第8卷第2期 智能系统学报 Vol.8 No.2 2013年4月 CAAI Transactions on Intelligent Systems Apr.2013 D0I:10.3969/i.i8sn.1673-4785.201203015 网络出版t地址：htp://www.cnki.net/kcma/detail/23.1538.TP.20130409.1436.004.html 基于自适应神经模糊系统的足球机器人射门点的确定 夏琳琳12，苗贵娟，初妍2，刘惠敏，焦圣喜 (1.东北电力大学自动化工程学院，吉林吉林132012；2.哈尔滨工程大学计算机科学与技术学院，黑龙江哈尔滨 150001:3.青岛农业大学机电工程学院，山东青岛266109) 摘要：针对足球机器人射门行为中运算的高复杂性和反应延迟的局限，引入一种基于类高斯函数的自适应神经模 糊推理系统(ANFIS),用于确定最合适的射门点.系统由前件网络和后件网络构成，结合模糊逻辑理论，建立基于人 类语言描述的射门行为模型.采用实际的比赛记录作为训练数据，离线地拟合系统输入与输出之间的映射关系，经 训练的系统能够自动地调整前期隶属度函数的形状和后期的自适应权值.仿真结果表明，射门成功率和反应速度都 能够达到预期的效果，方法的有效性得到了验证. 关键词：类高斯函数；神经模糊推理系统；自适应性；射门点；足球机器人 中图分类号：TP301.6文献标志码：A文章编号：16734785(2013)02-014306 Determination of shooting point for soccer robot based upon adaptive neuro-fuzzy in ference system XIA Linlin'2,MIAO Guijuan',CHU Yan2,LIU Huimin3,JIAO Shengxi' (1.School of Automation Engineering,Northeast Dianli University,Jilin 132012,China;2.College of Computer Science and Tech- nology,Harbin Engineering University,Harbin 150001,China;3.College of Electromechanical Engineering,Qingdao Agricultural U- niversity,Qingdao 266109,China) Abstract:In order to solve the limitation of the high computational complexity and delayed reaction in the shooting behavior of soccer robots,an adaptive neuro-fuzzy inference system (ANFIS)was proposed.The proposal invokes the Gaussian-type function technology to determine the optimal shoot point.The entire system was composed of the antecedent network and consequent one.The system integrated the fuzzy logic theory,which,lead to the establish- ment of the behavior model described by human language.Moreover,the training samples were derived from the shoot data of actual medium competitions,along with the implementation of off-line training methods to describe the mapping relationships between inputs and outputs.Once the training process was completed,the system is able to automatically adjust the shape of antecedent membership functions,as well as the consequent weights adaptively. The simulation results demonstrate that the high shooting success rate and reaction speed can be achieved as expec- ted,proving the effectiveness of the proposed approach. Keywords:Gaussian-type function;neuro-fuzzy inference system;self-adaptiveness;shooting point;soccer robot 机器人足球比赛是呈现人工智能新成果的重要多机器人的协作，表现为实时、连续、动态环境下的 平台，涉及实时计算机视觉、控制、无线通讯以及A杰出控制由于进球的成功率直接影响比赛的结果， gent等多学科技术.