ARTICLE
International Journal of Advanced Robotic Systems

A New Fuzzy Inference Technique for

Singleton Type-2 Fuzzy Logic Systems
Regular Paper

Hwan-Joo Kwak1, Dong-Won Kim2,*, and Gwi-Tae Park1

 
1 Department of Electrical Engineering, Korea University, Seoul, Republic of Korea
2 Department of Digital Electronics, INHA Technical College, Incheon, Republic of Korea
* Corresponding author E-mail: dwnkim@inhatc.ac.kr
 
Received 16 May 2012; Accepted 30 Jun 2012

DOI: 10.5772/51187

© 2012 Kwak et al.; licensee InTech. This is an open access article distributed under the terms of the Creative
Commons Attribution License (http://creativecommons.org/licenses/by/3.0), which permits unrestricted use,
distribution, and reproduction in any medium, provided the original work is properly cited.

Abstract  A new fuzzy inference technique is presented to  dispersions, linguistic uncertainties and distortions [4], [5]. 

replace the conventional fuzzy inference process of type‐2  To  overcome  the  limitation  of  the  T1FLSs,  type‐2  fuzzy 
fuzzy  logic  systems.  Because  conventional  type‐2  fuzzy  logic  systems  are  proposed,  which  can  handle  these 
logic  systems  demand  a  large  amount  of  memory,  they  uncertainties. 
cannot be used by most embedded systems, which do not   
have enough memory space. To overcome this problem, a  However, type‐2 FLSs also suffer certain problems caused 
new  fuzzy  inference  technique  for  singleton  type‐2  fuzzy  by system complexity. The increased dimension of type‐2 
logic  systems  is  presented  in  this  paper  which  designs  fuzzy  sets  increases  the  complexity  and  computational 
mapping functions from input variables to firing sets and  cost of the system exponentially. Most researchers of type‐
brings  out  the  firing  sets  directly  without  using  as  much  2 FLSs have tried to simplify and approximate the original 
memory.  systems  using  interval  sets  [6]‐[10],  improved  type‐
  reduction  methods  [11],  [12],  and  so  on  [13],  [14].  These 
Keywords  type‐2  fuzzy  logic,  fuzzy  inference,  embedded  methods,  however,  cannot  handle  the  full  information  of 
system  uncertainties  and  demand  a  large  amount  of  memory  to 
operate  inference  processes.  If  the  sensors  of  the  actual 
  control  systems  come  out  with  8  bits  of  data,  and  the 
1. Introduction  membership  grades  of  fuzzy  logic  have  8  bit  resolutions, 
8 8 8
As  premiere  applications  of  artificial  intelligence,  fuzzy  then  one  type‐2  fuzzy  set  demands  2  2  2  16  
logic  systems  (FLSs)  can  handle  human  linguistic  MB  of  memory  for  conventional  type‐2  FLSs.  Because  of 
variables  and  reproduce  the  performance  of  human  the demand for memory, most embedded systems cannot 
experts. Based on the use of linguistic variables and fuzzy  use conventional type‐2 fuzzy sets. 
reasoning,  FLSs  can  efficiently  approximate  and  describe   
complex,  nonlinear  and  mathematically  intangible  Type‐1  fuzzy  logic  has  been  applied  to  many  robotic 
systems  [1]‐[3].  However,  type‐1  fuzzy  logic  systems  systems  because  of  its  advantages  in  making  use  of 
(T1FLSs)  cannot  handle  uncertainties,  such  as  measuring  linguistic  information  in  a  systematic  way  [15]‐[18]. 

www.intechopen.com Hwan-JooInt J AdvDong-Won

Kwak, Robotic Sy,Kim,
2012,
andVol. 9, 83:2012
Gwi-Tae Park: 1
A New Fuzzy Inference Technique for Singleton Type-2 Fuzzy Logic Systems
  

