移动机器人运动控制的模糊逻辑系统
模糊控制理论在机器人运动控制中的应用研究
模糊控制理论在机器人运动控制中的应用研究机器人是一种人造的智能机器，可以执行各种任务，并被广泛应用于工业、医疗、家庭等领域。
机器人的运动控制是其中最基本、也是最重要的一环，它涉及到机器人的定位、轨迹规划、速度控制等方面，而模糊控制理论则是一种强大的控制方法，能够有效地解决运动控制中的一系列问题。
本文将探讨模糊控制理论在机器人运动控制中的应用研究。
一、机器人运动控制的基本原理机器人运动控制是机器人技术的核心，其基本原理包括定位、轨迹规划、速度控制等方面。
在机器人运动控制中，位置和姿态是机器人运动过程中的两个非常重要的参数，它们可以通过机器人上的传感器获得。
一般来说，机器人的运动可以分为直线运动和旋转运动，直线运动可以通过轮子、链条等方式实现，而旋转运动则可以通过舵机、步进电机等实现。
二、模糊控制理论的基本原理模糊控制是一种基于模糊数学理论的控制技术，该技术可以模拟人类的思维过程，通过将输入信号与一组模糊规则进行匹配，得到一个模糊的输出信号。
模糊控制可以处理复杂的、不确定的控制问题，其灵活性和适应性非常高，能够有效地解决一系列控制问题。
三、模糊控制在机器人运动控制中的应用以机器人的定位为例，采用模糊控制的方法可以有效地解决机器人定位过程中的不确定性问题。
通过将机器人当前的定位信息与模糊规则进行匹配，得到一个模糊的输出信号，进而控制机器人进行位置调整。
在实际应用中，机器人的定位往往会受到各种干扰、误差等因素的影响，这些因素可能导致机器人的精度降低或定位失败。
而采用模糊控制的方法，可以有效地处理这些因素，提高机器人的定位精度和稳定性。
在机器人的轨迹规划方面，也可以采用模糊控制的方法。
在传统的轨迹规划方法中，往往需要人为设定一些参数，如起点、终点、路径等，然后通过一些数学方法计算出具体的轨迹方程。
而在实际应用中，这些参数往往会因环境、工件等因素的变化而产生变化，导致原有的轨迹规划方法无法正确处理。
而采用模糊控制的方法，可以根据当前的环境、工件等因素，自适应地调整轨迹规划参数，得到更为准确、稳定的轨迹规划结果。
模糊PID的全方位移动机器人运动控制
模糊PID的全方位移动机器人运动控制时间:2011-11-02来源: 作者:电气自动化技术网点击:154次-摘要通过对足球机器人运动学模型的分析，考虑到系统的时变、非线性和干扰大等特点，以全向移动机器人为研究平台，提出一种将模糊控制与传统的PID 控制相结合的方法，应用到足球机器人的运动控制系统中。
针对足球机器人运动控制中的重点问题，着重提出了基于模糊控制的动态调整PID 控制器的3 个参数kp、ki、kd的设计方法。
实验表明，该控制器能较好地改善控制系统对轮速的控制效果。
移动机器人是一个集环境感知、动态决策、行为控制与执行等多种功能于一体的综合系统，其运动控制是移动机器人领域的一个重要研究方向，也是移动机器人轨迹控制、定位和导航的基础。
传统的运动控制常采用PID 控制算法，其特点是算法简单、鲁棒性强、可靠性高，但需要精确的数学模型才对线性系统具有较好的控制效果，对非线性系统的控制效果并不理想。
模糊控制不要求控制对象的精确数学模型，因而灵活、适应性强。
可是，任何一种纯模糊控制器本质上是一种非线性PD 控制，不具备积分作用，所以很难在模糊控制系统中消除稳态误差。
