多传感器集成与融合及其在机器人中的应用

1、多传感器集成与融合及其在机器人中的应用一、前言 多传感器集成与信息融合技术是80年代初发展起来的,它首先应用在军事上。美、英、法等国将战场信息的融合列为一项重大的研究课题,美国国防部专门成立了一个信息融合小组,并组织了几个专题计划,研究、开发多传感器信息融合技术。随着对机器人应用领域要求的不断扩大和第二代具有局部(初级)智能机器人的研究与开发,多传感器集成与信息融合技术对提高机器人系统性能的重要性能越来越受到人们的关注,智能机和新一代智能机器人一、前言 多传感器集成与信息融合技术是80年代初发展起来的,它首先应用在军事上。美、英、法等国将战场信息的融合列为一项重大的研究课题,美国国防部专门成立

2、了一个信息融合小组,并组织了几个专题计划,研究、开发多传感器信息融合技术。随着对机器人应用领域要求的不断扩大和第二代具有局部(初级)智能机器人的研究与开发,多传感器集成与信息融合技术对提高机器人系统性能的重要性能越来越受到人们的关注,智能机和新一代智能机器人也朝着多传感器的方向发展。1979年法国的Hilare移动机器人,1985年美国DARPA战略计划的自主陆地车(ALV),1986年Carnegie-Mellon大学的CMU自主陆地车和1987年Stanford大学的Stanford移动机器人都成功地应用了多传感器信息集成与融合技术处理各种复杂野外环境的传感信息。 在工业机器人方面,日本H

3、ITACHI公司正在开发用三维视觉和力传感器的集成电路装配机器人,欧洲信息技术研究战略计划ESPRIT也在开发具有视觉、触觉和力觉的机器人,用于材料加工以及集成装配作业。近年我国才开始这一领域的研究工作。我国的863高技术研究计划对传感器和传感技术的研究给予了高度重视,1992年11月在北京召开的863高技术智能机器人研究与发展讨论会上,与会专家、学者再次重申了这一观点,同时对多传感器集成与信息融合技术给予了特别的关注。在863计划的支持下,近年来在传感技术、信息处理、机器人控制和人工智能等基础研究方面取得了显著的成果,为多传感器集成与信息融合技术在机器人中的应用奠定了一定的基础。二、多传感器

4、集成与信息融合 近年来,人们对协同运用多传感器以增强智能机器和系统功能的兴趣日益增加。为了使系统有效地利用各种传感器提供的信息,需要一种有效的方法来集成这些传感器提供的信息。但就目前而言,人们大多还采用传统的方法,即在多传感器系统中,对来自每个传感器的信息单独地输入系统,分别独立的加以利用。这样,由于外部传感器数量的增加,必然会带来复杂的控制任务与传感信息处理之间的矛盾。通常,随着传感器及其相关处理操作数目的增多,控制程序和通讯的复杂程度呈指数规律增长,因此,研究并提出一种合理的控制结构和多传感器信息集成与融合方法已成为人们攻克的一个重点课题。 许多文献介绍了多传感器集成与信息融合方面的研究成

5、果,各种不同的控制结构和融合方法相继问世,但对信息集成与融合似乎还没有一个十分明确、严格的定义和统一的认识,大多数专家学者都是从自己研究的具体的系统中理解多传感器信息集成与融合的含义,并提出各种不同的实现方法和控制结构。三、多传感器信息融合的一般方法1.贝叶斯估计 贝叶斯估计是融合静态环境中多传感器低层数据的一种常用方法,其信息描述为概率分布,适用于具有可加高斯噪声的不确定性。当传感器组的观测坐标一致时,可以用直接法对传感器测量数据进行融合。在大多数情况下,多传感器从不同的坐标框架对环境中同一物体进行描述,这时传感器测量数据要以间接的方式采用贝叶斯估计进行数据融合。2.多贝叶斯估计 Durra

6、nt-Whyte将任务环境表示为不确定几何物体集合的多传感器系统模型,提出了传感器信息融合的多贝叶斯估计。整个系统中的每个传感器由提取这些物体的有用的静态描述能力表示,系统中的多传感器作为一个决策者队,多传感器必须决定环境的一个队的一致性观测。多贝叶斯估计把每个传感器作为一个贝叶斯估计,将各单独物体的关联概率分布结合成一个联合的后验概率分布函数,通过联合分布函数的似然函数为最小,提供多传感器信息的最终融合值,融合信息与环境的一个先验模型提供整个环境的一个特征描述。3.卡尔曼滤波 卡尔曼滤波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统计意义下最优融合数据估计。如果

7、系统具有线性动力学模型,且系统噪声和传感器噪声是高斯分布的白噪声模型,卡尔曼滤波为融合数据提供唯一的统计意义下的最优估计,卡尔曼滤波的递推特性使系统数据处理不需大量的数据存储和计算。4.统计决策理论 统计决策理论(SDT)为多传感器产生的冗余定位信息的融合提出了分两步广义方法。传感器噪声建模为多样的可能概率分布,传感器模型的作用是增加决策过程的鲁棒性,通过分离分布函数来确定分离系数,表示由不真实的传感器读数可能引起的偏差。与多贝斯估计相比较,统计决策理论中的不确定性为可加噪声,从而对不确定性的适应范围更广。5.Shafer-Dempster证据推理 该方法是贝叶斯方法的扩展。在贝叶斯方法中,当

