凌 濤

（安徽三聯(lián)學院 基礎(chǔ)實驗教學中心，安徽 合肥 230601）

目前，智能消防小車的應(yīng)用范圍越來越廣，利用小車進行消防作業(yè)具有較大的優(yōu)勢。為了提高智能消防小車的穩(wěn)定性和空間智能性，需要規(guī)劃運動路徑。結(jié)合智能消防小車的運動規(guī)劃設(shè)計和參數(shù)優(yōu)化控制，對其進行智能定位控制，可以提高智能消防小車的定位和優(yōu)化控制能力。研究智能消防小車智能定位和避障控制方法受到人們的極大關(guān)注［1］。

在傳統(tǒng)方法中，智能消防小車自動避障預警設(shè)計方法主要有粒子群濾波法、運動學參數(shù)模擬法及自適應(yīng)控制法［2-3］。在智能消防小車的智能控制設(shè)計中，需要規(guī)劃避障路徑，并通過區(qū)域參數(shù)定位進行自動避障預警。但是，運用傳統(tǒng)方法進行智能消防小車自動避障預警的自適應(yīng)性不理想，控制穩(wěn)定性較差。

針對上述問題，本文提出基于深度強化學習的智能消防小車自動避障預警系統(tǒng)，采用全區(qū)域路徑規(guī)劃方法規(guī)劃避障路徑，通過環(huán)境參數(shù)辨識分析方法，進行避障路徑尋優(yōu)，采用深度強化學習算法進行運動路徑參數(shù)擬合，實現(xiàn)智能消防小車的自動避障預警。

1 路徑規(guī)劃和參數(shù)融合

1.1 路徑規(guī)劃

消防小車自動避障前需要明確行進路徑，構(gòu)建避障區(qū)域規(guī)劃模型。采用全區(qū)域路徑規(guī)劃方法進行路徑規(guī)劃，建立參數(shù)調(diào)節(jié)和自適應(yīng)參數(shù)分析模型，通過多維空間區(qū)域規(guī)劃設(shè)計的方法進行參數(shù)模擬［4］。令HistoryPoint[]為優(yōu)化調(diào)度的遺傳節(jié)點，根據(jù)混合量子遺傳尋優(yōu)及空間參數(shù)估計的方法，得到智能消防小車路徑的最大信息素為

①混合量子遺傳進化特征矢量：Xi={xi,1,xi,2,…,xi,D}；

②混合量子遺傳最大信息素的種群交互矢量：Vi={vi,1,vi,2,…,vi,D}；

③混合量子遺傳的信息素導引矢量：pi={pi,1,pi,2,…,pi,D}。

由此，得到智能消防小車避障的穩(wěn)態(tài)控制模型為

式中，w為路徑分布的權(quán)值向量；b為參數(shù)分布的偏置量。

根據(jù)穩(wěn)態(tài)控制結(jié)果，求解智能消防小車優(yōu)化調(diào)度的約束值為

式中，C為路徑偏差匹配參數(shù)；ei為預測誤差。

根據(jù)KKT（Karush-Kuhn-Tucker）條件，可得到避障區(qū)域網(wǎng)格規(guī)劃的最優(yōu)解為

式中，I表示單位矩陣。

通過上述分析，建立智能消防小車避障路徑規(guī)劃模型，結(jié)合模糊控制方法［5］，得到被控對象模型，如圖1所示。

圖1 智能消防小車避障的被控對象模型

1.2 參數(shù)融合

通過分析圖1 所示的智能消防小車避障的被控對象模型，得到動力學擾動特征分量，并采用多維參數(shù)模擬進行路徑規(guī)劃區(qū)域參數(shù)辨識［6］。所得路徑規(guī)劃區(qū)域動力學參數(shù)分析模型可描述為

式中，X(k)為避障路徑規(guī)劃的空間狀態(tài)參數(shù)；A(k)為路徑規(guī)劃的參數(shù)信息融合系數(shù)；w(k)為避障最短路徑約束系數(shù)；f(k)為多路徑尋優(yōu)參數(shù)。

引入誤差擾動項［7］，進行智能消防小車避障適應(yīng)度校正，得到適應(yīng)度校正模型，控制方程為

式中，Rp為模糊度參數(shù)；u(k)為路徑空間的測量系數(shù)；Z(k) 為小車避障適應(yīng)度；m為約束狀態(tài)參數(shù)。

至此，完成了智能消防小車避障過程中的路徑規(guī)劃與參數(shù)融合處理。

2 智能消防小車自動避障預警

2.1 避障路徑尋優(yōu)

上述路徑規(guī)劃與路徑規(guī)劃區(qū)域參數(shù)融合的過程為消防小車的避障路徑尋優(yōu)提供了基礎(chǔ)依據(jù)。在此基礎(chǔ)上，采用擴展Kalman 濾波方法對智能消防小車避障的參數(shù)進行濾波分析［8］，所得空間參數(shù)函數(shù)關(guān)系為

