【毕业学位论文】未知环境中移动机器人异常检测及负高度障碍检测-计算机应用技术

2007 年 4 月 分类号 密级 U D C 编号 硕士学位论文 论 文 题 目 未知环境中移动机器人 异常检测及负高度障碍检测 学 科、专 业 计算机应用技术 研 究 生 姓 名 宁 火 明 导 师 姓 名 及 专业技术职务 蔡自兴 教授 S 中南大学硕士学位论文 第一章 绪论 在移动机器人控制与导航过程中，为了保证移动机器人控制方法和运动策略的安全实施，必须对自主移动机器人的内外部状态进行异常检测。本文着重在对几种常见的异常进行检测与识别，其中包括(1)地形负高度异常检测与处理；(2)轮胎状态异常及避让策略。 本文首先介绍了整个研究的实验平台，一个可以应用于非结构化环境的移动机器人环境感知系统，采用 2光雷达与精密转台相结合，实现 3境下的障碍检测。 然后探讨了移动机器人异常检测及避让策略。采用四个概率神经网络来识别移动机器人的异常运动状态。提取了反映机器人正常和异常运动状态（打滑、受阻、被卡死）的8个特征。概率神经网络利用这些特征值作为输入，对驱动轮运动状态进行分类。在此基础上设计了避让策略，这种避让策略对于机器人可越过的小障碍具有适应性。针对自行研制的移动机器人验证了本文方法的正确性。 最后依据坐标变换，对负高度潜在障碍进行了分析探测，获取了障碍物点在世界坐标下的高度值，简便地识别出了负高度障碍，并在此基础提出了速度控制策略， 并对负障碍区域进行了宽度和长度的估计， 通过实验确定该方法的有效性。然后介绍建图过程中移动机器人如何在动态环境中滤除动态障碍干扰， 提出了一种动态直线插补动态障碍滤除算法。 关键词： 负高度障碍，移动机器人，安全性，异常检测。 中南大学硕士学位论文 第一章 绪论 o of It is to of is on ) of )of its we of an in D a 2D we of its NN to of of of an on is of on by we of of of a on to in a of in of by 中南大学硕士学位论文 第一章 绪论 摘 要. .一章 绪论. 1 题的研究背景.动机器人研究概况.动机器人异常检测研究概况.文主要内容与章节安排.二章 基于激光雷达的三维感知平台.件系统.件系统.维感知平台.三章 移动机器人异常检测及避让策略研究.率神经网络.动机器人及其异常运动状态.于神经网络的异常运动状态识别.让策略.验结果.论.第四章 基于激光雷达的负高度障碍检测.测点高度获取.高度障碍下的速度控制.高度障碍区域最宽度与长度估计.高度障碍检测实验.态插补动态障碍物探测算法. 逐点比较直线插补. 动态插补算法. 实验结果与分析.章小结.五章 结论与展望.文工作总结.来工作展望.考文献. 42 附录. . 谢. .读硕士期间主要的研究成果.南大学硕士学位论文 第一章 绪论 第一章 绪论 1第一章 绪论 题的研究背景 本文来源于国家自然科学基金重点项目“未知环境下移动机器人导航控制的理论与方法研究”(项目号：60234030 ） 。该研究目的是在机器学习、环境认知、在线规划、运动控制等方面的理论和方法上有突破性进展，推动认知科学、模式识别、非线性控制等学科的前沿问题研究，提供新的设计理论和方法1 在移动机器人控制与导航中，为了保证移动机器人控制方法和运动策略的安全实施，必须对自主移动机器人的内外部状态进行异常检测。如果故障没有检测出来或者没有及时处理,移动机器人将会 以一种不可预测和危险的方式工作,不仅缩短其使用寿命,严重时不能进行正常 的探测活动,甚至可能导致灾难性的后果， 研究故障诊断与容错控制技术,提高移动机器人的安全性和可靠性,已经成为未知环境中的移动机器人技术的迫切研究任务4。本文着重在对几种常见的异常进行检测与识别，其中包括(1)地形负高度异常检测与处理；(2)轮胎状态异常及避让策略。 