【多模态信息融合机器人避障技术探究12000字（论文）】

多模态信息融合机器人避障技术研究摘要：随着现如今科技的飞速进步，机器人的技术也不断的完善，其中机器人的避障行为探索一直是热门的研究。其中的热门研究对象就有多模态信息融合，多模态信息融合技术逐步得到了及其广泛的运用。相对于单个传感器获得到的信息，多种传感器在经过融合可以提高其准确性。在解决非线性关于机器人避障的问题时，对机器人的速度和控制准确性也大大提升。与此同时，移动机器人技术已经成为一项重点智能技术，受到世界各地学者的广泛关注。多模态信息融合技术的应用，可以在复杂的环境下，提供了技术支持以及理论的依据。本课题研究的是多模态信息融合机器人避障技术。在进行深入的研究自适应加权融合估计算法之后，分析了信息融合算法的特点、如今避障机器人领域的应用,以理论和实践相结合，通过模态信息融合算法这项技术，对机器人的避障行为发起了研究。该项研究首先搭建了避障小车研究的测试平台。以及在根据避障机器人移动时与障碍物之间的特性，使用红外传感器以及超声波传感器来采集避障机器人移动过程中所需要的信息数据。在将这些数据传送回微处理器对采集的周围数据加以融合并进行预处理，然后在进行自适应加权融合估计。并且实践检验了该方式在对机器人避障运动中的成立。关键词：移动机器人；避障；自适应加权融合；多模态融合；目录TOC\o"1-3"\h\u183831绪论 1201381.1课题研究的背景和意义 1201381.1.1课题研究的背景 1201381.1.2课题研究的意义 176041.2多模态信息融合机器人现状 3154141.3本文研究的主要内容 5317722多模态信息融合技术 692252.1引言 6162442.2多模态信息融合技术的重要方法 7182562.3本文所研究使用的方法 8240133系统硬件结构设计 9104873.1避障机器人小车的体系结构 99503.2.避障机器人小车系统硬件介绍 12200203.2.1微处理器STM32F103RCT6的介绍 12287353.2.2L298N_电机驱动模块的介绍 1242203.3机器人的避障传感器系统 14153233.3.1超声波传感器 14307003.3.2红外传感器 1442203.4传感器的布局 16240134自适应加权融合估计与避障机器人小车实验 17104874.1基于数据层的内、外部传感器信息融合 17287354.2.自适应加权融合估计 18287354.3.避障机器人小车实验 20326535总结 23128395.1论文总结 23128395.2优化与展望 24参考文献23754 25附录25920 28 1绪论课题研究的背景与意义1.1.1研究的背景在如今的21世纪现在的科技发展很广阔，而机器人技术是当前的热门发展之一，机器人技术的发展一直以来都具有很大的挑战性，对国家安全和国民经济而言都具有很大的意义以及影响力。自从1960年初机器人问世之后，经过了半个世纪的历程，机器人技术以及其理论获得飞跃性的进步。机器人技术在高新技术和多门学科的理论知识不断的融合之下而产生的，因为机器人技术是由多门类的最新技术研究出来的成果然后进行有机融合所呈现出来的特殊技术，是当前的科学界的世界级技术领域中很具有活力的领域。之所以有不少的国家都把机器人的技术加入第二十一世纪先进的科学技术的未来的规划中，是因为领先的机器人的技术是对于一个国家的经济实力和高新技术领域的重要体现。如今因为机器人不断的在生产业领域和国防等各种方面使用率的扩张，人们对所需要机器人的智能化、自动化以及专业化也在逐步提高，增加感知的辨识力与对功能的判断力和规划等更多高级功能的机器人也获得了非常充分的智能化发展。这些机器人不仅可以获取并检测出外界的环境信息，而且可以同时智能的识别并且很好的分析整理数据，就搭载起机器人了解的信息化环境模型，之后机器人进行判断、规划，并执行用户发出的新的控制命令都可以运用到这里搭建的环境模型。