针对这个问题，结合运动控制系统的实际运行条件，设计采用模糊PID 控制方法来实现快速移动机器人车轮转速大范围误差调节，将模糊控制和PID 控制结合起来构成参数模糊自整定PID 算法用于伺服电机的控制，使控制器既具有模糊控制灵活而适应性强的优点，又具有PID 控制精度高的特点，使运动控制系统兼顾实时性高、鲁棒性强及稳定性等设计要点，并可通过模糊控制规则库的扩充，为该运动控制系统方便添加其他功能。
1 全方位移动机器人运动学分析研究的是一种全自主移动机器人平台，该机器人采用了四轮全向移动的运动方式，具有全向运动能力的系统使机器人可以向任意方向做直线运动，而之前不需要做旋转运动，并且这种轮系可满足一边做直线运动一边旋转的要求，达到终状态所需的任意姿态角。
模糊控制系统对机器人技术的影响
模糊控制系统对机器人技术的影响近年来，随着机器人技术的不断发展，模糊控制系统作为一种新型控制方法，被广泛应用于机器人技术中。
本文将探讨模糊控制系统对机器人技术的影响。
一、模糊控制系统的定义及特点模糊控制系统是一种基于模糊逻辑理论的控制方法，它的最大特点在于可以处理模糊信息。
与传统的数学模型不同，模糊控制系统可以处理非精确的、不确定的数据，具有一定的容错性和智能性。
二、模糊控制系统在机器人技术中的应用1. 路径规划机器人在进行导航时，需要规划一条最优路径。
传统的路径规划方法需要具体的地图信息，且计算复杂度高。
而模糊控制系统可以通过对环境参数进行模糊处理，计算出一条比较优秀的路径，能够提高机器人的智能化水平。
2. 动态避障机器人在行走过程中，需要能够及时识别并避让障碍物。
传统的障碍物避让算法需要对环境进行建模，计算复杂度较高，而模糊控制系统通过模糊逻辑理论对环境参数进行处理，能够快速反应并避让障碍物。
3. 运动控制机器人的运动控制需要高精度的定位和优秀的控制算法。
传统的运动控制算法需要对运动模型进行精确的建模，并需要高精度的传感器数据。
而模糊控制系统由于具有容错性，能够减小模型误差的影响，提高控制精度。
三、模糊控制系统对机器人技术的影响模糊控制系统的应用，使机器人技术得到了快速的发展。
首先，模糊控制系统能够处理非精确的、不确定的数据，提高了机器人系统的智能化水平；其次，模糊控制系统具有容错性，大大降低了控制系统对传感器精度和建模精度的要求，提高了系统的可靠性和鲁棒性；再次，模糊控制系统的高效性和快速性，使机器人能够更加优秀地应对复杂的环境和任务。
综上所述，模糊控制系统对机器人技术产生了深远的影响。
它的引入为机器人技术的发展提供了新的思路和方法，同时也为机器人的智能化和自主化发展提供了保障。
基于模糊逻辑控制与人机交互的移动机器人避障系统
Ｉ ＾ 度 圈 阳 ｌｃ 速 凌困 线 ＂ １ Ｄ ｆ
Ｉ ￣６ 一 田 ｆＺ０ 控 呈 Ｓ ｔ ＣＡ Ｅ 制
Ｌ竺＿ Ｊ
图 ２ 避 障 规 划 的 一 个 导 航 周 期 的计 算 框 图
避 障与导航策略分 以下三步进行 ：
单 ＣＵ Ｐ
ｕ ＩＩ Ｉ
差 以及 不 准 确性 ， 而造 成 了机 器 人在 避 障 性 能 方 面 的 不 稳 定 。 从 为 了克 服 以 上不 足 之 处 ，本 论 文 将 模 糊 逻 辑 控 制 与 人 机 交 互 引 入 规 划 算法 ，以提 高 移 动 机 器 人 对 于 随 时 间 变 化 的动 态 未 知 环 境 的 适 应 能 力 ， 达 到快 速 、 以 准确 的导 航 目的 。
进 行语 音识 别 、 录音 等 的语 音 信 号 的输 入 ， 机 交 互 系 统 硬 件 的 人
