模糊控制与路径规划的Matlab直接运行方法
模糊控制 路径规划 Matlab直接运行
模糊控制这东西，乍一听挺玄乎，其实核心思想很朴素：像人一样做决策，不依赖精确的数学模型，而是用“如果…那么…”的规则来处理那些不精确、有模糊性的信息。在机器人路径规划里，这招特别有用——环境信息往往不完美，传感器有噪声，目标位置可能只是个大概方向，这时候模糊控制就能让机器人更“智能”地绕开障碍、走向目标。
今天我们就用Matlab的Fuzzy Logic Toolbox来快速搭一个简单的二维平面路径规划仿真。假设小车前方有障碍物，我们需要根据障碍物的距离和方向，动态调整小车的转向角。
先定义输入输出变量。输入有两个：障碍物距离（dist）和障碍物相对于小车前进方向的角度（angle）；输出一个：转向角（steer）。距离越近，威胁越大；角度为正表示障碍在右侧，为负在左侧。
fis = mamfis('Name', 'PathPlanner'); % 输入1：障碍物距离 (0-10米) fis = addInput(fis, [0 10], 'Name', 'dist'); fis = addMF(fis, 'dist', 'trapmf', [0 0 2 4], 'Name', 'near'); fis = addMF(fis, 'dist', 'trimf', [3 5 7], 'Name', 'medium'); fis = addMF(fis, 'dist', 'trapmf', [6 8 10 10], 'Name', 'far'); % 输入2：障碍物角度 (-90度到+90度，0为正前方) fis = addInput(fis, [-90 90], 'Name', 'angle'); fis = addMF(fis, 'angle', 'trapmf', [-90 -90 -45 -15], 'Name', 'left'); fis = addMF(fis, 'angle', 'trimf', [-30 0 30], 'Name', 'front'); fis = addMF(fis, 'angle', 'trapmf', [15 45 90 90], 'Name', 'right'); % 输出：转向角 (-30度到+30度，负为左转，正为右转) fis = addOutput(fis, [-30 30], 'Name', 'steer'); fis = addMF(fis, 'steer', 'trimf', [-30 -20 -10], 'Name', 'hard_left'); fis = addMF(fis, 'steer', 'trimf', [-15 0 15], 'Name', 'straight'); fis = addMF(fis, 'steer', 'trimf', [10 20 30], 'Name', 'hard_right');看，这里没用什么高深数学，就是用梯形和三角形隶属函数把连续数值“翻译”成“近”“中”“远”“左”“前”“右”这些模糊语言值。这种“翻译”正是模糊逻辑的第一步——模糊化。
规则才是大脑。我们凭直觉写几条：
- 如果障碍物在正前方且距离近，那就急转向（左或右随机选，这里假设右转）；
- 如果障碍物在右侧且距离近，那就向左转；
- 如果障碍物在左侧且距离近，那就向右转；
- 其他情况基本保持直行或微调。
ruleList = [ 1 2 3 1 1; % 如果dist=near且angle=front，那么steer=hard_right 1 3 1 1 1; % 如果dist=near且angle=right，那么steer=hard_left 1 1 3 1 1; % 如果dist=near且angle=left，那么steer=hard_right 2 2 2 1 1; % 如果dist=medium且angle=front，那么steer=straight 3 2 2 1 1; % 如果dist=far且angle=front，那么steer=straight ]; fis = addRule(fis, ruleList);规则矩阵的每一行对应一条规则，五列分别表示：输入1的隶属函数索引、输入2的隶属函数索引、输出的隶属函数索引、规则权重、连接关系（1表示“且”，2表示“或”）。这里全部用“且”，权重都为1。
模糊控制 路径规划 Matlab直接运行
现在，我们可以测试一下这个模糊推理系统。比如障碍物在右前方30度、距离3米时，转向角应该多少？
dist_test = 3; angle_test = 30; steer_out = evalfis(fis, [dist_test, angle_test]); fprintf('障碍物距离 %.1f 米，角度 %.1f 度 => 转向角: %.2f 度\n', ... dist_test, angle_test, steer_out);跑一下，输出可能是“转向角: -12.45 度”，意思是建议向左转约12度。这就体现了模糊推理的“柔顺”：不是非左即右的开关式决策，而是平滑的折衷。
为了直观，我们画个整个输入空间对应的输出曲面：
figure; gensurf(fis); xlabel('距离'); ylabel('角度'); zlabel('转向角'); title('模糊控制器输出曲面');这张曲面很形象——距离近且角度大时，转向角急剧变化；距离远时，曲面平坦，基本保持直行。这就是模糊控制的优势：用简单的规则生成连续、非线性的控制响应，而且容易调整。
最后，如果想嵌入到路径规划仿真里，只需在每步感知环境后，调用evalfis计算转向指令，更新小车位姿即可。代码轻量，逻辑直观，比写一堆微分方程和优化函数快多了。
模糊控制路径规划就像让机器人拥有了“经验直觉”，在不确定环境里尤其灵活。当然，它不擅长处理特别复杂的高维问题，但作为局部避障或与其他规划器配合，绝对是一把好手。Matlab的工具箱让这一切变得像搭积木一样简单，有兴趣的话，试着改改隶属函数或规则，看看小车行为如何变化，乐趣就在其中。