本論文提出一個批次自我學習法來自動產生一個可以有效控制輪型機器人移動之移動模糊控制器。此方法在每一代均有控制階段、受控體模糊鑑別階段與控制器學習階段等三個階段。此方法主要有兩個模糊系統，其中一個為用來鑑別輪型機器人之移動模糊鑑別器，另一個為用來控制輪型機器人移動之移動模糊控制器。在第一階段之控制階段，移動模糊控制器將控制實際的輪型機器人，並且蒐集輪型機器人的輸出入對，其將包含機器人在場地上實際移動的特性。在第二階段之受控體模糊鑑別階段，利用第一階段所得到之輸出入對來鑑別輪型機器人，並且用基因遺傳演算法來得到一個可以逼近這些輪型機器人的輸出入對之模糊鑑別器。在第三階段之控制器學習階段，將第二階段所得到之移動模糊鑑別器來取代實際的輪型機器人，並且用基因遺傳演算法來得到一個讓此模糊鑑別器具有不錯控制性能的移動模糊控制器。在到達最大代數之前，此三階段之學習方法將一直重複的進行。模糊系統的一些可調參數被視為一個參數集，本論文用基因遺傳演算法來分別找出具有最佳逼近性能之模糊鑑別器與具有最佳控制性能之模糊控制器。移動模糊控制器之參數將可以由所提之批次自我學習法來自動產生，所選取的移動模糊控制器將可以使得輪型機器人之控制具有最佳的移動性能。此外，不同的輪型機器人在不同的環境下，所提之方法仍然讓控制器具有不錯的控制性能，所以所提之方法具有不錯的適應性。從FIRA 3維機器人足球模擬器之模擬結果可以驗證所控制的輪型機器人可以有效的從起始位置順利到達目的地位置。

In this thesis, a batch self-learning method is proposed to automatically determine a motion fuzzy controller so that the motion of the controlled wheeled robot has a good performance. This method in each generation can be separated into three states: a control state, a controlled plant identification state, and a controller learning state. There are two fuzzy systems in this method. One is a fuzzy identifier to identify the real wheeled robot and the other is a fuzzy controller to control the wheeled robot. In the first state of control state, the motion fuzzy controller will control the real wheeled robot and the input and output data of the robot is collected, where the motion characters of the robot on the plane are included. In the second state of the controlled plant identification state, based on the obtained input and output data in the first state, a fuzzy identifier with a good approximation performance is obtained by Genetic Algorithm. In the third state of controller learning state, the fuzzy identifier obtained in the second state is viewed as the controlled plant and a fuzzy controller with a good control performance is obtained by Genetic Algorithm. These three states of the learning method will be repeated until the maximum generation is reached. The antecedent and consequent parameters of the fuzzy system are viewed as a parameter set and Genetic Algorithm is proposed to choose appropriate parameter sets so that the selected fuzzy identifier has a good approximation and the selected fuzzy controller has a good control performance. The parameters of fuzzy controller can be automatically selected by the batch self-learning method so that the obtained motion fuzzy controller has a good control performance. Moreover, different robots in different environment using the proposed method also can let the obtained controller have a good control performance. Therefore, the proposed self-learning method has a good adaptability. Some simulation results in FIRA 3D robot soccer simulator are presented to illustrate that the controller can control the robot to the destination smoothly.