Moreover,  type‐2  fuzzy  logic,  which  can  describe  the  when the  l ‐th type‐2 fuzzy rule is: 
uncertainties caused by the non‐ideality of sensors, motors   

and  control  strategies,  can  improve  the  performance  of  R l : IF  x1  is  A1l  and    and  x p  is  A lp , 
type‐1  fuzzy  logic  systems.  However,  most  robotic 
systems  have  a  relative  lack  of  memory  and  THEN  y  is  G l       l  1, , M .     (3) 
computational  power,  and  the  implementation  of  type‐2   
fuzzy  logic  in  robotic  systems  is  not  reliable.  In  order  to  Moreover,  the  fuzzifier  of  the  singleton  type‐2  FLS  maps 
apply  type‐2  fuzzy  logic  in  low‐cost  systems,  this  paper 
crisp  inputs  x   x1 , , x p   into  a  singleton  type‐2 
introduces  a  new  inference  technique  that  eliminates  the 
need  to store  all  type‐2  fuzzy  sets. Because  the  firing sets  fuzzy set, such as: 
 
are obtained directly from the input variables in the fuzzy 
1 / 1 if x  x  .              (4) 
inference  process,  the  fuzzy  logic  does  not  demand  as   A ( x )  
if x  x 
l

much  memory  and  can  be  applied  to  most  low‐cost  1 / 0

systems with only a little memory.   

  From  (2)  and  (4),  the  firing  set  for  the  crisp  input 
The  organization  of  the  research  is  as  follows:  Chapter  II  x   x1, , xp   of  the  singleton  type‐2  FLS  can  be 
presents  the  fuzzy  inference  engine  of  singleton  type‐2 
rewritten as: 
fuzzy  logic  systems.  Chapter  III  proposes  the  simple   
alternative  type‐2  fuzzy  inference  method.  Chapter  IV 
 F ( x1 ,  , x p )    X ( x1 )   A ( x1 )   
verifies  the  performance  of  the  controller  through  l
 1
l
1 
simulation. 
 
   ( x p )   A l ( x p ) 
X 1 1         (5) 
2. Fuzzy Inference Engine of Singleton    (1 / 1)   A l ( x1 )  
 
Type‐2 Fuzzy Logic Systems   1 
    (1 / 1)  A 1l
( x p ) 

As  in  the  case  of  type‐1  FLSs,  type‐2  FLSs  also  handle  p
input  signals  after  mapping  to  fuzzy  sets.  The  only     A l ( xi )
difference  depends  on  whether  or  not  the  fuzzy  system 
i
i 1
 
describes the uncertainties of the fuzzy sets. The fuzzy set 
which  is  a  vertical  slice  for  x   x1, , xp   and  a  form 
A  of  a  type‐2  FLS  is  determined  at  the  fuzzifier  of  the 
type‐2 FLS, and can be denoted as:  of a type‐1 fuzzy set. 
   
A  3. Alternative Simple Method of Type‐2 Fuzzy Inference 
 x X
 A ( x ) x
  (1)   
 f (u ) / u  x J x   0,1 3.1 Uncertainty Representation of Type‐2 Fuzzy Sets 
  x X  u J x x   
  The membership function of type‐1 FLSs, which does not 
where  J x  is a primary membership of  x  and  f x (u )  is a  have any uncertainties, can be determined as shown in Fig. 
secondary grade. After the fuzzification process, the fuzzy  1(a).  However,  the  membership  function  of  type‐2  FLSs 
inference  engine  combines  the  fuzzy  IF‐THEN  rules  to  should be able to represent uncertainties, as shown in (1). 
obtain  an  aggregated  fuzzy  output.  The  process  of  the  The secondary grade,  f x (u ) , presents the uncertainties of 
fuzzy  inference  can  be  divided  into  antecedent,  mean, variance and scale factor. Assume that the primary 
consequent  and  aggregation  operations.  This  paper  membership function is a Gaussian function, as shown in 
introduces  a  new  simple  technique  to  alternate  the 
Fig.  1(a),  and  that  the  secondary  grade,  f x (u ) ,  does  not 
antecedent operation for singleton type‐2 FLSs. 
  have  any  uncertainties.  Then,  the  type‐2  membership 
The antecedent operation of type‐2 FLSs derives the firing  function can be depicted as shown in Fig. 2:  
 
