣，如此一來對於其他較為不明顯哪個動作應該被完全輸出的環境類型，將之視為由典型圖樣為基底所構成的圖樣，參考圖 3.8，其表示了面對一些簡單環境時移動式機器人的行為輸出。當我們在建構規則表時，將目標方向也考慮進去，因為目標所在方向與行為具有相關性，透過對於目標方向的量化，我們得到了表 3.1 五個目標方向上之典型圖樣行為融合規則表。

(46)

(47)

(a) Avoid-obstacle (b) Goal-seeking (c) Wall-following (d) Follow-the-middle 圖 3.8 環境類型與行為表現可能關係對於規則，我們先回顧量化距離(3-9)與 (3-10)式。了解有序向量中，數字 1 跟 4 分別代表的距離遠近，就圖 3.7 之 A 為例，由圖 A 所示，移動式機器人前半部的五個方向上所偵測到的障礙物距離皆為 4，這表示移動式機器人的周圍，至少前方半圓 270 cm 內沒有障礙物的存在，因此對於我們在該典型圖樣所示的環境類型 A 中，目標物追蹤行為的輸出比重佔有率的比例為 1。因其沒有障礙物需要迴避。亦無牆壁可供沿牆行走的行為來作用，在我們所建立的規則表中表格 3.1，佔有的比例依序為：目標物追蹤(簡寫為 Wg)，障礙物迴避 (簡寫為 Wo)，沿牆行走 (簡寫為 Ww)。由圖樣 B 與 C 表示的是分別為左側與右側存在障礙物的情況，在這種情形下，我們依據目標物所在的方向不同，所採取的融合比重也隨之改變。對於圖 B 來講，機器人的右側具有障礙物，在這種情況下假設目標物在左側的情況，則對於右側的障礙

移動式機器人之行為融合控制器設計

國立交通大學

電機與控制工程學系

碩士論文

移動式機器人之行為融合控制器設計

Design of a Behavior-Fusion Controller for

Mobile Robot Navigation

研 究 生：林鎮源

指導教授：宋開泰 博士

移動式機器人之行為融合控制器設計

Design of a Behavior-Fusion Controller

for Mobile Robot Navigation

研 究 生：林鎮源 Student: Jean-Yuan Lin

指導教授：宋開泰 博士 Advisor: Dr. Kai-Tai Song

移動式機器人之行為融合控制器設計

摘 要

Design of a Behavior-Fusion Controller

for Mobile Robot Navigation

ABSTRACT

致謝

目錄

圖 例

表 例

第 一 章

緒論

1.1 研 究 動 機

1.2 相 關 研 究 回 顧

1.3 問 題 描 述

1.4 章 節 說 明

第 二 章 機 器 人 導 航 行 為 設 計

2.1 模 糊 控 制 在 機 器 人 導 航 之 應 用

2.2 閃 避 障 礙 物 行 為 (Obstacle avoidance)的 設 計

2.3 沿 牆 行 走 行 為 (Wall following)的 設 計

2.4 目 標 物 追 蹤 的 設 計

2.5 結 論 與 討 論

第 三 章 行 為 融 合 的 設 計

3.1 導 航 系 統 架 構

3.2 導 航 行 為 融 合 的 設 計

3.3 利 用 啟 發 式 網 路 歸 類 環 境 以 決 定 行 為 融 合 權 重

3.3.1 Kohonen 模 糊 分 類 網 路

∑

∑ ∑

3.3.2 啟 發 性 網 路 ─ 結 合 FKCN 與 規 則 表

{

}

3.4 網 路 輸 入 ： 感 測 器 與 目 標 方 向 的 量 化

3.5 典 型 圖 樣 與 規 則 表 的 建 立

研究生：林鎮源

指導教授：宋開泰博士

研究生：林鎮源 Student: Jean-Yuan Lin

指導教授：宋開泰博士 Advisor: Dr. Kai-Tai Song

摘要

圖例

表例

第一章

1.1 研究動機

1.2 相關研究回顧

1.3 問題描述

1.4 章節說明

第二章機器人導航行為設計

2.1 模糊控制在機器人導航之應用

2.2 閃避障礙物行為 (Obstacle avoidance)的設計

2.3 沿牆行走行為 (Wall following)的設計

2.4 目標物追蹤的設計

2.5 結論與討論

第三章行為融合的設計

3.1 導航系統架構

3.2 導航行為融合的設計

3.3 利用啟發式網路歸類環境以決定行為融合權重

3.3.1 Kohonen 模糊分類網路

3.3.2 啟發性網路 ─ 結合 FKCN 與規則表

3.4 網路輸入：感測器與目標方向的量化

3.5 典型圖樣與規則表的建立