依据坐标变换，对负高度潜在障碍进行了分析探测，获取了障碍物点在世界坐标下的高度值， 简便地识别出了负高度障碍， 并在此基础提出了速度控制策略，并对负障碍区域进行了宽度和长度的估计，通过实验确定该方法的有效性。然后介绍建图过程中移动机器人如何在动态环境中滤除动态障碍干扰， 提出了一种动态直线插补动态障碍滤除算法。 动机器人研究概况 机器人是一种自动化的机器，所不同的是这种机器具备一些与人或生物相似的智能，如感知能力、规划能力、动作能力和协同能力，是一种具有高度灵活性的自动化机器2。1962 年，美国司的第一台机器人美国通用汽车公司（入使用，被认为是第一个工业机器人。 美国斯坦福国际研究所（ 1968 年到 1972 年间，研制了移动式机器人 国喷气推进实验室 ( 制了月球车6（，应用于行星探测的研究，采用了摄像机，激光测距仪以及触觉传感器。 初期的研究，主要从学术角度研究室外机器人的体系结构和信息处理，并建中南大学硕士学位论文 第一章 绪论 2立实验系统进行验证。虽然由于上世纪 80 年代对机器人的智能行为期望过高，导致室外机器人的研究未达到预期的效果，但却带动了相关技术的发展，为探讨人类研制智能机器人的途径积累了相关经验，同时，也推动了其它国家对移动机器人的研究与开发。进入上世纪 90 年代，随着科学技术的进步，移动机器人开始在更现实的基础上，开拓各个领域，向实用化进军。德国研制了一种轮椅机器人，并在乌尔姆市中心车站的客流高峰期的环境和 1998 年汉诺工业商品博览会的展览人厅中进行了实地现场表演。该轮椅机器人在公共场所拥挤的、有大量乘客的环境中，进行了 36 个小时的考验，所表现出的性能是其它现存的轮椅机器人所不可比拟的。这种轮椅机器人是在一个商业轮椅的基础上实现的。国外还研究了一种独轮机器人，它与具有静态稳定性的多轮机器人相比，具有很好的动态稳定性，对姿态干扰的不敏感性，可操作性，低的液压阻力，跌倒的恢复能力和水陆两用性。 在国家“十五” 863 计划中，展开了一系列的有关智能机器人方面的研究。在危险环境下作业移动机器人、基于复合结构的非结构环境应用的移动机器人、高机动性越障机器人、多足仿生机器人、仿人形机器人等研究项目取得了众多的成果。国防科技大学、哈尔滨工业大学、清华大学、中国科技大学、中科院自动化研究所、沈阳自动化研究所等正在开展有关月球探测自主机器人的相关研究7,8。在 863 专项支持下，清华大学开发了多功能室外智能移动机器人实验平台（ 9、上海交通大学研制了移动机构试验平台（ 211及。 211用了关节轮式移动结构， 具有较强的越障能力10。1,12。 中科院自动化所研制的集多种传感器、视觉、语音识别与会话功能于一体的智能移动机器人13。沈阳自动化所研制的自行输送小车已投入生产现场，此外还研制了“多功能排险防暴机器人14”和“蛇形机器人15” 。 2003 年国防科技大学贺汉根教授主持研制的 无人驾驶车采用了四层递阶控制体系结构16,17以及机器学习等智能控制算法，在高速公路上达到了 130 Km/高时速 170 Km/h，而且具备了自主超车功能，这些技术指标均处于世界领先的地位。 动机器人异常检测研究概况 移动机器人系统是一种典型的随机混合系 统，不能由单个连续变化的状态方程来准确描述4。不同故障模式以及正常模式之间结构及参数互不相同，其状态既可跳变也可以连续变化。多模型方法是处理随机混合系统的一种典型方法，已中南大学硕士学位论文 第一章 绪论 3被广泛应用于结构化环境中移 动机器人传感器故障诊断18 首次将多模型自适应估计用于检测和识别移动机 器人的传感器故障，研究了 型移动机器人的三种故障模式，利用概率的方法进行故障决策18。 是三轮移动机器人， 两个驱动轮各有一个位置编码器用于测量左右轮的角速度，另外用一个陀螺仪来测量偏航率。 