set    l ( x1 ,, x p ) , which can be denoted as:  
F If the secondary grades for these uncertain parameters are 
  determined as shown in Figs. 1(b‐d) respectively, the type‐
  2  fuzzy  sets  that  handle  these  uncertainties  can  be 
 F ( x1 ,  , x p )     X ( x1 )  A ( x1 )   
l
1
l
described as shown in Fig. 3. The images to the left are a 3‐
 x1 X 1 
1
  (2) 
dimensional  pictorial  representation  while  the  images  to 
  the  right  are  the  footprint  of  uncertainty  (FOU)  of  their 
  x  X p ( x p )   A l ( x p ) 
respective type‐2 fuzzy sets. 
 p  X p p


2 Int J Adv Robotic Sy, 2012, Vol. 9, 83:2012 www.intechopen.com

 

 
Figure  1.  The  membership  functions  of  type‐2  fuzzy  logic 
systems:  (a)  primary  membership  function,  (b)  secondary 
membership  function  with  uncertain  mean,  (c)  secondary 
membership function with uncertain variance, and (d) secondary 
membership function with uncertain scale factor. 
 
 
Figure  3.  Representations  of  type‐2  fuzzy  sets:  (a)  type‐2  fuzzy 
membership  function  with  uncertain  mean,  (b)  type‐2  fuzzy 
membership  function  with  uncertain  variance,  (c)  type‐2  fuzzy 
membership function with uncertain scale factor. 
 

 
Figure  2.  The  Gaussian  type‐2  fuzzy  membership  function 
without uncertainty. 
 
3.2 Alternative Method of Type‐2 Fuzzy Inference 
 
 
As a firing level alters the consequent set for a fired rule  Figure 4. The vertical slices of the type‐2 fuzzy sets when  x  7.0 : 
in type‐1 fuzzy logic, a firing set alters the consequent set  (a)  with  uncertain  mean,  (b)  with  uncertain  variance,  (c)  with 
for  a  fired  rule  in  type‐2  fuzzy  logic.  The  firing  set  in  uncertain scale factor. 
type‐2  fuzzy  logic  can  be  obtained  by  minimum  or   
product  t‐norm  complementary  operation.  The  type‐2  From (5), the derived firing sets of singleton type‐2 FLSs are 
fuzzy logic with the previous inference technique should  forms of type‐1 fuzzy sets, and can be regarded as the vertical 
store all the type‐2 fuzzy sets in order to obtain the firing 
slice at  x   x1, , xp  . When  x  7.0 , the vertical slices 
set. The main issue of this paper is to obtain the firing set 
using  less  memory.  This  paper  introduces  a  method  to  of  type‐2  FLSs,  which  have  the  primary  membership 
design  mapping  functions  from  the  inputs  x  to  the  functions of Fig. 1(a) and the uncertainties of Figs. 1(b‐d), can 
output firing sets. Using the mapping function, the type‐ be  described  as  shown  in  Fig.  4.  If  the  input  values  of  the 
2 fuzzy logic can obtain the firing set directly from input  system are given by  x  7.0 , the mapping function in this 
variances.  paper should be determined as shown in Fig. 4. 
   

www.intechopen.com Hwan-Joo Kwak, Dong-Won Kim, and Gwi-Tae Park: 3

A New Fuzzy Inference Technique for Singleton Type-2 Fuzzy Logic Systems
  

The  Gaussian  primary  membership  function  can  be  3.5 Uncertain Scale Factor 

denoted as:   
 
