图2 神经网络及拟合结果

由于拟合的过程是一种连续空间与离散空间相互映射的过程，因此误差从理论上都无法消除，而拟合误差则会对实际避障过程产生不可忽视的影响，因此我们同时把拟合误差也作为输出。通过选取样本和对网络的训练，求出一系列权值，最后进行检验，得出屏幕坐标与拟合误差的关系如图1b所示。

    通过实验数据我们可以知道：拟合误差在屏幕中心点（0，Y_max/2）处取得最小值；拟合点越偏离屏幕中心点，拟和误差越大；这说明当障碍物位于远距离或者侧前方时，判断是否避障难度较大，而当障碍物靠近时或者位于中心区域时判断比较容易

3  机器人在避障过程中的运动控制

    机器人在检测到碰撞的可能性后，需要立即进行避障运动控制，原因是障碍物在机器人视野中的采样次数很少，一般为6～9次，主要原因是机器人把大量的时间用于目标识别和定位上面，所以，如果不能马上避障很容易导致规划失败，这种避障时机的选择一方面提高了避障的成功率，另一方面却可能导致规划的路径不是最优，但是目前还没有找到很好的解决办法。

    为了保证机器人在避障过程中的快速性，一般不采用减速的方法，而是通过调节ω；而在一些必要的情况下必须减速，甚至停止。当然在一些情况下可以采用直线加速的方法。因此，在图1中分为加速区、减速区，终止区和自由规划区四大部分。这几部分并不是严格分开的，有的区域相互重叠。其中A区（1、3、b、d点组成的闭合区域）为终止区，如果障碍物的当前点在终止区内，机器人的线速度应减为零，终止区的径向宽度由公式（5）确定：

                  （5）

在式中V_rmax和V_omax为机器人和障碍物的最大速度，t_s为采样时间（信息数据更新时间），a为安全系数，一般随实际情况而定。

B区（斜线区）为加速区，并不是说障碍物在该区内就可以加速，机器人以加速的方式避障必须满足下面两个条件：

1）障碍物的当前点在加速区。

2）出口点在当前点所在加速区的边线（如图1中的线段9d或者线段51）上。

如果满足条件1）而不能满足条件2），则按自由规划处理。

C区为减速区，减速区的功能是使机器人以最大的加速度使速度从V_rmax减到某一速度V_r，利用式6和式7可以求得减速区的宽度。

（6）                        （7）

    F区为自由规划区，在自由规划区内可以自由的选择减速避障或者线速度不变避障。

下面分别求解机器人避障时的线速度变化量ΔV和角速度变化量Δω：

                 （8）

                  （9）

在上面两式中（x₀，y₀），（x₁，y₁）分别为障碍物的历史点和当前点坐标；k为从物体当前点向机器人与出口点同侧的边缘点引直线（圆形机器人为切线）的斜率。其中Δω的方向由下面方法确定：出口点在扇形区的左半区，则Δω的方向为顺时针，否则为逆时针。ΔV在加速时取正，减速时取负。

    当机器人的视野中有多个障碍物时，按照就近原则进行规划。由于这种避障方法是以机器人与障碍物之间的相对运动作为决策依据，所以在避障过程中无需考虑机器人和障碍物的运动轨迹，这就使机器人的运动规划更加快捷，并且机器人的线速度和角速度随环境的变化而改变，使机器人的控制更加灵活。

4  动态环境下基于任务的仿真结果

    图3中给出了全自主足球机器人基于任务的动态避障仿真结果，仿真环境是对未知环境的部分模拟，其中静态障碍物A、B、C在有可行路径的前提下随意放置；机器人的任务是获得球后把其带向球门，如果在运动过程中与静态障碍物相撞或者与前方的机器人相撞，任务失败。在仿真过程中，右侧球门为对方球门，中心点位置固定。机器人视野为60度，视野内的障碍物的威胁点信息在绝对误差半径的范围内随机提供，运动障碍物的最大速度为40