结构框图， 如图 １所示。 操作人员就可以通过视觉观察首先判断 障碍物的类 型， 通过按键选择相应 的功 能模块 ； 接着将观察所得 的近似距离值通过迈克风进行语音输入 ，然后根据输入值进行 查找控制表操作 ， 并最终产生最后 的控制输 出 ， 控制移动机器人 的避障和路径规划过程。
１ 人 机 交互 的硬 件 实 现
在本 系统 中 ，硬 件 资 源 方 面 采 用 了凌 阳 １ ６位 单 片机
Ｓ Ｃ ０ １ 它 不 但 具 有 微 控 制 器 的 功 能 ， 具 有 ＤＳ Ｐ Ｅ ６ Ａ， 还 Ｐ运 算 功
能， 可以用来进行数字语音 （ 音乐 ） 信号处理 ， 根据 此特点 ， 我们 可 以将其应用于本导航系统中 ， 形成一款语音遥 控器， 以用来 可
维普资讯
《 工业控制计算机｝０ ６年 １ ２０ ９卷第 ３期
移动机器人模糊控制系统的设计
１２ 控 制系统 的结构设 计 ．
设计控制系统结构框图如图 １ 所示． 整个控制 系统是一个单输入 ， 单输 出的闭环控制系统， 输入
试 验机器 人 为双轮 驱动 的全 自主移动 机器人 ，
自重 ２ 左右． 用 三 洋直 流 伺 服 电机 驱 动 ， ５ 采 电
机最 大功率 为 ７ ， ０Ｗ 额定 电压 为 ２的控制 ，以及 不 模糊控 制可 用于 传 统控 制 不 能 稳定 控 制 的绝 对 不
维普资讯
第 ４期
谭宝成等 ： 移动机器人模糊控制系统的设计
３７ ６
出量 为机器 人 当前 速度 ． 将速 度 的变化 量送 到模 糊 控制 器 ， 模糊 控制 器经 过运算 处 理后 给 出一 个 电机 的控制 输 出．
则， 但控制规则相应变得复杂． 若选择词汇过少， 则 使 得描 述变 量变 得 粗 糙 ， 致 控 制器 的性 能 变坏 ． 导
Ａｕ ．２ ０ ｇ ０７
文章 编号 ： １ ７ —９ ５ ２ ０ ） ４３ ６０ ６ ３９ ６ （ ０ ７ ０ —６ —５
移 动机 器 人模 糊控 制 系 统 的设 计
谭宝成 ，程智远 ，牟云 霞，刘 江
（ 西安工业大学 电子信息工程学院 ， 西安 ７ ０ ３ ） １ ０２
摘
要 ： 针对 移动机 器人 在原控 制 器控 制 下 自主 运动 时 出现 的不稳 定状 况 ， 将模 糊控 制策略
引入 移动 机 器人 运动 控制 系统 中． 通过 分析 比较 不 同的控 制 方法 ， 计 了由速度误 差 率和速 度 设 误 差 变化率 为控 制 系统 的输入 ， 移动机 器人 电机输 出功 率 为控 制 系统 的输 出的 双输 入 单输 出 的模 糊 逻辑控 制 器． 通过 仿真 对 比不 同控制 器所 产生 的移动 机 器人 速度 变化 曲线 ， 当移动机 器
基于模糊逻辑的智能机器人控制系统设计与实现
基于模糊逻辑的智能机器人控制系统设计与实现随着科技不断发展，智能机器人的应用正在逐渐普及，其广泛的应用领域包括生产制造、医疗护理、军事作战、探险考古等领域。
在智能机器人的控制系统设计中，模糊逻辑是一种十分有效的方法，可以帮助机器人更好地进行决策和行动，提高机器人的智能化水平。
一、智能机器人的控制系统智能机器人的控制系统通常由硬件和软件两个部分组成。
硬件部分包括机器人的机械部件、传感器、执行器等，软件部分则包括机器人的程序设计和控制算法。
