智能清洁机器人是自动化控制技术和人工智能技术发展的产物,其集成了自动化控制领域和人工智能的多学科的知识。作为一种服务型机器人其包含机器人领域的传感器技术、自动回充技术、自动避障技术、路径规划技术以及电源技术等,清洁机器人产品的智能化水平是以上各领域技术的综合体现,相比于其他技术的研究,目前在清洁机器人避障方面的研究还有很大的提升空间。本文针对当前清洁机器人避障控制存在的问题,提出了基于模糊神经网络的避障控制策略,并针对具体需求,对避障控制进行了系统化的设计。环境识别是清洁机器人避障的前提,对障碍物进行有效探测是避障控制的基本保证。本文环境识别系统由分布在清洁机器人的不同方位的超声波传感器和反射式红外传感器构成,各个传感器采集到的信息将利用多传感器信息融合技术,进行预处理,然后交于控制系统进行环境的数据分析和避障控制决策处理。考虑到以上数据处理的复杂性,本文避障系统的设计采用ARM+DSP处理模式,即利用STM32F103和TMS320F2812作为控制系统的核心处理芯片。其中,STM32F103作为上位机处理清洁机器人在避障过程中的中断信号、人机交互以及驱动模块控制;TMS320F2812作为下位机,利用其高速运算能力实现对多传感器信息融合和模糊神经网络避障算法的处理,上位机和下位机采用CAN总线进行实时通讯。本课题在避障控制算法研究的基础之上,对控制系统的各个模块进行了详细设计:包括传感器模块、动力驱动模块、电源模块、串口通讯模块等。对环境传感器的总布局以及超声波传器、反射式红外传感器和陀螺仪传器的硬件电路进行了设计;驱动模块当中,对清洁机器人的差动驱动方式和PWM驱动模式进行了研究,并且对H桥驱动电路进行了设计;基于全局坐标和相对坐标,对清洁机器人进行了系统化的建模分析,并且基于实际避障环境,对障碍物模型进行分析和归类。本文还对模糊神经网络算法的基本理论进行了研究,结合具体控制需求,设计了清洁机器人避障的模糊控制规则,在此基础之上,对模糊控制的BP神经网络基本结构进行了详细设计。本文最后搭建了避障控制的仿真环境,验证了模糊神经网络算法的可行性,搭建了清洁机器人实验平台,对避障控制系统的实际效果进行了验证。