《Array》：Adaptive fuzzy-learning control with multi-objective optimization for robust mobile robot navigation
编辑推荐：
本研究提出了一种集成的自适应移动机器人导航框架——智能障碍物动态与路径复杂性系统（Intelligent Obstacle Dynamics and Path Complexity System, IODPCS）。该系统将双层模糊逻辑、人工势场（Artific
本研究提出了一种集成的自适应移动机器人导航框架——智能障碍物动态与路径复杂性系统（Intelligent Obstacle Dynamics and Path Complexity System, IODPCS）。该系统将双层模糊逻辑、人工势场（Artificial Potential Fields, APF）、强化学习（Reinforcement Learning, RL）以及人机回环（Human-in-the-loop）调节整合至一个统一的自适应控制架构中。与传统模糊-势场方法不同，IODPCS采用两级模糊推理结构：全局层用于地形感知的速度与安全管理，局部层用于动态避障，两者均通过实时学习进行持续自适应调整。结合地形自适应速度优化策略与执行器扭矩-速度能量模型，该系统能够在通行速度与效率之间进行主动权衡。操作人员的演示初始化了结构化规则，而强化学习则确保了长期的自我改进。MATLAB/Simulink及硬件在环（Hardware-in-the-loop）实验表明，IODPCS在静态与动态障碍物环境中能够实现路径长度缩短高达35%，能耗降低28%，且无碰撞导航。这些结果证明，IODPCS为复杂环境下的自主导航提供了一个鲁棒的框架。
研究背景与意义
移动机器人在工业、医疗、军事及教育等领域的应用日益广泛，但在动态且不确定环境中的高效避障导航仍面临巨大挑战。传统控制系统往往依赖固定参数配置，难以适应复杂的地形、不可预测的障碍物以及传感器噪声，且在能效管理方面存在明显不足。现有基于模糊逻辑的导航系统虽然在处理不确定性方面表现出色，但在上下文适应性、能量效率以及与学习型控制机制的集成方面仍存在局限。为此，Safa Jameel Al-Kamil与Róbert Szabolcsi提出了智能障碍物动态与路径复杂性系统（IODPCS），旨在通过结构化集成双层模糊推理、自适应混合机制、在线强化学习与显性能量感知优化，解决现有技术在长时适应性与能效方面的短板，从而提升机器人在复杂环境下的导航鲁棒性与自主性。该研究成果发表于《Array》期刊。
关键技术方法
研究人员采用了基于CoppeliaSim 4.2.0与MATLAB R2023b的联合仿真环境，并结合硬件在环（HIL）平台进行验证。核心技术方法包括：构建了包含激光雷达（LiDAR）、超声波传感器、惯性测量单元（IMU）及摄像头的多模态传感器融合框架，通过上下文感知与时间自适应的加权算法实现数据整合；设计了双层模糊逻辑控制器，其中全局层负责地形感知决策，局部层负责实时避障；引入了基于执行器扭矩与角速度的实时能量消耗模型，并将其嵌入多目标成本函数中；应用Q-learning强化学习算法，通过双反馈机制（局部模糊误差与全局势场反馈）在线调整模糊规则参数与输出增益，实现策略的持续改进。
研究结果
1. Introduction
介绍了移动机器人的广泛应用背景及当前导航技术面临的挑战，指出传统固定速度曲线在复杂场景下效率低下的问题。通过对比现有研究，明确了IODPCS在双层模糊逻辑、能量建模、人机示教及强化学习集成方面的创新性与性能优势。
2. Related work
综述了基于模糊逻辑的导航、混合优化方法、传感器融合及能量感知框架的研究现状。指出现有方法多采用单层架构，缺乏显式的能量感知优化与自适应混合机制，从而确立了本研究的切入点。
3. Methodology
详细阐述了四轮类车机器人的运动学模型与多模态传感器配置。提出了上下文感知的环境描述向量（包含障碍物密度、平均速度、地形复杂度等），并基于此设计了规则调制函数。核心控制律通过非线性指数映射计算动态混合系数，实现了局部模糊反应力与全局人工势场合力的自适应加权。此外，还定义了基于Sigmoid函数的地形自适应速度优化（TASC）机制，以及基于Tabular Q-learning的在线规则调优算法。
4. Experiment result
在12m×12m的仿真与硬件在环环境中进行了测试。结果表明，IODPCS相较于传统人工势场（APF）、静态模糊控制器及基于规则的阈值控制器，在路径长度（缩短约22%）、执行时间、能耗（降低约28%）及碰撞率（降至0）方面均有显著提升。消融实验证实了双层模糊结构与自适应混合机制对性能的关键贡献。
5. Conclusion
总结了IODPCS框架的有效性，即通过结构化集成双层模糊推理、人工势场引导、能量感知速度调节及强化学习在线自适应，实现了安全性、效率与适应性的协调平衡。实验结果验证了其在动态环境下的稳定性，为后续的实际部署与多机协作研究奠定了基础。
研究结论翻译
本文提出的智能障碍物动态与路径复杂性系统（IODPCS）是一个集成的自适应导航框架，它将双层模糊推理、人工势场、地形自适应速度控制及强化学习结合在一个统一的闭环结构中。该数学公式体系将用于地形感知速度调节的全局模糊层与用于实时避障的局部模糊层相结合。这些层由上下文混合控制律、基于Sigmoid函数的地形响应速度调节器以及源自车轮扭矩和角速度的执行器级能量模型提供支持。组件间的协同作用使得在动态条件下能够协调平衡安全性、效率与适应性。本工作的贡献不在于引入全新的控制原理，而在于双层模糊推理、人工势场引导、能量感知速度调节与基于强化学习的在线自适应之间的数学统一耦合。仿真与硬件在环评估表明，在路径长度、轨迹平滑度、能耗及避障方面，相对于所评估的基线控制器具有一致的性能提升。该框架在噪声传感条件与动态障碍物环境下表现出稳定行为，证明了其在测试场景内的鲁棒性。本研究并未建立最终的基准，而是为进一步扩展基准测试与未来现实世界验证提供了实验支持的基础。未来的工作将探讨向多机器人协作导航的扩展，其中上下文混合控制律与能量感知成本公式可进一步评估在复杂环境中协调的、资源感知的操作。尽管硬件在环验证增加了执行真实性，但未来将探索在实际传感器物理机器人平台上的全面部署，以进一步评估实际运行条件下的部署可行性。