区别于以往非实时性、离散、静 因此，设定一个良好的射门策略成为每支球队的首 态环境下的简单控制，机器人足球比赛目前可实现 要任务.当前，足球机器人射门方法主要有最优时间 法、中分线射门法、曲线射门法、基于动态圆射门法 收稿日期：2012-03-19.网络出版日期：201304-09 基金项目：吉林省教育厅“十一五”科学技术研究计划资助项目 等141，这些方法大多没有充分利用已有比赛过程 (2010075);黑龙江省自然科学基金资助项目(200917)： 中的成功射门数据，只是针对当前的特定情况进行 黑龙江省教育厅科学技术研究计划资助项目(11553046). 通信作者：夏琳琳.E-mail:xial521@mail.ned.edu.cm. 规划 本文引入一种基于自适应神经模糊系统(adap
·144 智能系统学报 第8卷 tive neuro-fuzzy inference system,ANFIS)的射门算 法，即利用ANFIS来确定最合适的射门点.该系统 式中：y>0,σ>0. 首先要将输入的数据模糊化，故对输入数据的精度 类高斯函数充分利用了原高斯函数中2个特征 要求不高，这符合机器人比赛的动态变化环境要求， 参数y和σ的信息，并通过改变它们的值来接近几 运用模糊理论时，往往在自动生成与调整隶属 种传统的隶属函数，图2给出了不同参数下的几种 度函数或模糊规则的过程中遇到困难，而神经网络 典型类高斯函数的曲线形状. 在建模方面具有黑箱式的学习模式，对环境有非常 强的自适应能力，利用其可以实现模糊推理和生成 1.0 .0 模糊规则6].文中构造了一类基于自适应神经模 0=0.2 y=0.2 0.5 0.5 糊系统的射门算法，方法兼具了自学习和直接运用 人类自然语言的特性，以下从系统数学模型、射门，点 9.00.5 0 0.51.0 1.0-0.500.51.0 1.0 =0.5 10 1=0.5 确定和仿真试验等方面来阐述系统的设计与实现. 0.5 这0.51 1足球机器人的射门机制 1.00.5 0 0.51.0 1.0-0.500.51.0 c=1.5 比赛过程中，如果将各个方面的影响因素（诸 如球的位置、守门员的位置、防守队员的位置等)都 0.6 遥0.5引 考虑进来，就会增加射门点问题的复杂程度，以致于 04005 00.51.0 1.00.500.51.0 1.0 1.0- 增加问题求解所用的时间.在此，只考虑影响射门成 =2.5赵 0.8 谜0.5 功率最主要的因素，即球的位置和守门员的位置.射 门模型如图1所示，将守门员的位置坐标和球的位 0,.00.5 00.51.0 1.0-0.50 0.5 1 置坐标作为系统的输人量，由于射门点在球门位置， 1.0 3.51.0 1=3 墜0.8 递0.5 便可以把横坐标看作一个不变量，只将射门点的纵 坐标作为系统输出量.采用自适应神经模糊系统来 0..005005T.0 1.00300.3 T.0 输入 输人 拟合输人量和输出量之间的关系， (a)y=0.4 (b)=3.5 图2不同参数下类高斯函数的曲线变化 Fig.2 Curves of Gauss-type function with distinct pa rameters 从图2中可以看出，当选择合适的y和σ值 射门队员 射门点 时，类高斯函数能够接于三角函数、梯形函数和高斯 守门员 函数89.相应地，不同的参数会有不同的控制特 点.图2(a)中，当y=0.4时，随着o的减小，图形的 “尖蜂性”会越明显；反之，随着σ的增大，曲线的上 升趋势和下降趋势越来越减弱，趋近于平滑.类似 地，在图2(b)中，当σ=0.1时，随着y的增大，隶属 图1射门模型 度函数的形状会发生较大的改变.比如，当y=2时， Fig.1 Shooting model 形状接近于高斯型，而当y=3时，形状则接近于矩 2 ANFIS的数学模型 形. 2.1类高斯函数 2.2T-S模糊推理的原理 隶属函数(member function)是用模糊集合去描 在自适应神经模糊系统中，神经模糊推理部分 述和分析某个模糊现象，从而建立模糊子集的基础， 采用的是T-S型模糊推理模型.该模型是1985年由 通过隶属函数来描述元素属于集合的程度.高斯函 日本学者高木(Takagi)和杉野(Sugeno)提出的，它 数是最常见的也是普遍存在的隶属函数， 比较适用于局部线性、能够分段进行控制的系 类高斯函数的引入借鉴高斯函数，表达式为可 统[0.T-S型模糊推理输出的是清晰值，或者是输入 量的函数，这样就省去了清晰化（解模糊）的过程