式中，Rn為旋轉(zhuǎn)參數(shù)分布集；A、B、C、D、F1、F2為智能消防小車的穩(wěn)態(tài)特征參數(shù)；n為空間穩(wěn)態(tài)分布參數(shù)；ΔA1、ΔB1為避障路徑的輸出穩(wěn)態(tài)增益。

穩(wěn)態(tài)輸出狀態(tài)方程為

式中，G為智能消防小車避障的逆運動學特征變量；F為收斂系數(shù)。

通過對車輛避障路徑規(guī)劃的參數(shù)修正和誤差糾偏，所得智能消防小車路徑規(guī)劃樣條曲線基函數(shù)為

式中，t(i)為第i個樣條曲線序號的基函數(shù)階數(shù)；n為曲線次數(shù)。

基于運動學特征分析方法分析智能消防小車避障過程中的最大動態(tài)響應(yīng)［9］，所得動態(tài)逆方程為

通過離心載荷特征分析，得到智能消防小車避障的慣性力矩參數(shù)分布項Y。在智能消防小車避障規(guī)劃中，所得反演Lyapunov函數(shù)為

式中，p′、r為智能消防小車避障的可靠性控制參數(shù)［10］。

消防小車智能控制的梯度函數(shù)為

構(gòu)造智能消防小車避障的最大動態(tài)響應(yīng)分析模型，得到路徑尋優(yōu)的輸出穩(wěn)態(tài)增益。根據(jù)Lyapunov 穩(wěn)定性原理，可約束對象參數(shù)擬合模型和空間參數(shù)擬合模型。最后通過模糊度辨識，完成了消防小車避障的路徑尋優(yōu)。

2.2 避障預警

尋找到最優(yōu)的避障路徑后，設(shè)計障礙物避讓預警方法。采用最近的軌跡離散點分析方法進行智能消防小車避障過程中的穩(wěn)態(tài)控制［11］，得到穩(wěn)態(tài)參數(shù)尋優(yōu)路徑為

根據(jù)環(huán)境動態(tài)擾動q與自身機械構(gòu)建擾動l的關(guān)聯(lián)性，得到智能消防小車避障的自適應(yīng)迭代函數(shù)為

式中，x0為智能消防小車避障的初始狀態(tài)路徑系數(shù)。

通過貝塞爾曲線控制計算k時刻智能消防小車全區(qū)域路徑逆動態(tài)模型mj(j=1,2,…,m),?mj∈M，采用深度強化學習算法對智能消防小車避障的運動空間參數(shù)進行擬合，建立智能消防小車避障預警行為分析模型［12-14］，得到模糊控制函數(shù)為

式中，Λj(k)為正態(tài)分布；Sj(k)為線性規(guī)劃特征分量。

采用3 次樣條曲線擬合［15］，得到線性避障預警模型為

至此，在利用深度強化學習算法擬合智能消防小車避障運動空間參數(shù)的基礎(chǔ)上，構(gòu)建預警模型，從而實現(xiàn)了智能消防小車的自動避障預警。

3 仿真試驗分析

為了測試避障預警的應(yīng)用性能，進行試驗測試分析。假設(shè)智能消防小車與目標障礙物的離散間距為2.4 m，小車運動的速度為0.3 m/s，跟隨誤差控制在5 mm，智能消防小車的轉(zhuǎn)動力矩為50 N·m。根據(jù)上述參數(shù)設(shè)定，得到智能消防小車的速度和加速度分布曲線，如圖2所示。

圖2 智能消防小車的速度和加速度分布曲線

根據(jù)圖2 中對智能消防小車的速度和加速度擬合結(jié)果，對智能消防小車進行優(yōu)化控制，得到避障控制的收斂曲線，如圖3所示。

圖3 智能消防小車避障控制的收斂曲線

分析圖3 可知，采用本文方法所得的智能消防小車避障控制的收斂性較好。

測試智能消防小車的參考模型和被控對象的位置及跟蹤誤差，所得到的對比結(jié)果如圖4所示。

圖4 智能消防小車的參考模型和被控對象的位置及跟蹤誤差

分析圖4 可知，智能消防小車的自動避障的位置和跟蹤誤差較小，位置跟蹤能力較強。

測試避障定位誤差，所得對比結(jié)果如表1 所示。分析表1 可知，采用本文方法所得的智能消防小車避障的誤差較小。

表1 智能消防小車避障定位誤差對比

4 結(jié)語

為了提高消防小車的避障性能，設(shè)計了基于深度學習的智能消防小車自動避障系統(tǒng)。本文采用了擴展Kalman濾波方法進行智能消防小車避障的參數(shù)濾波分析，再通過深度強化學習技術(shù)，實現(xiàn)對智能消防小車自動避障的自適應(yīng)控制和路徑偏移糾正，完成小車自動避障系統(tǒng)設(shè)計。實驗結(jié)果證明，本文方法的避障預警可靠性較好，避障定位誤差較小。