Многоагентная система навигации транспортных средств на основе адаптивной нейро-нечёткой системы вывода
Автор: Лян Ч., У Х., Ван С., Хуан Д.
Журнал: Международный журнал гуманитарных и естественных наук @intjournal
Рубрика: Технические науки
Статья в выпуске: 12-2 (111), 2025 года.
Бесплатный доступ
В работе предлагается интеллектуальная система навигации наземного автономного транспортного средства на основе нейро-нечётких методов для сеточных карт со статическими препятствиями. Сначала строится нечеткий логический регулятор (FLC), который выступает в роли «безопасного эксперта» и генерирует траектории без столкновений для различных конфигураций карты. Далее по этим демонстрационным данным обучается адаптивная нейро-нечёткая система вывода (ANFIS), формирующая ядро базы знаний и предназначенная для воспроизведения (или улучшения) поведения FLC. Качество навигации оценивается по числу столкновений, времени достижения цели и плавности траектории. Результаты моделирования показывают, что обученный нейро-нечёткий регулятор обеспечивает безопасное, эффективное и плавное движение, подтверждая пользу сочетания правил нечеткой логики и обучения по данным.
Нейро-нечёткое управление, автономная навигация, нечеткий логический регулятор (flc), обход препятствий
Короткий адрес: https://sciup.org/170212818
IDR: 170212818 | DOI: 10.24412/2500-1000-2025-12-2-336-345
Multi-agent vehicle navigation system based on adaptive neuro-fuzzy inference system
This paper presents a neuro-fuzzy based intelligent navigation system for an autonomous ground vehicle operating in grid-like environments with static obstacles. A Fuzzy Logic Controller (FLC) is first constructed to serve as a safe expert demonstrator, generating collision-free navigation trajectories under various map configurations. These expert demonstrations are then used to train an Adaptive Neuro-Fuzzy Inference System (ANFIS), which forms the core of the management knowledge base and aims to reproduce or improve the FLC behaviour. The navigation performance is evaluated by collision count, travel time, and path smoothness. Experimental results demonstrate that the trained neuro-fuzzy controller achieves safe, efficient and smooth navigation, confirming the effectiveness of combining fuzzy rule-based reasoning with data-driven learning.
