（检测技术与自动化装置专业论文）基于多传感器信息融合的移动机器人控制.pdf

基于多传感器信息融含的移动机器人控制 摘要 论文题目：基于多传感器信息融合的移动机器人控制 专业：检测技术与自动化装置 硕士生：廖银 指导教师：王国利教授 摘要 移动机器人在向目标点移动过程中可能出现较大的偏差，需要利用传感 器获得的有效反馈信息，设计适当的控制器，使机器人以j 下确的线速度和角 速度移动。这就需要设计一定的时间间隔，计算当前机器人的定位信息，根 据当前的位置信息和目标点的位置信息来确定控制律，以减小偏差的影响。 无疑，基于传感信息的机器人定位是其中重要的环节。由于单个传感器的感 知信息不可避免存在一定的误差，采用传感信息融合的方式能有效提高感知 精度，进而获得准确定位。如何通过传感信息融合，充分利用多传感器资源， 为实现移动机器人的目标跟踪控制提供精确定位，是本文研究的主要问题。 本文主要研究工作包括面向反馈控制的信息融合策略设计方法和实验验 证研究两部分，涉及的主要研究内容和方法可以归纳为： ( 1 ) 在反馈过程中，机器人定位信息的计算采用了信息融合的策略。涉及的 定位传感器包括了编码器、超声波传感器、以及罗盘等。信息融合分别 采用了扩展卡尔曼滤波和加权平均的方法，其中编码器和超声波信息融 合采用了扩展卡尔曼滤波，编码器和罗盘采用加权平均。在实现信息融 合过程中，编码器的数据通过联结驱动器与控制卡的串口传递，控制卡 与p c 机通过r s 2 3 2 协议通讯。 ( 2 ) 实验验证研究中，对中山大学信息科学与技术学院智能信息处理与人机 系统实验室的移动机器人实验平台的相关数据进行了测试，确定相关机 器人内部数据的传播方式。同时，采集了多组不同参数的机器人传感器 数据，并使用采集的数据对相关算法进行验证，结合m a t l a b 展示仿真 基于多传感器信息融合的移动机器人控制 a b s t r a c t t i t l e ：m o b i l er o b o tc o n t r o ib a s e do nm u i t i s e n s o r 允s i o n m 勾o r ：m e a s u r i n gt e c h n o l o g ya n da u t o m a t e de q u i p m e n t n a m e ：y i nl i a o s u p e r v i s o r ：p r o f g u o - i iw a n g a bs t r a c t p o s i t i o n i n ge n o r so r e no c c u rd u r i n gm o b i l em o v i n gt oag o a l t h e r e f o r ei ti s n e c e s s a 巧t od e s i 驴ar e a s o n a b i ec o n t r o l l a wt o “v ear o b o ti n t e n l l so fi i n e a ra n d a n g u l a rv e l o c i t i e s t bd ot h i s ，i tn e e d st os e t t l eat i m ei n t e r v a if o rc h e c k i n gt h ep o s i t i o n d i 虢r e n c e 舶m9 0 a ls oa st oa p p r o a c hg o a la c c o r d i n g l y i ti so b v i o u st h a tr o b o t p o s i t i o n i n gi sc 1 1 j c i a lt oc o n t r o i l e rd e s i g n b e c a u s eo b s e r v e dd a t af - r o mas i n g l es e n s o r i n e v i t a b l yi n v o l v em e a s u r e m e n te r r o r s ，m u l t i p l es e n s o rf u s i o no f f e r s ap o t e n t i a lw a yo f i m p r o v i n gt h em e 嬲u r e m e n tp e r f o 肌a n c e t h i st h e s i sm a i n l yc o n c e m st h ei s s u eo f a c h i e v i n gt h ed e s i r a b l ep o s i t i o n i n gb a s e do n 如s i n gm u l t i p l es e n s o 呵d a t a t h i si san e w c o n s i d e r a t i o no fu s i n ga v a i l a b l es e n s o rr e s