智能机器人通过内置的传感器对周围环境进行感知，同时通过控制算法对感知信息进行处理和判断，最终通过执行器实现对环境的响应和改变。
在智能机器人的控制系统中，算法是非常重要的一部分。
传统的算法通常使用精确的数学模型来描述和处理问题，但是在实际应用中，很难把问题的所有变量都准确地量化和建模，这就容易导致算法的复杂度和计算能力不足。
此时，模糊逻辑算法就可以派上用场了。
二、模糊逻辑的基本原理模糊逻辑是一种集成了传统逻辑理论和模糊数学理论的方法，其基本思想是通过模糊化变量的值来处理不确定性问题。
在模糊逻辑中，每一个变量都可以具有不同的隶属度（即不同程度的属于某个范围），与传统逻辑中的“是”和“否”相比，模糊逻辑中的变量更加灵活和可适应性。
模糊逻辑的主要优势在于其能够处理非线性和复杂的问题，同时也可以自适应地调整边界和规则。
例如，在机器人的控制中，模糊逻辑可以帮助机器人更好地识别目标物体的大小、形状和位置等信息，同时对机器人的行动进行优化和控制。
三、基于模糊逻辑的智能机器人控制系统设计基于模糊逻辑的智能机器人控制系统可以分为三个部分：感知、决策和执行。
感知部分包括机器人的传感器和感知算法。
传感器可以包括视觉传感器、声音传感器、触觉传感器等多种类型，通过传感器采集的信息，感知算法可以对环境的物体、形状、位置等信息进行分析和处理，从而实现对环境的实时感知。
决策部分包括机器人的控制算法和决策方式。
移动机器人模糊控制与模糊自适应PID控制
然而 ， 于模糊控 制规则 和隶 属 函数不 易精确 描述 ， 由 移
１ 引言
在环境信息 为多义 、 完 全或 不准 确 的情况 下 ， 动机 不 移
动 机 器 人 在 作 正 对 目标 点 的趋 近 行 为 时 容 易 产 生 局 部 振 荡 路 径 。针 对 环 境 模 式 特 点 ， 文 提 出 了 有 障 模 式 下 的 模 糊 控 本
ｓ ｅ ｈ ｉ ｌ ｔ ｎ ｐ ａｆ ｒ ｂ ｓ ｄ ｏ ｈ ＴＬ ＵＩ ｈ ｉ ｌｔ ｎ ｒ ｓ ｌ ｎ ｉ ａｅ ｔ ａ ｈ ｙ ｔ ｍ ａ ｕ ｃ ｈ ｓｔ ｅ ｓｍｕ ａｉ ｌ ｔ ｍ ａ ｅ ｎ ｔｅ ＭＡ ＡＢ Ｃ ．Ｔ ｅ ｓｍｕ ａｉ ｅ ｕ ｔ ｉ ｄ ｃ ｔ ｈ ｔｔ ｅ ｓ ｓｅ ｈ ｓ ｑ ｉｋ ｏ ｏ ｏ ｓ
可靠依据 。
关 键 词 ： 动机 器 人 ； 糊 控 制 ； 移 模 自适 应
中 图分 类 号 ： Ｐ４ ． Ｔ ２ ２６ 文献标识码 ： Ａ
Ｃｏ ｔ ｏ ｆ ａ Ｍ ｏ ｌ ｂ ｔ Ｂａ ｎ Ｆｕｚ ｙ ａ ｄ Ｆｕｚ ｙ Ａｄ ｐ ｉ ｅ ＰＩ ｎ ｒ ｌｏ ｂｉｅ Ｒｏ ｏ ｓ ｄ ｏ ｅ ｚ ｎ ｚ ａ ｔｖ Ｄ
ｒ ｓ ｎ ｅ ｓ ｅ ｄ ａ ｄ ｓｒ ｎ ｅｆ — ａ ａ ｉｅ ａ ｌｔ ａ ｄ ｃ ｎ ｒ ａｉｅ ｓ ｆ ｔａ ｋ ｆｏ ｔ ｅ ｂ ｇ ｎ ｉ ｇ ｔ ｈｅ ｔｔｃ ｔｒ ｅ ｅ ｐｏ ｓ ｐ ｅ ｎ ｔｏ ｇ ｓ ｌ ｄ ｐｔｖ ｂｉ ｙ， ｎ ａ ｅ ｌｚ ａｅ ｒ ｃ ｒ ｍ ｈ ｅ ｉ ｎ ｎ ｏ ｔ ｓａ ｉ ａ ｇ ｔ ｉ ｐ ｉ ｔｕ ｅ ｈ ｎ — ｓｒ ｃｕｒｌｕｎ ｏ ｎ ｉｏ ｍｅ ． ｏ ｎ ｎｄ ｒｔ ｅ ｎｏ ｔｕ ｔ ａ ｋｎ ｗｎ ｅ ｖ ｒ ｎ ｎｔ Ｋ ＥＹＷ Ｏ ＲＤ Ｓ： Ｍ ｏ ｌ ｏ ｏ ； ｕｚ ｙ ｃ ｎｒ ｌ Ｓ ｌ ａ ｐ ｉｅ ｂｉｅ ｒ ｂ ｔ Ｆ ｚ ｏ ｔｏ ； ｅｆ— ｄａ ｔｖ
移动机器人路径跟踪模糊控制系统设计及仿真
