摘 要：多傳感器信息融合技術(shù)是目前移動機器人領域的研究熱點。詳細闡述了多傳感器信息融合技術(shù)在移動機器人領域中的應用與研究進展，尤其對多傳感器信息融合實現(xiàn)方法進行了深人的探討。指明了移動機器人領域中多傳感器信息融合技術(shù)未來的發(fā)展方向。 關鍵詞：移動機器人；多傳感器；信息融合 移動機器人是機器人學領域中的一個重要研究分支，它是一個集環(huán)境感知、動態(tài)決策與規(guī)劃、行為控制與執(zhí)行等多種功能于一體的綜合系統(tǒng)。隨著機器人技術(shù)的不斷發(fā)展，移動機器人的應用范圍和功能都大為拓展和提高，不僅在工業(yè)、國防、服務等行業(yè)中得到廣泛的應用，而且，在野外作業(yè)以及在有害與危險環(huán)境作業(yè)、極限作業(yè)和空間領域中的應用，已得到世界各國的高度重視。 移動機器人的研究始于20世紀60年代，目前，關于移動機器人的研究，諸如，基于感知的位置判斷和局部與全局導航方案的研究；障礙物的檢測和避障的新方法以及多傳感器信息融合等，引起了國內(nèi)外眾多專家學者的廣泛關注。智能機器人就是一類能夠通過傳感器感知環(huán)境和自身狀態(tài)，實現(xiàn)在有障礙物的環(huán)境中面向目標的自主運動，進而完成不同作業(yè)功能的機器人系統(tǒng)。智能化是移動機器人的發(fā)展方向，而傳感器技術(shù)的發(fā)展是實現(xiàn)移動機器人智能化的重要基礎。移動機器人多傳感器信息融合技術(shù)彌補了使用單一傳感器所固有的缺陷，現(xiàn)已成為移動機器人智能化研究領域的關鍵技術(shù) 1 移動機器人的感知系統(tǒng) 移動機器人在正常工作時，不僅要對自身的位置，姿態(tài)、速度以及系統(tǒng)內(nèi)部狀態(tài)等進行監(jiān)控，同時，還要能夠感知所處的工作環(huán)境，從而使機器人相應的工作順序以及操作內(nèi)容能夠自然地適應工作環(huán)境的改變。因此，準確獲取外部和內(nèi)部狀態(tài)信息，對于移動機器人的正常工作、提高工作效率、節(jié)約能源及防止意外事故的發(fā)生等都是非常必要的。 目前，應用于移動機器人的傳感器，廣義上可分為內(nèi)部傳感器和外部傳感器兩類。內(nèi)部傳感器用于監(jiān)測機器人系統(tǒng)內(nèi)部狀態(tài)參數(shù)，如，電源電壓、車輪位置等；內(nèi)部傳感器主要有里程計，陀螺儀，磁羅盤及光電編碼器等。外部傳感器用于感知外部環(huán)境信息，如，環(huán)境的溫度、濕度，物體的顏色和紋理，與機器人的距離等；外部傳感器種類也很多，主要包括視覺傳感器、激光測距傳感器、超聲波傳感器、紅外傳感器、接近傳感器等。不同的傳感器集成在移動機器人上，構(gòu)成了多傳感器信息融合的感知系統(tǒng)。 2 移動機器人多傳感器信息融合的實現(xiàn) 目前，移動機器人領域中采用的多傳感器信息融合方法主要包括：加權(quán)平均法、Kalman濾波、擴展Kalman濾波、Bayes估計、Dempster-Shafer證據(jù)推理、模糊邏輯、神經(jīng)網(wǎng)絡以及基于行為方法和基于規(guī)則方法等。應用這些方法可以進行數(shù)據(jù)層、特征層以及決策層等不同的層次的融合等，也可以實現(xiàn)測距傳感器信息、內(nèi)部航跡推算系統(tǒng)信息、全局定位信息之間的信息融合，進而準確，全面地認識和描述被測對象與環(huán)境，從而做出移動機器人能夠做出正確的判斷與決策。 2.1 加權(quán)平均法 此種方法是將一組傳感器提供的冗余信息進行加權(quán)平均，并將加權(quán)平均值作為信息融合值。它是一種最簡單、最直觀地對多傳感器低層數(shù)據(jù)的信息融合方法。該方法存在的最大弊端就是很難獲得最優(yōu)加權(quán)平均值，而且，確定權(quán)值需要花費大量的時間。 2.2 Kalman濾波及其擴展 用于實時融合動態(tài)的低層次冗余傳感器數(shù)據(jù)。該方法用測量模型的統(tǒng)計特性遞推決定在統(tǒng)計意義下是最優(yōu)的融合數(shù)據(jù)估計。如果系統(tǒng)具有線性動力學模型，且系統(tǒng)噪聲和傳感器噪聲是符合高斯分布的白噪聲，那么，Kalman濾波為融合數(shù)據(jù)提供唯一的統(tǒng)計意義下的最優(yōu)估計。