[发明专利]基于贝叶斯网络模型的移动机器人避障方法

权利要求书

1.一种基于贝叶斯网络模型的移动机器人避障方法，其特征在于，包括有以下步骤：

(1)建立移动机器人避障情况的判别规则：

以移动机器人坐标系为参照，将移动机器人的避障问题分解为7种情况：

(1a)如果移动机器人的正前方有障碍物，偏左方和偏右方没有障碍物，则移动机器人向右或向左偏离一定角度避开障碍物；

(1b)如果移动机器人的偏左有障碍物，正前方和偏右方没有障碍物，则移动机器人仅向右偏离一定角度避开障碍物；

(1c)如果移动机器人的偏右方有障碍物，偏左方和正前方没有障碍物，则移动机器人仅向左偏离一定角度避开障碍物；

(1d)如果移动机器人的正前方和偏左方有障碍物，偏右方没有障碍物，则移动机器人仅向右偏离一定角度避开障碍物；

(1e)如果移动机器人的正前方和偏右方有障碍物，偏左方没有障碍物，则移动机器人仅向左偏离一定角度避开障碍物；

(1f)如果移动机器人的偏左方和偏右方有障碍物，正前方没有障碍物，则移动机器人向右或向左偏离一定角度避开障碍物；

(1g)如果移动机器人的正前方、偏左方和偏右方均有障碍物，则移动机器人向右或向左偏离一定角度避开障碍物；

(2)建立移动机器人避障的贝叶斯网络模型：

(2a)依据移动机器人避障的7种情况的判别规则，采用诊断式贝叶斯网络建模方式建立移动机器人避障的贝叶斯网络结构，具体包括：

2a1.建立贝叶斯网络结构征兆节点：提取移动机器人避障情况判别规则关于障碍物的下述描述，正前方有障碍物、偏左方有障碍物、偏右方有障碍物，依据障碍物的距离和角度属性，将偏左障碍物距离、偏左障碍物角度、偏右障碍物距离、偏右障碍物角度、正前障碍物距离作为征兆节点；

2a2.建立贝叶斯网络结构结果节点：提取移动机器人避障情况判别规则关于移动机器人偏离角度的下述描述，移动机器人仅向左偏离一定角度、移动机器人仅向右偏离一定角度、移动机器人向右或向左偏离一定角度，将仅向左偏离角度、仅向右偏离角度、向右或向左偏离角度作为结果节点；

2a3.利用诊断式贝叶斯网络建模方式，将征兆节点作为结果节点的父节点，组成贝叶斯网络模型结构；

2a4.将贝叶斯网络模型中所有征兆节点和结果节点均设置为离散节点：每一个节点均有三种不同状态，偏左障碍物距离节点、偏右障碍物距离节点和正前障碍物距离节点的取值均为：近near，很近Gnear，空Null；偏左障碍物角度节点、偏右障碍物角度节点的取值均为：偏离角度小small,偏离角度很小Gsmall，空Null；仅向右偏离角度节点取值为：仅向右偏离30°RS，仅向右偏离60°RB，空Null；仅向左偏离角度节点取值为：仅向左偏离30°LS，仅向左偏离60°LB，空Null；向右或向左偏离角度节点取值为：向右或向左偏离30°LSRS，向右或向左偏离60°LBRB，空Null；

(2b)设置所建立的移动机器人避障的贝叶斯网络结构中的各个节点参数，节点参数依据以下规则设置：将征兆节点在三种状态下的参数值均设置为：1/3(0.33)；将结果节点在满足判别准则条件下的参数值设置为1，不满足判别准则条件下的参数值设置为0；

(3)分别建立移动机器人周围的障碍物目标的距离和角度的模糊隶属函数，对目标的距离和角度数据进行模糊化处理：

提取传感器获得的障碍物目标信息，依据障碍物目标距离移动机器人的距离大小，单位为厘米，设定其模糊集为：(near，Gnear),采用降半梯形隶属函数给出该模糊集的表示；依据障碍物目标与移动机器人坐标系X轴正向的夹角大小，单位为度，设定其模糊集为：(small，Gsmall)，采用降半梯形隶属函数给出该模糊集的表示；

根据所建立的障碍物目标的距离和角度的模糊隶属函数，计算距离值在其模糊集(near，Gnear)上的模糊隶属度，角度值在其模糊集(small，Gsmall)上的模糊隶属度；

(4)将模糊化后的障碍物目标距离和角度数据作为证据输入到避障行为处理的贝叶斯网络模型中，进行贝叶斯网络推理：

(4a)将障碍目标的距离和角度的模糊处理结果，输入到贝叶斯网络模型中：将征兆节点作为证据节点，将障碍物目标的距离和角度的模糊处理结果：在其模糊集上的隶属度，作为对应证据节点在不同状态下的证据值，分别输入到贝叶斯网络模型中，对应证据节点在不同状态下的证据值指：

4a1.将存在于正前方的障碍物目标的距离的模糊隶属度值(near，Gnear)作为正前障碍物距离节点相应的证据状态near、Gnear的取值，而证据状态null的取值为0，其余情况下正前障碍物距离节点的证据为：null取值为1；

4a2.将存在于偏左方的障碍物目标的距离的模糊隶属度值(near，Gnear)作为偏左障碍物距离节点相应的证据状态near、Gnear的取值，而证据状态null的取值为0，其余情况下偏左障碍物距离节点的证据为：null取值为1；

4a3.将存在于偏左方的障碍物目标的角度的模糊隶属度值(small，Gsmall)作为偏左障碍物角度节点相应的证据状态small、Gsmall的取值，而证据状态null的取值为0，其余情况下偏左障碍物角度节点的证据为：null取值为1；

4a4.将存在于偏右方的障碍物目标的距离的模糊隶属度值(near，Gnear)作为偏右障碍物距离节点相应的证据状态near、Gnear的取值，而证据状态null的取值为0，其余情况下偏右障碍物距离节点的证据为：null取值为1；

4a5.将存在于偏右方的障碍物目标的角度的模糊隶属度值(small，Gsmall)作为偏右障碍物角度节点相应的证据状态small、Gsmall的取值，而证据状态null的取值为0，其余情况下偏右障碍物角度节点的证据为：null取值为1；

(4b)进行贝叶斯网络推理：采用贝叶斯网络精确推理算法，对输入证据值后的贝叶斯网络模型进行推理，计算各结果节点的后验概率值，得到贝叶斯网络推理结果；

(5)选择贝叶斯网络推理结果中后验概率值最大的结果节点，该结果节点的状态取值作为移动机器人的旋转角度以避开障碍物。