模糊控制用于机器人避障
模糊控制与PID控制在机器人控制系统中的应用比较研究
模糊控制与PID控制在机器人控制系统中的应用比较研究机器人控制系统是现代机器人技术的关键之一。
机器人控制系统通常由多种控制算法组合而成，以实现控制机构、传感器和执行器之间的有效沟通和合作。
其中，模糊控制和PID控制是被广泛应用的两种控制算法。
本文将对这两种控制算法进行比较研究，探讨它们在机器人控制系统中的应用情况。
1. 模糊控制模糊控制是一种基于模糊逻辑的控制技术，它使用模糊变量和规则来描述并控制非线性、模糊和复杂的系统。
模糊控制器通常包括模糊推理机、模糊集和模糊逻辑。
通过对输入变量的模糊化和规则的匹配，模糊控制器可以对机器人的动作进行柔性控制，从而满足不同场景下的控制需求。
在机器人控制系统中，模糊控制应用广泛。
例如，机器人的避障控制、路径规划控制和手臂控制等都可以采用模糊控制算法进行优化。
模糊控制有以下优点：1.1 适应复杂系统由于模糊控制算法能够实现非线性、模糊和复杂系统的控制，因此可以针对具有多种信号输入和输出的机器人进行调整和优化，使机器人的响应更为准确。
1.2 开发简单快速使用模糊控制进行机器人控制时，只需要基于模糊集、模糊逻辑和模糊推理等基本概念，即可实现所需的控制动作，而无需进行大量的复杂运算和数据处理，开发难度较小且开发速度快。
1.3 灵活性高机器人控制中的模糊控制通过对机器人动作的柔性控制，使得可实现与机器人环境之间的互动，等效于人的行为，因此其兼容性和灵活性更高。
2. PID控制PID控制器是一种基于比例、积分、微分（英文缩写P、I、D）三个参数的控制算法。
PID控制器能够检测到偏差、积分误差和微分误差，并结合比例系数、积分系数和微分系数，计算出一个控制动作，使机器人实现期望动作。
在机器人控制系统中，PID控制同样应用广泛。
例如，对于机器人的姿态控制、精密装配控制和行走活动控制等，PID控制都可以派上用场。
PID控制有以下优点：2.1 稳定性好PID控制器天然的误差反馈机制，使得可以有效地避免系统出现较大的误差，保证系统状态中的稳态性。
基于模糊控制的机器人避障控制系统设计
兰镆期 庄制 器设 计
书文 所设计的模糊 控制 主嘤包括 ＿ ＇ ｛ ＝ ｌ ５ 分 ：知 识库 、模
Ｒ Ｂ｝ ＝ ｛ ‘‘ 左火 ”
“ 左小 ”， “ 零 ”， “ 右小 ”， “ 大”｝ ，
陔域的控制范 Ｊ ｆ ＿ ； Ｉ 为（ 一 ｌ ８ ０ ０ ，１ ８ ０ ０ ） ； Ｙ输 …变量的模糊讲 为
糊化 、清晰化 和模 糊推理 。 ‘ 先将控 制 系统输 入的精 确 转 化成模 糊 ｋ ｔ 。 识阵ｌ ｛ Ｉ 包 含 ｒ要求进 行控制 的 Ｈ标和 规则 以
｛ Ｔ Ｌ Ｂ， Ｔ Ｌ Ｓ ， Ｔ ｚ ， Ｔ Ｒ ｓ ， Ｔ Ｒ Ｂ ｝ ＝ ｛‘ ‘ 左夫 ”， “ 左小 ”， “ 零 ”，
（ ２）定义模糊控制的集合
离 变 艟 【 ｆ Ｉ 采 』 仃如 Ｆ 的 模 糊 集 合 ：｛ Ｎｅ ａ ｒ ， Ｆ ａ ｒ ｝ ＝ ｛“ 近 ”， “ 远 ”｝ ， 沦 域 的 控 制 范 为 （ ０～ ６ Ｉ Ｔ Ｉ ） ；
定 位 变 Ｘ４的 模 糊 。 可 述 为 ｛ Ｌ Ｂ，Ｌ Ｓ ，Ｚ，ＲＳ ，