o u r c e s t h es t u d yi nt h i st h e s i si n v o l v e s “v op a r t s ：t h em u l t i p l es e n s o rf u s i o ns t r a t e g y a n dt h e e x p e r i m e n t a ls t u d i e s ，w h i c hc a nb es u m m a r i z e da s ( 1 ) m u l t i p l es e n s o r如s i o n i s e x p l o i t e di n r o b o tp o s i t i o n i n g c o m p a s s ，e n c o d e r s ， u 1 仃a s o n i cs e n s o r s锄da r e e m p l o y e df o rr o b o tp o s i t i o n i n g k a l m a nf i h e ra n d w e i g h t e dm e 锄a r ea p p l i e di nt h ef u s i o np r o c e s s i n g i np a r t i c u i a r ，s e n s o 呵d a t af r o m e n c o d e ra n du l t r a s o n i ca r e 向s e db yk a l m a nf i l t e r ，t h o s ef r o me n c o d e ra n dc o m p a s s a r cd o n eb yw e i g h t e dm e a nt e c h n i q u e ，r e s p e c t i v e l y t h ee n c o d e rd a t aa r et r 柚s m i t t e d o v e rt h es e r i a lc o mb e t w e e nt h em o t o r 加dt h ec o n t r o lb o a r d ，w h i l er s 一2 3 2i st h e p r o t o c o lb e t w e e nc o n 臼o lb o a r da n dp c ( 2 ) t h ep r o p o s e ds 仃a t e g yf o rm u l t i p l es e n s o rf h s i o ni si m p l e m e n t e do nt h et e s t - b e di nt h e i n f o 册a t i o np 眦e s s i n gl a b o r a t o 哕o fs u ny a t s e nu n i v e r s 吼i np a n i c u i 巩s e v e r a l 罂- o u p so fm e a s u r e dd a ：t aa r ec o l l e c t e df o rv a l i d a t i n gt h ep r o p o s e ds t r a t e g y m i 姐l a b i i i 慕于多传感器信息触合的移动机器人控制 a b s t r a c t i su s e dt op r e s e n tt h es i m u i a t i o nr e s u i t s c o m p a r a t i v es t u d i e sf o rt h er e s u l t sw i t ha n d w i t h o u tf u s i o na r eg i v e nt oh i g h l i g h tt h ea d v a n t a g eo f t h ep r o p o s e ds c h e m e k e y w b r d s ：m u l t i s e n s o ri n f o r m a t i o nf u s i o nr o b o tl o c a t i o nc o n t r o l l a w i v 论文原创性声明 本人郑重声明：所呈交的学位论文，是本人在导师的指 导下，独立进行研究工作所取得的成果。除文中已经注明引 用的内容外，本论文不包含任何其他个人或集体已经发表或 撰写过的作品成果。对本文的研究作出重要贡献的个人和集 体，均已在文中以明确方式标明。本人完全意识到本声明的 法律结果由本人承担。 学位论文作者签名：穆揪 日期：们乎j 月影日 学位论文使用授权说明 本人完全了解中山大学有关保留、使用学位论文的规定， 即：学校有权保留学位论文并向国家主管部门或其指定机构 送交论文的电子版和纸质版，有权将学位论文用于非赢利目 的的少量复制并允许论文进入学校图书馆、院系资料室被查 阅，有权将学位论文的内容编入有关数据库进行检索，可以 采用复印、缩印或其他方法保存学位论文。 