《智能信息处理技术论文多传感器数据融合技术在移动机器人中应用》由会员分享，可在线阅读，更多相关《智能信息处理技术论文多传感器数据融合技术在移动机器人中应用（8页珍藏版）》请在装配图网上搜索。
1、智能信息处理技术论文论文题目：多传感器数据融合技术 在移动机器人中的应用 学院：自动化学院 专业：控制理论与控制工程 学号： 姓名： 序号： 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AbstractNowadays, the multi-sensor data fusion of robots is an intensive topic in scientific research. Th
2、e 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
3、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1 移动机器人技术简介移动机器人是一类能够通过传感器感知自身状态和周围环境，实现在复杂未知中面向目标的自主运动，并完成预定任务的机器人系统2,3。移动机器人技术是近年来机器人学及人工智能领域
4、研究的一个热点，该技术在航空、航天、航海、军事、交通运输、工业、农业、服务业、医疗保健等各领域都有非常广阔的应用前景。按照自主性的不同，移动机器人可以分为自主、半自主和遥控三类；按照活动空间的不同，移动机器人可以分为水下机器人、地面机器人、飞行机器人和空间机器人等4；就驱动方式而言，可以分为轮式移动机器人、履带式移动机器人、腿式移动机器人(包括仿人机器人)等。移动机器人技术涉及计算机、控制学、机械学、仿生学等众多学科领域，其核心技术包括移动平台设计、控制体系结构、路径规划、环境感知与信息融合以及运动控制等方面5。本文主要介绍的是移动机器人研究领域所用到的数据融合技术。2 数据融合技术简介要给出
5、数据融合的一般定义比较困难，因为数据融合研究领域的内容广泛而多样，而且随着科技的进步，这种广泛多样性日渐显着。但综合国内外学者给出的数据融合的定义，可以将这些定义归纳为两类：一是强调了数据融合是一个信息综合处理的过程；而是强调信息融合能实现的功能和目的6。比如从处理过程及实现功能角度的一种定义为：数据融合是为了某一目的对来自多源的数据和信息进行组合和综合的处理过程，以期得到比单一信息源更精确、更可靠的估计或推理决策7。目前数据融合的类似称谓有很多，比如信息融合、多传感器融合、多源相关等，这几个概念是密切相关的。当需要融合的数据信息是传感器的探测数据时，数据融合也可以称为多传感器数据融合。由于数
6、据融合在解决探测、跟踪和识别等问题方面具有生存能力强、能扩展传感器空间和时间覆盖范围、提高测量数据的精确性等优点，世界各国都非常重视数据融合的理论和应用的研究工作，并且已经取得了丰富的研究成果。不管是军事领域，还是工业、农业或者与人们生活息息相关的服务业等非军事领域，数据融合的应用已渐渐渗透到了生产生活国防科技的方方面面。其中，数据融合技术在机器人研究领域中的应用也日渐普及。本文主要就移动机器人这个方向所运用的多传感器数据融合技术进行综合阐述。3 多传感器数据融合在移动机器人中的应用3.1 移动机器人的感知为了让移动机器人正常工作,不仅要对机器人的位置、速度、姿态以及系统内部状态等进行测量和控
7、制,同时,还要能让机器人感知自身所处的工作环境,并且能够对环境的变化做出正确的反应。因此,准确获取移动机器人的内部状态信息和外部环境信息,对于保证移动机器人的正常工作、提高工作效率、节约能源以及防止意外事故发生等都具有非常重要的意义8。而机器人的信息检测是依靠各种传感器来完成的。3.2 移动机器人感知系统中所使用的传感器移动机器人的信息检测分为内部感知和外部感知两类，故其所使用的传感器也分为内部传感器和外部传感器两类。内部传感器用于监测机器人系统内部状态参数,如位置、速度、加速度、电源电压、车轮位置等；内部传感器主要有里测速发电机、加速度传感器、陀螺仪、力矩传感器及光电编码器等。外部传感器用于
8、识别外部环境信息,如环境的温度、湿度、检测的气体成分、接触物产生的压力、障碍物与机器人的距离等；外部传感器种类繁多,比如视觉传感器、超声波传感器、激光测距传感器、压力传感器、红外传感器、温度传感器等。不同的传感器集成在移动机器人上,构成了多传感器数据融合的感知系统。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
