-1-基于模糊神經網絡的多傳感器融合避障算法的巡邏車避障效果仿真實驗分析1.1引言基于模糊神經網絡的多傳感器融合避障算法，假設在勻速條件下，對在特定工作環境下的巡邏車避障效果進行仿真驗證。首先，建立巡邏車仿真平臺，在MATLAB環境下對所提的方法進行仿真實驗，并對仿真結果作了詳細分析，對仿真結果進行分析，驗證所建立模型的有效性。1.2仿真方案1.2.1仿真平臺組成本文以某廠區巡邏車為研究對象，依據廠區總體巡邏路線，得出智能巡邏車行駛環境，設計出無人車避障導航仿真環境。通過本文提出的多傳感器數據融合技術，確定無人車與四周阻礙物具體位置，參考依據躲避障礙自動導航運算方法策劃無人車行使途徑，實現自主獨立躲避障礙自動導航目的。要進行智能巡邏車仿真，首先需要建立仿真實驗平臺。本文智能巡邏車仿真平臺由多傳感器數據采集，多數據傳感器數據融合，智能巡邏車導航控制，仿真工具等部分組成。具體仿真平臺組成如圖1.1所示。圖1.1智能巡邏車仿真平臺組成對于數據采集本文采用5個超聲波傳感器，4個紅外傳感器組成，由系統核心處理單元ARM片上系統對相關數據進行采集和轉換。在得到相關數據后，應用本文提出的基于模糊神經網絡的多傳感器融合避障算法，對相關數據經行融合，得出智能巡邏車和障礙物的精確位置，從而有利于避障算法進行相關控制。為了驗證本文相關算法在智能避障巡邏車應用的可行性，本文根據某工廠道路環境建立固定的巡邏環境，如圖1.2所示。圖1.2智能巡邏車巡邏路徑圖如圖1.2所示為本文的智能巡邏車巡邏路徑示意圖，圖中空白部分為巡邏車可通行路徑，黑色部分是產區固定建筑物，巡邏車主要任務是負責對廠區日常巡邏，確保廠區消防以及相關安全生成設備監視。1.2.2仿真基本流程智能巡邏車躲避障礙自動導航仿真模擬運算應用平臺，由仿真模擬作業環境設立、感應設備數據信息收集、多感應設備數據信息融合、躲避障礙自動導航操作控制與數據信息保存等組成部分構成，詳細的仿真模擬工作流程如下示意圖1.3所示。仿真模擬作業環境設立：模擬仿真人工智能巡邏車躲避障礙自動導航實際作業環境，把仿真模擬作業環境設立為直奔目標、直接避障、緊急避障情況環境；傳感器數據采集：智能巡邏車5個超聲波測距儀，4個紅外傳感器由ARM運算處理器設備全面負責收集整理全面處理感應設備所收集的數據信息；多傳感器數據融合:利用基于模糊神經網絡的多感應設備數據信息融合專業技術對收集的紅外數據信息、超聲波數據信息展開深度有效融合；躲避障礙自動導航操作控制：應用數據信息融合運算方法全面處理過的數據信息，根據提前既定的測試實驗作業環境，展開躲避障礙自動導航測試實驗。圖1.3仿真分析流程1.2.3仿真虛擬環境選擇本項目采用MATLAB平臺進行相關代碼實現以及數據仿真分析。在版本上選用matlab2019a進行模型的建立，與MATLABR二零一八b對比，主要改善在實時在線編輯控制器設備，能夠自動導出為word；sortrows針對大規模分布矩陣速率更加迅速；min與max運算函數增添了‘linear’選項；支持python3.7；C++API支持第3方庫；MATLAB集中的Git能夠和外界用戶終端實時同步；能夠經過最新建設Project，更快捷的綜合管理程序代碼。另外，本實驗采用的操作系統為Windows10,CPU類型為AMDRyzen536006-CoreProcessor，GPU類型為GeForceGTX1080Ti，數據內存為16G。具體測試實驗配置設計如下表1.1所示：表1.1實驗配置表工具名稱版本操作系統Windows10專業版MATLAB2019aCPUAMDRyzen536006-CoreProcessorGPUGeForceGTX1080Ti內存16G硬盤SamsungSSD860QVO1TB1.3仿真結果分析1.3.1模糊神經網絡仿真結果參考依據人類躲避障礙的實踐經驗專業知識，結構模糊神經網絡控制器的鍛煉試驗樣品。