（ ｎｉｇＵｎ ｅ ｉ ｆ ｏｔａｄＴ ｌｃｍｍｕ ｉ ｔ ｎ ｎｉｇ２０ ０ ｈｎ） Ｎａｊ ｉ ｒｔ ｏ Ｐ ｓ ｅ ｏ ｎ ｖ ｓｙ ｓｎ ｅ ｎｃ ｉ ｓ ｊ １０３Ｃ ｉａ ａ ｏ Ｎａ ｎ
Ａｂｓｒ ｔ ｔ ａｃ ：Ｔｈｅ ｍ ａｎ ｃ ｎｔ ｎ ｆｔ ｓｐａ ｒｉ ｉ ｏ ｅ ｔ ｏ ｈｉ ｐｅ ｓＡｐｐｉ ａ ｏｎ ｏｆｆ ｚ ｏ ｉ ，Ｕ ｎｄ ｒｔ ｏｎｄ ｔｏ ｏ ｌｃ ｔ ｉ ｕｚ ｙ ｌ ｇ ｃ ｅ ｈｅ ｃ ｉｉ ｎ ｆｋｎｏ ｎ ｇｏｂａ ｔ ｗ ｌ ｌｐａｈ
ｉ ｏｏｄ ｃ ｓｇ ｏｎｃｕｓｏ ． ｌ ｉ ｎｓ Ｋ ｅｙ ｏ ｄｓ ｉ ｕ ａ ｏｎ； ｒ ｂｏｔ ｐａｈ—ｆ Ｈｏ ｉ ｗ ｒ ：ｓｍ ｌｔ ｉ ｏ ； ｔ —ｏ ｗ ｎｇ
２口１ ． １９
Ｄｅ ｉ ｎ ＆ Ｒｅ ｅ ｒ ｈ ｓｇ ｓ ａｃ
０ 引言
利用模糊逻辑在移动机器人运动控制 中的优越性，采
点的位 置 ； 预瞄点确定以后 ，再根据移动机器人当前点相
具独特的优势 ， 本文结合 驾驶 员的丰富经验设计了移动机 器人的模 糊控制器 。设计 出移动机器人运 动控制进行仿真 的方法及程序流程 ， 然后对仿真结果进行了分析比较 ， 说
明模 糊控制器 的有效 性。
对于预瞄点的距离长短和方向偏差大小由角速度 ，线速度
模糊控制 器控制输 出移 动机器人 的线 速度 Ｖ和 角速度 ∞， 再 由移动机器人的运动模块完成运动控制。
１ 移动机器人模糊控制 系统设计
对于移动机器人的运动控制 问题 ，首先是要对经过机 器视觉检测和处理而成的规划路径进 行分析 ，其次就是根
踪运动 中的应用 。利用模糊逻辑在移动机器人运动控制中的优越性 ，结合驾驶员的丰富经验设计 了移动机器人 的模 糊控制器 ，包括一个预 瞄距 离确定器和一个 运动模糊控 制器 。设 计出移动机器人运 动控制进行仿真 的方 法及程 序流程 ，对其进行 计算机仿真验证控 制效 果， 对仿真 结果进行 了分析比较 ， 出模糊控制器达 到设 计要 得
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
移动机器人运动控制的模糊逻辑系统
设计
摘要：实现了一种全集成可变带宽中频宽带低通滤波器，讨论分析了跨导放大器-电容(OTA—C)连续时间型滤波器的结构、设计和具体实现，使用外部可编程电路对所设计滤波器带宽进行控制，并利用ADS软件进行电路设计和仿真验证。
仿真结果表明，该滤波器带宽的可调范围为1～26 MHz，阻带抑制率大于35 dB，带内波纹小于0．5 dB，采用1．8 V电源，TSMC 0．18μm CMOS工艺库仿真，功耗小于21 mW，频响曲线接近理想状态。
关键词：Butte
0引言
经典控制理论对于解决线性定常系统的控制问题是很有效的，然而，对于非线性时变系统却难以奏效。
随着计算机的应用和发展，自动控制理论取得了飞跃性的发展。
基于状态变量描述的现代控制理论对于解决线性或非线性、定常或时变的多输入与多输出系统的控制问题，已获得了广泛和成功的应用。
但是，无论采用经典控制理论还是现代控制理论的控制系统，都需要事先知道被控对象(或过程)的精确数学模型，然后根据数学模型以及给定的性能指标，来选择适当的控制规律，来进行控制系统设计。
然而，在许多情况下，被控对象的精确数学模型很难建立，这样，对于这类对象或过程就很难进行自动控制。