佧 性的 求 。模 糊控制 址 采Ｊ ｌ Ｊ 模 糊数 、 且 亘 过推 的 力 ‘ 式 术实 肌 的控制 。模糊逻辑侵 拟 ＿ 厂 人心维 的模 糊性 ，采用 ｒ 人类 ｉ ｆ ‘ 卡 Ｉ Ｉ 接近 ｆ ｌ ， ＇ Ｊ ｝ ｔ ｉ 变 来进ｆ 辑推川 ，使得控 制系统 像 仃操作 验 一样 进仃控 制复杂的 系统 ［ Ｉ － ２ １ 。模糊控 制ｊ 有
洳 葺 多输 入多输 系统 （ ＭＩ ＭＯ） 足指 ｊ 环境 ｝ 彳 『 障褂物 ［ Ｉ ｌ ｆ ， 路 径 的 新规 划控 川 系统 高 度的小确定 。刈 十 仃小
及 十 ＿ ｌ Ｉ 父 心 川 领 域 的 识等 。模 糊 推 理 足 个模 糊 控 制 ； ｛ ｝ ｝
基于改进模糊算法的移动机器人避障
基于改进模糊算法的移动机器人避障随着移动机器人在各个领域中的广泛应用，移动机器人避障问题越来越受到关注。
移动机器人避障是指在未知环境下，移动机器人能够根据环境信息，自主规划路径避开障碍物。
传统的移动机器人避障算法主要基于传感器数据，使用反射测距、摄像头等传感器测量周围的障碍物信息，进而规划机器人的运动轨迹。
但是这种基于传感器数据的避障算法往往存在精度不高、易受干扰等问题。
为了解决这些问题，改进模糊算法被应用于移动机器人避障中。
改进模糊算法是一种模糊逻辑控制算法的升级版，它在模糊逻辑控制算法的基础上进行了改进和优化，使得避障精度和鲁棒性都有了很大的提高。
改进模糊算法的基本思想是将传感器数据进行模糊化处理，把数据转化为模糊逻辑变量。
然后，在基于模糊逻辑控制的语义模板中，根据输入的模糊变量进行推理，输出相应的控制指令以使移动机器人规划避障路径。
具体来说，改进模糊算法包括以下几个步骤：1.传感器数据采集：包括摄像头、红外、超声波传感器等多种传感器，可以在机器人前方、后方、左方、右方等多个方向上获取环境信息。
2.数据预处理：将传感器采集到的数据进行前处理，提高其精度和稳定性。
处理方法包括滤波、有序统计滤波等。
3.模糊化处理：将传感器采集到的数值化数据转化为模糊变量，使其更符合模糊逻辑的处理方式。
这里可采用高斯函数、梯形函数等模糊化方法。
4.模糊规则库建立：依据经验和专家知识，建立避障的模糊控制规则库，通过将输入变量与规则进行匹配，得到输出控制指令。
规则库应该包含避障的各种情况，并对不同的情况赋予不同的权重和优先级。
5.推理引擎实现：根据模糊化后的数据和规则库，进行推理运算，得到对转向角度、速度等参数的控制指令。
6.实现控制器：得到指令后，实现控制器将指令发送到移动机器人上，实现机器人避障。
改进模糊算法优点在于：1. 改进模糊算法具有很高的精度和鲁棒性，能够在复杂、多变的环境中高效地完成避障任务。
2. 改进模糊算法不仅采用了数值化的信息，还采用了人类专家的经验，引入了语言的解释，使得语义更加明确。
模糊控制在机器人路径规划中的应用
模糊控制在机器人路径规划中的应用随着科技的不断发展和人工智能的日益成熟，机器人逐渐进入了人们的生活中。
在众多机器人应用中，机器人路径规划是一项至关重要的任务，而模糊控制则是一种常用的路径规划方法。
本文将探讨模糊控制在机器人路径规划中的应用及优势。
一、什么是模糊控制模糊控制是一种基于模糊逻辑的控制方法，其特点是用语言规则来描述并控制复杂的、不确定的系统，因此适合于对复杂非线性系统进行控制。
模糊控制与其他控制方法相比，不需要建立精确的数学模型，减少了针对动态系统的建模消耗，提高了系统的实时性和鲁棒性。
二、模糊控制在机器人路径规划中的应用机器人路径规划是指在机器人运动过程中，通过对机器人运动轨迹进行规划和控制，使机器人能够实现自主避障、自主定位、自主导航和自主控制等功能。