学位论文作者签名：谚银 导师签名： 刀辣纠 日期：1 拜歹月阳日期：“捌 年，月可日 基于多传感器信息融合的移动机器人控制第l 章，j l 吉 1 1背景 第1 章引言 随着科学技术的进步，机械技术、材料学、自动化技术得到了长足的发展， 全自动化的操作成为发展趋势。随着自动化技术的发展，出现了机器人，机器人 学开始得到发展。机器人可以应用到生产流水线，例如汽车生产流水线，将机器 人与其它机械设备一起使用。也可以应用到野外作业，例如矿产勘探等，对于一 些人类不能涉足的场合，如有毒，高温，高压环境，需要机器人能够自主移动， 这类机器人就是移动机器人。 移动机器人是机器人学中的重要研究方向【1 】【2 】，移动机器人根据移动方式的 不同可以分为很多种类，如履带式、轮式、腿式等等。移动机器人首先要考虑的 就是路径规划，路经规划中的其中很重要的一项就是要进行定位【3 j 。 移动机器人受到非完整性约束，是一类非常典型的非完整性系统，目前有很 多学者进行相关研究，有对机器人的鲁棒性能进行研究的【4 】，有对机器人轨迹跟 踪进行研究的【567 1 。 机器人定位是机器人研究的基础，机器人的许多功能都依靠机器人的准确定 位来实现的。移动机器人依靠自身的传感器进行自定位，如：声纳，红外线等等， 可以在一段时间之内获得较高的精度，但是随着时间增长误差会不断累积，从而 导致机器人行走过程中出现偏差。文献【8 】讨论了基于多传感器的定位技术。 随着近年来信息融合技术的发展，信息融合技术可以大大提高定位的精确 度。这主要通过多传感器融合来实现。移动机器人通过外部传感器对自身的定位 信息进行修正。光电编码器可以推算机器人的位置和角度信息。声纳传感器可以 测得自身与目标点之间的距离，利用卡尔曼滤波方法对两种传感器信息进行融 合，也就是通过声纳信号不断刷新光电编码器的定位信息。由于声纳只能测得距 离，不能确定角度，故只能对位置坐标进行刷新。要想确定更为准确的角度信息， 必须采用别的传感器信息对角度信息进行融合。罗盘就具有测量角度差的功能， 基十多传感器信息融合的移动机器人控制 第1 章，j i 者 不适合采用卡尔曼滤波，所以采用加权平均的方式进行融合。这样，就达到了提 高提高移动机器人的定位精度的目的。 成功定位之后，就要对机器人进行反馈控制，根据定位信息，规划运动律， 控制机器人的线速度和角速度，最终控制机器人的左右轮速度，使机器人获得稳 定、准确的输出。 1 2 国内外研究现状 1 2 1移动机器人研究 移动机器人的研究始于2 0 世纪6 0 年代，对于移动机器人的研究要首先考虑 运动方式，然后根据运动方式的不同，对机器人进行控制，使其达到预期的行为。 机器人的运动过程涉及到避障，路经规划等问题。这些研究就涉及到图像处理、 信息融合、神经网络、网络通信等相关知识。 移动机器人是一类典型的具有非完整性约束的系统。非完整性约束就是指同 时约束空间位置及运动速度，并且不能通过积分转化为空间位置的约束。对于轮 式机器人来说，非完整性约束具体表现为机器人的轮子与地面只存在纯滚动运 动，不存在滑动。非完整性约束使得机器人的控制问题变得相当复杂，也使得非 完整性机器人稳定性研究成为热点问题。对于移动机器人这种非完整系统的控 制，国外从9 0 年代丌始就进行了大量的研究，提出了各种不同的方法，但是所 有的方法的主题思想只有一个，那就是通过一系列的变换，提出一些经实验验证 控制稳定性比较好的控制律，控制律的核心就是根据当前的位置与目标点位置之 差来确定线速度和角速度，通过不断改变速度来调整机器人的位置。 f 彻dp o u r b o 曲r a t 在文献【9 】中研究了非完整性机器人的指数稳定性，提出控制 算法，并通过实验证明了控制算法的稳定性。h y u n s i ks 1 1 i m 在文献【1 0 】中也针对 非完整性机器人系统提出了控制算法，给出了仿真验证，并证明了算法的 l y a p u l o v 稳定性。 国内也对非完整性机器人控制算法展开了相关的研究。在文献【4 卅中针对非 完整性机器人展开了相关研究，文献【4 】对非完整性约束的机器人进行了鲁棒控制 2 皋十多传感器信息融合的移动机器人控制第l 帝，j | 苦 研究，分析了轮式机器人在非完整性约束下的建模问题，以三轮小车为例讨论了 机器人的动力学模型，设计机器人的控制律，应用鲁棒控制技术，对机器人进行 轨迹跟踪控制，并仿真实现。文献【5 】讨论了非完整性轮式机器人的轨迹跟踪控制， 它采用了基于积分b a c k s t e p p i n g 时变状态反馈法设计机器人轨迹跟踪算法，利用 l y a p u n o v 理论证明了系统的稳定性。控制率的设计还考虑到了机器人的动力学 约束，引入了系统速度，加速度等受限策略。作者还通过仿真证明了该算法具有 快速、精确、全局稳定等良好特性。 对移动机器人的运动控制最终还是要靠对机器人自身进行准确定位。目前我 国对机器人定位研究处于起步阶段，尚未形成产业化。机器人的应用由制造业向 非制造业转变，例如机器人野外作业、深海作业、战场作业，以及一些人类不能 进入的有毒、放射、高温环境等等，有着广泛的应用前景。