本文所说的判断和规划是机器人自发完成，也是对信息处理的一个智能化表现，然后可以用由简洁符号所组建的操作命令系统，处理机器人控制中物理硬件上的问题。在高级的机器人控制系统中，操作机器人的人们执行些简单的大体流程上的命令就可以对机器人进行操控。这里就涉及到避障机器人最为核心的功能，就是机器人的避障行为。需要在给定的环境系统中正确的对所有障碍物所进行的规避行为，这就是今天所讨论的机器人避障。在如今的机器人智能化学科中，其中的核心的要素就是机器人规划避障的能力，科学研究人员以对此狂热的关注着以及研究着。机器人避障规划是属于计算机邻域的一个新时代，在二十世纪七十年代左右诞生，相当于计算机领域的一个小青年，在此领域中各国的科研人员十分积极的投入其中进行科学探索。对于避障规划是由含有障碍物因素的地理环境之中，根据规定的运动指标，使控制物体从起始点运动到目的地位置，并且途中避开所有障碍物。更具机器人所掌握的地理环境的数据以及障碍物的差异，总共有四种类型的避障规划：第一种是在已知的地理环境信息中，对静态障碍物规避的避障规划；第二种是在对未知的地理环境信息中，对静态障碍物规避的避障规划；第三种是在对了解的地理环境中，对动态的障碍物的避障规划；第四种是对未知的周围地理环境中，对动态的障碍物规避的避障。其中在未知的地理环境里，避障机器人可以准确的使用传感器对周围环境进行检测，可以通过传感器获取到周围环境的位置等信息。在没有特定限制的环境或者工作中，不会对机器人的姿态进行约束，机器人避障规划可以以各种姿态穿越所运算出来的安全路径，这条路径可以规避路径上的所以障碍物。但是由于有些特殊机器人的移动受到限制被约束，所以不一定可以在工作区域内可以找到一条可以避障障碍物的安全路径。所以，在一些繁琐的并且未知的地理环境中，对于机器人的避障规划，所触及的问题还要很多。1.1.2研究的意义随着机器人技术的不断进步，使得越来越多的机器人被人们运用到各种复杂的工作中，进行生产或者进行一些高危作业等。在经过对研究所获取的数据，人类在对与了解外界的信息的获取方式，主要是通过视觉来进行获取的。其中获取信息的比例还占据着大部分，而避障机器人在避障行为时也是相似于人类一样。避障机器人通过多钟传感器对外界信息的接收对周围环境感知获取其地理位置的数据，并作出相应的处理判断来进行相应避障运动。现如今产业的不断更新与科技发展的的不断推进。在各国的科学技术的发展中，机器人的避障技术已成为了不可或缺的部分。机器人处于陌生环境中，通过多传感器对环境数据进行采集，从而对障碍物进行规避。这就是机器人的避障行为。避障机器人在对已知的环境背景下进行避障行为，已有周围环境数据时，可以智能化地生成一条从起始位置到终点的一条无障碍路径，并且可以在移动中，实时的优化路径。现如今对于已知的避障机器人研究中，已经取得了一定的成果。以及科研报道。可是在现实生活中。机器人常常只能获取部分的周围环境数据，从而不能有效的规划出一条高效无障碍的安全路径。机器人只能通过传感器，小部分的获取周围信息，根据采集的信息做出判断在进行反复的避障，不断更新和避障尝试出安全完美的无碰撞的避障路径。如今这种类型下，静态且陌生的环境下，对于避障机器人准确规避障碍物的问题，至今没有一个很完美的避障措施来进行规避障碍物。因此，在研究避障机器人在静态未知环境中，有关于如何有效的对静态障碍物进行避障方案，有很大的前景和意义。1.2多模态信息融合现状传感器是避障机器人获取外部的信息的唯一来源，就像人类的感觉系统一样，感受周围的环境。多模态信息融合将各种传感器从外界环境所获取的信息，然后将所收集到的所有信息进行集中的融合处理。其长处是利用多种传感器从各个方面收集、融合、处理信息，不仅仅打破传统的局限，还弥补了单一类型传感器采集信息的缺点，大大增加避障的准确性。多模态信息融合的应用很早就出现了。例如在第二次世界大战末期时，高炮控制系统就涉及到多模态信息融合的运用，他将光学传感器以及雷达传感器采集到信息进行融合使用。不但对抗干扰能力进行了提升，而且还加强了精准测量的能力。