应用 法进一步研究了 T 的 7 种故障，包括 3 个独立的传感19， 采用交互多模型方法研究移动机器人航迹推算系统的传感器故障检测与诊断20。传感器正常 /故障模式之间的改变表示为以一定的概率从一个模式切换到另一个模式，每个滤波器匹配一个特定的故障模式，并与其他模型有效地交互。它共处理 4 个内部传感器 (两个编码器 !一个航向电位计和一个测偏航率的陀螺仪 )的 16 个系统模式，包括 1 个正常模式和 15 个传感器硬故障模式。 合研究了内部传感器的三类故障模式，即 :硬故障、噪声故障以及尺度因子故障21。 合马尔可夫链和卡尔曼滤波器提出了一种传感器故障诊断的框架 其基本思想是将系统表示成一个离散状态集合， 每个状态的动力学模型用一个卡尔曼滤波器表示，利用部分可观测马尔可夫过程表示离散状态转移，利用卡尔曼滤波器增强其性能22。 提出了一种用于移动机器人传感器信息融合系统的体系结构 用于各种不同的传感器和环境。 机器人传感器 /环境 /任务交互的部分因果模型的基础上应用产生假设并测试的方法对故障进行分类， 进而利用故障类型来确定合适的修复策略23 出一种时态模糊逻辑，用于描述监视知识，具有处理不确定性 !模糊行为以及含噪声输入信息的能力 。模糊时态逻辑用于故障检测有监视知识的说明性语义；知识表示独立于控制系统的实施细节；有效地处理噪声以及传感器输入26等优点。 用二阶隐马尔可夫模型来辨识漫游车所处的环境状态，模型自动地在有标签的样本集上训练27。 用故障树分析技术对无人自主移动机器人故障进行诊断28总结起来，主要的故障诊断方法有基于数学模型的方法2932，基于逻辑模型的方法33,34，基于信号处理的方法以及基于计算智能的方法35,36。多种理论与方法的融合是复杂系统故障诊断技术的发展方向3739。 文主要内容与章节安排 本文主要是围绕移动机器人探索环境的异常检测进行阐述，重点研究了野外场景中异常检测的有关问题， 并通过大量的实验对一系列算法的有效性进行了验中南大学硕士学位论文 第一章 绪论 4证，实现了室内和室外的异常检测，利用实际地域环境数据，实现基于激光雷达常见的异常进行检测与识别，其中包括(1)地形负高度异常检测与处理；(2)轮胎状态异常及避让策略。本文内容共分为五个章节展开: 第一章绪论。首先介绍了有关背景，阐明了故障检测的意义所在，并且理出了本文的整体思路；接着介绍异常检测的现状，列出比较有代表性的一些研究工作简要说明了研究中的问题和展望，最后介绍了本文的内容安排。 第二章介绍了本文实验平台，基于激光雷达的三维感知系统。包括整个机器人系统和基于激光雷达的三维感知系统，其整体结构与硬件组成。论证了非结构化环境中基于激光雷达的感知系统设计方法，一个以 2光雷达、精密转动云台相结合的3形测量与分析系统。 第三章研究探讨了移动机器人异常检测及避让策略。采用四个概率神经网络来识别移动机器人的异常运动状态。提取了反映机器人正常和异常运动状态（打滑、受阻、被卡死）的8个特征。概率神经网络利用这些特征值作为输入，对驱动轮运动状态进行分类。在此基础上设计了避让策略，这种避让策略对于机器人可越过的小障碍具有适应性。 针对自行研制的移动机器人验证了本文方法的正确性。 第四章探讨了基于激光雷达的负高度障碍的识别。依据坐标变换，对负高度潜在障碍进行了分析探测，获取了障碍物点在世界坐标下的高度值，识别出了负高度障碍，并在此基础提出了速度控制策略，对负障碍区域进行了宽度和长度的估计，通过实验确定该方法的有效性。然后介绍建图过程中移动机器人如何在动态环境中滤除动态障碍干扰，提出了一种动态直线插补动态障碍滤除算法。 第五章总结与展望。给本文的研究工作进行总结，并指出需要进一步研究的问题。