近年来对于移动机器 人定位，路径规划和避障的研究越来越多。 1 2 2多传感器融合技术在移动机器人定位中的应用 多传感器融合技术首先应用于军事技术。美国的研究机构在国防部的资助 下，开展了相关的研究。之后信息融合技术便开始迅速发展起来。 国际上，多传感器融合技术得到了长足的发展，1 9 9 8 年成立了国际信息融 合学会( i n t e m a t i o n a ls o c i e 锣6 fi n f o m a t i o nf u s i o n ，简称i s i f ) ，总部设在美国，每 年举行一次会议，研究信息融合技术得发展。2 0 0 7 年8 月在西安交通大学召开 的i s i f 会议，吸引了大批的国内外专家学者前来讨论，笔者也参加了该会议， 了解到近年来信息融合技术的发展情况。 在移动机器人系统中，机器人具有包括内部传感器和外部传感器在内的多传 感器系统。多传感器信息融合技术得到了广泛的应用。多传感器融合技术是指对 来源于多个传感器的信息进行信息融合，理论上来说，可以提高信息的准确度。 近年来很多成熟的技术都应用在信息融合领域，如最优先线性估计、贝叶斯 估计、卡尔曼滤波、神经网络、支持向量机、小波变换等等。最优线性估计融合 是使融合后的方差最小的融合方法，实质就是加权平均，关键在于确定权值，优 点在于计算量小，但融合效果相对来说不是特别好。贝叶斯估计的缺点则在于比 皋于多传感器信息融合的移动机器人控制第l 章引言 较难以确定贝叶斯后验概率。卡尔曼滤波相对来说是一种比较理想的信息融合算 法，计算量比较大，但融合的结果比较好。前面提到的文献就是采用了基于卡 尔曼滤波的信息融合技术。小波变换是一种很经典的算法，在信息融合领域也有 着广泛的应用。文献【1 2 1 5 1 研究讨论了小波变换在信息融合中的应用。随着计算机 技术的发展和人工神经网络的应用，出现了许多神经网络模型和相应学习方法。 文献【1 7 1 讨论了基于神经网络的信息融合的实现。文献【1 7 1 采用模糊神经网络技 术与信息融合技术结合进行分析，使得信息融合的神经网络应用于更广泛的领 域。 数据融合虽然增加了计算量，但是对于精确度的提高是很有帮助的。在一些 要求高准确度的场合适当使用信息融合技术是很有好处的。对于移动机器人来 说，只要配备了具有强大计算能力的芯片，就可以通过使用信息融合来提高定位 精度。 文献【8 】对移动机器人的定位系统进行了相关研究，该定位研究基于多传感器 融合技术。多传感器融合技术极大的提高了机器人定位的精度，使得运动控制的 精确性，稳定性得到提高。文献【1 1 埘轮式移动机器人的多传感器融合方法进行了 研究，提出了针对内部传感器编码器和外部传感器激光扫描仪的测量数据，通过 扩展卡尔曼滤波融合方法的使用，提高了对机器人的定位精度。可见对于机器人 定位精确度的提高，多传感器融合技术起到了关键的作用。 1 3 论文的主要工作 机器人运动过程中，由于机械性能而导致误差，所以首先就是要根据机器人 当f j 位置信息进行反馈，设计控制律，控制机器人的线速度和角速度。运动反馈 控制律的设计是论文的主体，但相关研究已经比较成熟，有很多比较好的设计方 案。例如f a 胁dp o u r b o g h r a t 在他的文章e x p o n e n t i a ls t a b i l i z a t i o no fn o n h o l o n o m i cm o b i i e r o b o t 【9 j 中，对要控制的参数进行了变换，两者的收敛性相同，仿真得出结论，经 过变换后的控制效果很好。另外一篇文章s t a b i l 时a n df o u rp o s t u r ec o n t r o lf o r n 彻h o j o n o m i cm o b i l e 【1 0 】，对系统的参数进行分类，分成几个区域，对于不同区域 的实行不同的控制律，根据其仿真结果显示，控制律的结果也不错。对相关研究 4 犟于多传感器侨息融合的移动机器人控制 第l 章0 l 鲁 进行总结，可以发现设计反馈运动控制律的关键在于对机器人进行定位。 机器人的定位信息，通过机器人自身的传感器信息确定，采用多传感器信息 融合的方法提高精确度。用卡尔曼滤波对编码器信息和声纳信息进行融合】，用 最优线性估计融合对编码器信息和罗盘信息进行融合【6 1 。 要读取机器人编码器的信息，必须对机器人的下层硬件进行操作，涉及到高 级运动控制卡芯片l p c 2 1 2 9 。l p c 2 1 2 9 与驱动器相连，驱动器与编码器相连，只 要向驱动器发送相关指令，驱动器就会返回编码器的数据。l p c 2 1 2 9 内部有两个 u a r t 串口，u a r t o 与驱动器相连，只要向u a r t o 发送指令，就可以从u a r t o 读取到编码器的相关数据了【18 1 。高级运动控制卡与上位机通过r s 2 3 2 通信，可以 将机器人与上位机通过串口相连，传递数据。这样，上位机就可以读取到编码器 的数据，从而进行数据融合。 为了验证信息融合对于机器人定位准确度的提高，安排了一组对比实验。