然而当时的信息融合技术，完全依靠人来实现数据的融合分析处理对此进行判断。在信息的质量和效率上面很是不堪，是完全不能和现在相比拟的。这也是导致当时的信息融合的技术对控制系统的优势没有发挥出来该有的样子，让得当时的人也没有对信息融合技术产生认可。20世纪20年代，对信息进行自动集成综合处理是由美国研究机构先开始的。美国国防部于上世纪七十年代正式提出对信息融合的资助，体现在处理声纳信号的系统之中。利用声纳探测敌船，声纳信号在反馈系统的时候受到杂波干扰，目标识别的效果不说很满意。科研人员利用微机和声纳信息进行综合处理，可以准确感知敌舰的具体位置。通过这次意外的使用多模态信息融合技术获得了十分理想的结果，并且让多模态信息融合处理技术在军事邻域中受到关注。与此同时，多模态信息融合技术不仅在军事领域快速扩张，也出现在机器人等方面应用了。一个简单的例子是信息融合技术在指挥、通信、控制、和情报系统发挥了极大的作用。多模态信息融合技术获得了更多的关注，紧跟其后的是公开了研究学者们的理论以及技术。1984年，美国三军政府由C3I技术委员会成立了数据融合专家组(DataFusionSubpanel)，87年出版著作:Integration,CoordinationandControlofMultisensorRobotSystems和RoboticObjectRecognitionUsingVisionandTouch。二十世纪八十年代末，美国的国防部在把多模态信息融合作为着重的研究对象。于此同时，在学术研究上多传感器信息融合技术也在学术领域的影响扩张开来。在1986年多模态信息融合的相对应的学术会议以及期刊纷纷涌现。不仅学术邻域有效加快多模态信息融合的不断发展，近年来政府部门也加大了对这项技人力和物力的支出。现如今模态信息融合在国防安全和军事化领域也在高速发展，其中无人机、机器人和自动系统不断增加，对需求的投入也在不断增加。各国政府也各司其职。举一个经典的案例，美国的国防高级研究计划局曾经资助过一系列车辆的自主导航系统以及和图像自动识别功能系统的研究探索；欧洲国家并不比别的强国弱，不但在多模态信息融合结构上，而且在系统建模邻域上都有着很多的研究。从二十时间年代末开始的历时五年的SKIDS项高速。在各方的不断努力之下，多传感器信息融合处理技术被不断推向先进应用技术的高峰[1]。与欧美国家相比，信息融合研究我国起步晚，发展也相对的慢一些。国内关于多模态信息融合技术的报道直到1980年才初显。在1990年代初期，在政府和研究机构的协同努力下，与此同时，研院所与相关高校也一起开展相关技术的研究，并取得了一定的研究成果。同时学术领域中相对应的著作也纷纷出现。其中有代表性的有：杨国胜、窦丽华的《数据融合及其应用》[2]，徐科军的《传感器与检测技术》[3]，杨万海的《多传感器数据融合及其应用》[4]。如今，我国我国智能系统各方建设百花齐放，多模态数据融合技术为此添上浓墨的一笔。在民用领域和军事领域，都通过将理论研究应用投入实践中。随着现代化工业领域对智能化控制的需求的日益加大，多传感器信息的研究也受到了研究学者的广泛关注。1.3研究的主要内容本文对多模态信息融合技术的全面学习，根据室内移动机器人小车避障的特征和要求，搭载了STM32F103RCT6微处理器，为小车实验提供了基础。该机器人实验平台由于微处理器的的使用，有着方便扩展控制的优势，同时也推动了学者们的研究与开发。本文的机器人小车实验平台，采用超声波和红外传感器获得信息源。通过多模态数据融合技术，机器人小车能够在未知环境中运行，稳定地移动到目的地位置。机器人避障小车，包括多传感器信息采集模块、处理器模块、电池管理模块和电机驱动模块。软硬件设计模块化，传感器可以根据研究者的实际需要自行搭配。本文基于机器人小车平台，采用多模态数据融合算法来进行机器人避障研究，并通过理论与实践相结合的方式验证了多模态信息融合算法的有效性。本文主要研究基于自适应加权融合估计方法的多模态数据融合技术来完成机器人避障功能。