基于二型/三型模糊控制(Type-2/Type-3 Fuzzy Control)与生物启发式优化算法的自主移动机器人路径规划与轨迹跟踪(Path Planning and Trajectory Tracking Using Type-2/Type-3 Fuzzy Control and Bio-Inspired Optimization for Autonomous Mobile Robots)

《Applied Soft Computing》：Path Planning and Trajectory Tracking Using Type-2/Type-3 Fuzzy Control and Bio-Inspired Optimization for Autonomous Mobile Robots

　　

本文提出一种融合智能路径规划方案与模糊跟踪控制器的应用型软计算框架。基于蜻蜓算法(Dragonfly Algorithm, DA)开发生物启发式路径规划方法，以生成平滑无碰撞的参考轨迹，该方法无需巡线传感器(line-following sensors)。针对轨迹跟踪，设计了一种三型模糊逻辑系统(Type-3 Fuzzy Logic System, T3-FLS)，并引入基于爬行搜索算法(Reptile Search Algorithm, RSA)的新型在线学习机制进行自适应参数整定。研究人员开展了全面对比研究，对照组包括经典PID、分数阶PID(Fractional-Order PID, FOPID)、区间二型模糊逻辑系统(Interval Type-2 FLS, IT2-FLS)、模糊PID及模糊FOPID控制器。所有控制器均在一台四轮双电机差速驱动(differential-drive)机器人模型上实现，并在含静态障碍物和九个动态移动障碍物的两种环境下进行评估。性能考察指标包括位置跟踪误差、路径长度偏差、航向与速度误差及计算成本。结果表明，所提出的框架在保持有竞争力的计算效率的同时，提高了跟踪精度与鲁棒性。

论文解读：基于Type-2/Type-3模糊控制与生物启发式优化的自主移动机器人路径规划与轨迹跟踪

一、研究背景与意义

轮式移动机器人(Wheeled Mobile Robots, WMRs)在清扫、搜救及工业巡检等任务中需在混杂空间内安全高效运动，其自主导航高度依赖路径规划(生成安全平滑路线)与轨迹跟踪(低误差跟随路线)两个紧密耦合的环节。现有研究多将二者割裂评估：路径规划常假设理想跟踪，跟踪控制则多基于通用参考轨迹而忽视规划路径几何特征(如曲率连续性、障碍物间隙)对闭环性能的影响，导致在真实混有静态—动态障碍物场景下，精度与速度的权衡难以量化。此外，传统PID或分数阶PID(FOPID)存在参数整定困难，且在传感器噪声、摩擦变化及未建模动态并存的不确定性环境中鲁棒性不足。虽然区间二型模糊逻辑系统(Interval Type-2 Fuzzy Logic System, IT2-FLS)引入了不确定性 Footprint of Uncertainty (FOU)，但仍难同时表征严重的结构化不确定性。三型模糊逻辑系统(Type-3 FLS, T3-FLS)作为高阶扩展，其上下隶属度边界均为模糊量，形成上、中、下三层FOU，有望更精确处理复合不确定性。该论文发表于《Applied Soft Computing》，旨在填补规划—控制联合评估空白，首次将T3-FLS引入移动机器人导航，结合DA全局规划与RSA在线调参，系统评估其在混杂环境下的性能。

二、主要关键技术方法

研究人员采用四轮双电机差速驱动机器人模型，构建端到端导航框架：① 基于蜻蜓算法(Dragonfly Algorithm, DA)的全局路径规划器生成考虑障碍物间隙的光滑路径，通过航点步进(waypoint stepping)满足非完整约束(nonholonomic constraints)，动态障碍物由前向三束激光雷达(LiDAR)感知并结合IT2-FLS避碰层处理；② 设计T3-FLS轨迹跟踪控制器，并提出基于爬行搜索算法(Reptile Search Algorithm, RSA)的在线学习机制自适应整定T3-FLS及基准PID/FOPID参数；③ 设置基准对照组——双环PID、双环FOPID、IT2-FLS，以及融入模糊监督整定器和RSA整定器的PID/FOPID变体；④ 在MATLAB R2024b中基于占据栅格地图(occupancy grid map)进行仿真，环境为2D平面起点(5,5)至终点(20,20)，含纯静态障碍物环境与含九个动态移动障碍物环境，按位置跟踪误差、路径长度偏差、航向/速度误差及计算成本量化对比。