使 用和不使用信息融合的，验证信息融合对结果的影响。另外还比较了对机器人进 行反馈控制的时间间隔对结果的影响。 1 4 论文结构与安排 本文的结构安排如下： 第一章介绍研究背景和本文要完成的工作，对论文的结构安排做出说明。 第二章分析多传感器融合技术的分类，对卡尔曼滤波信息融合技术和最优线 性估计融合技术进行详细介绍，提出适合本项目的算法，分析信息融合技术的优 点。同时，对论文的硬件环境加以介绍，包括机器人的机械结构和硬件组成。 第三章给出相关算法的具体实现，包括机器人控制律、信息融合算法，特别 着重讨论了卡尔曼滤波算法对编码器数据和超声波数据进行融合的具体实现形 式。 第四章详细描述了算法验证实验平台的设计和实现内容，给出了v o y a g e r 机 器人分散控制系统的上位机软件环境和下位机软件系统的扩展。其中，讨论了上 5 基于多传感器信息融合的移动机器人撺制 第l 章0 f 寄 位机程序涉及的编译环境设置、调试技巧、及串口通信的方式。在此基础上，给 出了稳定性控制算法、信息融合算法的具体实现。重点阐述了编码器与超声波数 据融合，编码器与罗盘信息融合策略。下位机讨论了丌发环境的设置，给出了程 序的主要函数和实现读取数据的操作。 第五章给出了算法的验证过程，并对实验结果进行了分析。 第六章是本论文研究工作的总结和对未来工作的展望。 6 幕十多传感器信息融合的移动机器人控制第2 章移动机器人的信息融合 第2 章移动机器人的信息融合 本论文的实验环境是基于v o y a g e r 机器人系统，所以首先对机器人的机械结 构和控制系统进行介绍。机械结构包括运动地盘、电源、驱动器和传感器。控制 系统是利用各种扩展卡加以实现的。 本文的一个关键技术是多传感器融合，对于提高机器人定位的精确性有很大 的作用。所以，本章首先会对多传感器融合的定义加以介绍，然后阐述信息融合 技术的分类，从中选择适合本系统的算法，并加以分析。 2 1 机器人机械结构 机器人平台由运动底盘、电源模块、控制计算机模块、传感器模块及搭载设 备等模块构成【2 0 1 。 2 1 1运动底盘 运动底盘包含运动部分伺服驱动，包括电机、减速器、编码器和轮子，提供 基本的运动功能。接口为1 2 针航空插头，包含了电机引线及编码器信号。运动 底盘设备为轮履式和轮式两种。 轮履式底盘模块的原理【2 0 】：电机旋转通过与电机同轴的减速器减速，并通 过连轴器驱动直角减速器的输入级齿轮。直角减速器的输出级齿轮带动主动带轮 旋转，从而带动履带运动。 轮式运动底盘模块的电机及行星齿轮减速器安装到u 型机架上，电机的转 动通过齿轮传递到输出轮胎。 2 1 2电源及驱动 电池及驱动模块包括箱体、充电电池、电源管理系统、相应的指示灯和充电 器。这个模块是机器人的动力来源，内置电池提供2 4 v 直流电，供给驱动行走 7 皋于多传感器信息融合的移动机器人控制第2 章移动机器人的信息融合 机构的电机和其他模块，如传感器模块等。同时，计算机发出的运动控制指令通 过r s 4 8 5 总线传送到这个模块内的电机控制器，控制电机完成指令的指定动作， 并把编码器的信息反馈给上层的计算机处理。 2 1 3传感器 传感器模块包括光电编码器、声纳、传感器信号处理主板、g p s 接收机、电 子罗盘、红外传感器、陀螺仪、加速度传感器及摄像机模块。 1 )编码器 本系统采用的光电编码器，是一种将几何位移量转化为脉冲或数字量的传感 器，具有体积小、转动平稳、分辨率高、输出波形好等特点。 光电编码器是一种典型的非接触式编码器，是由光栅码盘和光电检测装置组 成。当光栅码盘与电动机一起转动时，由于电动机的转动，光源透过忽明忽暗的 光信号。光敏元件将光信号转换成电信号，然后通过二极管等电子元件输出脉冲 信号。两个光敏元件的输出信号相差了p i 2 ，将输出信号送入鉴相电路，即可判 断码盘的旋转方向。通过每秒输出脉冲的个数，可以计算出电动机的转速。 2 ) 超声声纳 超声声纳工作时向物体表面发射一束超声波，被其反射后，传感器接收此反 射波。设声速一定，根据声波传递的往返时间就可以计算传感器到物体表面的距 离。超声声纳传感器安装在机器人的四周，传感器之间的位置角度差1 5 度，如 果超声波同时发射，有可能会产生干扰。所以采用轮询方式消除干扰。 声纳传感器具有近距离盲区，6 0 0 系列的传感器近距离盲区为o 1 5 c m ，即在 距离传感器1 5 c m 以内的障碍物，该传感器无法探测到。这是由传感器的响应频 率决定的。原因是距离太近，传播时间太短，传感器无法分辨发射光束和反射光 束。对此，可以用红外传感器弥补，红外传感器可以探测近距离有无障碍物。不 过，对于移动机器人来说，超声波还是目前最廉价和有效的传感器。 8 皋十多传感器侨息融合的移动机器人控制第2 章移动机器人的信息融合 2 2 机器人控制系统 机器人的控制系统分为用户层、决策控制层、传感底层决策层和运动执行 层。层与层之间的通讯都有相应的物理层和协议层标准。 机器人的上面部分是传感器主板，主要是对传感器信号进行采集和相关处 理。该主板具有扩展能力，用户可根据提供的封装图和接口协议扩展新的模块。 