前言

隨著機器人技術的迅速發(fā)展及其在工業(yè)、軍事等領域中的廣泛應用，有關智能機器人的理論、設計、制造和應用的新的技術科學---機器人學，已逐漸形成，并越來越引起人們廣泛的關注。智能機器人的研究將進入了一個嶄新的階段。同時，太空資源、海洋資源的開發(fā)與利用為智能機器人的發(fā)展提供了廣闊的空間。目前，智能機器人，無人自主車等領域的研究進入了應用的階段，隨著研究的深入，對智能機器人的自主導航能力，動態(tài)避障策略，避障時間等方面提出了更高的要求。地面智能機器人路徑規(guī)劃，是行駛在復雜，動態(tài)自然環(huán)境中的全自主機器人系統(tǒng)的重要環(huán)節(jié)，而地面智能機器人全地域全自主技術的研究，是當今國內外學術界面臨的挑戰(zhàn)性問題。

控制機器人的問題在于模擬動物運動和人的適應能力。建立機器人控制的等級——首先是在機器人的各個等級水平上和子系統(tǒng)之間實行知覺功能、信息處理功能和控制功能的分配。第三代機器人具有大規(guī)模處理能力，在這種情況下信息的處理和控制的完全統(tǒng)一算法，實際上是低效的，甚至是不中用的。所以，等級自適應結構的出現(xiàn)首先是為了提高機器人控制的質量，也就是降低不定性水平，增加動作的快速性。為了發(fā)揮各個等級和子系統(tǒng)的作用，必須使信息量大大減少。因此算法的各司其職使人們可以在不定性大大減少的情況下來完成任務。總之，智能的發(fā)達是第三代機器人的一個重要特征。

運動控制器是智能機器人的執(zhí)行機構，對機器人的平穩(wěn)運行起著重要作用。隨著新的智能控制算法的不斷涌現(xiàn)，智能機器人正向著智能化方向發(fā)展，MATLAB提供了一個高性能的數(shù)值計算和圖形顯示的數(shù)學和工程計算軟件環(huán)境。這種易于使用的MATLAB環(huán)境，是由數(shù)值分析、矩陣計算、信號處理和圖形繪制等組成。在這種環(huán)境下，問題的解答表達方式幾乎和他們的數(shù)學表達方式完全一樣，不像傳統(tǒng)的編程那么復雜。MATLAB是一種交互式系統(tǒng)，他的基本數(shù)據(jù)單元是無需指定維數(shù)的矩陣，所以在解決數(shù)值計算問題時，使用MATLAB要比使用諸如Basic、Fortran和C等語言編程簡單得多，大大提高了編程效率。

1控制系統(tǒng)結構功能

智能機器人運動控制系統(tǒng)是整個智能機器人的基礎，可靠的運動控制系統(tǒng)是智能機器人實驗設計的前提。設計智能智能機器人控制系統(tǒng)構成圖如圖1所示。

圖1智能機器人控制系統(tǒng)構成圖

開發(fā)人員在上位機進行智能機器人的軟件開發(fā)，同時上位機也是整個智能機器人的控制中樞，上位機接收各信息采集模塊提供的環(huán)境信息，給出智能機器人控制指令控制機器人智能。機器人本體上安裝有四個驅動電機，作為智能機器人的驅動機構。每個驅動電機都帶有一個光電碼盤，光電碼盤提供正交編碼脈沖信號，可用作驅動電機閉環(huán)調速和機器人定位脈沖。車載處理器主要負責超聲波測距模塊控制、模塊管理、機器人定位以及和上位機的通信，可以采用通用計算機、大容量單片機、DSP、ARM等嵌入式控制器。如果采用通用計算機，那么開發(fā)上位機就不用獨立于車載處理器之外了。智能機器人輸入信息包括視覺輸入和距離檢測。視覺信息包括全景視覺和雙目視覺攝像機。距離信息包括激光測距和超聲波測距模塊。智能機器人根據(jù)開發(fā)人員事先建立好的環(huán)境地圖，智能過程中讀取的環(huán)境信息，在處理器內根據(jù)控制規(guī)則進行運算，輸出控制信息到驅動電機，控制機器人的智能。