這種方法的遞推特性使得其計算速度快，且不需要過多的存儲空間。隨著計算機技術(shù)的飛速發(fā)展，Kalman濾波的計算要求與復雜性已不再阻礙該方法的實際應用?，F(xiàn)在這種方法越來越受到人們的青睞，尤其是在多傳感器多目標跟蹤系統(tǒng)中更顯出其獨特的優(yōu)點，如，Tomatis等人采用基于Kalman濾波混合法實現(xiàn)了移動機器人的導航，試驗結(jié)果表明：在1.15km的路程上成功率達到96％。從移動機器人的跟蹤精度來看，偏離目標點的誤差僅為9mm。 工程實際應用中，系統(tǒng)模型線性程度的假設或者數(shù)據(jù)處理不穩(wěn)定性時，將對信息融合過程產(chǎn)生較大影響。在這種情況下，常常采用擴展Kalman濾波（EKF）取代常規(guī)的Kalman濾波。EKF是移動機器人實現(xiàn)即時定位與導航的重要方法，在移動機器人定位和導航中，利用傳感器融合和非線性模型預測控制方法，并以擴展的Kalman濾波實現(xiàn)最優(yōu)估計。采用Kalman濾波器通過統(tǒng)計特征進行狀態(tài)估計，并實現(xiàn)噪聲引起的誤差最小。 2.3 Bayes估計 Bayes估計是融合靜態(tài)環(huán)境中多傳感器低層信息的一種常用方法，其信息描述為概率分布，適用于具有可加高斯噪聲的不穩(wěn)定性。該融合方法產(chǎn)生于多傳感器融合技術(shù)的初期。應用Bayes估計方法時，首先，應描述出模型；然后，賦予每個命題一個先驗概率；再使用概率進行推斷，特別根據(jù)信息數(shù)據(jù)估計置信度獲取結(jié)果。但是，當某一個傳感器的新信息到來，而此時未知命題的數(shù)量大于已知命題的數(shù)量時，已知命題的概率是非常不穩(wěn)定的。該方法主要應用于移動機器人自身的狀態(tài)估計以及對運動目標的識別與跟蹤等方面。 2.4 Dempster-Shafer證據(jù)推理 證據(jù)推理的概念首先由Dempster于1967年提出，后來，由他的學生Shafer進一步發(fā)展完善。Dempster-Shafer證據(jù)推理是Bayes方法的擴展，而又不同于Bayes方法。Bayes估計僅僅使用了一個代替前提概率為真的一個值，當前提相互關聯(lián)時，Bayes方法難以保證估計的一致性。Dempster-Shafer方法使用一個不穩(wěn)定區(qū)間，通過不穩(wěn)定未知前提的先驗概率來避免Bayes方法的不足。由于Dempster-Shafer證據(jù)推理法研究問題的方式和內(nèi)容特別適合處理多傳感器集成系統(tǒng)的信息融合問題，因此，該證據(jù)推理現(xiàn)已成為信息融合的一個重要理論基礎。在移動機器人領域中，這一方法現(xiàn)已被成功地應用于移動機器人對目標的識別。 Dempster-Shafer證據(jù)推理的優(yōu)點是不需要指定先驗概率；其缺點是一般情況下計算量非常大，而且，在工程實際應用中，如何有效獲取基本概率賦值也有待于進一步深入研究。同時，文獻[7]也指出：Dempster-Shafer理論只積累單獨的信息源，而當事件合并后，時間權(quán)重與信任度之間存在不合理關系，因此，該理論還需進一步深入研究完善。 2.5 模糊邏輯與人工神經(jīng)網(wǎng)絡 利用模糊邏輯可將多傳感器數(shù)據(jù)融合過程中的不確定性直接表示在推理過程中?；谀：?guī)則的目標識別融合計算非常簡單，通過指定一個0到1之間的實數(shù)來表示真實度，這相當于隱式算子的前提。但它不像Dempster-Shafer方法：隨著證據(jù)的積累的同時，逐步增長可能目標對象的概率取值，減少不可能目標對象的概率取值。近年來，模糊集合推理被廣泛應用于移動機器人目標識別與路徑規(guī)劃方面。Sasiadek利用模糊邏輯和擴展的Kalman濾波進行傳感器信息融合。 人工神經(jīng)網(wǎng)絡方法是一種仿效生物神經(jīng)系統(tǒng)的信息處理方法。一個神經(jīng)網(wǎng)絡包括以各種方式聯(lián)接的多層處理單元。神經(jīng)網(wǎng)絡對輸入的數(shù)據(jù)進行非線性變換，從而完成了聚類分析技術(shù)所進行的從數(shù)據(jù)到屬性的分類?