9、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
10、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
11、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
12、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，要用到多传感器的融合。在该机器人中，用到了4种定位传感器：电机编码盘、三轴电子罗盘、三轴电子陀螺和三轴加速度计，为提高机器人的定位精度，在处理4种传感器数据的过程中，加入控制指令的预估计数作为另一个传感器，这样相当于就有5个定位传感器。(预估计是指通过计算机已收到的控制指令预先估计机器人下一步的位置和航
13、向状态13。)用这5种传感器对同一参数进行检测，再将检测的数据进行融合，能提高定位精度。由于外界环境因素和本身结构问题，以上5种传感器的输出均不可不免地会受到一些干扰，从而影响机器人的行程和航向角这两个参数。由于传统的单传感器定位技术不能很好地判断干扰的情况，而且传统的多传感器定位融合算法也无法很好地过滤干扰数据。基于以上的原因，提出了一种基于信任度相加的多传感器融合算法，这种算法能够有效地克服干扰情况对机器人定位精度的影响，从而大大提高煤矿救灾机器人的定位精度。信任度表征的是测量值逼近期望值的程度13。利用概率分布的原理，建立数据信任度的函数。对于上述5种传感器，通过输出的传感器数据，基于极
14、大似然估计的思想，计算出联合的总信任度函数，并求出该函数的最大值，即为期望值对应的信任度。利用这种信任度算法分别对行程和航向角进行融合计算，就得到了融合后的行程和航向角。3 用于足球比赛的移动机器人为了保证机器人在足球比赛中的灵活性，目前这类移动机器人上一般采用的是全向轮运动模型，基于此模型，足球机器人在向任意方向做直线运动的时候还同时能够自身旋转运动来调整自身状态。使用这种模型的机器人有快速灵活、易于掌握的优点。机器人比赛时，为了获得现场信息，可以采用全向视觉成像模型。全向视觉传感器位于机器人的顶部，具有360度的水平视角，可以采集到周围环境信息，为机器人自定位提供了保证。机器人中另外一个重
15、要的组成部分是电子罗盘，它能够直接给出机器人运动的相对方向的偏移。由于足球比赛的实时性，要求参赛的移动机器人能够快速精确的自定位，而传统的多传感器融合算法有些具有不容忽视的滞后性。为了改进，提出了一种Monte carlo(粒子滤波)算法实现融合定位。由于充分利用了全向视觉传感器的观测模型，在粒子滤波定位方法的实现过程中,粒子点的置信度通过查表的方法获得,实现了使用全向视觉传感器模型计算机器人位姿置信度的快速性,从而保证了定位算法较好的实时性14。Monte carlo(粒子滤波)算法源于贝叶斯滤波位置估计，其实现主要分四个阶段：采样阶段、预测阶段、更新阶段、权值归一化。在具体过程中，MCL算
16、法需要知道的是足球机器人的全向轮模型、全向视觉观测模型和电子罗盘的感知模型。得到模型之后，进行以下步骤即可实现机器人的快速高精度自定位：1) 根据当前时刻机器人的运动模型对粒子点进行更新；2) 根据当前时刻观测模型的测量结果计算每个粒子的权重；3) 保留权重高的粒子，丢弃权重低的粒子，并根据相应原则添加新的粒子14。3.3.3 多传感器数据融合算法算法在移动机器人自主避障中的应用以校园巡逻机器人为例，其要实现自主行进，必须具有避障的功能。在实验过程中，机器人必须在设定的区域内正确检测的障碍物并且成功避障。机器人中使用了多个红外传感器和超声波传感器，利用产生式规则形式设计两级规则库15，来实现从
17、红外传感器和超声波传感器中获得的数据的融合，为后续的机器人自主精确避障提供保证。可用的融合算法比较多，在此比较适用的是自适应加权融合估计算法。这种算法不需要知道传感器测量数据的任何先验知识，只依靠多传感器提供的测量数据，就可以得出均方误差最小的融合值16，使用起来方便快捷。3.3.4 总述虽然在移动机器人实现不同目标的过程中，各种数据融合算法有其各自的适用性，但针对不同的情况可以结合多种适应性相对较好的数据融合算法，以提高机器人完成目标识别、自身定位等任务的可靠性和精确性。比如在移动机器人目标识别过程中，将神经网络算法与D-S理论相结合，则实现的效果更好。4 融合技术在移动机器人应用中的发展趋