本文重点讨论模糊控制在机器人路径规划中的应用。
1. 模糊控制在避障中的应用机器人在运动过程中，需要避免障碍物进行撞击，而对于复杂的环境来说，传统的避障方法往往难以传承。
使用模糊控制方法可以有效地解决机器人避障问题，通过输入模糊化、规则库、推理机制等处理方式，可以得到更为鲁棒和自然的运动轨迹。
2. 模糊控制在转向中的应用机器人的运动是由转向和前进两部分构成的，模糊控制也在这方面有着广泛的应用。
机器人的转向需要按照某种规则进行处理，例如按照角度、距离等参数进行转向来规避障碍物等。
模糊控制为机器人的转向提供了更灵活、更鲁棒的控制手段。
3. 模糊控制在速度控制中的应用机器人在路径规划过程中，需要控制其速度以适应特定的运动场景。
模糊控制可以通过对速度进行模糊化处理，设计规则库，应用模糊控制方法进行速度控制，从而实现自动调节机器人移动速度的目的。
三、模糊控制在机器人路径规划中的优势相比于其他路径规划方法，模糊控制具有以下优势：1. 适应环境的变化。
模糊控制方法可以根据实时环境变化对机器人运动提供实时的控制策略，从而适应复杂环境下机器人的运动需求。
模糊控制系统在机器人智能中的应用教程
模糊控制系统在机器人智能中的应用教程机器人技术在现代生活中的应用越来越广泛，从工业生产到日常家居，人们都能看到机器人的身影。
而让机器人具备智能的关键之一就是模糊控制系统。
本文将介绍模糊控制系统在机器人智能中的应用，并讲解其原理和实现方法。
一、什么是模糊控制系统？模糊控制系统是一种基于模糊逻辑的控制方法。
它通过将模糊逻辑应用于控制系统中的输入和输出，使得机器人能够根据不确定、模糊的输入情况做出相应的输出响应。
相比于传统的控制方法，模糊控制系统更加灵活和适应性强。
二、模糊控制系统的原理和关键概念1. 模糊集合在模糊控制系统中，模糊集合是一种描述模糊现象的数学工具。
与传统的集合不同，模糊集合可以具有介于0和1之间的隶属度。
例如，在描述一个机器人的速度时，可以用“低速”、“中速”、“高速”三个模糊集合来表示。
2. 模糊规则模糊控制系统的核心是一组模糊规则，它们定义了输入和输出之间的关系。
每条模糊规则由一个条件部分和一个结论部分组成。
条件部分是关于输入的模糊集合，结论部分是关于输出的模糊集合。
通过将输入与条件部分进行匹配，模糊控制系统可以确定输出与结论部分对应。
3. 模糊推理模糊控制系统的推理过程是指根据输入模糊集合和模糊规则，计算出输出模糊集合的过程。
这个过程需要进行模糊逻辑的运算，同时考虑到多个模糊规则之间的冲突和组合。
4. 模糊化和解模糊化模糊化是将确定的输入值映射到对应的模糊集合上，而解模糊化是将模糊集合的隶属度转化为确定的输出值。
这两个过程是模糊控制系统中的关键步骤，决定了输入和输出之间的匹配关系。
三、模糊控制系统在机器人智能中的应用案例1. 机器人路径规划路径规划是机器人导航中的重要问题之一。
传统的路径规划方法通常要求环境的精确描述和精确控制指令，而在实际环境中，这些信息常常是不准确的或模糊的。
模糊控制系统可以通过对环境的感知和建模，将不确定的信息转化为模糊集合，进而进行路径规划和避障操作。
2. 机器人抓取控制机器人抓取控制是指机器人执行抓取动作的过程。
基于模糊神经控制的移动机器人避障研究
