图7 补偿模糊神经网络误差收敛曲线

得知，经过k=17步传统模糊神经网络误差曲线收敛，经过k=9步补偿模糊神经网络误差曲线就收敛了，表明补偿模糊神经网络加快了收敛速度。

3 结束语

在全局误差相同的情况下，补偿模糊神经网络相比传统模糊神经网络具有快速学习的能力。引入了碰撞危险度，更好地描述了AGV与障碍物之间的碰撞危险程度。根据MATLAB的仿真结果，对

不确定环境中的静态和动态障碍物，表明应用本文所述方法，AGV都可以很好地避障与规划路径。

参考文献：

[1] 孙九博.动态环境移动机器人安全高效的路径规划方法研究[D]. 济南： 山东大学，2020.

[2] 陈卫东，朱奇光. 基于模糊算法的移动机器人路径规划[J]. 电子学报，2011, 39(4): 971-974.

[3] 巩敦卫，曾现峰, 张 勇. 基于改进模拟退火算法的机器人全局路径规划[J]. 系统仿真学报，2013, 25(3): 480-483.

[4] 陆晓来.基于模糊神经网络的移动机器人避障研究[D]. 沈阳：东北大学，2010.

[5] 朱凯歌,史国友,汪 琪，等.基于船舶领域的碰撞危险度评估模型[J]. 上海海事大学学报，2020, 41(2): 1-5.

[6] 闻 新,周 露,王丹力，等．MATLAB神经网络应用设计[M]．北京：科学出版社，2003.

Path planning for automated guided vehicle on improved fuzzy neural network

ZHU Guoqing

(Changzhou Baoling Heavy Industry Machinery Co. Ltd., Changzhou 213012, China)

Abstract： Automated Guided Vehicle (AGV) is used in a wide range of industrial applications, including Mechanical processing, transportation of raw materials and products, and metallurgical automation. In order to overcome the drawbacks of traditional fuzzy neural network, a compensatory fuzzy neural network algorithm is proposed in AGV path planning. According to the concept of collision risk, the network makes a middle decision. Finally, the simulation of path planning in the environment with static and dynamic obstacles is given, which verifies the effectiveness of improving the convergence speed and the feasibility of obstacle avoidance.

Key words：automated guided vehicle; collision risk; path planning; fuzzy neural network

中图分类号：TP242

文献标志码：A

文章编号:2097-017X(2021)01-0056-04

*收稿日期： 2020-12-18

作者简介： 朱国庆(1972-)，男，学士，工程师。研究方向：控制技术，物流技术改造。