三、研究结果

Related work（相关工作）

通过梳理集成规划—控制框架(如模型预测控制MPC、TEB、动态窗口法DWA)、各类轨迹跟踪控制器(含反步法结合FOPID、自适应及学习型)及可追踪路径规划方法，指出既往研究缺乏在同一参考路径下对规划几何特性与跟踪性能联合考量的系统性对比，明确了本研究的切入点。

Problem definition（问题描述）

建立四轮差速驱动机器人运动学/动力学数学模型，定义轨迹跟踪误差(位姿误差)及非完整约束条件，明确控制目标为使机器人实际位姿收敛于DA生成的参考轨迹，为后续控制器设计与稳定性分析提供数学基础。

Methodology（方法论）

详述DA全局规划—T3-FLS实时跟踪的整体架构：DA生成 clearance-aware 路径并经航点插值；局部避碰由IT2-FLS根据三束LiDAR测距触发；T3-FLS以位姿误差为输入、轮速差为输出，隶属函数及规则后件参数由RSA在线优化以降低不确定性影响；基准控制器采用相同参考轨迹与传感配置以保证对比公平性。

Baseline Controllers（基准控制器）

为实现公平比较，实现双环PID、双环FOPID及IT2-FLS三类广泛使用的基准控制器，仅作性能参照不参与所提方法核心架构。

Comparative Adaptive Methods（对比自适应方法）

在PID/FOPID中分别嵌入模糊监督整定器与RSA整定器构造增强基准变体，使其在同等自适应条件下与所提T3-FLS竞争，验证T3-FLS推理优势。

Results and analysis（结果与分析）

在静态与动态障碍物两场景下仿真显示：所有控制器均能跟随DA生成路径且几何偏差(路径长度误差)<3%，证明DA路径兼容差速驱动运动；相较PID、FOPID、模糊PID、模糊FOPID及IT2-FLS，T3-FLS+RSA方案位置跟踪误差最小，航向与速度误差更低，对动态障碍物干扰抑制更强，且计算耗时增加幅度可接受，综合精度—鲁棒性—效率最优。

Conclusion（结论）

研究人员得出结论：本研究提出的融合DA全局规划与T3-FLS跟踪(经RSA在线调参)的集成导航框架，在混有静态及动态障碍物的环境中，较经典PID、FOPID及IT2-FLS等基准方法显著提升了轨迹跟踪精度与系统鲁棒性，同时保持了具竞争力的计算效率；DA生成的路径与差速驱动运动相容性好，路径长度偏差小于3%；结果表明高阶T3-FLS能更有效建模传感器噪声、参数漂移及规则库不精确等复合不确定性，为自主移动机器人在复杂环境下的导航控制提供了一种有效的软计算解决方案。

四、讨论总结

论文讨论指出，以往规划与控制分离评估掩盖了路径几何特性对跟踪性能的反向影响，而本研究通过统一DA规划与各类模糊/非模糊跟踪控制器在同参考轨迹下的对照实验，量化了规划—跟踪联合作用效果。T3-FLS凭借三层FOU结构优于Type-1及IT2-FLS在强不确定性下的逼近能力，配合RSA在线学习进一步适应动态变化。局限性在于目前为仿真验证，未来可在实物机器人平台拓展并考虑更复杂动态交互场景。该研究确立了T3-FLS在移动机器人导航领域的首例应用价值，并为模糊控制与生物启发式优化在闭环导航系统中的协同设计提供了严谨的比较框架与实验依据。