From (6), the certain scale factor can be rewritten as: 
 x  m 
2  

 A  x    exp                   (6)  ln   A  .           
2 2  
   x  m  2
    (11)
  exp   
 2 2 
where  m  is  a certain  mean,    is  a certain variance  and 
2

  is  a  certain  scale  factor  of  amplitude.  The  primary 

 

Substituting  (11)  into  the  Gaussian  function  of  Fig.  1(d), 

membership  function  can  have  three  uncertainties  of  which  means  the  secondary  grade  for  the  uncertainty  of 
mean,  variance  and  scale  factor.  Corresponding  to  the  the scale factor variable, the output firing sets for the input 
values  of  the  uncertainties,  the  secondary  grade  can  be  variable  x  can be rewritten as: 
designed  as  shown  in  Figs.  1(b‐d),  and  the  mapping   

functions  from  the  input  x  to  the  firing  sets  can  be      x  m 2  
2

induced as stated below.   F l ( x )  exp    ln   A  exp     m  / 2  2 
   2 2   
     
3.3 Uncertain Mean    (12) 
 
 

where  m ,     and    are the mean, variance and scale 

2
From (6), the certain mean can be rewritten as: 
  factor  of  the  secondary  grade  for  the  uncertainty  of  the 
scale factor variable, respectively. 
m  x   2 2 ln   A /   .          (7) 
 
  4. Simulation 
Substituting  (7)  into  the  Gaussian  function  of  Fig.  1(b),   
which  means  the  secondary  grade  for  the  uncertainty  of  The  concept  of  type‐2  fuzzy  sets  (T2FSs)  was  first 
the  mean  variable,  the  output  firing  sets  for  the  input  introduced  as  an  extension  of  the  well‐known  ordinary 
variable  x  can be rewritten as:  fuzzy set, i.e., type‐1 fuzzy sets (T1FSs). The type‐1 fuzzy 
 
controllers are unable to directly handle rule uncertainties 

     (8) 
2

 x  2 2 ln   A  /   m m because they use T1FSs that are certain. On the other hand, 
 F l ( x )  exp    T2FSs are very useful in circumstances where it is difficult 
 2 m 2  to  determine  an  exact  membership  function.  However, 
  T2FSs  demand  significant  memory  to  operate  inference 
 
processes.  The  suggested  fuzzy  inference  technique  for 
where  mm ,   m  and   m  are the mean, variance and scale 
2
singleton type‐2 fuzzy controllers relieves the demand for 
factor  of  the  secondary  grade  for  the  uncertainty  of  the  memory.  This  section  confirms  the  good  performance  of 
mean variable, respectively.  the  suggested  fuzzy  inference  technique,  as  well  as  the 
  usefulness of the type‐2 fuzzy controller. 
3.4 Uncertain Variance   
  4.1 Simulation Design 
From (6), the certain variance can be rewritten as:   
 
With  reference  to  a  commonly  used  ball‐cart  control 
 x  m  .   
2
          (9)  system, the simulations are executed with MATLAB 2009a. 
2 
2 ln   A /   Figure  5  shows  the  graphical  description  of  the  ball‐cart 
  simulator  and  control  parameters.  In  the  simulations,  a 
Substituting  (9)  into  the  Gaussian  function  of  Fig.  1(c),  ball is placed on a curved surface of a moving cart and the 
which  means  the  secondary  grade  for  the  uncertainty  of  objective  of  the  controller  is  to  move  the  cart  so  that  the 
the  variance  variable,  the  output  firing  sets  for  the  input  ball  is  balanced  on  top  of  the  cart  and  the  cart  is 
variable  x  can be rewritten as:  simultaneously placed at a predetermined position. 
   

  x  m 2 / 2 ln  /   m
 
2

     A    (10) 
In the simulations of the type‐2 fuzzy controller, only the 
 F l ( x )  exp    fuzzy  sets  which  describe  the  ball  angle  of  Fig.  5  are 
 2  2  determined  by  type‐2  fuzzy  sets,  as  shown  in  Fig.  6. 
 