中南大学硕士学位论文 第二章 基于激光雷达的三维感知平台 5第二章 基于激光雷达的三维感知平台 中南大学智能所在国家自然科学基金重点项目（项目号：60234030）的资助下，研制了轮式移动机器人系统“中南移动 1 号”1以下对该系统进行简要介绍。 件系统 移动机器人系统图 2示，采用可以容纳 4 个工控机系统的总线底板，可以安装 4 个工控机 长卡。每个工控机系统可以安装 2 个 槽功能板和 2 个 槽功能板。选择了具有 P 800存 256M 的低功耗工控机主板，分别应用于运动控制、激光雷达信息处理、多目视觉信息处理以及决策支持等系统。 图 2动机器人实验平台 系统的开发环境为 000 系统，采用 +作为软件开发工具。通过一个集线器（ 车载计算机组织成为一个局域网控制系统。系统的硬件结构见图32动机器人设计的总体性能指标为： 车体尺寸：长 80 90 70量 85 最大直线速度： 大旋转速度 轴零半径自转。 越障性能： 5阶以及小于 25斜面。 中南大学硕士学位论文 第二章 基于激光雷达的三维感知平台 6 车体驱动电机： 4 个步进电机， 36 传感器系统：激光雷达与多目视觉系统。 车载计算机：工控机系统 3， P 800 软件操作系统：基于 000 环境，采用 +进行程序开发。 无线通讯系统：室内障碍环境通讯距离 50m，室外开阔环境 150 电源系统：可携带 2 组镍氢充电电池，每组包含一个 363243元。 工作时间：2小时（1组电池） ；3 扩展电池） 。 工控机 为运动控制系统，操作系统基于 台。 板上集成了 2 个 行通讯接口，一个外接陀螺仪作为机器人航向传感器，另一个串口与 行点对点的实时通讯。运动控制系统主要的功能是计算并反馈机器人车体的实时运动姿态，同时实现动态避障与跟踪控制。主要的控制板卡为基于 线的 进电机控制卡与 A/D 采集卡 工控机 为 3境感知信息处理系统， 运行在 作系统下，存储器为 40G 硬盘。安步进电机控制卡 现对激光雷达转动云台的控制。安装一块基于 线的高速 口卡，以 500K 波特率的通讯速度接受激光雷达信息并进行局部 3境平坦性分析， 区分环境中的可行区域与障碍区域。传感器转动云台为机器人的“头部” ，由 2 个精密的电控旋转台实现水平方向 150、俯仰方向 5的扫描运动。水平转台最大转速为 16 /仰最大转速为 8 / 复转动误差小于 工控机 为视觉信息处理系统，工作在 作环境，存储器为40G。 用 P， 1装一块多通道的图像采集卡，对全局视觉信息与前置局部视觉信息进行处理，并建立视觉特征数据库。视觉计算机系统通过口控制主动视觉的云台。 车载局域网通过无线网桥连入实验室的计算机网，局域网内的任何计算机都可以向 出信息查询请求，获得机器人的实时状态数据包，也可以通过指令实现对机器人的控制。 非实时的智能行为采用基于网络 （P） 的控制方式，使得计算资源的配置更加灵活。基于网络的开放式系统结构，方便了针对移动机器人进行再次开发与功能拓展，为进一步开展移动机器人的导航实验打下了基础。 控制系统的通讯包括移动机器人车载控制系统与实验室监控系统间的通讯以及车载系统中各个控制计算机之间的通讯。车载控制系统配备了一个集线器（，把各个计算机系统组织成一个基于局域网的分布式控制系统，它们之间中南大学硕士学位论文 第二章 基于激光雷达的三维感知平台 7可以通过为保障们间采用 点对点通讯，波特率设置为 128K 波特率。光纤陀螺仪与倾角仪、主动视觉云台等智能仪器、设备均具有各自的控制主机实现串行通讯。 车载局域网与实验室局域网之间通过无线网桥连接成一个网络控制系统。无线网桥在开阔地带的通讯距离为150 200m，通讯带宽为1件系统 对于试验平台使用的是分层控制体系结构3，在该体系结构的分层中，自底向上依次是控制层、慎思层与特征层。 1. 控制层 工控机 为控制层的中心设备，接受编码器、陀螺仪、倾角仪等状态监控传感器信息，计算并向系统提供机器人的实时运动姿态；实现避障与跟踪等反应式行为智能。