本文介绍 了模糊控制 的基本原 理 ， 设计 了机器人路径 规划模糊控 制器。将机器人前方视 窗划 分为左方 、 前方和右方三个 区域 ， 根据人类 的驾驶经验 ， 设 计 了４ ０ 条模糊 控制规则 。由于在 规则 的控制下机器人 存在着“ 对 称无 法确 定现 象 ” ， 采用“ 向右 转” 的原则 将规 则进行 了修 改。仿真结果证 明了该算法 的有 效性 ， 但是存在冗余路径点 ， 具有一定
的缺陷。 ຫໍສະໝຸດ 参考文献 ［ １ ］ 朱云 国等． 基 于Ｂ Ｐ 神经 网络 的移动机 器人路径规划． 煤矿机械 ，
２ ０ ０ ７ ． ８ ．
图４不同起点和终点路径规划仿真结果 图４ 为该模 糊控制典 型算 法下 ， 较 大区域 、 较稀疏 障碍物环境下 的 路径规划效果 图 ， 障碍物为半径为 ２ ｍ的圆 ， 由图可知 ， 机器人能够完成 路径规划 任务 ， 但部分路 径存在冗余路 径。图 ５ 和 图６ 给出了 图４ 中路
科
ｄ－ａ ｎ ｇｌ ｅ ２ ． ５ ５ 。
富
径１ 的机器人速度和角速度 图。
在模糊控 制器激 活第 （ ２ ２ ） 、 （ ２ ３ ） 两条规则的时候 ， 出现问题 ： （ ２ ２ ） 如果 Ｌ 为Ｆ ａ ｒ ， Ｆ为 Ｎ ｅ ｒ， ａ Ｒ为 Ｆ ａ ｒ ， ｇ ｏ ａ ｌ — ｄ ｉ ｒ 为Ｌ Ｓ ， 则ｄ － ａ ｎ ｇ ｌ ｅ 为 Ｔ Ｌ Ｓ ； （ ２ ３ ） 如 果 Ｌ为 Ｆ ａ ｒ ， Ｆ为 Ｎｅ ｒ， ａ Ｒ为 Ｆ ａ ｒ ， ｇ ｏ ａ ｌ — ｄ ｉ ｒ 为ｚ ， 则ｄ － ａ ｎ ｇ ｌ ｅ为 Ｔ Ｒ Ｂ 。在这 两条规则 的作用 下 ， 机器 人既往 左转 ， 又 往右转 ， 会相互抵 消， 使 机器人继 续直行 ， 但 是单独分析 ， 这两条 规则均符合 人类 的驾驶 经验 。其原 因在于算法不能记忆前一 时刻机器人 的动作 ， 当 目标点方位 为Ｌ Ｓ 时， 动作为 Ｔ Ｌ Ｓ ； 此后 ， 如果 目标点方位为 ｚ ， 那 么动作为 Ｔ Ｒ Ｂ ， 如此 机器人左 右振 荡而不能躲避前方 障碍物 。这种当机器人前方 出现障碍 物并且左右对称时 ， 机器人无法确定行进方 向而 同障碍物发生碰撞的现 象称为“ 对称无法确定现象” 。针对这个问题 ， 比较典型的一种方法是 ， 当 机器人前方有障碍物时 ， 机器人始终 向左或 向右转。现将规则更改为始 终 向右 转 ， 更改 规则后 的仿真 结果如 图３ 。此 时 ， 机器人 安全避开 障碍 物， 到达 目 标点， 共迭代 ６ ３ 步， 但是很明显存在冗余路径 ， 路径较长 。
机器人扫地机障碍物检测及避障算法研究
机器人扫地机障碍物检测及避障算法研究一、引言机器人扫地机已经成为家居清洁领域中的重要角色。
然而，面对不同的家居布置与空间环境，机器人扫地机依然存在遇到障碍物无法有效避让的问题。
因此，如何增加机器人扫地机的障碍物检测和避障能力成为当前研究的热点之一。
二、机器人扫地机的障碍物检测方法简介机器人扫地机常用的障碍物检测方法包括激光雷达检测、超声波检测、红外线检测和触摸感测等。
1. 激光雷达检测激光雷达是利用激光束进行测量的一种传感器。
机器人扫地机安装激光雷达后，可以通过激光束的测量实现障碍物的检测和定位。
激光雷达可以获取高精度的距离、角度和强度等信息，因此是较为可靠的障碍物检测方法之一。
2. 超声波检测超声波传感器可以使用声波的反射来检测障碍物。
超声波可以穿透一些材料，因此对于透明或薄的材料也能实现有效的障碍物检测。
