关 键 词：

基于 PLC 机器人 本体 设计 论文 DWG 图纸 外文 翻译 文献 综述 开题 报告

资源描述：

基于PLC的机器人本体设计(论文+DWG图纸+外文翻译+文献综述+开题报告),基于,PLC,机器人,本体,设计,论文,DWG,图纸,外文,翻译,文献,综述,开题,报告

内容简介：

2 0 0 5年 第 2 4 卷 第 4期 传感器技术( J 0 u m a l o f T r a n s d u c e r T e c h n o l o g y ) 5 移动机器人 多传感器信息融合技术述评 王仲 民 ，岳宏 一。刘继岩 ( 1 河北工业大学 机器人及 自动化研究所 。 天津 3 0 0 1 3 0； 2 天津工程师范学院 机械工程系。 天津 3 0 0 2 2 2： 3 中国科学院 沈阳自动化研究所 机器人学重点实验室 。 i Y -7 沈阳 l l I s) 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入的探讨 。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 中图分类号：T P 2 4 文献标识码 ：A 文章编号：1 0 0 09 7 8 7 ( 2 0 0 5 ) 0 40 0 0 50 3 Re ne w o n mul t i - s e n s o r i n f o r ma t i o n f u s i o n t e c h no l o g y f o r mo bi l e r o b o t WANG Z h o n g mi n ，YUE Ho n g ，L I U J i y a n ( 1 I n s t o f Ro b o ti c a n d A u t o ma ti o n ， He b e i U n i v e r s i t y o f T e c h n o l o g y ， T i a n j i n 3 0 0 1 3 0 ， Ch i n a ； 2 D e p t o f Me c h E n g i n， a n j i n Univ e r s i ty o f T e c h n o l o g y a n d E d u c a ti o n， T i a n j i n 3 0 0 2 2 2 ， Ch i n a ； 3 Ro b o tic s La b， S h e n y a n g I n s ti t u t e o f Au t o ma tio n， Ch i n e s e Aca d e my o f S c i e nc e s， S he n y an g 1 1 0 01 5，C h i n a ) Ab s t r a c t ：Mu l t i - s e n s o r f u s i o n i s a l l i n t e n s i v e r e s e a r c h t o p i c i n t h e fi e l d o f mo b i l e r o b o t T h e a p p l i c a t i o n a n d d e v e l o p me n t o f mu l t i 。 s e n s o r i n f o r ma t i o n f u s i o n t e c h n o l o g y i n d e t a i l i s d e s c r i b e d， e s p e c i a ll y i t g i v e s a l l i n - d e p th d i s c u s s i o n t o a p p roa c h o f mu l t i - s e n s o r i nfo r ma t i o n f u s i o n At l a s t f u t u r e d e v e l o p me n t t r e n d s o f thi s t e c h n o l o gy a r e a l s o p r e s e n t e d Ke y wo r d s： mo b i l e robo t ；mult i - s e n s o r ；i nfo rm a t i o n f u s i o n 0引 言 ， 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 2 0世纪 6 0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 收稿 日期 ： 2 0 0 41 0 2 4 化研究领域的关键技术 J 。 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 。 维普资讯 6 传感器技术 第 2 4 卷 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 、 K a l ma B滤波 、 扩展 K a l ma n滤波 、 B a y e s 估计 、 D e m p s t e r - S h a f e r 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作 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 K a l m a n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 ， K a l m a n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 ， K a l m a n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 ， T o m a t i s 等 人采 用 基于 K a l m a n滤波混合法实现了移动机器人的导航 ， 试验结果表 明 ： 在 1 1 5 k m的路程上成功率达到 9 6 。从移动机器人 的跟踪精度来看 ， 偏离 目标点的误差仅为 9 i n l n 。 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 K a l m a l1 滤波( E K F ) 取代常规 的 K a l m a n滤波 】 。E K F 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 K a l m a n滤波实现 最优估计。采用 K a l m a n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 B a y e s估 计 B a y e s 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 B a y e s 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 De mp s t e r S h a r e r 证 据推 理 证据推理 的概念首先 由 De m p s t e r于 1 9 6 7年提 出。 后 来 ， 由他 的学 生 S h a r e r进 一步 发展完善 。D e mp s t e r S h a r e r 证据推理 是 B a y e s方法 的扩展 ， 而 又不 同于 B a y e s方法 。 B a y e s 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 ， B a y e s方 法 难 以保 证 估 计 的一 致 性 。 D e m p s t e r - S h a r e r 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 B a y e s 方法 的不足。由于 D e m p - s t e r - S h a r e r 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 。 