智能機器人的車載處理器和上位機作為處理中樞，接收激光、超聲波等測距模塊提供的障礙物距離信息，全景、雙目視覺提供的視覺信息。結合上位機中的預設功能，通過控制驅動電機控制機器人完成相應動作。

2改進的模糊神經(jīng)網(wǎng)絡PID控制

2.1控制系統(tǒng)結構

結合鉆桿自動排放系統(tǒng)構建控制系統(tǒng)結構如圖2所示，將機械手位置作為被控制量。

圖2改進的模糊神經(jīng)PID控制結構圖

圖中e和ec分別為誤差和誤差變化率，輸入r為機械手位置，輸出y為機械手實際輸出。

2.2模糊神經(jīng)網(wǎng)絡的結構

該模糊神經(jīng)網(wǎng)絡為4層，如圖3所示。第l層為輸入層；第2層為模糊化層；第3層為模糊推理層；第4層為輸出層。模糊神經(jīng)網(wǎng)絡結構為2–6–6–3。

圖3.模糊RBF神經(jīng)網(wǎng)絡的結構

(l)輸入層。該層將輸入誤差e和系統(tǒng)實際輸出y(k)作為下一層的輸入?；罨瘮?shù)為：

因此本層的輸出為e和y(k)

模糊化層?；罨瘮?shù)即為該隸屬度函數(shù)。因此，輸出為：

其中，i=l，2;j=l，2，...6。cij和bij分別為高斯函數(shù)第i個輸入變量的第j個模糊集合的隸屬函數(shù)的均差和標準差。

（3）模糊推理層。將上層中的模糊量經(jīng)過兩兩相乘，得到這一層的輸出值。因此，本層的活化函數(shù)，即輸出為：    

這里k=l，2，3，4，5，6。

輸出層。這一層要輸出的就是PID控制器的參數(shù)，本層的輸出值就是將權值以矩陣乘的方式，乘以第3層的輸出。因此，本層的輸出為：

增量式PID控制的控制量為

目標函數(shù)為：

其中r(k)為期望輸出。

3系統(tǒng)仿真研究

以用Simulink公共模塊庫中的模塊建立運動學仿真模型。但當機器人的運動學方程較復雜時，這種方法就顯得繁瑣。簡便的方法是采用基于MATLAB函數(shù)的運動學仿真，這種方法主要通過用MATLAB語言編寫MATLAB函數(shù)，來求解機器人的運動學方程和逆運動學方程，從而建立機器人的運動學仿真模型。

圖4基于MATLAB函數(shù)的運動學仿真模型

基于MATLAB函數(shù)的智能機器人的運動學仿真模型如圖4所示，并編制了求解運動學方程函數(shù)以和求解逆運動學方程函數(shù)。圖4中機器人的末端位置指令坐標(xi,yi)由軌跡規(guī)劃給出，經(jīng)過MATLAB函數(shù)的逆運動學模塊調用運算后，得到關節(jié)1、2的轉角信號θ1和θ2，再由MATLAB調用函數(shù)運動學運算，得到機器人的末端軌跡如圖5所示。

圖5機器人的末端運動軌跡

4結論

基于MATLAB函數(shù)的仿真模型既可以進行運動學仿真，又可以進行逆運動學仿真通過參數(shù)設置及仿真類型選擇，可以方便地進行動力學仿真，但不能進行逆運動學仿真。虛擬現(xiàn)實工具箱可以在Simulink接口環(huán)境中運行，很容易通過圖形用戶界面來進行交互。虛擬世界環(huán)境可以在V-RleamBuilder中編輯，再使用虛擬現(xiàn)實工具箱建立與Simulink模型的聯(lián)系，并對該虛擬世界進行模擬使用MATLAB模糊工具箱實現(xiàn)了一種機器人的路徑跟蹤程序控制。