不过超声波信号容易受到物体表面的反射和多路传播的影响，因此超声波检测在复杂环境下的稳定性需要进一步加强。
3. 红外线检测机器人扫地机安装红外线传感器后，在探测范围内放置红外线发射器，当障碍物进入探测区域时，红外线传感器就能检测到反射的红外线信号。
但是，红外线传感器对于环境中的光照强度和温度等因素比较敏感，会影响其检测的精度。
4. 触摸感测机器人扫地机的触摸传感器通常以机器人边缘为基准，一旦感应到外部物体的压力，便能识别出遇到障碍物。
但由于触摸传感器只能检测到机器人接触到的那部分障碍物，因此在避免接触到高桌角或墙面的过程中存在很大的局限性。
三、机器人扫地机的避障算法简介1. 反向运动轨迹法机器人检测到障碍物后会通过反向计算，规划避障路径。
这种方法简单可靠，不需要大量的计算能力和传感器，但速度较慢且在复杂环境下可靠性较差。
2. 动态规划法动态规划法是一种基于优化理论的避障方法，通过策略来做出合理的路径选择，避开障碍物。
这种方法对于复杂环境下的避障能力较强，但在处理大规模环境时相对繁琐且速度较慢。
模糊控制在机器人导航中的应用
模糊控制在机器人导航中的应用导言随着人工智能的发展，机器人在生产制造、服务业、医疗等各个领域得到了广泛的应用。
机器人的导航是机器人智能化的核心技术，机器人导航的发展对于机器人的智能化和自主化具有重要意义。
在机器人导航中，模糊控制技术是一种有效的控制方法，具有简单易学、精度高等优点，越来越受到人们的关注和应用。
第一章模糊控制技术概述模糊控制是一种以模糊集合及其运算为基础的控制方法，它综合考虑了人类的经验和知识，能够有效的处理非线性、不确定性、多参数等实际问题。
模糊控制通过建立隶属函数来描述输入和输出之间的关系，用模糊规则来描述控制策略。
模糊控制的主要特点是能适应变化的环境，能处理复杂的模型，具有较好的鲁棒性和可靠性等。
第二章机器人导航机器人导航是指机器人能够在特定环境中自主测量和处理自己位置信息的能力，并且能够根据任务要求，通过规划动作序列，实现目标区域的到达。
机器人导航技术需要解决的问题包括环境感知、地图生成、路径规划和运动控制等。
在机器人导航中，传统控制技术往往需要进行复杂的建模和参数调节，而模糊控制技术具有简单易学、较好的可调节性、精度高等优点，越来越广泛的应用于机器人导航领域。
第三章 3.1 模糊控制在机器人路径规划中的应用机器人路径规划是机器人导航中最核心的问题之一。
模糊控制技术在机器人路径规划中的应用主要是通过改进A*算法、遗传算法等优化算法的性能，提高机器人路径规划的效率和精度。
另外，模糊控制还可以针对不同环境的不同要求，设计不同的控制策略，提供更加灵活的路径规划方案。
3.2 模糊控制在机器人运动控制中的应用机器人运动控制是机器人导航的最后一步，在完成路径规划后，需要通过模糊控制的方法计算出最优的运动控制输入，使机器人到达目标区域。
模糊控制技术在机器人运动控制中的应用主要是通过建立运动学模型和环境状态模型，计算出最优的运动控制输入，实现机器人的运动控制。
3.3 模糊控制在机器人动态避障中的应用机器人在导航过程中，需要动态感知环境并避开障碍物。
- 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)。
北京工业大学结课论文课题名称：基于模糊控制的机器人避障姓名：鑫元 12521121唐堂 12521130成绩：引言智能小车是移动机器人的一种，可通过计算机编程来实现其对行驶方向、启停以及速度的控制。