D e mp s t e r - S h a r e r 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： D e m p s t e r - S h a f e r 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 J 。 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。但它不象 D e m p s t e r - S h a - f e r 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。S a s i a d e k 利用模糊 逻辑 和扩展的 K a l m a n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 维普资讯 第 4期 王仲民等 ： 移动机器人多传感器信息融合技术述评 7 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 B P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 通过子网络实现信息的分化与融合 。 传统的神经网络结构对于大量学习样本 ， 需要 的隐结 点数非常大 ， 甚至需要很多 的隐含层 ， 因此 ， 需要很大 的计 算工作量。限于计算机的运行速度 ， 导致实时性很差 ， 这也 是今后亟待进一步解决的问题 。 3 发展趋势 随着电子技术以及 V L S I 技术的飞速发展， 传感器结构 将朝着并行体结构发展 ， 因此， 开发并行计算能力的软件和 硬件 ， 来满足具有大量数据且计算 复杂的多传感器信息融 合的要求， 是多传感器信息融合技术的主要发展趋势之一 。 多传感器信息融合技 术硬件 的主要发展方 向为 ： 研究 出能 处理多传感器信息的集成电路芯片 ， 不断研制 出新型移动 机器人用传感器 ， 并且 ， 不断使传感器模型和接口实现标准 化。 目前 ， 多传感器信息融合算法很多 ， 但大多数算法都是 以线性正态分布的平稳随机过程为前提。因此 ， 开发新型 的信息融合算法 ， 进一步提高多传感器融合系统 的性能 ， 解 决非线性以及非平稳正态分布的实际信息融合还有待于进 行深入的研究 。 人工智能可使 系统本身具有 良好的柔性与可理解性 ， 因而， 能够处理复杂的问题。对人工智能的研究将会在传 感器选择、 自 动任务误差检测与恢 复等领域发挥巨大 的作 用。 目前， 人工智能在多传感器信息融合中的应用 已经是 国内外研究的一个热点 。 移动机器人在未知环境下的多传感器信息融合， 主要 解决其 自主定位与导航问题 。目前 ， 基于多传感器 信息融 合的移动机器人 自主定位与环境建模取得的研究成果 ， 大 多局限于室内结构化环境中。有关决策规则的鲁棒性 、 传 感器布置的效果 、 生物传感器方法的适应性 以及 自定位 、 运 动规划和控制与机器人动态的综合考虑等方面问题仍有待 于深入研究 ， 特别是非结构环境下移动机器人技术将是今 后机器人技术发展的重点 。 4结束语 多传感器信息融合技术是智能移动机器人的关键技术 之一 。随着传感器技术的发展以及信息融合技术水平的提 高 ， 移动机器人获取环境信息 的感知能力 以及系统 决策能 力将会得到不断的提高。传感技术 、 智能技术以及计算技 术的不断发展 ， 将会促进移动机器人 向智能化 、 完全 自主化 方向发展 ， 移动机器人一定能够在有害和危险环境 、 极限作 业及太空等各个领域中扮演拟人的角色 ， 成 为人类真正意 义上的朋友 。 参考文献 ： 1 K r i s t o f V F ， A d a p ti v e Mu l ti s e n s 0 r f u s i o nf o r a w a r e n e s s i n d y n a m- i c e n v i r o n m e n t s D L a n c a s t e r ， U K： L a n c a s t e r U n i v e r s i t y ， 2 0 0 3 2 S t e p h e n S S S y n e s t h e t i c s e n s o r f u s i o n v ia A c r o s s - w i t t e d a r t i f i c i a l n e u r a l n e t w o r k D ， U S A ： E a s t T e n n e s s e e S t a t e U ni v e r s i ty， 2 O O 2 3 D d e k G， J e n k i n M ， C o m p u t a ti o n p r i n c i p l e s o f m o b i l e r o b o t s D U K： C a m b ri d g e U n i v e rs i ty P r e s s ， 2 O O O 4 J e t t o L ， L o u g h i S ， V e n t u r i n i G D e v e l o p m e n t a n d e x p e r i m e n t a l v a l i d a t i o n o f an a d a p tiv e e x t e n d e d K a h n a n fih e r for t h e l o c al i - li o n o fm o b il e r o b o t s J I E E E T r a n s a c ti o n s o n R o b o t i c s a n d A u t o ma ti 6 n ， 1 9 9 9， 1 5 ( 2 )： 1 03 0 5 T o m a ti s N ， N o u r b a k h s h I ， A r r a s K A h y b ri d a p p r o a c h f o r rob u s t an d p r e c i s e mo b i l e robo t n a v i g a ti o n wi t h c o mp a c t e n v i r o n me n t m odl i n g A P r o c e e d i n g s o f the I E E E I n t e r n a ti o n a l C o n f e r m l c e o n R o boti c s and A u t o m a t i o n C S e o ul K o r e a ， 2 0 0 1 1 1 1 1一 l ll 6 6 D a v i se n A J ， N o b u y u k i K 3 D S i m u l t a n e o u s l o c a l i z a ti o n and m a p b ui l d i ng u s i n g a c t i v e v i s i o n f o r a r o bo t mo v i n g o n u n d u l a t ing l e t - r a i n A P r o c e e d i n gs o f th e I E E E In t e r n a t i o n a l C o n f e r e n c e o n C o m p u t e r V i s i o n and R e c o g n i z a ti o n C U S A： H a w a i i ， 2 0 0 1 3 8 4 39 1 ， 7 Mu r p h y R R D e m p s t e r S h a f e r t h e o r y f o r sen s o r fu s i o n i n ant o n o - m O l l S m o b i l e ro bots J I E E E T r a n s a c t i o n s o n R o bot i c s and A u t o ma ti o n ， 1 9 9 8， 1 4( 2 )： 1 9 72 0 6 8 F i x sen D ， M a h l e r R T h e m o d i fi e d c l as s ific a t i o n J I E E E T r