使用混合最低二乘估測的反向傳播運算方法，離線鍛煉互聯網的組成構造與系數。經過對鍛煉數據信息的學習能夠修改調配模糊操作控制基本規則的前件系數與后件系數，在學習過程里，固定前件系數的要求之下，應用最小平方法調節控制數學線性的后件系數；在有效誤差不符合設立的多種要求的時候，固定后件系數，應用反向傳播運算方法調節控制前件系數，通過多種次的鍛煉就可以使這一FIS持續地接近既定的鍛煉數據信息。人工智能巡邏車收集數據信息之后，應用模糊神經網絡融合算法展開融合全面處理，之后展開躲避障礙D星改進算法進行避障導航。智能巡邏車使用上述方法在各路段實驗行駛200次。對基于模糊神經網絡的多傳感器避障算法進行訓練后，神經網絡收斂曲線如圖1.5所示：圖1.5BP神經網絡收斂曲線在不同的障礙物環境下進行仿真分析，具體的避障效果如表1.2所示：表1.2基于改進D星導航算法導航效果障礙物種型標準D星算法改進D星算法非陷阱障礙物71%82%簡單U形障礙物68%79%反U形障礙物75%86%綜合復雜障礙物56%78%綜合效率67.5%81.25%通過仿真分析能夠得知Dijkstra運算方法自動導航成功比率達67.50%左右，而運用根據模糊神經網絡的算法導航成功比率可逐漸提高大概13.750%。能夠清楚得知，根據多感應設備的數據信息融合運算方法能夠非常顯著提高人工智能巡邏車躲避障礙自動導航作用功能。這樣的運算方法能夠思考應用在人工智能巡邏車躲避障礙自動導航，能夠減少降低公共道路交通意外事故，減少經濟財產消耗與損失，提升交通運輸工作效率。1.4.2直奔目標仿真分析如圖1.6所示為智能巡邏車在側面有阻礙物的實際狀況之后，仿真模擬圖如下示意圖1.6(a)，1.6(b)所示。圖1.6(a)與圖1.6(b)是人工智能巡邏車在一致的作業環境、不相同的運動速率下的躲避障礙運動分布軌跡。圖1.6(a)與圖1.6(b)依次代表機械移動智能機器人在0.5米/分鐘與0.7米/分鐘的速率下運動分布軌跡，阻礙物是橢圓物品。(a)(b)圖1.6單一障礙物避障從上述圖里能夠得知，人工智能巡邏車以確定的速率展開躲避障礙運動的時候，運行工作的運動軌跡大體為一個圓弧狀。機械移動智能機器人的運行工作速率愈大，機械移動智能機器人的水平方向偏移作用量就愈大。從其中就非常顯著能夠得知，圖(b)的水平方向偏移作用量要比圖(a)的大。所以，我們在對機械移動智能機器人展開躲避障礙操作控制的時候，機械移動智能機器人在不相同的運行工作速率，對機械移動智能機器人設立的躲避障礙有效實際距離也不相同。參考依據以上研究分析可以得知，當機械移動智能機器人運行工作速率比較多的時候，設立躲避障礙的有效實際距離就應當相對比較多。因為其他實際狀況相似，這其中就不再作具體研究分析了。1.4.3靜態障礙物仿真分析復雜障礙物避障仿真圖如圖1.7所示：圖1.7速度為0.5m/s時障礙物避障仿真圖由圖中的避障運動軌跡可以看出，在復雜的障礙物情況下，智能巡邏機器人的移動軌跡要復雜很多，從曲線的走勢看可以得出算法的避障特征。如當巡邏車左方和前方均有障礙物，巡邏車向右轉動。當左右均有障礙物，巡邏車進入擺動狀態，根據每個時刻的就可以看出避障策略的一些特征。左右阻礙物的有效實際距離數值，做出機械轉動策略，不斷朝前走。巡邏車在躲避障礙運動過程里，每一個采樣收集工作周期對作業環境的阻礙物檢測1次，再參考依據檢測的作業環境判斷自身的走勢。所以巡邏車在躲避障礙過程，其運動分布方向