控制层要求具有良好的实时性能、行为响应快，这意味着控制周期尽可能短。因此，反应式行为所涉及的信息输入相对较少，以便于快速的通信与处理。控制层的主要功能由局部规划与控制组成。控制在局部规划的指导下控制车体运动，但在远程控制模式下，也可以由远程的人机监控直接进行指令控制。 2. 慎思层 慎思层包含了大计算量的环境信息处理过程（如激光雷达测距信息的分析、视觉图像的处理） ，直接服务于控制层，并为特征层开放环境感知信息库。工控机 含了激光雷达，动态慎思规划以及区域环境知识库。 3. 特征层 特征层是一个软件艾真体组成的决策支持系统。特征层实现复杂的智能行为，包括机器人全局环境建模、全局规划、机器人自定位、故障诊断等。在特征层里，空间知识为多源信息的融合。表现形式也发生了质的变化，使用的推理方法接近于传统的符号主义智能方法。存储的形式为视觉特征语义描述、环境拓扑特征信息等。具体包含了全局建模、全局规划、全局定位以及故障诊断等支持系统。 4. 人机接口 监控与人机接口：远程监视移动机器人系统的状态，实现任务给定、人机交中南大学硕士学位论文 第二章 基于激光雷达的三维感知平台 8互功能。通过监控与人机接口，可以监视机器人的自主运行状态，也可以由操作者发出指令实现人工遥控机器人的行为。 维感知平台 激光雷达通常被水平安置在移动机器人的某个高度上，实现在 2面上的障碍检测。但由于水平放置时只能检测固定高度扫描面的环境分布，而对低于扫描面高度的障碍无法检测， 只能在假定障碍高度均大于扫描面高度的结构化环境下运用。当在非结构化环境，由于可能存在不同高度的障碍物，因此需要激光雷达能够实现面扫描的功能。此激光雷达感知系统，采用 过二个高精密的电控转台，实现水平与俯仰角度的精确转动，从而可以利用 2光测距仪实现灵活的 3境检测 。 传感器转动云台为机器人的“头部” ，云台由水平转台与俯仰转台组合而成。可以实现水平方向150、俯仰方向 5的扫描运动。旋转台的机械减速比为 180： 1，即电机旋转 180 周，转台旋转 1 周。旋转台步进电机的步距角为 动控制采用 10 倍细分方式。一个驱动脉冲产生 转台旋转 从电气控制角度上保障了旋转台位置的精度。 由于存在机械传动间隙，旋转台所能达到的重复定位精度为 实际应用中，水平转动的最大速度限制在 16/仰转动的最大速度限制在 8/ 在机器人的计算机控制系统中， 针对激光雷达的信息处理与传感器云台的控制由其中的一台计算机（ 现。 置了一块 槽的高速串行通讯接口卡，与激光雷达（ 过 口实现 500K 波特率下的通讯。一块基于 槽的步进电机控制卡（ 传感器云台的水平转动与俯仰转动进行控制。 激光雷达可以设置为连续扫描与指令触发扫描两种模式。连续扫描时能够获得尽可能多的检测数据，但可能在数据缓存区中形成溢出。此外，连续采集时激光雷达数据难以与机器人的状态参数同步，造成数据匹配的困难。因此，采用了定期查询扫描结果，在扫描结束并获得测量数据后立即启动新的一次扫描。采用180/61 个测量数据，每个测量数据为 2 个字节，包含起始码与校验码的数据包长度为 732 个字节。在以 500K 波特率的通讯速率下，传输延迟时间约为 13光雷达的扫描时间为 用 40监控周期启动激光雷达的扫描，并对数据进行处理。激光雷达的扫描频率约为 25每秒可以获得 25 361=9025 个测量点的数据。 中南大学硕士学位论文 第三章 移动机器人异常检测及避让策略研究 9第三章 移动机器人异常检测及避让策略研究 研究移动机器人在漫游过程中可能出现的车轮打滑、 被卡、 受阻等运动异常。这些异常现象通常是由于机器人车体或车轮碰到了障碍物造成的。 虽然机器人的避障系统可以在其没撞到障碍物之前检测障碍并避让，但由于环境的复杂性(如动态障碍、矮小障碍)、传感器故障以及软件故障等原因，机器人难免出现漏检而与障碍物碰撞。