内部有一些扩展卡，分别是运动控制卡、超声红外采集卡和罗盘扩展盘。 机器人四周是部分传感器，包括红外传感器和声纳传感器。机器人驱动轮安 装有编码器，内部安装有罗盘和陀螺仪。 底部的编码器与驱动器相连，驱动器发送相关命令，编码器便返回相关数据。 驱动器与运动控制卡相连，通过r s 2 3 2 通信，运动控制卡可与上位机通信。 2 2 1 扩展卡 运动控制卡 运动控制卡采集陀螺仪、罗盘和编码器的数据，对机器人的运动行为进行控 制。其主控制器是l p c 2 1 2 9 ，基于a r m 7 t d m i s 内核，采用了1 2 8 b i t 宽度的内部 总线访问程序f l a s h ，速度比一般的a r m 7 核c p u 要快，集成的外设也比较丰富。 l p c 2 1 2 9 的主要任务： 1 读取a d s l 2 5 6 的数据，滤波得到角度信息。 2 读取左右驱动器的编码器运动距离信息。 3 控制串口u a r t o ，向左右驱动器发送速度信息。 本文的其中一个重点就是要通过l p c 2 1 2 9 读取驱动器中的运动信息，然后 发送到上位机进行处理。而厂方提供的程序并没有把驱动器的信息写到上位机， 所以在研究中要做的工作就包括：通过串口读取驱动器的信息，然后将此信息通 过串口传递到上位机，再由上位机进行处理。 超声和红外扩展板 9 皋于多传感器信息融合的移动机器人控制第2 章移动机器人的信息融合 该扩展板是读取红外和超声信号并进行相关处理的。超声测试的是距离信 息，而在近距离存在盲区，红外传感器则用于弥补这个盲区，用于近距离探测是 否存在障碍物。信息处理电路主控制芯片为a v r 系列单片机m e g a l 6 ，其通过8 路锁存器芯片7 4 h c 5 7 3 分时使能2 4 路超声声纳，每次使能一个；同时扫描红外 传感器输出；接收到超声波的反射信号后停止计时器，计算超声波的反射时间， 然后存入缓冲区，在接收到上位机查询指令后通过r s 4 8 5 转r s 2 3 2 总线反馈给上 位机。 r s 4 8 5 r s 2 3 2 转换电路 r s 4 8 5 r s 2 3 2 电路是将r s 4 8 5 通信协议转换为r s 2 3 2 协议，达到机器人与上 位机通信的目的，其基本工作原理如下： 首先通过m a x 4 9 1 将+ 1 2 v - 7 v 的r s 4 8 5 差分电平转化为o 5 v 的c m o s 电平， 然后通过m a x 2 3 2 将c m o s 电平转化为p c 的+ 1 2 v 7 v 的r s 2 3 2 电平，实现p c 与模块设备的通信。 2 3 多传感器融合 在移动机器人系统中采用多种传感器处理信号，但是每个传感器只是孤立的 反映目标信息。很多情况下，要处理的信息必须来自多个传感器，如机器人定位 信息，虽然该信息可以由编码器确定，但是单一传感器存在时间累计误差，所以 采用其他的传感器信息对编码器信息进行修改。多传感器也同时带来了信息冗余 的矛盾，所以在实际应用中要依靠某种规则对采集的信息进行优化组合。这就产 生了“信息融合”，信息融合【2 1 1 就是对来自多个传感器的信息进行多级别、多方 面、多层次的处理，产生新的有意义的信息。 2 3 1多传感器融合来源 多传感器融合也称多源信息融合，是自然界生物与生俱来的本领。比如人拍 手这个动作，就充分调动了视觉、触觉、听觉等感觉器官，经过大脑进行复杂的 处理之后，才能够准确进行拍手这个动作。所以人们对外部的各种感觉都是通过 不同的感官获取信息，然后送到大脑进行处理，最后得到一个综合信息2 2 1 。人 l o 基于多传感器信息融合的移动机器人控制 第2 章移动机器人的信息触合 体就好比是个高级的多源信息融合系统。 2 3 2 多传感器融合的定义 信息融合又被称为数据融合，最先用于军事领域，美国国防部f 2 3 】从军事的 角度对数据融合进行定义，w a l t z 和l l i n a s 对其进行补充定义如下【2 4 】：一种多层 次的，多方面的处理过程，这个过程是对多来源的数据进行检测、结合、相关、 估计和组合达到精确的状态估计和身份估计，以及完整及时的念势评估和威胁估 计。 一般意义上的信息融合技术是一种利用计算机技术，对多个传感器的信息， 在一定准则下进行自动分析，综合，以获得单个传感器不能获得的综合信息，这 种技术表示把多源信息【2 2 1 综合成一个整体的过程。 2 4 信息融合技术种类 信息融合技术的方法，主要有以下几种： 1 1 最优线性估计融合算法 最优线性估计融合的准则是使加权后的协方差最小。权值之和为1 ，就相当 于求解条件极值问题，可以采用最小二乘法，引入拉格朗同乘子计算条件极值。 要达到比较理想的融合结果，一般采用实验的方式确定各个传感器信号的误差协 方差，最后用最小二乘法求解权值。 2 ) 卡尔曼滤波融合算法 用于动态的融合传感器数据，根据测量模型的统计特性，递推的确定统计意 义下一时刻的最优状态值伫1 1 。它要求系统噪声和传感器噪声是高斯白噪声，且 计算量大，要求系统具有较强的计算能力。