事实上，对于复杂的、多因素影响的生产过程，即使不知道该过程的数学模型，有经验的操作人员也能根据长期的观察和操作经验进行有效地控制，而采用传统的自动控制方法的效果则并不理想。
然而，能否把人的操作经验总结为若干条控制规则，并设计一个装置去执行这些规则，从而对系统进行有效的控制?模糊控制理论和方法便由此而生。
1模糊控制原理
模糊控制的原理框图如图1所示。
模糊逻辑控制系统可用来代替经典控制系统或与经典控制系统一起来控制机器人。
通过应用模糊逻辑，机器人可以变得更独特、更具有智能和更加有用。
本文根据模糊控制理论为移动机器人的运动控制设计一个模糊逻辑系统。
以使移动机器人能根据地形坡度和地形类别来自主的调节自身的运动速度，从而完成机器人运动的自动控制。
2移动机器人的模糊逻辑控制器设计
2.1确定模糊控制器的输入变量和输出变量
根据本设计的目的，为使移动机器人能根据地形的坡度和地形的类别自主地调节
自身的运动速度，本系统可设计为双输入单输出系统，将地形坡度和地形的类别作为两个输入，而将移动机器人的运动速度作为控制输出。
2.2模糊化
模糊化是将输入和输出值转换为其隶属度函数的过程。
模糊化的结果是一组如图2所示的图形，它描述了不同模糊变量中不同值的隶属度。
为了定义模糊地形坡度、模糊地形类别和模糊运动速度的变量，这里将期望的地形坡度范围固定在-45°～+45°，并划分成五个隶属度函数，分别是“负大”、“负”、“水平”、“正”、“正大”。
小于-45°的坡度一概看作“负大”，而大于+45°则被认定为“正大”。
类似的，地形类别也划分成四个隶属度函数，分别是“很粗糙”、“粗糙”、“平缓”、“平坦”。
其中所有粗糙程度大于100％的都被认定为“很粗糙”。
而输出的移动机器人的运动速度(在0～20英里／小时之间)则被分成“很慢”、“慢”、“中”、“快”、“很快”。
根据图2中输入变量和输出变量的模糊化(其中地形坡度和地形类别为输入变量；速度为输出变量)，便可为每个隶属度函数选择其他域，并对其进行不同的划分，以确定隶属度函数交叠的不同区域，然后设置非对称的隶属度函数。
2.3规则库的形成
由于地形坡度有五个隶属度函数，地形类别有四个隶属度函数，这样，总共就会有5×4=20条规则，根据整个设计过程的系统性能要求和设计者的经验，该模型将形成含有20条规则的规则库，具体如下：
规则1：if(地形坡度is LP) and(地形类别is VR)then(速度is VS)规则2：if(地形坡度is LP)and(地形类别is R)then(速度is S)
规则3：if(地形坡度is LP)and(地形类别is Mo)then(速度is Me)
规则4：if(地形坡度is LP)and(地形类别is S)then(速度is Me)
规则5：if(地形坡度is P)and(地形类别is VR)then(速度is VS)
规则6：if(地形坡度is P)and(地形类别is R)then(速度is S)
规则7：if(地形坡度is P)and(地形类别isMo)then(速度is Me)
规则8：if(地形坡度is P)and(地形类别is S)then(速度is F)
规则9：if(地形坡度is L)and(地形类别isVR)then(速度is S)
规则10：if(地形坡度is L)and(地形类别is R)then(速度is Me)
规则11：if(地形坡度is L)and(地形类别is Mo)then(速度is F)