要想让智能小车在行驶过程中能成功地避开障碍物，必须对其进行路径规划⋯，路径规划的任务是为小车规划一条从起始点到目标点的无碰路径。
路径规划方法有：BP人工神经网络法（Back Propagation）、机器学习（Reinforcement Learning）、以及模糊控制（Fuzzy Control）方法等。
模糊技术具有人类智能的模糊性和推理能力，在路径规划中，模糊推理的应用主要体现在基于行为的导航方式上，即将机器人的运动过程分解为避障、边界跟踪、调速、目标制导等基本行为，各基本行为的激活由不同的机构分别控制，机器人的最终操作由高层控制机构对基本行为进行平衡后作出综合反应。
模糊控制方法将信息获取和模糊推理过程有机结合，其优点在于不依赖机器人的动力学、运动学模型，系统控制融入了人类经验，同时计算量小，构成方法较为简单，节省系统资源，实时性。
本文探讨了模糊控制技术在避障路径规划中的应用，并对其进行了仿真设计。
摘要基于MATLAB的仿真结果表明模糊逻辑推理方法在智能小车的导航控制中具有良好的效果。
目录引言，摘要 (1)1.模糊控制技术基本理 (3)2模糊控制器设计 (4)3.避障算法设计 (6)4 仿真实验 (14)5.实验截图 (17)6. 结论 (19)7.实验心得 (20)8.参考文献 (22)1模糊控制技术基本原理环境中存在障碍物时，路径规划控制系统具有高度不确定性，是一个多输入多输出(MIMO)系统。
对于这种具有高度不确定性的MIMO系统，传统的控制方法不能达到很好的控制效果。
模糊推理控制方法将人类的驾驶经验融入系统控制之中，因此可以较好地满足系统自适应性、鲁棒性和实时性的要求。
模糊控制方式借助模糊数学这一工具通过推理来实现控制。
模糊逻辑模拟了人类思维的模糊性，它采用与人类语言相近的语言变量进行推理，因此借助这一工具可将人类的控制经验融人系统控制之中，使得系统可以像有经验的操作者一样去控制复杂、激励不明的系统。
总的说来模糊控制具有以下特点：1)不依赖于被控对象的精确数学模型，易于对不确定性系统进行控制；2)易于控制、易于掌握的较理想非线性控制器，是一种语言控制器；3)抗干扰能力强，响应速磨陕，并对系统参数的变化有较强的鲁棒性。
模糊控制器的基本结构由模糊输入接口、模糊推理以及模糊输出接口三个模块组成。
模糊输入接口的主要功能是实现精确量的模糊化，即把物理量的精确值转换成语言变量值。
语言变量的分档根据实际情况而定，一般分为3—7档，档数越多，控制精度越高，计算量也越大。
模糊推理决策机构的主要功能是模仿人的思维特征，根据总结人工控制策略取得的语言控制规则进行模糊推理，并决策出模糊输出控制量。
模糊输出接口的主要功能是把输出模糊量转化为精确量，施于被控对象。
2模糊控制器设计模糊控制系统结构如图2.1所示，其与传统控制系统最大的区别在于采用了模糊控制器（图2.2）。
图2.1模糊系统结构图模糊控制器主要有模糊化、知识库、模糊推理和清晰化这四部分组成。
首先把输入的精确量转换成模糊量。
知识库包含了具体应用领域的知识和要求的控制目标和规则等，由数据库和模糊规则库两部分组成。
模糊推理是模糊控制器的核心，它具有模拟人的模糊概念推理能力，输入量经由模糊推理得到模糊量控制量；再经过解模糊变换为用于实际控制的清晰量，作用于被控对象。
