一种基于模糊神经网络的AGV车定位方法与流程

本发明涉及agv技术领域，尤其涉及一种基于模糊神经网络的agv车定位方法。

背景技术：

在agv车的导航中，定位是其最基本的功能，也是其完成导航必须首先解决的问题，只有在准确确定当前位置和姿态后，才有可能根据工作环境，对当前位置与目标位置之间进行运动路径的规划。

在agv车中，不同定位系统采用的传感器不同，因此，其定位方式也不同。根据agv车的工作环境的复杂程度，可以给agv车的定位系统配置不同种类和不同数量的传感器。其中，对于单一传感器，其获得环境特征或agv车的运动状态信息的部分；对于多传感器，通过一个传感器得到agv的位姿估计值，其他传感器对定位误差进行修正，得到最优估计值。

然而，上述定位系统具有缺陷。对于单一传感器，其只能够获得环境特征或agv运动状态信息的部分信息，其精度、稳定性、可靠性等方面有待提高。对于多传感器，多个传感器提供的信息有些是互补的，有些是冗余的，并且多个传感器在同一系统中不能相互独立。

因此，亟需一种解决上述问题的基于多传感器的agv车定位方法，使得多传感器能够相互独立，且信息不存在溶于。

技术实现要素：

本发明的目的是针对现有技术中的不足，提供一种基于模糊神经网络的agv车定位方法。

为实现上述目的，本发明采取的技术方案是：

一种基于模糊神经网络的agv车定位方法，包括以下步骤：

步骤1：在agv车上设置若干传感器，每个所述传感器各自获取距离障碍物的距离数据，每个所述传感器根据所述距离数据获得对应的决策数据；

步骤2：构建模糊神经网络模型，将所述距离数据作为所述模糊神经网络模型的输入值，将所述agv车的速度和角度作为所述模糊神经网络模型的输出值；

步骤3：采用专家经验对所述模糊神经网络模型进行训练，将训练误差减小到期望值时，得到模糊神经网络决策模型。

优选地，在所述步骤2中，所述模糊神经网络模型为五层结构：

第一层为输入层，所述输入值为每个所述传感器获取的距离所述障碍物的所述距离数据，表示为di＝{d1，d2，d3，……，dn}，其中，n表示所述传感器的个数，n为大于等于1的整数，第一层节点数n1＝n；

第二层为模糊化层，用于对n个所述输入值进行模糊分割{近，中，远}，每个所述输入值被分为3个模糊子集，第二层节点数隶属度函数为μij，其中i＝{1，2，3，……，n}，j＝{1，2，3}；

第三层为规则层，第三层节点数n3＝m＝3ⁿ，每个第三层节点代表一条模糊规则，计算每条所述模糊规则的适应度，其计算公式为其中，k＝{1，2，3，……，m}；

第四层为归一层，第四层节点数n4＝m＝3ⁿ，进行归一化计算，其计算公式为

第五层为清晰化层，第五层节点数n5＝2，其计算公式为其中，i＝{1，2}，βik为所述第四层和所述第五层的网络权值。

优选地，在所述第一层中，d的论域为[0，5]。

优选地，在所述步骤3中，采用bp误差反传法对所述模糊神经网络模型的误差进行修正，其中误差信号由所述第五层向前依次反传。

优选地，误差的代价函数为其中，yi为实际输出，ydi为期望输出。

本发明采用以上技术方案，与现有技术相比，具有如下技术效果：

本发明的一种基于模糊神经网络的agv车定位方法，通过多个传感器对信息进行融合，构建模糊神经模型，训练得到模糊神经网络决策模型，得到agv车的速度和角度，进而调整agv车的实时位置，寻找最佳路径，提高了agv车的定位精度。

附图说明

图1是本发明的一个具体实施例的示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。

实施例1

本发明的一个示意性实施例。一种基于模糊神经网络的agv车定位方法，包括以下步骤：

步骤1：在agv车上设置若干传感器，每个传感器各自获取距离障碍物的距离数据，每个传感器根据距离数据获得对应的决策数据；

步骤2：构建模糊神经网络模型，将距离数据作为模糊神经网络模型的输入值，将agv车的速度和角度作为模糊神经网络模型的输出值；

步骤3：采用专家经验对模糊神经网络模型进行训练，将训练误差减小到期望值时，得到模糊神经网络决策模型。

其中，在步骤2中，模糊神经网络模型为五层结构：

第一层为输入层，输入值为每个传感器获取的距离障碍物的距离数据，表示为di＝{d1，d2，d3，……，dn}，其中，n表示传感器的个数，n为大于等于1的整数，第一层节点数n1＝n；

第二层为模糊化层，用于对n个输入值进行模糊分割{近，中，远}，每个输入值被分为3个模糊子集，第二层节点数隶属度函数为μij，其中i＝{1，2，3，……，n}，j＝{1，2，3}；

第三层为规则层，第三层节点数n3＝m＝3ⁿ，每个第三层节点代表一条模糊规则，计算每条模糊规则的适应度，其计算公式为其中，k＝{1，2，3，……，m}；

第四层为归一层，第四层节点数n4＝m＝3ⁿ，进行归一化计算，其计算公式为

第五层为清晰化层，第五层节点数n5＝2，其计算公式为其中，i＝{1，2}，βik为第四层和第五层的网络权值。

进一步地，在第一层中，d的论域为[0，5]。

进一步地，在步骤3中，采用bp误差反传法对模糊神经网络模型的误差进行修正，其中误差信号由第五层向前依次反传。

进一步地，误差的代价函数为其中，yi为实际输出，为期望输出。

实施例2

本发明的一个具体实施例。

步骤1：在agv车上设置7个传感器，每个传感器各自获取距离障碍物的距离数据，每个传感器根据距离数据获得对应的决策数据；

步骤2：构建模糊神经网络模型，将距离数据作为模糊神经网络模型的输入值，将agv车的速度和角度作为模糊神经网络模型的输出值；

步骤3：采用专家经验对模糊神经网络模型进行训练，将训练误差减小到期望值时，得到模糊神经网络决策模型。

其中，在步骤2中，模糊神经网络模型为五层结构：

第一层为输入层，输入值为每个传感器获取的距离障碍物的距离数据，表示为di＝{d1，d2，d3，……，d7}，第一层节点数n1＝7；

第二层为模糊化层，用于对7个输入值进行模糊分割{近，中，远}，每个输入值被分为3个模糊子集，第二层节点数隶属度函数为μij，其中i＝{1，2，3，……，7}，j＝{1，2，3}；

第三层为规则层，第三层节点数n3＝m＝3⁷，每个第三层节点代表一条模糊规则，计算每条模糊规则的适应度，其计算公式为其中，k＝{1，2，3，……，3⁷}；

第四层为归一层，第四层节点数n4＝m＝3⁷，进行归一化计算，其计算公式为

第五层为清晰化层，第五层节点数n5＝2，其计算公式为其中，i＝{1，2}，βik为第四层和第五层的网络权值。

进一步地，y1为速度，y2为角度。

进一步地，在第一层中，d的论域为[0，5]。

进一步地，在步骤3中，采用bp误差反传法对模糊神经网络模型的误差进行修正，其中误差信号由第五层向前依次反传。

进一步地，误差的代价函数为其中，yi为实际输出，为期望输出。

以上所述仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。