本論文提出一機器人模糊行為決策系統來解決機器人的二元策略樹之判斷方法。使用模糊行為決策系統來取代二元樹的策略判斷，可以讓策略端在做決策時能更圓滑、有彈性，並且提高足球機器人進攻的效率。本論文以FIRA(Federation of International Robot-soccer Association)中RoboSot組的足球機器人競賽為研究平台。本論文將足球機器人模糊行為決策系統實現於ROS(Robot Operation System)內的Gazebo模擬器，並設計四種足球機器人的進攻策略，讓我方機器人能在進攻時，可以躲避敵方機器人，降低被抄球的機率。此四種策略配合本論文提出之模糊行為決策系統，將場地資訊輸入到模糊分類器內運算後會決定出在機器人目前的狀態下最佳的進攻策略。在最後的實驗結果中，本論文將有使用模糊行為決策系統與只使用有限狀態機之行為決策系統及使用單一策略之系統進行對戰。除此之外也將此系統使用在實際機器人中。從對戰結果可證實本方法能使機器人更貼近專家之想法，並增加足球比賽的勝率。

This paper proposes a behavior decision fuzzy system to solve the behavior decision based on binary tree method. Using behavior decision fuzzy system to replace binary tree can make the behavior decision smoother and flexible in strategy side, also improve the efficiency when soccer robot is attacking. This paper is based on middle-size robots with the competition of FIRA (Federation of International Robot-soccer Association) RoboSot. Moreover, this study implement the behavior decision fuzzy system in Robot Operating System (ROS) and Gazebo simulator. We design four attack strategies in this behavior decision fuzzy system, so that our robot can avoid opponent and reduce the probability of steals by opponent when robot is attacking. Using these strategies and inputting the information of the soccer field to the behavior decision fuzzy system will determine the optimal attack strategy which in present situation. In the experimental results, we execute the program which is using behavior decision fuzzy system to battle with using finite state machine (FSM) system and four strategies respectively. In addition, we also use in the actual robot and playing on real competition. From the results of the battle, we can prove this system let behavior closer to the thinking of experts and increase the winning percentage of soccer game.

目錄
中文摘要	I
英文摘要	II
目錄	III
圖目錄	V
表目錄	IX
第 1 章 緒論	1
1.1 研究背景	1
1.2 研究動機	4
1.3 論文架構	4
第 2 章 足球機器人系統介紹	5
2.1 硬體系統架構	5
2.2 機器人作業系統之簡介	7
2.3 GAZEBO模擬器介紹	13
2.4 軟體策略架構介紹	18
2.5 足球機器人之ROS架構	19
第 3 章 模糊行為決策系統介紹	22
3.1 模糊系統介紹	22
3.2 模糊行為決策系統介紹	29
第 4 章 實驗結果	53
4.1 實驗平台與環境建置	53
4.2 模糊行為決策系統實驗模擬結果	56
4.3 模糊行為決策系統實驗實際結果	61
第 5 章 結論與未來展望	63
參考文獻	64

 
圖目錄

圖 1.1、FIRA	2
圖 1.2、RoboCup	2
圖 1.3、場地尺寸圖	3
圖 1.4、比賽足球	3
圖 2.1、機器人外觀	5
圖 2.2、硬體架構圖	5
圖 2.3、全方位影像	6
圖 2.4、微型電腦	6
圖 2.5、全方位移動平台	7
圖 2.6、史丹佛大學開發之機器人	8
圖 2.7、使用ROS實現之機器人	8
圖 2.8、ROS系統通訊結構圖	11
圖 2.9、link與joint示意圖	15
圖 2.10、Gazebo架構	16
圖 2.11、Gazebo的圖形化介面	17
圖 2.12、軟體策略架構圖	18
圖 2.13、足球機器人之ROS架構圖	21
圖 3.1、模糊系統之架構圖	23
圖 3.2、三角形歸屬函數示意圖	26
圖 3.3、梯形歸屬函數示意圖	27
圖 3.4、模糊行為決策系統輸出入表示圖	29
圖 3.5、機器人車頭與球的夾角之示意圖	30
圖 3.6、機器人車頭與球的夾角之歸屬函數圖	31
圖 3.7、機器人與球的距離之示意圖	32
圖 3.8、機器人與球的距離之歸屬函數圖	33
圖 3.9、有持球狀態之風險值示意圖	34
圖 3.10、有持球狀態之風險值公式參數示意圖	35
圖 3.11、未持球狀態之風險值示意圖	36
圖 3.12、未持球狀態之風險值公式參數示意圖	36
圖 3.13、機器人與敵方機器人的風險值歸屬函數圖	37
圖 3.14、機器人與進攻球門的距離之示意圖	38
圖 3.15、機器人與進攻球門的距離歸屬函數圖	38
圖 3.16、模糊行為決策系統的輸出值歸屬函數圖	39
圖 3.17、繞球直線進攻示意圖	40
圖 3.18、繞球背向進攻示意圖	41
圖 3.19、直線追球背向進攻示意圖	42
圖 3.20、直線追球直線進攻示意圖	43
圖 3.21、規則庫範例一	48
圖 3.22、規則庫範例二	49
圖 3.23、行為決策架構圖	51
圖 4.1、六代足球機器人之模擬圖	54
圖 4.2、5號足球之模擬圖	54
圖 4.3、實驗環境正視圖與坐標系	55
圖 4.4、實驗環境等視圖	55
圖 4.5、直線追球直線進攻策略實際應用於2016年FIRA RoboSot	61
圖 4.6、直線追球背向進攻策略實際應用於2016年FIRA RoboSot	62