规则12：if(地形坡度is L)and(地形类别is S)then(速度is VF)
规则13：if(地形坡度is N)and(地形类别is VR)then(速度is Vs)
规则14：if(地形坡度is N)and(地形类别is R)then(速度is S)
规则15：if(地形坡度is N)and(地形类别is Mo)then(速度is Me)
规则16：if(地形坡度is N)and(地形类别is S)then(速度is F)
规则17：if (地形坡度is LN)and(地形类别is VR)then(速度is VS)规则18：if(地形坡度is LN)and(地形类别is R)then(速度is VS)
规则19：if(地形坡度is LN)and(地形类别is Mo)then(速度is s)
规则20：if(地形坡度is LN)and(地形类别is S)then(速度is Me)
图3所示是系统模糊推理规则观察器的输出结果。
通过图3可以清晰地看到输入不同的地形坡度和地形类别时，其模糊推理规则所产生的输出速度的值。
3清晰化
清晰化是将模糊输出值转换为可供实际应用的等效清晰值的过程。
即对模糊规则进行匹配并计算相应的数值，从而得到一个与不同输出模糊集隶属度函
数值相关的数。
清晰化的方法有很多种，两种常用的主要方法是：centroid面积中心法(又称重心法)和Mamdani(马丹尼)推理法。
3.1 centroid面积中心法
centroid面积中心法主要计算隶属度函数所包围区域的重心。
对于连续论域，若U是某一变量u在论域U的模糊集合，则去模糊化的结果为：
3.2 Mamdani(马xx)推理法
该方法中，每个集合的隶属度函数将在相应的隶属度值上被截去顶端，并将得到的所有隶属度函数作为“或”函数加在一起。
即将每一个重复的区域作为一层相互叠加在一起，其结果将是一个代表所有区域的新区域。
新区域的重心将等价于输出。
本文中的清晰化主要采用centroid面积中心法。
也就是采用MATLAB模糊逻辑工具箱的解模糊化函数defuzz，该函数的功能为执行输出去模糊化，其格式为：
output=defuzz(x,mf,type)
其中：参数x是变量的论域范围；mf为待去模糊化的模糊集合；type为清晰化方法，本文主要采用centroid面积中心法。
4模糊逻辑控制器的仿真
一般情况下，为模糊系统设计的规则必须通过仿真才能保证其对所有的输人值都能产生满意的结果，这一般可通过模糊逻辑程序来实现。
程序通过运行模糊推理机来计算所有可能输入产生的输出，并作出输出值的图形来对模糊控制系统进行仿真。
通过该图即可审核规则和隶属度函数是否匹配。
由2.2和2.3中的输入变量和输出变量的模糊化和规则库，可以通过MATLAB模糊推理系统的运算而得出如图4所示的三维输出结果。
通过图4即可看出，本文的规则和隶属度函数匹配良好。
5结束语
本文针对不同路面条件下移动机器人运动控制的实际问题提出了一种解决方法。
该方法把模糊逻辑推理应用到移动机器人的行为控制中，并将地形坡度和地形类别作为控制器的输入，而机器人的速度作为控制系统的输出，从而实现了对移动机器人的行为控制。
通过模糊逻辑控制器的仿真结果证明：该模糊控制算法在移动机器人运动控制中能表现出良好的鲁棒性和实时性。
近年来，神经网络、模糊控制等理论的研究和应用有了很大的发展，进一步了解学习和应用这些理论将是下一步的目标。