[发明专利]基于贝叶斯网络模型的移动机器人避障方法

摘要

本发明提出了一种基于贝叶斯网络模型的移动机器人避障方法，解决了现有技术对移动机器人避障中障碍物距离和角度考虑不充分的问题，实现步骤为：建立移动机器人避障判别规则；建立避障行为处理的贝叶斯网络模型；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，对目标的数据进行模糊化处理；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的贝叶斯网络模型中；选择后验概率值最大的偏离角度为移动机器人的旋转角度以避开障碍物。本发明将贝叶斯网络模型用到移动机器人避障行为处理中，得到需要旋转的角度，使得移动机器人在所处的未知环境中能够避开障碍物，且避障行为更加准确，用于移动机器人路径选择。

主权项

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；(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；(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。