第一章  序論	1
1.1	研究背景	1
1.2	研究目的	4
1.3	論文架構	5
第二章  模糊理論	6
2.1 模糊理論背景	6
2.2 模糊系統的基本架構	7
2.3 模糊控制器設計	9
2.4 模糊系統之基本名詞	11
第三章  基因遺傳演算法	15
3.1 基因遺傳演算法簡介	15
3.2 基因遺傳演算法架構	19
第四章  批次自我學習法	26
4.1 前言	26
4.2 移動模糊鑑別器設計	28
4.2.1 兩輪機器人之運動模型	29
4.2.2 移動模糊鑑別器架構	30
4.3 移動模糊控制器	32
4.4 模糊系統設計	34
4.5批次自我學習法架構	40
4.5.1 控制階段	42
4.5.2 受控體模糊鑑別階段	44
4.5.3 控制器學習階段	46
第五章  模擬結果	49
5.1 參數設定	49
5.2 模擬結果	50
第六章  結論及未來展望	59
6.1 結論	59
6.2 未來展望	59
參考文獻	60
圖2.1 模糊系統架構圖	7
圖2.2 溫度歸屬函數	12
圖2.3 三角形模糊化	13
圖2.3 高斯模糊化	14
圖3.1 基因編碼範例	16
圖3.2 基因遺傳演算法流程圖(二進制和實數編碼)	20
圖3.3 競爭法範例圖	21
圖3.4 均勻交配	23
圖3.5 算數交配	23
圖3.6 均勻突變(二進制編碼)	24
圖3.7 均勻突變(實數編碼)	25
圖4.1 控制兩輪輪型機器人之基本架構圖	26
圖4.2 利用基因遺傳演算法來調整模糊控制器參數之示意圖	27
圖4.3 移動特性近似於機器人之模糊鑑別器取代實際機器人的示意圖	27
圖4.4 兩輪機器人之架構圖	29
圖4.5 兩輪機器人之系統模型	30
圖4.6 兩個 “兩輸入一輸出模糊系統”所組成之移動模糊鑑別器	31
圖4.7 移動距離D之示意圖	32
圖4.8 轉動角度 之示意圖	33
圖4.9 四輸入兩輸出的移動模糊控制器架構	33
圖4.10 兩個 “兩輸入一輸出模糊系統”所組成之移動模糊控制器	34
圖4.11 移動速度模糊鑑別器	35
圖4.12 旋轉速度模糊鑑別器	36
圖4.13 距離模糊控制器	36
圖4.14 角度模糊控制器	37
圖4.15 批次自我學習法架構流程圖	42
圖4.16 第一階段：控制階段	44
圖4.17 第二階段：受控體模糊鑑別階段	46
圖4.18 第三階段：控制器學習階段	48
圖5.1 FIRA足球機器人模擬器	49
圖5.2 每代最佳模糊鑑別器之適應函數圖	51
圖5.3 每代最佳移動模糊控制器之適應函數圖	51
圖5.4 模糊移動控制器之語言變數的歸屬函數圖：(a)角度誤差 、(b)角度誤差變化量Δ 、(c) 距離誤差d及(d) 距離誤差變化量Δd	52
圖5.5 機器人之初始點及目標位置分別為(0, 0)及(200, 300)的移動軌跡圖	53
圖5.6 距離誤差與時間之關係圖	53
圖5.7角度誤差與時間之關係圖	53
圖5.8 機器人之初始位置為(0,0)，而機器人的初始角度均朝向目標位置之機器人實際移動軌跡圖	54
圖5.9 機器人之初始位置為(0,0)及初始角度為45度，而機器人朝8個不同角度方向移動到目標位置之機器人實際移動軌跡圖	55
圖5.10 機器人之初始位置為(0,0)及目標位置為(200, 300)，而初始角度不同之機器人實際移動軌跡圖	56
圖5.11 在機器人之初始位置為(0, 0)及初始角度為45度，而機器人朝4個場內不同任意點之機器人實際移動軌跡圖	57
圖5.12 在機器人初始位置為(0,0)，而目標座標及初始角度均為對稱時之機器人實際移動軌跡圖	58

[1]	A. Mackworth, “On seeing robots,” World scientific Press Computer Vision: System, Theory, and Applications, pp.1-13, 1993.
[2]	URL: http://www.robocup.rog/
[3]	URL: http://www.fira.net/
[4]	K.S. Narendra and K. Parthasarathy, “Identification and control of dynamical system using neural network,” IEEE Transactions on Neural Networks, vol.1, pp.4-27, Jan. 1990.
[5]	C.F. Juang, “A TSK-Type recurrent fuzzy network for dynamic systems processing by neural network and genetic algorithms,” IEEE Transactions on Fuzzy Systems, vol.10, no.2, pp.155-170, Apr. 2002.
[6]	C.T. Lin and C.S.G. Lee, “Neural-network-based fuzzy logic control and decision system,” IEEE Transactions on Computers, vol.40, pp. 1320-1336, Dec. 1991.
[7]	J.S. Jang, “ANFIS: Adaptive-network-based fuzzy inference systems,” IEEE Transactions on Systems, Man and Cybernetics, vol.23, no.3, pp. 665-685, 1993
[8]	C.C. Wong and C.C. Chen, “A GA-based method for constructing fuzzy systems directly from numerical data,” IEEE Transactions on Systems, Man and Cybernetics Part B: Cybernetics, vol.30, no.6, pp.904-911, 2000.
[9]	C.C. Ku and K.Y. Lee, ”Diagonal recurrent neural networks for dynamic systems control,” IEEE Transactions on Neural Networks, vol.6, pp.144-156, Jan.1995.
[10]	L.A. Zadeh, “Fuzzy sets,” Information and Control, vol.8, pp.338-353, 1965.
[11]	D.E. Goldberg, Genetic Algorithm in Search, Optimization and Machine Learning, Addison-Wesley, Reading, MA, 1989.