；谏窠?jīng)網(wǎng)絡的多傳感器信息融合有以下特點：具有統(tǒng)一的內(nèi)部知識表示形式，通過特定的學習算法可以將神經(jīng)網(wǎng)絡獲取的傳感器信息進行融合，獲得相應網(wǎng)絡參數(shù)；可將知識規(guī)則轉(zhuǎn)換成數(shù)字形式，便于建立知識庫；不用建立系統(tǒng)精確的數(shù)學模型，非常適合于非線性測試情況；具有大規(guī)模并行處理的能力，使得系統(tǒng)信息處理速度非?？?，并且，具有很強的容錯性和魯棒性。 基于神經(jīng)網(wǎng)絡的信息融合實質(zhì)上是一個不確定性推理過程。充分利用外部環(huán)境的信息，實現(xiàn)知識的自動獲取以及在此基礎上進行聯(lián)想推理。經(jīng)過大量的學習和推理，將不確定環(huán)境的復雜關系融合為系統(tǒng)能夠理解的符號。神經(jīng)網(wǎng)絡的研究對于多傳感器信息融合提供了一種很好的方法，其非線性逼近能力在信息融合中非常引人注目，通常采用的是三層感知器模型和BP算法。 目前，在移動機器人多傳感器信息融合中，神經(jīng)網(wǎng)絡主要用于對移動機器人目標的識別，獲得移動機器人對于障礙物影像的精確的估計，正確地引導機器人運動。采用神經(jīng)網(wǎng)絡的多傳感器信息融合方法，能夠解決移動機器人的自主行走問題。為了有效地改善神經(jīng)網(wǎng)絡信息融合的效果和速度，利用陣列神經(jīng)網(wǎng)絡進行信息融合的結(jié)構(gòu)模型，可以通過子法，其非線性逼近能力在信息融合中非常引人注目，通常采用的是三層感知器模型和BP算法。 傳統(tǒng)的神經(jīng)網(wǎng)絡結(jié)構(gòu)對于大量學習樣本，需要的隱結(jié)點數(shù)非常大，甚至需要很多的隱含層，因此，需要很大的計算工作量。限于計算機的運行速度，導致實時性很差，這也是今后亟待進一步解決的問題。 3 發(fā)展趨勢 隨著電子技術(shù)以及VLSI技術(shù)的飛速發(fā)展，傳感器結(jié)構(gòu)將朝著并行體結(jié)構(gòu)發(fā)展，因此，開發(fā)并行計算能力的軟件和硬件，來滿足具有大量數(shù)據(jù)且計算復雜的多傳感器信息融合的要求，是多傳感器信息融合技術(shù)的主要發(fā)展趨勢之一。多傳感器信息融合技術(shù)硬件的主要發(fā)展方向為：研究出能處理多傳感器信息的集成電路芯片，不斷研制出新型移動機器人用傳感器，并且，不斷使傳感器模型和接口實現(xiàn)標準化。 目前，多傳感器信息融合算法很多，但大多數(shù)算法都是以線性正態(tài)分布的平穩(wěn)隨機過程為前提。因此，開發(fā)新型的信息融合算法，進一步提高多傳感器融合系統(tǒng)的性能，解決非線性以及非平穩(wěn)正態(tài)分布的實際信息融合還有待于進行深入的研究。 人工智能可使系統(tǒng)本身具有良好的柔性與可理解性，因而，能夠處理復雜的問題。對人工智能的研究將會在傳感器選擇、自動任務誤差檢測與恢復等領域發(fā)揮巨大的作用。目前，人工智能在多傳感器信息融合中的應用已經(jīng)是國內(nèi)外研究的一個熱點。 移動機器人在未知環(huán)境下的多傳感器信息融合，主要解決其自主定位與導航問題。目前，基于多傳感器信息融合的移動機器人自主定位與環(huán)境建模取得的研究成果，大多局限于室內(nèi)結(jié)構(gòu)化環(huán)境中。有關決策規(guī)則的魯棒性、傳感器布置的效果、生物傳感器方法的適應性以及自定位，運動規(guī)劃和控制與機器人動態(tài)的綜合考慮等方面問題仍有待于深入研究，特別是非結(jié)構(gòu)環(huán)境下移動機器人技術(shù)將是今后機器人技術(shù)發(fā)展的重點。 4 結(jié)束語 多傳感器信息融合技術(shù)是智能移動機器人的關鍵技術(shù)之一。隨著傳感器技術(shù)的發(fā)展以及信息融合技術(shù)水平的提高，移動機器人獲取環(huán)境信息的感知能力以及系統(tǒng)決策能力將會得到不斷的提高。傳感技術(shù)、智能技術(shù)以及計算技術(shù)的不斷發(fā)展，將會促進移動機器人向智能化、完全自主化方向發(fā)展，移動機器人一定能夠在有害和危險環(huán)境、極限作業(yè)及太空等各個領域中扮演擬人的角色，成為人類真正意義上的朋友。