  Because  of  the  incompleteness  of  the  angle‐measuring 
sensors, the measured ball angle may be subject to certain 
where  m ,     and    are the mean, variance and scale 
2
undesired errors, such as bias error or random noise error. 
factor  of  the  secondary  grade  for  the  uncertainty  of  the  In  this  case,  the  measured  ball  angle  can  be  described  by 
variance variable, respectively.  the type‐2 fuzzy sets with uncertain mean, as shown in Fig. 

4 Int J Adv Robotic Sy, 2012, Vol. 9, 83:2012 www.intechopen.com

 

6.  The  primary  fuzzy  sets  of  Fig.  6  denote  linguistic  the size of the demand on memory to store fuzzy sets. The 
meanings  ‐  such  as  L:  Left,  C:  Centre,  R:  Right  ‐  and  are  measuring  resolution  of  the  ball  angle  sensor  is  136  and 
determined  as  the  Gaussian  function  whose  variance  the  membership  grades  of  fuzzy  logic  have  8  bit 
value  is  2.0  degrees.  Further,  the  secondary  fuzzy  sets,  resolutions.  The  memory  demands  of  the  three  fuzzy 
which  describe  the  uncertain  mean  of  the  measured  ball  controllers  are  shown  in  Table  1.  Although  the 
angle,  are  determined  as  those  Gaussian  function  whose  performance  of  the  suggested  T2FC  is  identical  to  that  of 
variance value is 0.4 degrees.  the  conventional  T2FC,  the  memory  demand  of  the 
  suggested  T2FC  is  much  smaller  than  that  of  the  others 
because  the  fuzzy  inference  technique  in  this  paper  does 
not need to store any antecedent fuzzy sets. 
 
Memory Size 
Controller 
(MB) 
Type‐1 Fuzzy Controller  0.166 
Conventional Type‐2 Fuzzy Controller  8.633 
Suggested Type‐2 Fuzzy Controller  0.133 

Table 1. Memory demand to store fuzzy sets 
 
 
Figure 5. The ball‐cart simulator and control parameters.  Parameter  Value 
 
Cart Force  ‐25 kgf.m/s ~ 25 kgf.m/s 
Cart Position  ‐2.5m ~ 2.5m 
Ball Angle  ‐50° ~ 50° 
Ball Position  ‐2.5m ~ 2.5m 
Curvature of Cart  0.5m 
Radius of Ball  0.055m 
Mass of Cart  1kg 
Mass of Ball  1kg 

Table 2. Physical data for simulation 
 

 
 
Figure  6.  Representation  of  the  type‐2  fuzzy  sets  which  describe 
Figure 7. The simulation results when the ball angle is measured 
the  ball  angle:  (a)  3‐dimensional  pictorial  representation  of  the 
exactly. 
type‐2 fuzzy sets, (b) footprint of uncertainty (FOU) of the type‐2 
 
fuzzy sets. 
 
4.2 Simulation Result 
 
The  simulations  are  executed  with  three  kinds  of  fuzzy 
controllers:  type‐1,  conventional  type‐2  and  suggested 
type‐2  fuzzy  controllers.  However,  only  the  simulation 
results with the type‐1 fuzzy controller (T1FC) and type‐2 
fuzzy controller (T2FC) are shown in Figs. 7‐9, because the   
performance  of  the  type‐2  fuzzy  controller  with  the  Figure  8.  The  simulation  results  when  the  measured  ball  angle 
suggested fuzzy inference technique is exactly identical to  has a bias error of 1.0 degrees. 
that  of  the  conventional  T2FC.  The  only  difference 
between the conventional T2FC and the suggested T2FC is 

www.intechopen.com Hwan-Joo Kwak, Dong-Won Kim, and Gwi-Tae Park: 5

A New Fuzzy Inference Technique for Singleton Type-2 Fuzzy Logic Systems
  

simulations,  the  RMS  errors  of  the  type‐2  fuzzy  controller 

are smaller than those of the type‐1 fuzzy controller. 
 