第2期 夏琳琳，等：基于自适应神经模糊系统的足球机器人射门点的确定 ·145· 更方便进行数学分析 2.3.2后件网络 针对所设计的多输入单输出(MIS0)系统，该 第5层：将输入层传递到后件网络，其中第0个 T-S模型有n条模糊规则.设输入矢量为 节点的输人值x。=1,它的作用是提供常数项给模 X=[12…x]T, 糊规则的后件. 每个分量x:均为模糊语言变量，其语言变量值为 第6层：该层共有m个节点，每个节点代表一 T(x)={A,A,…,A},i=1,2,…,n. 条规则，该层的作用是计算每一条规则的后件，即每 式中：出G=1,2,…,m:)为x:的第j个语言变量值， 个规则的结果： 它是定义在论域上的一个模糊集合，相应的隶属度 y=po +pix+pxz++pixx 函数为 第7层：该层是输出层，用于计算系统的输出，即 %(x),i=1,2,…,n,j=1,2,…,m y=24p T-S模型中第j条模糊规则R的形式为 2.4参数调整方案 if x is Ai,x2 is A2,,is Ai, 对于隶属函数的参数Y、σ和后件网络的权值 then y=po +pix+p2x2++Pxx, )的选取，神经网络采用反向传播(back propaga- i=1,2,…,n,j=1,2,…,k tion)的方法进行训练 式中：j=1,2,…,m;m≤ m 设期望输出为ya,系统输出为y,则定义目标函 数J为 2.3模糊推理的神经网络实现 J=(ya-y)2/2. ANIS结构如图3所示，包括7层节点，前4层 采用梯度下降法(gradient decent algorithm)来 是前件网络，后3层是后件网络 调整参数，具体地，卫算法为： aJ aJ ay ay P(=1,2,…,n,广F1,2,,m P=时助 =-(ya-y)ai, (1) 1 后件网络 (k+1)=p()-B =p(k)+（ya-y)g* p 式中：i=0,1,…,nJ=0,1,…,m,B为学习率，即步长 y的学习算法为 y(k+1)=y(k)-则 (2) 式中：i=1,2,…,n为模糊规则数，k=0,1,2,…为 学习步数.若当k趋近于无穷时y(k)收敛，则由式 图3自适应模糊神经网络结构 Fig.3 Structure of ANFIS (1)可知，在y的收敛点处有则=0，这表明此收敛 2.3.1前件网络 点是J的一个局部极小点，而J与y之间只有关系参 第1层：该层为输入层，它的每个节点都对应于 相应的输人向量，并且将输入变量传递到下一层 数a,其中%=合a=yb=月， 第2层：该层是隶属函数层，它的每个节点都与 一个语言变量相对应，利用类高斯函数计算每个变 e-1 量属于每个模糊集合的隶属度山 因此，根据复合函数的导数规则，有 第3层：该层是规则层，节点数为m,一个节点 来表示一条模糊规则的前提部分，值为 别=：-)船器=-)26) 马=Π4 将式(3)代人式(2)，可得y的学习算法： 第4层：辅助求和层，它与第3层有相同的节点 (k+1)=()-a。4 数，用来计算加权平均值，即求 确定x为 = (k+1)=()-a (4)
146. 智能系统学报 第8卷 J与x之间只通过：建立联系，由复合函数的求导 3.2样本的选取与训练 规则可知： 3.2.1样本的选取 =(a-y) aJ 系统的训练样本来自以往比赛过程中的射门数 axj 据，因为是成功的射门数据，所以可信度较高.训练 (-))或-1* 数据是一个n×5的数组，其中n为样本个数. b (5) 3.2.2样本的训练 将式(5)代入式(4)，可推导出x的学习算法： 对于T-S模糊推理系统的参数，其初始值是通 (k+1)=()- 过人类足球的先验知识来确定的.根据提供的参数 2。'气(y()-)(6-)1 调整方案，可以实现样本的训练 (k) 1)初始参数的设置.这些参数可以由专家的语 同理，可推导出σ的学习算法： 言规则来确定，也可以由隶属函数来确定， (k+1)=σ(k)- 2)给出输人的数据，并根据式(6)来计算模糊 系统的输出， 。y-⅓)6-到1” o(k)2 Y的学习算法为 Y(k+1)=k) b= ∑ (6) ”。(y()-6-1 o(k)2 a= 式中：i=1,2,…,n=1,2,…,m;k=0,1,2,… yi a/b. 3基于ANFIS的射门点确定 3)前件网络和后件网络参数的调整.根据学习 算法计算需要调整的参数y(k+1)、(k+1) 3.1 ANFIS的结构 设计一个4输入单输出的ANFIS,其中4个输 o(k+1)和y(k+1),式中需要的a、bz和y都已 在2)中计算得到. 入分别为守门员的横坐标1和纵坐标2，射门队员 4)令k=k+1,转到2)，直至满足停止条件，即 的横坐标x和纵坐标x4,选取横坐标的模糊子集为 小于某个给定的很小的误差值 {偏远(RF),适度(MO),偏近(RC)},纵坐标的模 5)令p=p+1,转到2)，这样指针就指向下一组 糊子集为{偏上(RU),居中(CE),偏下(RB)}.隶 的数据来调整参数. 属函数采用类高斯函数. 6)保存训练好的自适应模糊推理系统， 在这个自适应模糊推理系统中，节点总数为 3.3仿真试验与分析 287个，线性参数为140个，非线性参数为224个， 利用Matlab7.0中的模糊逻辑工具箱对ANFIS 模糊规则总数为82个.图4为训练过程中的神经网 进行仿真.选取训练样本为300组，循环代数为40 络结构 代.图5为误差曲线，最后的训练误差为0.032191. 3.5r×10 3.2 510152025303540 循环代数 图5误差曲线 Fig.5 Error curve 图4训练时的神经网络结构 Fig.4 Structure of ANN under training 将训练好的ANFIS用于射门点的确定，提高了