8、一个传感器可用附加信息或未知前提的数目大于已知前提的数目时,已知前提的概率变得不稳定。Shafer-Dempster方法中,使用了一个不稳定区间,可以通过不指定未知前提的先验概率避免贝叶斯方法的不足。6.具有置信因子的产生式规则 集成多维低层处理的最初结果是线和区域数据,它们是图像的两种最常用的低层描述。集成多区域分割算法中最为静态的方法允许每一个过程独立地分割图像,然后每一个分割区域用以下两种方法联合:一是将所有区域界投影到一幅图像上,并合并结果区域;二是作出所有分割中具有支持作用的那些边界的投影,并连接结果边界段。7.模糊推理和神经网络 多传感器系统中,各信息源提供的环境信息都具有一定程度

9、的不确定性,对这些不确定信息的融合过程实质上是一个不确定性推理过程。采用模糊逻辑融合景像分析和目标识别信息,通过指定一个从0到1之间的实数表示的真实度,相当于隐式算子的前提,允许将多传感器信息融合过程中的不确定性直接表示在推理过程中,如果采用某种系统化的方法建模,融合过程中的不确定性,则可产生一致性模糊推理。 神经网络要根据当前系统所接收到的样本的相似性,确定分类标准。这种确定方法主要表现在网络权值分布上,同时可采用神经网络特定的学习算法来获取知识,得到不确定性推理机制。四、多传感器集成与信息融合在机器人中的应用1.移动机器人和自主车 移动机器人和自主车有着广泛的应用,当它们在未知的和动态环境

10、中工作时,将多传感器提供的数据进行融合,使环境信息得以快速的感知。移动机器人对多传感器信息集成与融合的发展起了重大的促进作用。 Hilare移动机器人将触觉、听觉、两维视觉、激光测距等传感器结合起来,使之能在未知环境中操作。Hilare移动机器人是首次用多传感器信息形成未知环境实物模型的移动机器人,使用声音和视觉传感器建立分割为定位层次的图表。视觉和激光测距得到环境中不同区域的近似三维表示,激光测距获得物体更精确的范围。使用3种不同的方法得到机器人位置的精确估计:使用标记的绝对位置定位、无外部坐标的轨迹集成、参照环境的相对位置定位。每一种方法互补校正,减少其他方法中的误差和不确定性,不同传感器

11、产生的信息,经过集成,提供已知物体的位置和相对于机器人的定位,根据物体的特征和与机器人的距离,选择恰当的冗余传感器测量物体。每个传感器的不确定性建模为高斯分布,如果所有传感器测量的标准偏差具有相同的幅度,那么加权平均值将作为物体顶点的融合估计。 Stanford移动机器人将触觉、立体视觉和超声波传感器用于非结构化人为环境中的机器人导航,两维环境模型采用分层表示,最低层环境特征与传感器提供的数据一致,高阶层是抽象的和符号表示的环境特征。机器人定位的不确定和环境特征建模为高斯分布,随着机器人的运动,卡尔曼滤波用于传感器信息的融合。 Carnegie-Mellon大学机器人中心研制的CMU自主陆地车

12、具有彩色TV摄像机、激光测距仪和声纳传感器,能实行多传感器信息集成与融合。并行处理是该研究的主要目标。局部环境模型中的数据具有属性数值标志。标志代表实际物体,几何定位由平面多边形组成,声纳传感器用于检测近障碍物,可用于将定位从一个坐标系统变换到另一个坐标系统的参考坐标框架,时间标记记录标志建立的时刻和接收传感器数据的时间,当由摄像机和激光测距仪在不同时刻和定位测量的距离数据融合时,每个传感器做标志的坐标框架首先变换到共同的车体框架,接着变换到时间上的同一点,数据融合的结果产生一个表示融合数据的新标志。2.装配机器人 装配作业是机器人应用的一个复杂领域。Groen等提出了一种具有视觉、超声波、触觉、力传感器的装配机器人结构。装配过程表示为某一传感器运行的条件满足时所进入的一系列阶段,整个过程由建模为NBS分层结构控制,采用一套模块化的低层外部处理执行传感器处理、机器人控制和数据通讯等专门任务。视觉传感器用于识别不同零件和定位,腕力传感器和被动柔性装置用于高精度轴孔匹配、零件传送和放取。Karlaruhe自由移动装配机器人用于柔性制造单元中的零件传输和装配操作,它是一个具有两台PUMA260机器人的移动平台,平台具有4个独立驱动的轮子,并装有对角配置的无驱动滚子,使得它能向任何方向移动,一台摄像机用来识别两维零件。