用STM32F103RCT6微处理器作为本系统，并且以超声波传感器和红外传感器为系统对外界信息的获取来源，基于自适应加权融合估计方法为研究内容。本文主要内容基本如下：第一章:概括了本文所研究的背景与意义，介绍国内外的多模态信息融合技术的发展状况和实际应用的总结。第二章:主要讨论多模态数据融合的基本的内容，包括多模态信息融合技术的基本层次和主要的体系结构。本章对常使用到的多模态信息融合方法进行了归纳，并分析分别有什么优缺点。第三章:为机器人小车搭建了相对应的理论模型。本章简要介绍了机器人小车的结构，硬件电路连接方式的设计，以及对各种传感器进行介绍。最后对该机器人小车系统的传感器的布局进行介绍。第四章:介绍了自适应加权融合估计的基本内容，讨论了自适应加权融合估计的结构及各组成部分的功能。结合避障机器人小车的结构，设计了一种自适应加权融合估计的算法。对的系统的简单分析加上物理实验验证来证实自适应加权融合估计算法在机器人避障中的有效性。通过对自适应加权融合估计算法的研究，主要研究室内避障机器人小车的特性。2多模态信息融合技术2.1引言多模态信息融合技术又称为数据的融合技术，是一种解决传统系统对单一传感器过于依赖的缺陷从而被发现的一种新的信息处理方式。多模态信息融合的核心是调节系统在使用的多种传感器上，合理的控制和分配资源，通过多结构、全方位的信息综合处理，提供了更加可信和准确的信息的融合方式。2.2多模态信息融合技术的主要方法多模态信息融合技术在多信息融合领域起到根本性作用。随着该项技术的逐步完善，科学研究院也获得了突破。信息融合是一种现代化的技术，它综合了人工智能、模式识别和计算机技术以及优化理论等多种理论。因此也需要进行更加全面的研究，纵使已经取得了许多的收获。然而并没有成熟完善的方法来有效地处理系统中的所有的传感器。通常在实际的应用中选择不同的方法。常用主要分为以下几类：(1)自适应加权平均法自适应加权平均法是最简单和直观的一种方法。通过平均值的计算的来进行计算，所以动态的环境中更加适合这种方法。不过对系统的理解性要求比较高，并且要求大量的数据来计算权重。所以这种算法的精度不高，没有办法得到最优的数据。(2)卡尔曼滤波和扩展卡尔曼滤波算法卡尔曼滤波是递归估计的一种方法。目前完全取是根据前一个时刻所得到的估算值和观测值。这种方式也有一定的局限性，在使用前要建立相对的模型，然后在这个时候就是这个状态的最优值。该算法的优点是系统不用海量的前期数据，实时性就会非常好，是适用于动态的系统的方法，所以在现实的系统中有很好的应用范围。然而，由于系统的过于复杂和是非线的状态，在线性模型不可能搭建。(3)证据推理证据推理是先由登普斯特所提出来的然后由谢弗在进一步完善的一种不确定的理论。这种理论是在贝叶斯算法的基础上发展而来的，这种算法不需要知道本身的先验概率，而D-S证据推理以信任函数作为证据的判断依据，在未知的条件下进行推理的难题被解决了，可以用来在处理未知带来的不确定性的融合问题。（4）粗糙集粗糙集是一种可以对数据本身所给的信息数据在经过自行计算来得出信息融合的最终结论，而不要系统本身的一切先验信息的融合方法，与其他的方法对与不明确问题的相对比，隶属度的确定依赖于经验或专家知识，具有主观因素。粗糙集完全说队友数据都本身而言的方法，因而比其他信息处理的方法更加的客观。（5）模糊控制模糊控制是一种以模糊逻辑和模糊集这两种方式为基础的控制方式，将积累控制的经验所得转化成数学上函数的形式。其优点是不需要精准的模型同时算法也比较简单。它是十分有效的解决非线性和不确定性系统，所以在机器人的领域中备受喜爱。可是他的缺点是不会自我适应以及自我的学习。（6）神经网络神经网络是模拟人脑结构和功能然后对数据进行处理的一种方法，有着自我的学习能力和一定的适应的能力。通过学习输入以及输出样本的信息，调节网络的参数，总结规律。但是有着不会表达相关规律的信息的缺陷。在训练中，训练非常缓慢，训练时间漫长。也常搭配别的算法相结合着用。（7）支持向量机支持向量机运用统计学习的理论的特点以及最小风险的原则来开发数据融合处理方法。