第2期 夏琳琳，等：基于自适应神经模糊系统的足球机器人射门点的确定 ·147 射门成功率.为了避免计算出的射门点超出门框的 当中，还可以根据对方球队的不同情况（诸如根据 范围，在实际的应用中应该限定输出的范围，使其输 对方守门员、射门员的位置，预测射门点的位置)， 出值在左右门框的范围内.图6和图7分别为射门 自动地做出调整. 球员的位置和射门点的关系，守门员的位置与射门 点的关系 参考文献： [1]HANG Yinping,TANG Zhiyong,PEI Zhongcai.Strategies for shooting based on fuzzy logic and artificial potential field in robot soccer systems [C]//Proceedings of 2010 Interna- tional Conference on Computer Application and System Mod- eling.Taiyuan,China,2010:399-403. [2]BRUCE J,ZICKLER S,LICITRA M,et al.AMDragons: 6.5 dynamic passing and strategy on a champion robot soccer 输入2 了55 织1 team[C]//Proceedings of 2008 IEEE International Confer- ence on Robotics and Automation.Pasadena,USA,2008: 图6射门球员的位置与射门点的关系 4074-7079. Fig.6 Relationship between shooting members'posi- [3 ]ZHOU Ping,YU Aihua,WU Mingguang.Motion control of tion and shooting point mobile robot for moving object capture and shooting[C]/ Proceedings of IEEE Intemational Conference on Industrial Informatics.Singapore,2006:1369-1374. [4]SHIEH Mingyuan,CHIOU J S,YOU T L,et al.System design and strategy integration for five-on-five robot soccer competition[C]//Proceedings of the 2005 IEEE Intera- 3.53 tional Conference on Mechatronics.Taipei,China,2005: 输人4 人 461466. [5]MOZAFARI M,FARD A M.An improved fuzzy mechanism 图7守门员的位置与射门点的关系 for 3D soccer simulation Agent's shoot skill[C]//Proceed- Fig.7 Relationship between defender'position and ings of 2006 Annual IEEE India Conference.New Delhi, shooting point India,2006:1-6. [6]PIAO S,SUN Lining.Robot action acquisition by self- 由于网络经过事先离线训练，已优选确定了各 learning fuzzy controller[C]//Proceedings of Fifth Interna- 个参数，所以不用考虑运算速度的问题.仿真结果表 tional Conference on Fuzzy Systems and Knowledge Discov- 明，所确定的射门点均落在了门框范围以内，算法的 ery.Ji'nan,China,2008:241-244. 有效性得到了验证. [7]REDDYB S,KUMAR J S,REDDY K V K.Predication of surface roughness in turning using adaptive neuro-fuzzy in- 4结束语 ference system[J].Jordan Joumal of Mechanical and In- 本文以足球机器人为研究对象，针对如何提高 dustrial Engineering,2009,3(4):252-259. 