基于传感器的环境探测与导航

基于传感器的环境探测与导航

1环境探测方法随着机器人技术的发展，机器人在社会服务、野外作业以及在有害和危险环境中的应用受到了世界各国的高度重视。因此研究能够在复杂环境中自主运动和自动作业的智能自主移动机器人势在必行。移动机器人要实现在未知和不确定环境下运行,必须具备自动导航和避障功能。导航和避障的方法有很多,如基于地图导航、基于航标导航、基于视觉导航、基于传感器导航等。无论采用哪种导航方法,自主移动机器人都应具有路径规划与避障、探测与定位等功能。本文主要讨论基于传感器的环境探测和导航问题。在移动机器人的导航系统中,传感器起着举足轻重的作用。探针式、电感式、电容式、力学传感器、雷达传感器、光电传感器、声学传感器等都在实际系统中得到了广泛的应用。针对距离和障碍的探测,目前主要采用超声波和红外线传感器。由于超声波传感器信息处理简单、快速和价格低,因此广泛应用于各种移动机器人。超声波传感器是一个时间快速系统,当声波超出一定的门槛电平时,给出的范围有效。声波幅值依赖于返回波的倾斜角度,在一定的射线开放角度范围内,能够测量到物体间的最短距离。然而,当倾斜角太大时,波就被反射掉了。最大倾斜角依赖于平面的材料。文中假设最大倾斜角为30°。如图1所示,当传感器从正常方向偏转时,它得到了第一束由射线边缘而不是射线中心反射回来的波,从而导致了对环境辨识的困难。通过在不同方向、不同位置安置多个超声波传感器和通过研究测出的距离与实际距离的几何关系来解决这个问题,就使辨识困难这个问题变成了在传感器测得的原始数据与希望数据之间推导出几何关系的问题。这样的测试是高度非线性的,没有特殊的方法可沿用。在这种情况下,往往采用数据融合技术来提高检测精度。2s-d证据推理方法目前在多传感器数据融合方面使用的方法有加权平均、贝叶斯估计、卡尔曼滤波、S-D推理、统计决策理论、生产式规则、模糊逻辑、人工神经网络等方法。加权平均法是将一组传感器提供的冗余信息数据进行加权平均,并将加权平均值作为信息融合值,它是一种最简单、最直观的多传感器低层数据融合方法。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,其信息描述概率分布,适用于具有可加高斯噪声的不确定性。S-D证据推理方法是贝叶斯方法的扩展,贝叶斯方法中,当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,S-D方法中,使用了一个不稳定区间,可以通过不稳定未知前提的先验概率避免贝叶斯方法的不足。S-D方法的推理结构分为三级。第一级是合成。它把来自几个独立传感器的报告合成为一个总的输出。第二级是推断。由它获取传感器报告并进行推断,将传感器报告扩展成目标报告。第三级是更新。因各种传感器一般都有随机误差,所以在进行推断和多传感器合成之前要先更新传感器级的信息。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。产生式规则可以建立自然景象专家系统,根据多传感器的检测数据,使用符号来表示环境特征。模糊逻辑通过指定一个0到1之间的实数来表示真实度,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。3基于人工神经网络法的超声波传感器数据的整合3.1多层处理单元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连接的多层处理单元。神经网络对输入的数据进行非线性变换,以此完成聚类分析技术所进行的从数据到属性的分类(网的结果输出)。这样,神经网络就用于把多传感器的数据变换成一个实体的联合的属性说明。人工神经网络不用模型,适用于非线性测试情况。3.2实验数据产生在SD-1移动机器人周围装有一圈(16个)传感器,分成8组,每组2个,每组传感器平台安置如图2所示。在平台上安置2个超声波传感器,它们的中心线是平行的。每个传感器既是发射器又是接收器,它发射超声波接收返回波。为了避免波束相互干扰,传感器依次发射波束。从这两个传感器得到的传感数据,用人工神经网络方式进行融合,对实际距离进行估计。人工神经网络的输入数据是两个传感器的测量值d1与d2,输出是平台中心到平台上方物体的距离d,这里采用的人工神经网络是一种前馈网络,如图3所示。实验中,发现用两个隐藏层的人工神经网络,试验效果良好。人工神经网络中的每个隐藏层采用25个处理元件。传感器数据产生于一个射线开放角为22°的超声波传感器模型。在这个模型中,传感器的读数被假设为是从传感器到物体在那个角度内的最短距离。传感器的有效距离为0.3m～4.5m,实验数据是在有效距离和0°～30°的随机角度内随机产生的。人工神经网络算法中的整批实验数据包含两千组传感器读数。首批的连接权系统数wij随机设置在1.0～-1.0范围内。实验中,实验数据的每一类被输入到人工神经网络系统中,wij被反复评价。所有的实验数据反复使用,直到人工神经网络的输出误差符合要求。评价公式如下。EΚ=(dk-ˉdΚ)2,(1)EK=(dk−d¯K)2,(1)其中EK——单个样本K的误差;ˉdΚd¯K——网络的期望输出,dK——网络的实际输出。netjk=∑iWijΟik,δjk=οEk/οnetjk,(2)netjk=∑iWijOik,δjk=οEk/οnetjk,(2)其中Ojk=f(netjk)οEk/οWij=(οEk/οnetjk)×(οnetjk/οWij)=οEk/οnetjk×Οik=δjkΟik,(3)οEk/οWij=(οEk/οnetjk)×(οnetjk/οWij)=οEk/οnetjk×Oik=δjkOik,(3)其中Oik——该节点输入。δjk=2(dk-ˉdk)f(netjk)(4)ΔWij=-αοEik/οWij=-αδjkΟik(5)3.3超声波传感器融合法图4显示了人工神经网络的学习曲线。曲线一开始变化速度快,然后慢慢下降,需要长时间达到最小误差状态。采用实际的测试来验证人工神经网络的这种传感器融合算法。如图2所示,在平台上平行安置了两个超声波传感器,平台能被步进电机旋转。这个系统设置为扫描平台上方的砖墙,被测数据每2°取一次。图5(a)显示了平台右边那个传感器的扫描图像。从图中可以看出,墙中央附近的传感数据(0°左右)误差不大,这是因为超声波传感器在0°左右不存在射线开放角度问题。图5(b)显示了用人工神经网络融合算法得到的结果,可见误差已非常小。4测试系统的实现SD-1移动机器人有四个轮子,后面两轮是统一驱动的主动轮,前面两轮为方向轮。设有两种运行速度,即直线运行时为20cm/s,转弯时为10cm/s。每个超声波传感器的测距范围为0.5m～4m,机器人控制系统分为控制级和规划级两级,控制级由两片80C196KC分别控制本体运动和16个传感器的分时工作,规划级由一台486计算机组成,完成数据的分析、融合和运动轨迹规划。为了验证这一系统,在一个特殊布置的实验室里进行了试验,获得了较好的效果,如图6所示。由图6可以看出,机器人调整方向较慢,这是因为两主动轮是统一驱动的,若改为分别驱动将会得到改善。5机器人的网络实动技术本文采