SVM通过构造最优超平面与固定学习经验风险的条件下最小化VC置信度[5]。这种方式与神经网络相同，也可以自我学习，但与神经网络相比，支持向量机区别在是用的是优化理论和数学的方法。在处理小样本问题上有很大的优势及拥有很强的扩展性能[6]。然而，SVM的技术还不够完善，需要继续改进。（8）人工势场法人工势场法的本质是对机器人小车的外部环境进行抽象，将机器人视为虚拟的力运动。在机器人的角度，障碍物会对机器人小车产生排斥力，目的地会对机器人产生吸引力[7]。因此机器人在吸引力与多个排斥力的共同作用下朝目标点运动[7]。该方法简单方便、实时，相对用于低端控制，而且势场法避障只适合在局部的空间，容易陷在最小值上，导致机器人振荡不定。2.3本文所研究使用的方法以上介绍了多模态信息融合的普遍方法，在本课题中所使用的是自适应加权融合估计算法，对超声波以及红外两种传感器收集到信息在进行多模态处理。在动态的环境中更加适合这种方法。3.系统硬件结构设计3.1避障机器人小车的体系结构避障器人一般可分为三种，分别为轮式的避障机器人、履带式的避障机器人、爬行的避障机器人等。本文主要研究的是的机器人在室内的运行情况，使用一个由两个DC电机驱动的三轮移动机器人，其中两个前轮为动力轮，后轮为方向轮。本文的移动机器人小车系统由微处理器、避障传感器、电机驱动电路和电源电路等组成，如图1-1所示：图1-1机器人系统的整体框图避障机器人小车在控制上可以分为以下三种层:最高的是传感器层，来对周围的障碍物信息获取并且反馈；在下一层是决策控制层，使用的是STM32F103RCT6作为机器人微处理器，来对避障小车的移动进行控制决策；最底层由L298N_电机驱动模块构建，对机器人的移动进行执行，并对机器人的转弯进行辅助。图1-2移动机器人的整体结构图图1-3移动机器人实物图3.2避障机器人小车系统硬件介绍3.2.1微处理器STM32F103RCT6的简介避障机器人的信息处理核心是处理器，微处理器可以机器人的任何的移动操作命令，微处理器同样也是小车的核心部位。机器人小车在环境中运行，需要协调各个模块，只有这样机器人小车才能安全地运行着。由传感器对于周围环境信息所感知到的传输到微处理器上，然后再由微处理器进行分析和处理这些接收到的数据，再与之前所记忆的信息进行比较计算，对电机的转速控制来调整机器人小车的姿态。在对所以因素的考虑计算能力，还有硬件配置方面，对st公司生产的STM32F103RCT6控制芯片进行了选择。控制器是一个32位RISC微处理器，工作频率72MHZ，512KKB闪存，不仅能存储程序，还能存储数据。它涵盖丰富的增强型的输入和输出端口，非常广泛的使用在各种的控制场合。STM32F103RCT6微处理器的实体图如下所示：图1-4STM32F103RCT6微处理器实物图3.2.2L298N_电机驱动模块的介绍电机控制模块不但是机器人小车的主要部件，而且也是避障机器人小车的控制的中心部位。电机的控制模块是由L298N_电机驱动来进行驱动，原理电路图如图1-5。图1-5L298N_电机驱动模块原理电路图L298N_电机驱动模块实物图如图所示：图1-6L298N_电机驱动模块实物图3.3机器人的避障传感器系统避障系统是避障机器人小车的移动基础。传感器就像是人体的感应器官，是采集周围环境的源头，是避障机器人小车进行决策判断的根本。通过对各种传感器的研究，总结了几种传感器的参数和性能指标表1-1传感器的性能指标传感器控制系统和信息处理的系统共同构建了避障机器人小车的避障体系。其中，获取周围环境信息的传感器以及微处理器共同构建了传感器控制系统，主要是对周围环境变现出的信息进行收集，这也是对环境信息获取的仅有方式。所以搭配相对应着系统采集周围环境的精确性。相对来说，在视觉的避障系统中，采集信息相对全面，但有很高的图像处理条件，实时性比较之差。所以在对应检查周围的环境时一般使用的是非相机式的传感器。根据本文避障的要求，根据传感器所需要的成本以及对信息采集时的性能，以及硬件的电路和体积大小等综合多方面因素来说。