18、势随着电子技术的飞速发展,传感器结构将朝着并行体结构的方向发展。因此,开发具有并行计算能力的硬件和软件,以满足具有大量数据并且计算复杂的多传感器信息融合的要求,是目前多传感器信息融合技术的主要发展趋势之一。目前，已经存在的技术成熟的多传感器信息融合算法有很多,但其中很大一部分的算法都是基于线性正态分布的平稳随机过程的。为了进一步地提高多传感器融合系统的性能，使得融合后数据更为精准，我们需要开发出新型的多传感器数据融合算法,来解决非线性和非平稳正态分布的信息的融合问题。移动机器人对多传感器数据融合的发展起到了很大的推动作用，而相应的，多传感器数据融合技术的使用也使得移动机器人能够更快更精确地获取
19、自身状态和周围环境情况，从而大大地提高了机器人的规划、推理能力，在提高机器人的自主性和协作性方面也起到了重要的作用17。但同时，相应的问题也存在需要我们去解决或进一步深入，比如非结构环境下的移动机器人技术将是机器人研究发展的一个重点。结束语 随着科学技术的发展，越来越多的智能机器人被应用到了各行各业，甚至逐渐进入了人们的日常生活，其中比较具有代表性的是移动机器人。在移动机器人的各项技术中，多传感器数据融合技术占据着不可替代的重要地位，它为移动机器人快速准确感知自身状态及周围环境情况提供了保证，在此基础上，机器人才能完成包括定位、导航等一系列后续过程。由此可以预见，在未来的机器人研究中，融合技术
20、必将迎来更为广阔的发展空间。参 考 文 献1 康耀红. 数据融合理论与应用M. 西安: 西安电子科技大学出版社, 2006.2 蔡自兴, 贺汉根, 陈虹. 未知环境中移动机器人导航控制研究的若干问题J. 控制与决策, 2002, 17(4): 385-390.3 欧青立, 何克忠. 室外智能移动机器人的发展及其相关技术研究J. 机器人, 2002, 22(6): 519-526.4 赵冬斌, 易建强. 全方位移动机器人导论M. 北京: 科学出版社,2010.5 沈林成, 徐昕, 朱华勇, 胡天江. 移动机器人自主控制理论与技术M. 北京: 科学出版社, 2011.6 彭冬亮, 文成林, 薛安克
21、. 多传感器多源信息融合理论及应用M. 北京: 科学出版社, 2010.7 赵杰, 崔智社, 徐明进, 等. 信息融合的实质及其核心技术J. 情报指挥控制系统与仿真技术, 2003, 182: 38-42.8 咸宝金, 陈松涛. 智能移动机器人多传感器信息融合及应用研究J. 宇航计测技术, 2010, 30(2): 41-44.9 王仲民, 岳宏, 刘继岩. 移动机器人多传感器信息融合技术述评J. 传感器技术, 2005, 24(4): 5-7. 10 吴婷, 汤学华, 杜伟明. 空间机器人机器臂中多传感器数据融合的研究J. 上海电机学院学报, 2008, 11(3): 193-196.11
22、王楠, 李文成, 李岩. 基于神经网络的数据融合方法J. 光机电信息, 2010, 27(3): 36-42.12 秦天宝. 基于多传感器信息融合的移动机器人定位研究J. PLC&FA, 2010, 35(2): 107-110.13 刘园园, 葛世荣, 朱华, 高进可, 王学让. 煤矿救灾机器人定位技术研究J. 煤矿机械, 2011, 32(01), 49-51.14 张学习, 杨益民. 基于多传感器信息融合的移动机器人快速精确自定位J. 控制理论与应用, 2011, 28(3): 443-448.15 许芬, 咸宝金, 李正熙. 基于产生式规则多传感器数据融合方法的移动机器人避障J. 电子测试与仪器学报, 2009, 23(10), 73-79.16 王艳平. 多传感器信息融合技术在移动机器人障碍探测中的应用J. 信息化研究, 2009, 35(1): 55-57.17 陈建平, 陈学松, 蔡文伟. 移动机器人系统多传感器信息融合研究J. 肇庆学院学报，2008, 29(5): 22-26.- 8 - / 8文档可自由编辑打印
智能信息处理技术论文多传感器数据融合技术在移动机器人中应用