智能机器人模糊控制器设计的主要目标是：当红外传感器探测到障碍物或者目标时，模糊控制器根据探测到的信息，确定智能机器人的位置、距离、方位，然后控制智能机器人避开障碍物，按预定的路径和方位行走。
1)确定系统的输入、输出设置模糊控制器的输入变量为X1、X2,X3和X4，输出Y。
其中：X1、X2,X3分别表示智能机器人距离障碍物右方、左方和前方的距离；X4表示智能机器人运动方向与目标中心连线的目标定位；Y表示智能机器人的转动角。
当目标在智能机器人右前方时，目标定位X4为正，否则x4为负；当智能机器人转向右时，转向角Y定义为正，当转向左时，Y定义为负。
以上输入变量均由红外传感器的状态数据所确定，经过模糊控制器的模糊化处理和模糊推理后，输出动作行为结果，该动作行为结果的执行是由子控制系统(电机控制器)执行，最终的执行者为电机。
2)定义模糊控制集合在距离描述上采用如下模糊集合：{Near，Far}={“近”，“远”}，论域围为(O～6 m)；目标定位变量X4的模糊语言描述为{LB，LS，Z，RS，RB}={‘‘左大”，“左小”，“零”，“右小”，“右大”}，论域围为(一1800，1800)；输出变量Y的模糊语言描述为{TLB，TLS，TZ，TRs，TRB}={“左大”，“左小”，“零”，“右小”，“右大”}，论域围为(一300，300)。
3)建立模糊控制规则库智能机器人在远离障碍或不存在障碍物环境下，依据不同的智能机器人轨迹和目标方位，可以先建立5条导航规则(1～5)。
这几条规则控制智能机器人转向目标位置：1：if X1 is FAR and X2 is FAR and X3 is FAR and X4 is LB then Y is TLB：2：if Xl is FAR and X2 is FAR and X3 is FAR and X4 is LS then Y is TLS；3：ff X1 is FAR and X2 is FAR and X3 is FAR and X4 is Z then Y is TZ；4：if X1 is FAR and X2 is FAR and X3 is FAR and X4 is RS then Y is TRS；5：if Xl is FAR and X2 is FAR and X3 is FAR and X4 is RB then Y is TRB：当探测到障碍物接近智能机器人时，小车应改变运动轨迹，以避免碰撞。
依据驾驶操作经验，可得到智能机器人避障的控制规则，基于篇幅所限，这里只列出其中的5条：6：if X1 is FAR and X2 is NEAR and X3 is FAR and X4 is LB then Y is TZ；7．u X1 is FAR and X2 is NEAR and．X3 is FAR and X4 is LS then Y is TZ；8：if X1 is FAR and X2 is NEAR and X3 is FAR and X4 is Z then Y is TZ；9：if X1 is FAR and X2 is NEAR and X3 is FAR and X4 is RS then Y is TI 10：if Xl is FAR and X2 is NEAR and X3 is FAR and X4 is RB then Y is TRB；以上共同构成了小车的动作行为控制规则。
小车转动的基本规则是，当探测到小车左(右)和前方出现障碍物时，小车应及时转向右(左)方向，并依据目标方位决定转动角的大小。
