دانشگاه تربیت مدرس مهندسی مکانیک مدرس 2476-6909 26 10 2026 09 23 Chromosome-Based Mapping of the Obstacle Traversal Problem: An Adaptive Fuzzy-Genetic Framework for a Six Wheel-Leg Robot نگاشت کروموزمی مسئله عبور از مانع: چارچوبی تطبیقی مبتنی بر الگوریتم ژنتیک-فازی برای ربات شش چرخ-پا 795 815 28900 10.48311/mme.2026.120505.83013 FA سیدمصطفی حسینی دانشکده مهندسی مکانیک، دانشگاه صنعتی اصفهان، ،84156-83111اصفهان، ا یران 0009-0008-2623-4397 سعید بهبهانی دانشکده مهندسی مکانیک، دانشگاه صنعتی اصفهان، ،84156-83111اصفهان، ا یران 0009-0009-7178-4168 Journal Article 2026 05 17 Hybrid wheeled-legged robots offer superior mobility in unstructured terrain by combining the locomotion efficiency of wheels with the adaptability of legs. However, efficiently traversing complex obstacles necessitates intelligent reconfiguration policies that coordinate leg movements, wheel velocities, and body posture. This paper presents an integrated learning framework to derive optimal policies for a six-wheeled-legged robot traversing an asymmetric step obstacle. Initially, the kinematic relationships governing wheel-leg interaction with the ground and slip-free wheel velocity coordination are formulated. As the key innovation, the obstacle traversal problem is mapped into a low-dimensional and continuous parametric optimization space, upon which a Genetic Algorithm-based learning framework is developed. Without imposing restrictive assumptions, this framework significantly reduces the complexity of the search space. In addition, fuzzy logic is employed to integrate human expertise into the cost function and adapt its weighting coefficients. This facilitates the automatic discovery of practical policies without relying on pre-defined motion sequences. Simulation results are validated through experiments on the ViraHex robot, demonstrating close agreement in leg motion sequences, support polygon transitions, and the mitigation of undesired body deviations. Overall, this framework offers an effective and scalable solution for optimizing obstacle traversal in hybrid robots, highlighting the potential of learning-based strategies in complex environments. ربات‌های هیبریدی چرخ‌دار-راه‌رونده با تلفیق بازدهی حرکتی چرخ‌ها و قابلیت سازگاری پاها، توانمندی بالایی برای حرکت در محیط‌های ناهموار دارند. با این حال، عبور کارآمد از موانع پیچیده مستلزم راهبردهای هوشمندی است که حرکات پا، سرعت چرخ‌ها و وضعیت بدنه را هماهنگ سازد. این مقاله یک چارچوب یادگیری یکپارچه برای استخراج سیاست‌های تغییر پیکربندی بهینه جهت عبور یک ربات شش چرخ-پا از مانع پله نامتقارن ارائه می‌دهد. در ابتدا، روابط سینماتیکی حاکم بر تعامل چرخ-پا با زمین و تنظیم سرعت چرخ‌ها بدون لغزش استخراج شده است. به‌عنوان نوآوری کلیدی، مسئله عبور از مانع به یک فضای بهینه‌سازی پارامتری کم‌بعد و پیوسته نگاشت شده و بر این اساس چارچوب یادگیری مبتنی بر الگوریتم ژنتیک ارائه می‌شود. این چارچوب، بدون تحمیل مفروضات محدودکننده، پیچیدگی فضای جستجو را به‌طور چشمگیری کاهش می‌دهد. در کنار این رویکرد، از منطق فازی جهت انتقال خبرگی انسان به تابع هزینه و تطبیق ضرایب وزنی آن بهره گرفته شده است که امکان کشف خودکار سیاست‌های عملی را بدون نیاز به توالی‌های حرکتی از پیش تعریف‌شده فراهم می‌آورد. نتایج شبیه‌سازی با آزمایش‌های تجربی بر روی ربات ویراکس اعتبارسنجی شده و تطابق نزدیکی بین توالی حرکات پا، گذار چندضلعی تکیه‌گاه و کاهش انحرافات ناخواسته بدنه مشاهده شده است. در مجموع، این رویکرد راه‌حلی مؤثر و مقیاس‌پذیر برای بهینه‌سازی عبور از مانع در ربات‌های هیبریدی ارائه می‌دهد و پتانسیل استراتژی‌های مبتنی بر یادگیری را در محیط‌های پیچیده برجسته می‌سازد. https://mme.modares.ac.ir/article_28900_f29fa72991dafa0ab83a053e89b9866a.pdf