[b]文章来源(中国传动网)[/b]   移动机器人多传感器信息融合技术述评  
               2006-7-28 11:11:00　王仲民　岳宏　刘继岩 　供稿   收藏 
    
摘 要：多传感器信息融合技术是目前移动机器人领域的研究热点。详细阐述了多传感器信息融合技术在移动机器人领域中的应用与研究进展，尤其对多传感器信息融合实现方法进行了深人的探讨。指明了移动机器人领域中多传感器信息融合技术未来的发展方向。
关键词：移动机器人；多传感器；信息融合
移动机器人是机器人学领域中的一个重要研究分支，它是一个集环境感知、动态决策与规划、行为控制与执行等多种功能于一体的综合系统。随着机器人技术的不断发展，移动机器人的应用范围和功能都大为拓展和提高，不仅在工业、国防、服务等行业中得到广泛的应用，而且，在野外作业以及在有害与危险环境作业、极限作业和空间领域中的应用，已得到世界各国的高度重视。
移动机器人的研究始于20世纪60年代，目前，关于移动机器人的研究，诸如，基于感知的位置判断和局部与全局导航方案的研究；障碍物的检测和避障的新方法以及多传感器信息融合等，引起了国内外众多专家学者的广泛关注。智能机器人就是一类能够通过传感器感知环境和自身状态，实现在有障碍物的环境中面向目标的自主运动，进而完成不同作业功能的机器人系统。智能化是移动机器人的发展方向，而传感器技术的发展是实现移动机器人智能化的重要基础。移动机器人多传感器信息融合技术弥补了使用单一传感器所固有的缺陷，现已成为移动机器人智能化研究领域的关键技术
1 移动机器人的感知系统
移动机器人在正常工作时，不仅要对自身的位置，姿态、速度以及系统内部状态等进行监控，同时，还要能够感知所处的工作环境，从而使机器人相应的工作顺序以及操作内容能够自然地适应工作环境的改变。因此，准确获取外部和内部状态信息，对于移动机器人的正常工作、提高工作效率、节约能源及防止意外事故的发生等都是非常必要的。
目前，应用于移动机器人的传感器，广义上可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，电源电压、车轮位置等；内部传感器主要有里程计，陀螺仪，磁罗盘及光电编码器等。外部传感器用于感知外部环境信息，如，环境的温度、湿度，物体的颜色和纹理，与机器人的距离等；外部传感器种类也很多，主要包括视觉传感器、激光测距传感器、超声波传感器、红外传感器、接近传感器等。不同的传感器集成在移动机器人上，构成了多传感器信息融合的感知系统。
2 移动机器人多传感器信息融合的实现
目前，移动机器人领域中采用的多传感器信息融合方法主要包括：加权平均法、Kalman滤波、扩展Kalman滤波、Bayes估计、Dempster-Shafer证据推理、模糊逻辑、神经网络以及基于行为方法和基于规则方法等。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等，也可以实现测距传感器信息、内部航迹推算系统信息、全局定位信息之间的信息融合，进而准确，全面地认识和描述被测对象与环境，从而做出移动机器人能够做出正确的判断与决策。
2.1 加权平均法
此种方法是将一组传感器提供的冗余信息进行加权平均，并将加权平均值作为信息融合值。它是一种最简单、最直观地对多传感器低层数据的信息融合方法。该方法存在的最大弊端就是很难获得最优加权平均值，而且，确定权值需要花费大量的时间。
2.2 Kalman滤波及其扩展
用于实时融合动态的低层次冗余传感器数据。该方法用测量模型的统计特性递推决定在统计意义下是最优的融合数据估计。如果系统具有线性动力学模型，且系统噪声和传感器噪声是符合高斯分布的白噪声，那么，Kalman滤波为融合数据提供唯一的统计意义下的最优估计。这种方法的递推特性使得其计算速度快，且不需要过多的存储空间。随着计算机技术的飞速发展，Kalman滤波的计算要求与复杂性已不再阻碍该方法的实际应用。现在这种方法越来越受到人们的青睐，尤其是在多传感器多目标跟踪系统中更显出其独特的优点，如，Tomatis等人采用基于Kalman滤波混合法实现了移动机器人的导航，试验结果表明：在1.15km的路程上成功率达到96％。从移动机器人的跟踪精度来看，偏离目标点的误差仅为9mm。