此时，若不及时避让，可能损坏电机、轮胎等部件，甚至危及机器人的安全。 异常状态识别是一个典型的模式识别问题。概 率神经网络(标准贝叶斯分类器的并行实现，已被广泛地应用于模式分类问题，如语音识别、手写字符识别以及故障诊断等5,40。主要优点是训练速度较快以及分类信息的概率本质40。 针对自行研制的移动机器人系统，研究了驱动轮异常运动状态检测方法，利用4个概率神经网络对4个驱动轮并行地检测， 将其运动状态分类为正常、 打滑、被卡死、受阻等。在此基础上，设计移动机器人的避让行为(包括运动方向、左右轮速度、移动距离等)。 模式识别技术是自上世纪六十年代初发展起来的一门学科，它是人工智能的一个分支。它的产生以及发展，增强了计算机对外部世界的感知能力，开拓了计算机的应用领域。在图像检测与识别，图像、文字识别，地质探矿，指纹识别以及机器人等领域取得了重大的成果，成为当前高科技研究和应用的重要领域之一。 一个模式识别系统，主要包括学习 (训练 )与识别 (匹配 )两个过程。其中每个过程都包括预处理，特征选择与提取两部分。通常，学习 (训练 )过程是在一定的模板 (标准 )样本基础上进行，依据某一分类 规则来设计分类器，而识别 (匹配 )过程是将未知模式与己训练好的分类器进行匹配来识别未知模式的类别。 模式识别中，分类器规则固然重要。但是，如果所基于的模式特征没有包含足够的待识别客体的信息或未能提取反映客体信息的结构信息，那么，识别的结果也将面目全非。所以，在设计分类器之前，能够快速、有效的提取反映客体的结构信息和特征是模式识别的关键。 通常，从要分类的对象获得的数据看，一般可看作一组时间序列。通过对该时间序列的分段采样，可以将输入数据映射成样本空间中的点。这些数据可能包含对象的类型、属性、方位等信息。但是从整个样本空间分布来看，这些特征信息的分布是变化的，对于传统的模式识别方法来说，它们不易于直接用于分类。中南大学硕士学位论文 第三章 移动机器人异常检测及避让策略研究 10因而需要经过合适的变换来提 取有效的分类特征 (有时为了减少计算复杂程度或要求，满足实时处理的场合，往往还需要 对数据进行维数的压缩处理等 )，而且所提取的这些特征对于对象的距离或方位角等模式参数应该具有相对不变性。 所以，首先要对映射到样本空间内的输入数据进行预处理，通过删除原始数据中的无用信息。再进行幅度归一化即可得到另一模式，即由样本空间映射成数据空间。然后，在数据空间基础上，通过某种不变性变换，提取数据矢量中的不变特征，形成不变模式空间。接着，在提取模式不变特征后，根据应用需要和问题特性，往往还要对所选择的模式特征矢量进行一定的压缩，在尽可能保持信息量基本不变的前提下，在降维空间内，选择有用的特征，以便有利于模式识别。 最后由所得的降维模式空间来提取模式样本的特征信息来形成特征空间。传统模式识别的一般过程如图 4示。 图 3统模式识别过程 由于待识别样本可能为不相同的物理量，如图像、文字、声音、指纹等等，所以首先必须把它们数字化，以便能输入计算机。 数字化后的信息需经过预处理，以滤除在样本采集过程中渗入的各种因素的干扰，以获得较好的图像，有时为了得到更好的识别效果，需要人为的突出某一方面的信息，但同时往往消弱样本另一方面的性质，相应的产生一定的副作用。 在模式采集时，人们总是尽可能的多采集样本数据，往往造成模式空间维数的“维数灾难” ，即模式维数很大，致使分类处理时间和费用的消耗很大，甚至不能直接进行分类。因此，特征 (或基元 )的选择和抽取，是最重要的基础性环节，其目的是选取对分类贡献较大的特征，剔除贡献微小的特征，从而降低特征向量的维数。特征 (或基元 )的选择和抽取与待识模式的类别以及采用的识别方法密切相关，直接影响到模式识别的效果。如何结合具体的识别任务，恰当地选择特征或基元，需要进行深入的研究井付出较大的努力。