5. Acknowledgments 
 
This research was supported by the Basic Science Research 
Programme through the National Research Foundation of 
Korea  (NRF),  funded  by  the  Ministry  of  Education, 
Science and Technology (Grant No. 2011‐0010579). 
 
6. References 
 
[1] Lee  C  (1990)  AIBO  Fuzzy  Logic  in  Control  Systems: 
Fuzzy Logic Controller ‐ Part I. IEEE Trans. Syst. Man 
Cybern. 20(2): 404‐418. 
[2] Wang H, Kwong S, Jin Y, Wei W, Man K (2005) Multi‐
  objective  hierarchical  genetic  algorithm  for 
Figure  9.  The  simulation  results  when  the  measured  ball  angle  interpretable  fuzzy  rule‐based  knowledge  extraction. 
has  random  noise:  (a)  random  noise  of  the  ball  angle  measuring  Fuzzy Sets Syst. 149(1): 149‐186. 
sensor, (b) result of the type‐1 and type‐2 fuzzy controllers.  [3] Hidalgo  D,  Castillo  O,  Melin  P  (2009)  Type‐1  and 
  type‐2  fuzzy  inference  systems  as  integration 
RMS Error for  RMS Error for  methods in modular neural networks for multimodal 
Simulation  Type‐1 Fuzzy  Type‐2 Fuzzy  biometry  and  its  optimization  with  genetic 
Controller (m)  Controller (m)  algorithms. Inf. Sci. 179(13): 2123‐2145. 
No Measuring Error  0.0213  0.0211  [4] Liang Q, Mendel J (2000) Interval Type‐2 Fuzzy Logic 
Bias Error  0.1211  0.0635  Systems:  Theory  and  Design. IEEE Trans. Fuzzy Syst. 
Random Noise Error  0.0216  0.0214  8(5): 535‐550. 
[5] Mendel  J  (2007)  Type‐2  fuzzy  sets  and  systems:  An 
Table 3. The Root Mean Square Error for Fuzzy Controllers 
overview. IEEE Comput. Intell. Mag. 3(1): 20‐29. 
 