 
表目錄

表 3.1、模糊規則庫	44
表 4.1、足球機器人與球之物理條件	54
表 4.2、有限狀態機之方法與其他策略對戰之結果	58
表 4.3、本論文提出之方法與其他策略對戰之結果	59
表 4.4、追球策略之比較	60
表 4.5、進攻策略之比較	60

[1]	林怡女匀，基於PSO模糊分類器於多目標色彩模型的設計，淡江大學電機工程研究所碩士論文(指導教授:李世安)，2013。
[2]	黃文鴻，於ROS之地圖建置與探索系統設計，淡江大學電機工程研究所碩士論文(指導教授:李世安)，2016。
[3]	游翔麟，基於模糊力量感測之六軸機械手臂的直覺式教導，淡江大學電機工程研究所碩士論文(指導教授:翁慶昌)，2015。
[4]	孫宗瀛、楊英魁，Fuzzy控制-理論、實作與應用，全華科技圖書股份有限公司，1994。
[5]	A. Mackworth, “On seeing robots,” World Scientific Press Computer Vision: System, Theory, and Applications, pp. 1-13, 1993.
[6]	Atlas, URL: http://www.bostondynamics.com/robot_Atlas.html
[7]	A. Y. Ng, S. Gould, M. Quigley, A. Saxena and E. Berger, “STAIR: Hardware and software architecture.” AAAI 2007 Robotics Workshop, pp. 31-37, 2007.
[8]	A. Y. Ng, S. Gould, M. Quigley, A. Saxena, and E. Berger, “STAIR: The STanford artificial intelligence robot project.” Snowbird, 2008.
[9]	FIFA, URL: http://www.fifa.com/
[10]	FIRA, URL: http://www.fira.net
[11]	F. Michaud, “Selecting behaviors using fuzzy logic,” IEEE International Conference on Fuzzy Systems, vol. 1, pp. 585-592, 1997.
[12]	Gazebo, URL: http://gazebosim.org/
[13]	I. Kuncheva, “Fuzzy classifier design,” Springer Science & Business Media, 2000.
[14]	J. Maitin-Shepard, M. Cusumano-Towner, J. Lei, and P. Abbeel, “Cloth grasp point detection based on multiple-view geometric cues with application to robotic towel folding,” 2010 IEEE International Conference on Robotics and Automation (ICRA), pp. 2308-2315, 2010.
[15]	J. I. Zannatha, L. F. Medina, R. C. Limon, and P. M. Alvarez, “Behavior control for a humanoid soccer player using Webots,” 21st IEEE International Conference on Electrical Communications and Computers (CONIELECOMP), pp. 164-170, 2011.
[16]	K. Wyrobek, E. Berger, H. Van der Loos, and J. Salisbury, “Towards a personal robotics development platform: rationale and design of an intrinsically safe personal robot,” 2008 IEEE International Conference on Robotics and Automation (ICRA), pp. 2165-2170, 2008.
[17]	L. A. Zadeh, “Fuzzy sets,” Information and Control, vol. 8, no. 3, pp. 338-353, 1965. 
[18]	Nao, URL: http://www.nao.com.tw
[19]	N. Koenig and A. Howard, “Design and use paradigms for gazebo, an open-source multi-Robot simulator,” 2004 IEEE International Conference on Robotics and Automation (ICRA), vol.3, pp. 2149-2154, 2004.
[20]	PR2, URL: https://www.willowgarage.com/pages/pr2/overview.
[21]	P. Vadakkepeat, X. Peng, B. K. Quek, and T. H. Lee, “Evolution of fuzzy behaviors for multi-robotic system,” Robotics and Autonomous Systems, vol. 55, no. 2, pp. 146-161, 2007.
[22]	RoboCup, URL: http://www.robocup.org
[23]	ROS, URL: http://www.ros.org
[24]	youBot, 
URL: http://www.youbot-store.com/youbot-store/products/youbots/