移动机器人运动控制的模糊逻辑系统设计

　　3 清晰化

　　清晰化是将模糊输出值转换为可供实际应用的等效清晰值的过程。即对模糊规则进行匹配并计算相应的数值，从而得到一个与不同输出模糊集隶属度函数值相关的数。清晰化的方法有很多种，两种常用的主要方法是：centroid面积中心法(又称重心法)和Mamdani(马丹尼)推理法。

　　3.1 centroid面积中心法

　　centroid面积中心法主要计算隶属度函数所包围区域的重心。对于连续论域，若U是某一变量u在论域U的模糊集合，则去模糊化的结果为：
　　

　　3.2 Mamdani(马丹尼)推理法

　　该方法中，每个集合的隶属度函数将在相应的隶属度值上被截去顶端，并将得到的所有隶属度函数作为"或"函数加在一起。即将每一个重复的区域作为一层相互叠加在一起，其结果将是一个代表所有区域的新区域。新区域的重心将等价于输出。

　　本文中的清晰化主要采用centroid面积中心法。也就是采用MATLAB模糊逻辑工具箱的解模糊化函数defuzz，该函数的功能为执行输出去模糊化，其格式为：

　　output=defuzz(x,mf,type)

　　其中：参数x是变量的论域范围；mf为待去模糊化的模糊集合；type为清晰化方法，本文主要采用centroid面积中心法。

　　4 模糊逻辑控制器的仿真

　　一般情况下，为模糊系统设计的规则必须通过仿真才能保证其对所有的输人值都能产生满意的结果，这一般可通过模糊逻辑程序来实现。程序通过运行模糊推理机来计算所有可能输入产生的输出，并作出输出值的图形来对模糊控制系统进行仿真。通过该图即可审核规则和隶属度函数是否匹配。

　　由2.2和2.3中的输入变量和输出变量的模糊化和规则库，可以通过MATLAB模糊推理系统的运算而得出如图4所示的三维输出结果。通过图4即可看出，本文的规则和隶属度函数匹配良好。

　　5 结束语

　　本文针对不同路面条件下移动机器人运动控制的实际问题提出了一种解决方法。该方法把模糊逻辑推理应用到移动机器人的行为控制中，并将地形坡度和地形类别作为控制器的输入，而机器人的速度作为控制系统的输出，从而实现了对移动机器人的行为控制。通过模糊逻辑控制器的仿真结果证明：该模糊控制算法在移动机器人运动控制中能表现出良好的鲁棒性和实时性。近年来，神经网络、模糊控制等理论的研究和应用有了很大的发展，进一步了解学习和应用这些理论将是下一步的目标。