多传感器数据融合技术.docVIP

多传感器数据融合技术在移动机器人中的应用 摘 要 机器人多传感器数据融合是当今科学研究的热点问题。综述了多传感器数据融合技术在移动机器人几个工作阶段中的应用。指明了移动机器人领域中多传感器数据融合技术的发展趋势。 关键词 移动机器人 多传感器 数据融合 Abstract Nowadays, the multi-sensor data fusion of robots is an intensive topic in scientific research. The application of multi-sensor data fusion technology in mobile robots several sessions is described. At last, future development trends of this technology are also presented. Key Word mobile robot multi-sensor data fusion 前 言 随着传感器种类的日益丰富和传感器技术的飞速发展，多传感器数据融合技术得到了越来越多的关注。并且由于其在解决探测、跟踪和识别等问题上具有生存能力强，能够增强系统检测性能、可信度、鲁棒性和可靠性，可以提高测量数据精度，扩展系统的时间和空间覆盖范围[1]等优势，多传感器数据融合在军事、农业、工业等各个领域上的应用越来越频繁。其中，数据融合技术在机器人研究领域的应用也正处在快速发展的阶段，特别是在移动机器人中，数据融合技术的应用就更为广泛了。本文比较分析了现有移动机器人上所应用的多传感器数据融合技术，并对未来移动机器人研究领域内数据融合技术的发展进行了合理的展望。 正 文 3.3 移动机器人多传感器数据融合的实现 对于不同结构的移动机器人而言，其涉及的传感器装置不同，相应所采用的数据融合技术也不尽相同。目前，移动机器人领域中采用的多传感器数据融合方法主要包括：卡尔曼滤波、贝叶斯估计、加权平均算法、模糊逻辑算法、神经网络算法、小波变换法、Dempster-Shafer(D-S)理论等。应用这些方法可以进行数据层、特征层以及决策层等不同的层次的融合，也可以实现内部航迹推算系统信息、测距传感器信息、全局定位信息之间的信息融合，进而可以保证移动机器人能全面、准确地感知自身状态和周围的环境，从而能做出正确的判断和决策[9]。 智能的移动机器人能实现目标识别、目标物体位姿测量、精确自定位、导航、目标跟踪等一系列功能。在实现不同功能的过程中，移动机器人所用到的传感器数量和种类可能不同，各种数据融合算法在不同阶段的适用性和优劣性也不一样。一般,直接对数据源进行操作时,可以采用神经网络或加权平均算法等；利用对象的统计特性和概率模型进行操作时,可采用贝叶斯估计、多贝叶斯估计、卡尔曼滤波、统计决策理论等；而在系统的决策层,采用基于规则推理的方法比较好,如模糊逻辑、证据推理、产生式规则等[10]。 3.3.1 多传感器数据融合算法在移动机器人目标识别中的应用 神经网络算法是一种效仿生物神经系统的处理方法，它从人脑的结构出发来研究人的智能行为，模拟人脑信息处理的功能[11]。它具有良好的容错性、层次性、可塑性、自适应、联想记忆和并行处理能力。正是由于神经网络算法的种种优越性，其在数据融合中的应用越来越广泛。 目前，在各种数据融合算法中，神经网络算法比较适用于移动机器人对目标的识别，它能够使移动机器人对障碍物有精确的认识和估计，从而得出正确的运行轨迹。采用基于神经网络的数据融合方法，能够较好地解决移动机器人的正确导航和自主行进问题。为了有效地改善神经网路数据融合的计算速度和实现效果，可以采用阵列式神经网络的数据融合模型，并且通过自网络实现信息的分解与融合。 3.3.2 多传感器数据融合算法在移动机器人精确定位中的应用 移动机器人要实现自主避障、行迹规划，首先必须具有精确自定位的能力。 移动机器人的定位精度主要取决于所使用的定位传感器和数据融合算法。现有的定位传感器的种类很多，相应的可用于移动机器人定位的多传感器数据融合算法也不唯一。以下对几种移动机器人自定位的数据融合算法的应用进行简要介绍。 1 能力风暴智能移动机器人 对于采用里程计和超声波传感器定位的能力风暴智能移动机器人，可以用卡尔曼滤波算法对从里程计和超声波传感器中得到的数据进行数据融合，用融合的结果对光电编码器进行复位。这样能够有效的消除由于时间积累而带来的光电编码器读数的误差，并且可以减少对移动机器人所处环境的依赖性，使移动机器人能更好地进行自定位[12]。 2 煤矿救灾移动机器人 对于用于煤矿救灾的移动机器人，由于矿井中环境比较复杂，为增强机器人定位的可靠性，要用到多传感