卡尔曼滤波融合分为分散卡尔曼滤波 和扩展卡尔曼滤波。分散卡尔曼滤波的观测数据与状态数据是线性关系，而扩展 卡尔曼滤波则是非线性关系。 3 ) 贝叶斯估计 对信息的描述为概率分布，将每一个传感器看成是一个贝叶斯估计器，根据 皋于多传感器信息融合的移动机器人控制第2 章移动机器人的信息融合 传感器的信息，对周围环境做估计，根据这些信息，寻找最大后验概率，也称为 最大似然估计。但要确定似然函数很困难，故贝叶斯算法具有很大局限性。 4 1 人工智能 近年来用于多传感器融合的人工智能方法有：小波分析理论【3 5 1 ，神经 网络【7 1 ，支持向量机等等。 小波变换是时频变换分析方法，主要应用于图像融合。通过小波变换，将多 个传感器拍摄的对同一场景的多幅图像，合成一幅图像的过程。多幅图像具有不 同的角度，包含不同的信息。结合为同一幅图像之后，可以使图像具有尽可能多 的信息。 2 4 1信息融合技术的选择 如何选择合适的信息融合算法，这主要决定于系统的类型和噪声模型。根据 各种算法的优劣来进行选择。 1 ) 卡尔曼滤波 卡尔曼滤波融合算法利用测量模型的统计特性，递推确定在统计意义下最优 的融合数据估计。要求系统噪声和传感器噪声是高斯分布白噪声模型，并且计算 量很大【2 l 】。卡尔曼滤波融合算法分为分散卡尔曼滤波和扩展卡尔曼滤波。 本系统中超声波测得的距离与当前坐标是非线性的关系，满足扩展卡尔曼滤 波对非线性的要求。由于地面不平、轮子打滑、编码器分辨率限制以及机器人系 统误差产生的噪声都可以看成是高斯自噪声【l l 】。另外，高级控制卡的控制芯片 l p c 2 1 2 9 具有较强的计算能力，可承受卡尔曼滤波的计算量。所以对编码器与超 声波数据的信息融合可采用扩展卡尔曼滤波信息融合。 2 ) 最优线性估计信息融合 最优线性估计融合计算量小，只需要将各传感器的数据进行加权平均即可。 该方法的重点在于确定权值。如果权值分配得当，则融合效果好；分配不合理， 对系统的精度和可靠性提高不大，故权值要进行最优分配，采用最小二乘法对相 关权值进行确定。 1 2 暴于多传感器信息融合的移动机器人控制 第2 章移动机器人的信息融含 对机器人当前角度的计算可采用最优线性估计融合，通过编码器数据，可计 算得到当前机器人角度，罗盘也可以测得角度差，故可对这两种数据进行加权平 均融合。 基于多传感器信息融合的移动机器人控制第3 章相关算法研究 第3 章相关算法研究 3 1机器人控制律 移动机器人系统是一个非完整性系统，要使其达到平衡状态非常困难。用连 续的，静念的闭环反馈不能使非完整性系统达到稳定状态。很多研究表明采用非 连续的，动态的反馈控制能取得较好的效果。 在本研究中，采用i _ i ) ，u n s i ks h i m 在s t a b i l i 妙a n df o u 卜p o s t u r ec o n t r o lf o r n o n h o l o n o m i cm o b i l er o b o t s 【5 1 一文中提出的相关算法进行研究。 首先，移动机器人系统如图3 1 所示，图中x 一】，是全局坐标系，x y 是 局部坐标系，机器人具有三个自由度的位姿。 0 图3 - 1 移动机器人系统 1 4 某于多传感器信息融合的移动机器人控制第3 章相关算法研究 人的方位。 ，y ) 7 。则代表了机器人的位置。在图3 - l 中，向量 。，y 。，包) 7 代表 了机器人当前的位姿，而p ，= ，y ，缉) 7 则代表了参考点的位姿。在图3 2 中， p = 科 洚， 汹管斗 仕2 ， 这罩的g = ，彩) r 。 图3 2 机器人控制图 本系统中假设机器人的初始位置o 。，j ，。，2 ) 7 1 = ( o ，o ，o ) 7 1 ，控制律 g 。= 。，厂，最终只要确定v 。和的值。 ，。= 七，d s i n 吒c o s 绣 = 七日( s s i n 绣+ ( 1 一占) s i n 吧) ( 3 3 ) ( 3 4 ) 其中k ，和k 目是参数，将在实验中确定。求解v 。和可以按照以下步骤进行。 首先要对机器人进行自定位，求出p 。= 。，y 。，包) r ，而已知 p ，= ，y ，q ) r ，所以 只一 四 一 母 一 、且一 百三习二 一一 一 十警一 g 一 一 摹于多传感器信息融合的移动机器人控制 第3 章相关算法研究 r e2 包= e 一皖 t g 口= y ，一y 。 x r x c = a r c t g l f y ，一y 。 一x c 吮= 口一位 r e = 匿三 其中r 。是实验中测定的一个较大的数。 d = 卜一馨碱 其中丸是o 一万2 之间的任意常数。 吮 万2 允 万2 吮 万2 0 t h e n i s e ( 3 5 ) ( 3 击) ( 3 - 7 ) ( 3 - 8 ) ( 3 9 ) ( 3 - 1 0 ) ( 3 1 2 ) 斗5 扣，釜。 