朱国庆

(常州宝菱重工机械有限公司， 江苏 常州 213012)

引 言

随着中国工业自动化水平的提高，自主导向车(AGV)在众多的领域获得应用[1]。AGV在企业物流搬运过程中所面对的工作环境非常复杂，会随着时间的变化而变化，存在诸多不确定性。AGV路径规划是一个热点问题，核心是控制算法：包括传统算法、图形学的方法、智能仿生算法、其他方法[2-3]。当前将局部和全局路径规划结合研究[4]，在传统路径规划的方法中融入智能算法成为发展趋势[5]。本文将模糊控制与神经网络有机结合，利用神经网络的强大学习能力来调节模糊控制参数，既使神经网络获得模糊控制的推理归纳能力，也使模糊控制具有神经网络自学习能力。引入了碰撞危险度的概念，同时把空间碰撞危险度作为模糊控制器的输入变量，这样能更为准确和更全面地描述移动AGV与障碍物之间发生碰撞的危险关系[6]。在传统模糊神经网络中，模糊运算常采用静态、局部优化方法，本文提出了补偿模糊神经网络算法，它对模糊理论和神经网络技术进行有机融合，具有快速学习能力。

1 改进模糊神经网络算法

1.1 碰撞危险度

在AGV实时避障进行局部路径规划时，AGV与障碍物之间的距离、相对速度及相对加速度都影响到碰撞危险关系。为研究简单化，假定在AGV避障过程中，AGV的平移速度和动态障碍物速度在采样时间内恒定，仅讨论AGV与障碍物之间的距离和相对速度的方向与碰撞危险度的关系，也就是空间碰撞危险程度。……