导盲机器人机械结构分解图
4.色彩设计
色彩能引起人的情绪变化，合理的色彩搭配可使人心情愉快，保持良好的精神状态；杂乱而刺目的色彩影响人正常的心理情绪，对人的健康产生损害。色彩会引起人们心理、情绪、情感及认知上的变化，所以可用色彩调节来避免不利的影响。本文采用淡绿色作为整个导盲机器人的机身颜色。在室内室外工作的时候虽然操纵者自身看不到，但是周围的人可以看到车体的美观与色彩的亮丽，在引起众人注意的同时，也给使用者的出行带来了一定方便。这种以人机工程学理论为指导设计的机械结构，不仅在功能上完成的相当出色，而且在人性化和美观性都很好的得到了体现。
2. 5车体运动学分析
机器人利用三轮轮式结构来进行支撑车体前行与导向，如图2.10三轮结构大致可分为三种，导盲机器人采用第二种设计，它可以减轻车体本身的重量且行动灵活便于使用者掌控。这种结构使得车体运动的复杂程度得到大幅的简化，从而使得设计工作量减轻很多。
V舵轮万向轮万向轮驱动轮从动轮差动齿轮装置控制轮VV
车底结构布置
导盲机器人的自身不存在前进动力，通过手推杆连接点来提供给车体。通过这个支点将动力分别作用到各个轮子上，相当于三个轮子自身可以提供自转动力，但是行进方向是由右轮掌控。由于机器人不具有侧向移动机构，机器人一次实现侧向的移动是不切实际的。为了实现侧向移动，可以把这种移动分解为自转与直线前进的方式来实现。利用自转、直线前进的运动方式，能够实现任意曲线的行走。
使用者推动导盲机器人一起行进，当遇到障碍物时，导盲机器人向使用者发出警报，使用者会停下来，这时主控单元（S7-200）将接收到的信息予以处理，然后将信号输入驱动模块，此时步进电机驱动右轮转动，与左轮形成差速，于是小车开始转动。
1 导盲机器人自转
假设机器人自转的角速度为φ(以逆时针方向为正)；V1表示左侧轮子移动的速度矢量；V2表示右侧轮子移动的速度矢量。如图2.11中所示，d表示两侧轮子与中心的横向距离； b表示两侧轮子距连接点的纵向距离；?1表示垂直于右侧轮子中心与原点0的连线的垂线与Y轴的纵向的夹角；?2表示垂直于左侧轮子中心点与原点O的连线的垂线与Y轴的纵向的夹角。他们的关系如下：
=
推导出
=
=
车体与车轮的运动关系如下：
?2d重心?V2驱动轮1V1bR手推杆接点 小车运动分析
2导盲机器人直线行进
设机器人前进的速度为Y。则车体的运动与驱动轮的运动之间的运动关系如下：
行进速度相一致。
直线行进时，导盲机器人所有车轮的速度均相同，它的行进速度与使用者的
以上两种情况的计算结果可以得到车体运动的所有情况下的大小和方向。由以上两种情况可以看出重心点的行进轨迹。
第3章 基于matlab的导盲机器人的控制逻辑仿真
3. 1 仿真的必要性
虽然导盲机器人在室内工作，但是它所处的工作环境也是不确定的，所以根据不同情况的变化而进行伺服控制就显得很有必要。在不确定的环境中，系统始终是在安全状态与不安全状态下相互转换工作的，如下图所示：
外界变化安全状态非安全状态系统自适应调整逻辑系统工作模式
系统处于安全状态下时，使用者可以放心的前行。当外界环境发生变化时，如果不满足系统的触发条件，则认为系统还是处于安全状态。如果满足系统的触发条件，也就是危及使用者的行进安全，那么系统将进入不安全的状态。系统根据触发的条件做出相应的判断，然后调整自身，修正方向和轨迹，告知使用者。最后使得车体系统和使用者重新回到安全的状态。
在众多触发条件下，导盲机器人需要进行相对精确的控制，这就需要对整个导盲机器人控制逻辑进行研究。外界的触发条件是随着环境的改变而改变的，不同的触发条件将产生不同的控制逻辑。因而对其进行逻辑系统进行仿真是必要和可行的。
3. 2 仿真工具概述
本文选用MATLAB作为仿真工具，MATLAB是一种图形化建模和仿真环境，在这种环境下，可以实现基于BP神经网络算法的仿真，构建出BP神经网
络算法的模型，导盲机器人的仿真模型原理是基于BP神经网络算法。
1.BP神经网络
1986年D.E.Rumelhart和J.L.McClelland提出了一种利用误差反向传播训练算法的神经网络，简称BP（Back Propagation）网络，是一种有隐含层的多向前馈网络，系统的解决了多层网络中隐含单元连接权的问题。
如果网络的输入节点数为M，输出节点数为L，则此神经网络可看成是从M维欧氏空间到L维欧氏空间的映射。这种映射是高度非线性的。主要用于以下几个方面：
（1）、模式识别与分类：用于语言、文字、图像的识别，医学特征的分类和诊断等。
（2）、函数逼近：用于非线性控制系统的建模、机器人的轨迹控制及其它工业控制等。
（3）、数据压缩：编码压缩和恢复，图像数据的压缩和存储，以及图像特征的抽取等。
2,、BP算法原理
BP学习算法的基本原理是梯度最速下降法，它的中心思想是调整权值使网络总误差最小。也就是采用梯度搜索技术，以期是网络的实际输出值与期望输出值的误差均方差为最小。网络学习过程是一种误差边向后传播边修正权系数的过程。
多层网络应用BP学习算法时，实际上包含了正向和反向传播的两个阶段。在正向传播的过程中，输入信息从输入层经隐含层逐层处理，并传向输出层，每一层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到期望输出，则转入反向传播，将误差信号沿原来的连接通道返回，通过修改各层神经元的权值，使误差信号最小。
将一层节点的输出传送到另一层时，通过调整连接权系数Wij来达到增强或削弱这些输出的作用。除了输入层的节点外，隐含层和输出层节点的净输出是前一层接点输出的加权和。每个节点的激活程度由它的输入信号、激活函数和节点的偏值（或阈值）来决定。但对于输入层，输入模式送到输入层节点上，这一层节点的输出即等于其输入。注意，这种网络没有其反馈的存在，实际运动仍是