移动机器人传感器,机器人多传感器融合技巧

中国论文网 发表于2024-04-12 15:22:13 归属于电子论文 本文已影响300 我要投稿 手机版

       今天中国论文网小编为大家分享毕业论文、职称论文、论文查重、论文范文、硕博论文库、论文写作格式等内容.                    

摘 要:本文对移动机器人多传感器信息融合技术进行了分析,并采用自适应加权融合算法对多超声波传感器数据与红外传感器数据进行融合。

关键词:移动机器人;传感器;信息融合

  1. 多传感器信息融合技术  1.1多传感器信息融合具体方法  在多传感器信息融合中,其最重要的部分就是信息融合的方法。信息融合的研究内容是非常丰富的,涉及的面较广。多传感器信息融合的实现是要通过各种具体的融合方法来进行。在一个多传感器系统中,系统所获得的各类信息通过各种信息融合方法被处理,并形成了一致的结果。目前,对各种传感器都进行融合处理的通用方法还没有出现,一般都是根据具体的场合来定具体方法。目前,应用的较为普遍的融合方法有:(1)加权平均法。这种方法主要就是加权那些来自于不同传感器的冗余信息,最后得到的加权平均值就是所谓的融合的结构,这种方法对信息进行处理是较为简单的一种融合方法。采用这种方法进行信息处理必须先对系统和传感器进行详细的分析,从而得到正确的权值。(2)基于参数估计的信息融合方法。这种方法主要包括最小二乘法、贝叶斯估计和多贝叶斯估计、极大似然估计等。在静态环境中较为常用的是极大似然估计,它将似然函数达到极值时的估计值作为融合信息的取值。在静态环境中,另一个较为常用的方法就是贝叶斯估计,这种方法为概率分布信息描述,使用处理的信息为可加高斯噪声的不确定性信息。多贝叶斯将每个传感器都作为一个贝叶斯估计。对多传感器信息的定量融合通常采用基于参数估计的融合法来进行。(3)模糊逻辑。多传感器数据融合过程中的不确定性可以利用模糊逻辑表示在推理过程中。近些年来,在移动机器人避障、路径规划和目标识别等方面运用模糊集合推理。通常情况下,模糊逻辑不是单独使用的,它是与其它的融合方法一同使用。(4)人工神经网络。神经网络将输入的数据进行非线性变换,从而使得聚类分析技术所进行的从数据到属性的分类顺利完成。基于神经网络的多传感器信息融合具有以下特点:具有统一的内部知识表示形式,通过特定的学习算法可以将神经网络获取的传感器信息进行融合,获得相应的网络参数;将知识规则转换成数字的形式,从而便于建立知识库;不用建立系统精确的数学模型,非常适合于非线性测试情况;还具有大规模并行处理能力,使得系统信息处理速度很快,有很强的容错性和鲁棒性。  1.2多传感器信息融合的层次  1.2.1数据层融合  数据层融合就是将多分数据或信息进行处理,组合出更有效、更符合用户需求的数据的过程。数据层融合能够节省能量、提高数据收集效率、增强数据准确性、获取综合性信息等。数据层融合的优点在于尽可能使现场环境信息被保存起来,至于信息丢失或遗漏等现象根本不会发生,能够提供其它融合层次所不能提供的细微信息。虽然如此,但是其也具有一定的局限性,需要处理巨大的传感器信息,因此,处理代价高,用时长,实时性差,抗干扰能力差等。  1.2.2特征层融合  特征层融合利用从传感器获得的原始数据中提取的充分表示量或充分统计量作为其特征信息,然后对其进行分类、聚类和综合。特征层融合的优点在于既将数据的重要信息保持住,又实现了信息压缩,对于处理过程的实时性的提高有很大的帮助。特征层融合可分为目标状态数据融合和目标特性融合。前者实现了传感器数据的预处理,实现参数相关和状态向量估计;后者实现了特征层联合识别。特征层融合也具有一些不足,主要表现在信息损失不可避免,因此,对预处理提出较严格的要求。  1.2.3决策层融合  决策层融合是指挥控制决策的依据,因此其必须采用适当的融合技术来进行。决策层融合的优点在于:灵活性很高、实时性较好;对于环境或目标各个侧面的不同类型信息能够有效地反映出来;系统对信息传输带宽要求较低;一个或者多个传感器出现问题,不会影响其获得正确的结果,因此其容错性较强;融合中心处理代价低;抗干扰能力强;各传感器可以是同质的,也可以是异质的。  融合的信息与信息源越接近,获得的精度就越高。因此,随着融合层次的提高,虽然会降低对各传感器的同质性要求,增强系统容错性,但是融合时会减少信息保存的细节,降低精确度。因此,必须综合考虑系统实现的可能性、通信保障能力和传感器子系统局部处理能力等问题,从而为选用融合过程提供依据。  2. 基于多传感器信息融合的移动机器人系统设计  移动机器人就是模拟人类的一种行为。在移动机器人中,较为重要的一个部分就是传感器系统。随着科学技术的快速发展,新型传感器不断涌现,加之传感器种类的增多、结构的不断微型化、性能的提高,这些对移动机器人多传感信息系统的应用有很大的帮助。  2.1传感器建模  多传感器信息系统中,有两种因素制约每个传感器提供的信息特征,这两种因素分别为环境状态和传感器本身的特性,其中传感器本身的特性主要是指由传感器的工作原理和结构所限定的传感器特性,如传感器的灵敏度、分辨率、作用范围、抗各种干扰的能力等。为了定量地描述传感器的特性以及各种外界条件对传感特性的影响,要对传感器建模,它是分析多传感器信息融合技术的基础之一。图1所示是典型的传感器系统信号检测和状态估计模型。  图1 传感器信号检测和估计模型  2.2移动机器人多传感器信息统和算法  多传感器数据融合是一项近几年来发展起来的新技术,其主要特点是用多个传感器对同一对象进行测量,得到该对象的多源信息,并将这些信息进行融合处理,得到比单一传感器更准确更完全的测量值。本文采用的是自适应加权融合算法,它是一种使用方便的融合算法,它不要求知道传感器测量数据的任何先验知识,只是依靠多传感器提供的测量数据,就可得出均方误差最小的融合值。融合后数据的均方误差不仅小于依靠单个传感器估计的均方误差,而且小于采用多传感器均值作估计的均方误差。参考文献:[1] 梁华. 移动机器人路径规划与视觉系统基础研究[D].浙江大学, 2002 .[2] 唐振民. 智能移动机器人及群体关键技术研究[D].南京理工大学, 2002 .[3] 许永华. 基于信息融合和多行为决策的自主机器人导航系统[D].中南大学, 2002 .[4] 洪伟. 移动机器人系统中分布式传感器信息融合方法及路径规划问题的研究[D].吉林大学, 2004 .[5] 赵小川,罗庆生,韩宝玲. 机器人多传感器信息融合研究综述[J].传感器与微系统, 2008,(08) .

  中国论文网(www.lunwen.net.cn)免费学术期刊论文发表,目录,论文查重入口,本科毕业论文怎么写,职称论文范文,论文摘要,论文文献资料,毕业论文格式,论文检测降重服务。

返回电子论文列表
展开剩余(