基于模糊强化学习的ARMA控制器改进型：用于适应地形变化的轮椅导航系统

《IEEE Access》：Fuzzy Reinforcement Learning-Enhanced ARMA Controller for Adaptive Terrain-Aware Wheelchair Navigation

　　

摘要：

患有运动障碍（如脑瘫）的人在使用电动轮椅时，常常难以精确控制操纵杆，尤其是在不同的地形上。虽然我们之前的研究提出了FCWCARMA——一种基于ARMA的反馈控制器，并配备了触觉辅助功能——但它依赖于预先定义的速度表，这限制了其在未知或混合地形环境中的适应性。另外，我们还展示了模糊Q学习强化算法在移动机器人导航中的有效性，使得机器人能够自主避障并优化路径。本文提出了FRL-ARMA-WC（基于模糊强化学习的ARMA轮椅控制框架），这是一种将模糊强化学习与ARMA反馈系统相结合的新型混合框架，可实现实时、感知地形的轮椅导航。该系统利用模糊推理引擎来解读地形和用户输入，而Q学习代理则根据环境反馈动态调整速度策略。在程序生成的混合地形环境中的仿真测试表明，与原始的FCWCARMA相比，FRL-ARMA-WC将速度跟踪误差（RMSE）降低了47.6%，路径效率提高了10.9%，超调减少了33.9%，并且在噪声条件下仍能保持稳定的触觉反馈。这些仿真结果为后续的硬件验证和临床试验奠定了基础。该系统专为嵌入式应用设计，确保了低计算开销和实时响应能力，标志着个性化、适应性移动辅助技术的重要进展。