4)模糊推理及反模糊化处理模糊控制器先将红外传感器给出的距离信息进行模糊化，后存储模糊逻辑状态，再依据模糊逻辑状态判断各个方向上障碍物的状态，然后将各个方向上障碍物的状态数据进行融合，得到障碍物的状态结果。
最终依据这个结果查询避障动作行为。
反模糊化采用预先定制机器人动作行为对应速度的方式实现。
模糊控制器根据设定规则得到动作行为编码，该编码实际上也代表了一个模糊动作行为，其动作行为的执行由电机控制器控制电机完成。
电机控制器接收到动作行为编码后，首先解释该代码的意义，接着将相应的电机速度值取出送至存储单元，以改变电机的运行速度，从而改变机器人的动作行为。
对应不同的动作行为，左、右驱动电机的速度会有不同，必须预先计算速度值做成查询表。
3.避障算法设计3.1参考坐标系建立被控对象和行驶环境的二维参考坐标系（图 2.3），为计算方便，假设车轮与地面无滑动，能绕其质心转向。
xoy为固定的全局坐标系，设定目标点坐标为（XG,YG）,在任一时刻，小车位置为（x(t),y(t)）,航向为 ，步长为step，当前航向与小车质心到目标连线的的夹角为tg，转向角为sa。
图2.3 参考坐标系3.2传感器选择和应用移动机器人要获得自主行为，就需要有能感知周围环境信息的能力，其主要是通过传感器来实现的。
常用于避障机器人的传感器有超声波传感器，红外传感器，激光传感器，CCD视觉传感器等。
其中，超声波传感器具有技术成熟，成本低，接口容易实现等优点，成为避障机器人的首选[11]。
图2.4超声波传感器原理图虽然超声波传感器有众多优点，但也存在一定的不稳定性，超声传感器的幻影现象。
产生这种现象的原因是，超声传感器发出的超声波信号是具有一定方向性的波束，当传感器与障碍物形成较大角度时，会发生镜面反射，从而产生幻影，如图2.5所示。
为了解决这种现象所带来的误差，本设计使用多个传感器来补偿，抵消幻影现象带来的误差。
图2.5幻影现象示意图 图2.6机器人基本结构如图2.6,机器人前方成扇形排分布三组超声波传感器，分别用于探测左侧，前方和右侧的的障碍物，有效距离为0.3至10米。
每组传感器由两支三只超声波传感器组成，分别取测得最小数值作为该方向上障碍物的距离。
同时，为了保证机器人的运动有方向性，在机器人中心有一只方位传感器，测量围是（-180°，180°）。
用于获得机器人航向与目标到机器人连线的夹角，引导机器人向目标点运动。
3.3算法说明小车自起始点出发之前，程序判断出发点和终点是否在随机生成四组传感器开始工作，探测环境信息。
若超声波传感器未探测到障碍物信息或探测到的障碍物距离较远时，则根据方位传感器探测到的机器人航向和目标到机器人连线的夹角tg 进行转向，控制机器人向目标点移动。
运动过程中，若超声波探测到有较近距离的障碍物时，则根据障碍物相对机器人的方位和目标点方位进行转向控制，避开障碍物；障碍物距离越近，则转向角sa 越大，以免发生碰撞。
躲开障碍物后，继续根据方位探测器测得夹角tg 控制机器人向目标点移动。
算法流程如图2.7。
图2.7算法流程图3.4模糊控制器的设计3.4.1输入输出量的选取模糊控制器的输入输出语言变量的选取应该尽量的简单，又要考虑机器人行驶和避让障碍物的实际情况，较好的反应机器人避障的过程[12]。
因此，我们选取超声传感器及方位传感器采集的外部环境信息作为模糊控制器的输入，模糊控制器的输出则是机器人的方向控制。