一般要求特征 (基元 )数尽可能少且对分类判断有效。这一阶段的工作并不是一次完成的，随着工作的深入，不断完善此阶段的工作往往是必不可少的。 为了进行分类，必须建立样本模式，并对它进行特征或基元抽取，以建立标准样本，是识别处理中必要的工作，称为样本的学习训练。 输出 识别 信息 数字化 预处理 特征或基元抽取 分类 特征或基元抽取 学习训练 样本 中南大学硕士学位论文 第三章 移动机器人异常检测及避让策略研究 11有了前儿步的工作，就可以以不同的识别方法，将待识别样本划分到某一模式分类中去。分类结果的出现，表明本次识别的结束。 上述模式识别全过程中的每一阶段都对整个识别工作有重大影响。因此，为了获得好的识别效果，每一阶段都必须争取最好的设计，以提高整个系统的效果和质量。 模式识别的基本思想是采用某种数学方法，把待识别模式分到已知的某一模式类中。模式分类的前提是模式具有相似性。所谓两模式是相似的，是指两个模式的特征或其简单组成部分仅有微小差别。最经典的分类理论是统计决策理论。应用统计决策设计模式分类器，是在解决了特征的选择和提取之后，用特征向量来描述模式，用判别函数决定其类别。因此，统计模式识别方法中，相似性的区别是通过判别函数来实现的， “微小差别”指的是判别函数的差值在某个阈值之下。 统计识别方法的一般过程也如图 4示。 根据识别函数的类型不同，统计识别方法中所使用的判别准则或分类方法也不相同，常见的方法有距离分类器和线性分类器。 各种识别方法的区别，主要在于对模式的描述以及判决规则的不同。由于研究模式识别的最终目的是用机器代替或部分代替人类对各种客体的辨识能力。 因此，把人工智能技术与模式识别技术结合起来，就是非常自然而且重要的了。当用传统的或人工智能的或两者混合的方法抽取特征，形成模式的符号描述，即知识性事实后，运用人工智能技术中知识的获取、表达、推理等方法，确定该客体所归属的类别，是一种可行的，属于智能识别的方法，其过程可如图 4示。可以相信，智能识别方法研究的深入和发展，必将开辟模式识别技术的新天地。 图 3能识别方法一般过程 率神经网络 概率神经网路是基于经典优化贝叶斯分类的模式分类网络。对于两类问题，模式输出 模式输入 预处理 特征抽取 分类 人工智能技术 传统识别技术 中南大学硕士学位论文 第三章 移动机器人异常检测及避让策略研究 12一个向量 X 被认为是属于类贝叶斯的决策规则如下： )()( ， (3其中，是事件发生的先验概率，错误地分为类 n 时的代价， )(n 的概率密度函数 ( 概率神经网络假设先验概率损失函数于每个类都是一样的，因此，决策就完全取决于概率密度函数，公式 (4)就简化为： ),()( (3公式 (4的概率密度函数对于所有的类来说 都是未知的，这就意味着公式 (4能够被直接应用。概率神经网络对于向量 X 属于类别通过引入贝叶斯条件概率规则 )|( =)|()()|()|( (3这里的 )|(定类别况下 X 的条件概率密度函数， )(从类别提取数据的概率。现在当向量 X 满足式子 (4，我们们就认为它属于类 ,2,1),|()|(L (3条件概率 )|( 体方法来进行估计的， 体方法假设以下式所示的样本数据为窗体函数的中心： )(11)|(1= (3这里 n 是样本数据点的个数， n 个样本点落在整个采样范围区域中面积的大小， )( 是窗口函数，窗体宽度。在一般情况下我们使用高斯分布来作为窗体分布函数 )( ，公式 (4可以写成： =)()(2(1)|(3这里的类 i 中模式里第 j 个样本数据点， 包含在样本数据点中相对于其面积大小的平滑因子， N 是相应数据点向量的维数，类 i 中的样本模式个数。平滑因子 可以由 10 进行取值；对于非线性的决策边界，平滑因子越小越好。 中南大学硕士学位论文 第三章 移动机器人异常检测及避让策略研究 13图 3概率神