射门成功率问题，提出将ANIS技术用于最合适射 [8]AI-HMOUZ A,SHEN Jun,AI-HMOUZ R,et al.Model- 门点的确定.该技术融合了神经网络、模糊逻辑与自 ling and simulation of an adaptive neuro-fuzzy inference sys- 适应理论，建立了基于人类语言描述的射门行为模 tem (ANFIS)for mobile learning[J].IEEE Transactions on Learning Technologys,2007,6(1):1-14. 型.考虑到比赛的实时性特性，先以成功射门数据作 [9]BUDIHARTO W,JAZIDIE A,PURWANTO D.Indoor 为训练样本，离线地拟合系统输入与输出之间的映 navigation using adaptive neuro fuzzy controller for servant 射关系，再将训练好的网络投入实时的比赛.仿真结 robot[C]//Proceedings of 2010 Second International Con- 果表明，所确定的射门点均落在了门框范围以内，射 ference on Computer Engineering and Applications.Bali Is- 门成功率和反应速度都能够达到预期的效果， land,Indonesia,2010:582-586. ANFIS具有较突出的自适应能力，在实际比赛 [10]KUSAGUR A,KODAD S F,RAM B V S.Modeling,de-
·148. 智能系统学报 第8卷 sign and simulation of an adaptive neuro-fuzzy inference 苗贵娟，女，1985年生，硕士研究 system (ANFIS)for speed control of induction motor[J]. 生，主要研究方向为机器人技术。 International Journal of Computer Applications,2010,6 (12):2944. 作者简介： 夏琳琳，女，1980年生，副教授.主 要研究方向为机器人技术、人工智能： 参与吉林省教育厅“十一五”科学技术 初妍，女，1979年生，讲师，博士，主 研究项目1项、吉林省发改委研究项目 要研究方向为数据挖掘与人工智能.主 1项，横向课题3项.发表学术论文20 持黑龙江省自然科学基金、黑龙江省教 余篇，其中被EI检紫10篇.参与编著 育厅科学技术研究项目各1项.发表学 教材1部. 术论文20余篇， 2013第1届中国指挥控制大会征文通知 为了推动在云计算、物联网、智慧城市、智能移动和大数据环境下的指挥与控制科学技术进步，展示新一代指 挥与控制科学技术在国家安全、非战争军事行动、国防与信息化装备建设、空中管制、海上编队、公共管理、应急救 援、行政指挥、生产调度、交通运输等领域的应用和交流，引导指挥与控制科学技术及产业能更加健康的发展.中 国指挥与控制学会主办的第1届中国指挥控制大会将于2013年8月在北京隆重召开.望广大从事指挥与控制科 学技术研究和应用的专家学者踊跃投稿，大会将正式出版论文集.评选出的优秀论文将由大会组委会颁发证书、 奖品. 征文范围 国家安全防御技术研究 应急救援指挥控制系统及技术研究 创新指挥控制系统理论、模型和仿真方法研究 感知认知与智能协同技术研究 智能交通管控系统研究 指挥与控制系统信息资源的体系研究 国内外指挥与控制技术的发展现状和趋势 协同、联合火力指挥与控制技术研究 无人系统工程与技术研究 平行军事体系研究 赛博空间指挥与控制理论、技术、方法研究 海洋、太空指挥信息与控制技术研究 大数据与指挥决策理论方法研究 指挥与控制系统仿真建模研究 自主智能移动网络技术研究 智慧城市管理与指挥控制体系研究 网络时代指挥与控制敏捷性研究 C4IKSR理论方法、系统技术研究 投稿要求 1、内容新颖、主题明确、能够反映作者近期的研究进展或成果； 2、未在公开出版物或全国性学术会议上发表过，文责自负； 3、论文由题目、作者及工作单位、中文摘要(300字以内)、关键词(3~6个)、正文、参考文献、作者简介（姓 名、性别、出生年月、专业、单位、通讯地址、邮编、电话、电子邮箱，150字以内)组成，限5000字； 4、投稿需附单位保密审查证明，证明本篇投稿不涉及本单位、相关单位以及国家的秘密； 5、应征论文无论录用与否均不退稿，请作者自留底稿，敬请谅解， 截稿时间：2013年5月30日 中国指挥控制大会组委会地址：北京市海淀区车道沟10号1号科技楼10层(100089) 联系人：王浩电话：010-53610788,18610105952，E-mail:zhikongwang(@126.com