工程实际应用中，系统模型线性程度的假设或者数据处理不稳定性时，将对信息融合过程产生较大影响。在这种情况下，常常采用扩展Kalman滤波（EKF）取代常规的Kalman滤波。EKF是移动机器人实现即时定位与导航的重要方法，在移动机器人定位和导航中，利用传感器融合和非线性模型预测控制方法，并以扩展的Kalman滤波实现最优估计。采用Kalman滤波器通过统计特征进行状态估计，并实现噪声引起的误差最小。
2.3 Bayes估计
Bayes估计是融合静态环境中多传感器低层信息的一种常用方法，其信息描述为概率分布，适用于具有可加高斯噪声的不稳定性。该融合方法产生于多传感器融合技术的初期。应用Bayes估计方法时，首先，应描述出模型；然后，赋予每个命题一个先验概率；再使用概率进行推断，特别根据信息数据估计置信度获取结果。但是，当某一个传感器的新信息到来，而此时未知命题的数量大于已知命题的数量时，已知命题的概率是非常不稳定的。该方法主要应用于移动机器人自身的状态估计以及对运动目标的识别与跟踪等方面。
2.4 Dempster-Shafer证据推理
证据推理的概念首先由Dempster于1967年提出，后来，由他的学生Shafer进一步发展完善。Dempster-Shafer证据推理是Bayes方法的扩展，而又不同于Bayes方法。Bayes估计仅仅使用了一个代替前提概率为真的一个值，当前提相互关联时，Bayes方法难以保证估计的一致性。Dempster-Shafer方法使用一个不稳定区间，通过不稳定未知前提的先验概率来避免Bayes方法的不足。由于Dempster-Shafer证据推理法研究问题的方式和内容特别适合处理多传感器集成系统的信息融合问题，因此，该证据推理现已成为信息融合的一个重要理论基础。在移动机器人领域中，这一方法现已被成功地应用于移动机器人对目标的识别。
Dempster-Shafer证据推理的优点是不需要指定先验概率；其缺点是一般情况下计算量非常大，而且，在工程实际应用中，如何有效获取基本概率赋值也有待于进一步深入研究。同时，文献[7]也指出：Dempster-Shafer理论只积累单独的信息源，而当事件合并后，时间权重与信任度之间存在不合理关系，因此，该理论还需进一步深入研究完善。
2.5 模糊逻辑与人工神经网络
利用模糊逻辑可将多传感器数据融合过程中的不确定性直接表示在推理过程中。基于模糊规则的目标识别融合计算非常简单，通过指定一个0到1之间的实数来表示真实度，这相当于隐式算子的前提。但它不像Dempster-Shafer方法：随着证据的积累的同时，逐步增长可能目标对象的概率取值，减少不可能目标对象的概率取值。近年来，模糊集合推理被广泛应用于移动机器人目标识别与路径规划方面。Sasiadek利用模糊逻辑和扩展的Kalman滤波进行传感器信息融合。
人工神经网络方法是一种仿效生物神经系统的信息处理方法。一个神经网络包括以各种方式联接的多层处理单元。神经网络对输入的数据进行非线性变换，从而完成了聚类分析技术所进行的从数据到属性的分类。基于神经网络的多传感器信息融合有以下特点：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，获得相应网络参数；可将知识规则转换成数字形式，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；具有大规模并行处理的能力，使得系统信息处理速度非常快，并且，具有很强的容错性和鲁棒性。
基于神经网络的信息融合实质上是一个不确定性推理过程。充分利用外部环境的信息，实现知识的自动获取以及在此基础上进行联想推理。经过大量的学习和推理，将不确定环境的复杂关系融合为系统能够理解的符号。神经网络的研究对于多传感器信息融合提供了一种很好的方法，其非线性逼近能力在信息融合中非常引人注目，通常采用的是三层感知器模型和BP算法。
目前，在移动机器人多传感器信息融合中，神经网络主要用于对移动机器人目标的识别，获得移动机器人对于障碍物影像的精确的估计，正确地引导机器人运动。采用神经网络的多传感器信息融合方法，能够解决移动机器人的自主行走问题。为了有效地改善神经网络信息融合的效果和速度，利用阵列神经网络进行信息融合的结构模型，可以通过子法，其非线性逼近能力在信息融合中非常引人注目，通常采用的是三层感知器模型和BP算法。
目前，在移动机器人多传感器信息融合中，神经网络主要用于对移动机器人目标的识别，获得移动机器人对于障碍物影像的精确的估计，正确地引导机器人运动。采用神经网络的多传感器信息融合方法，能够解决移动机器人的自主行走问题。为了有效地改善神经网络信息融合的效果和速度，利用阵列神经网络