[6] Mendel  J,  John  R,  Liu  F  (2006)  Interval  type‐2  fuzzy 
Initially, the ball on the cart is placed with a ball angle of 5.0 
logic  systems  made  simple.  IEEE  Trans.  Fuzzy  Syst. 
degrees  and  the  physical  data  for  the  simulation  is  shown 
14(6): 808‐821. 
on Table 2. Next, the fuzzy controller moves the cart so that 
[7] Castillo O, Melin P (2012) A review on the design and 
the  ball  is  balanced  on  top  of  the  cart  and  the  cart  is 
optimization  of  interval  type‐2  fuzzy  controllers. 
simultaneously placed at the zero position. The simulations 
Appl. Soft Comput. 12(4): 1267‐1278. 
are  executed  in  three  cases:  1)  no  measuring  error,  2)  bias 
[8] Melin  P,  Mendoza  O,  Castillo  O  (2011)  Face 
error,  and  3)  random  noise  error.  Figures  7‐9  show  the 
Recognition With an Improved Interval Type‐2 Fuzzy 
simulation  results  for  T1FC  and  T2FC,  and  the  simulation 
Logic  Sugeno  Integral  and  Modular  Neural 
results  are  described  by  the  ball  position  of  the  ball‐cart 
Networks.  IEEE  Transactions  on  Systems,  Man,  and 
control  system.  Because  the  T2FC  can  handle  the 
Cybernetics, Part A 41(5): 1001‐1012. 
uncertainty in the controller design, the simulation result of 
[9] Castillo O, Melin P, Pedrycz W (2011) Design of interval 
the T2FC shows much better control performance than that 
type‐2  fuzzy  models  through  optimal  granularity 
of  the  T1FC,  as  shown  in  Fig.  7.  The  settling  time  of  the 
allocation. Appl. Soft Comput. 11(8): 5590‐5601. 
T2FC  is  much  shorter  than  that  of  the  T1FC.  Moreover, 
[10] Melin P, Mendoza O, Castillo O (2010) An improved 
while the ball angle measuring sensor has a bias error of 1.0 
method  for  edge  detection  based  on  interval  type‐2 
degrees, the cart using the T2FC can be placed near the zero 
fuzzy logic. Expert Syst. Appl. 37(12): 8527‐8535. 
position, in contrast to the cart using the T1FC, as shown in 
[11] Tan W W and Wu D (2007) Design of type‐reduction 
Fig. 8. Because the T2FC can handle the uncertainty caused 
strategies for type‐2 fuzzy logic systems using genetic 
by  the  bias  error  of  the  ball  angle  measuring  sensor,  a 
algorithms. Stud. Comput. Intell. 66: 169‐187. 
control  system  with  some  bias  error  can  be  successfully 
[12] Liu  F  (2008)  An  efficient  centroid  type‐reduction 
controlled  by  the  T2FC  and  the  simulation  result  of  the 
strategy for general type‐2 fuzzy logic system. Inf. Sci. 
T2FC has a less steady state error. Finally, Fig. 9 shows the 
178(9): 2224‐2236. 
simulation  results  when  the  measured  ball  angle  has  the 
[13] Hameed  I  (2009)  Simplified  architecture  of  a  type‐2 
random  noises  of  Fig.  9(a).  In  order  to  check  the 
fuzzy  controller  using  four  embedded  type‐1  fuzzy 
performances  of  the  type‐1  and  type‐2  controllers  clearly, 
controllers and its application to a greenhouse climate 
the  root  mean  squares  of  the  simulation  results  are 
control  system.  Proc.  Inst.  Mech.  Eng.  Part  I:  J.  Syst. 
measured  in  all  simulations,  as  shown  in  Table  3.  In  all 
Control Eng. 223(5): 619‐631. 

6 Int J Adv Robotic Sy, 2012, Vol. 9, 83:2012 www.intechopen.com

 

[14] Hidalgo D, Melin P, Castillo O (2012) An optimization  [17] Raimondi  F,  Melluso  M  (2010)  Fuzzy/Kalman 

method for designing type‐2 fuzzy inference systems  hierarchical horizontal motion control of underactuated 
based  on  the  footprint  of  uncertainty  using  genetic  ROVs. Int. J. Adv. Robot. Syst. 7(2): 139‐154. 
algorithms. Expert Syst. Appl. 39(4): 4590‐4598.  [18] Ouadah  N,  Ourak  L,  Boudjema  F  (2008)  Car‐like 
[15] Kim Y, An J, Kim J (2011) A fuzzy obstacle avoidance  mobile  robot  oriented  positioning  by  fuzzy 
controller  using  a  lookup‐table  sharing  method  and  controllers. Int. J. Adv. Robot. Syst. 5(3): 249‐256. 
its  applications  for  mobile  robots.  Int.  J.  Adv.  Robot.   
Syst. 8(5): 39‐48.   
[16] Liu  H,  Hao  K,  Lai  X  (2011)  Fuzzy  saturated  output   
feedback  tracking  control  for  robot  manipulators:  A   
singular  perturbation  theory  based  approach.  Int.  J.   
Adv. Robot. Syst. 8(4): 43‐53. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

www.intechopen.com Hwan-Joo Kwak, Dong-Won Kim, and Gwi-Tae Park: 7

A New Fuzzy Inference Technique for Singleton Type-2 Fuzzy Logic Systems