p 其中0 添 加至h 工程一 c o m p o n e n t s 锄dc o n n o l sg a l l e 呵一 r e g i s t e r e da c t i v e xc o n t m i s 选择 m i c r o s o rc o m m u n i c a t i o n sc o n t r o lv e r s i o n 6 ，如图4 1 所示。这样就可以把该控件添 加到了控件板上，使用时只要添加该控件即可。 2 1 初始化 首先将该控件添加到工程中，然后对串口进行初始化，初始化可以在 c c h a r l r e n n i n a l s e n d d l g c p p 中的b o o lc c h a r r e m i n a i s e n d d l g ：o n i n i t d i a l o g ( ) 进行，代 码如下： mc o m s e t c 。m m p 。r t ( 5 ) ；带0 定串口号 mc o m s e 七i n b u f f e r s i z e ( 2 0 4 8 ) ；制定接收缓冲区大小 mc o m s e t o u t b u f f e r s i z e ( 2 0 4 8 ) ；输出缓冲区大小 i f ( ! i r 【- c o m g e t p o r t o p e n ( ) ) 毋一c 。m s e t p 。r t o p e n ( t r u e ) ；打开串口 n l c o m s e t 工n p u t m o d e ( 1 ) ；设置数据获取方式 i n _ c o m s e t s e t t i n g s ( 9 6 0 0 ，n ，8 ，1 ) ；通信参数设置 i n _ c 。m s e t r t h r e s h 。l d ( 1 ) ；设置门限值 m 二c 。m s e t 工n p u t l e n ( o ) ；设置每次读取长度 r e t u r nt r u e ； m - c o m 就是我们建立的m s c o m m 控件实例，首先要创建该串口，然后对该 2 6 串口进行初始化，通过调m s c o m m 类的函数打开串口，并对串口进行初始化。 滋磁蕊毖巍滋甑趁逝趁照趁磁物麓瀚滋滋滋瀚凌凌滋滋藏黝溯邈滋滋滋凌| 誊鬣鬣致。透 l 选择要插入到工程l f i 组作 i l 查找范围眇；荔r e ；。：蠢ja c t i ，：x t 二。r o l ：，如自学固， 墅刚m i c r 0 5 0 f t8 a r c o d ec o n t r o i9 o 固h 刚o s o 什c o m m o nd i a | o gc o n t r o i ，v e r s i o n6 o ( 5 p 6 ) 要豳h 硭r o s o f td a t a c o m b oc o n t r o i ，v e r s i o n6 o ( o l e d b ) 文件名嗵) ： 洲lc r o = 。f tc o m m 吼lc a t lo n sc 。n t r 。1 ，v e r = l m i c r o s o nc o m mc 0 n t r 0 i6 0 控件路径 c ：w 们n d o w s 、s y s t e m 3 2 、m s c o m m 3 2 0 c 3 1 发送数据 m i c r 0 5 0 f td a t a r e d e m i c r 0 5 0 f 七d a t ea n d m i c r o s o f td b c o m b o m i c r 0 5 0 f td b l l 盘c o r m i c r 0 5 0 f td d 5 m i c r 0 5 0 f td 时e ( t a n i 丌 关i f i 匹l 更多信息 图4 1 插入组件 发送数据，可在自己定义的函数o n s e n d ( ) 中实现，主要实现过程如下： c h a rt x d a t a 1 0 0 ；定义字符数组 i n tc 6 u n t ：ms t r s e n d g e t l e n g t h ( ) ；获取要发送的字符串的长度 f o r ( i n ti = 0 ；i c o u n t ；i + + ) t x d a t a i = ms t r s e n d g e t a t ( i ) ；保存要发送的字符 c b y t e a r r a ya r r a y ； a r r a y r e m o v e a l l ( ) ； a r r a y s e t s iz e ( c o u n t ) ；初女台化a r r a y f o r ( i = 0 ；i c o u n t ；i + + ) a r r a y s e t a t ( i ，t x d a t a i ) ；将字符组里的字符放到 mc o m s e t o u t p u t ( c o l e v a r i a n t ( a r r a y ) ) j 4 ) 接收数据 接收数据在m s c o 蹦的o n c o 姗事件中实现。 发送数据 a r r a y