本文的避障机器人小车选用的是超声波传感器以及红外传感器来采集周围环境中的障碍物的信息数据。考虑到周围环境的未知和相对于复杂来说，相对于传统的单方面的传感器现在不能够用来进行机器人避障的要求。本文将使用到多种类的传感器应用于避障机器人小车的系统之中，并对于硬件方面以及算法上进行了相对应的更改，以智能化避障机器人小车。3.3.1超声波传感器超声波是一种人耳所听不到的波，他的频率是高于20kHZ的一种机械波。其特点会更具频率的增加，而波长以及衍射会相应的减弱。它有着定向的传播且具有良好方向性的特点，恒的速度在均匀介质中的传播，因为含有优良的特性使得超声波在测距系统中很受人们使用。超声波在在现实生活中有着广泛的应用[8]。超声波阵列测距方法研究通过计算超声波传感器的发射端发射超声波与接收端接收到超声波时的时间差，即可计算得到超声波传感器与障碍物之间的距离[9]。例如，如果避障机器人小车于障碍物的位置相距是v，超声波传感器所测量到避障机器人小车与障碍物之间的时间来回是t，所以可以得出距离公式，表达式如下:L=V*T/2（3-14）式中V是指超声波以空气为介质传播的速度，一般取V为340m/s，时间T是超声波在机器人于障碍物的时间，距离L表示为机器人和障碍物之间距离。本试验采用超声波传感器来测量。这种类型的超声波具有广泛应用性，质优价廉，同时也可以避开障碍物。本文的结构布局如下图1-9，使用1组超声波正对机器人前方，用于获取移动机器人前方的环境信息。下图1-7为本文使用到的超声波传感器实物。图1-7超声波传感器实物图3.3.2红外传感器鉴于超声波测距存在一些问题，本次研究通过大量前期试验，最终选择使用了两套集发射和接收于一体的红外传感器。工作时电压为5V，距离可以随时调节，实际距离范围为2cm-20cm，拥有反应敏捷，电路简洁的优势，该电路基本上可以满足此次试验的需要。实物如图1-8所示。图1-8红外传感器实物图3.4传感器的布局本文机器人小车所使用的超声波传感器测量距距的范围是三厘米到二十厘米，测量范围存在1cm的盲区。因此为了弥补超声波的不足就采用红外传感器，在实际环境中，存在特殊的障碍物，对于特殊障碍物，如纤维类红外传感器可以优于超声波。然而对于黑色塑料等障碍物超声波发挥其重要作用，因此两者测距特性相互补充[10]。机器人小车在未知的环境中避开障碍物，需要机器人小车在多方面、多个角度接受环境信息。避障机器人小车获取周围信息的源头是传感器，并通过超声波传感器来实现收取信息数据，而红外线传感器就相对的辅助作用。图1-9传感器的布局系统图本文对本课题构建的机器人小车避障的系统进行研究，并且简单的介绍了避障机器人小车系统的总体的设计以及概念。详细对机器人小车所使用到的传感器进行了介绍了其测量方面的原理以及特征。在本段的最后一部分对该避障机器人小车的超声波与红外线传感器的发布做了介绍，对下一章的避障机器人小车算法做了铺垫。4.自适应加权融合估计与避障机器人小车实验4.1基于数据层的内、外部传感器信息融合移动机器人工作环境大都存在不同程度的不确定性，有来自于系统本身的不确定性(如机构偏差、漂移等)，也有来自外部环境的不确定性(如目标快速移动)[13]。因为单个传感器存在一些缺陷，不能完整的获取信息，所以信息量有限。同时传感器也存在质量以及性能等因素的一些影响，传感器对周围环境所获取的信息数据会有不可避免不确定性以及误差。所以，为了使避障机器人小车获得智能化特性，对周围环境的不断变化做出实时、正确的响应，需要从这两个方面进行改变。第一，为避障机器人小车搭配多种类别且性能有着相似性传感器；第二，多个传感器的信息可以融合，极大的提升了障机器人小车获取并整合信息的能力。多传感器数据融合技术通过一定的融合算法将来自于多个信息源的信息进行合并，以产生更准确的信息，并根据这些信息做出可靠的决策，即根据观测信息给出一个关于状态的最优估计[12]。信息融合的关键技术是对各类原始信息进行校准、相关、估计及误差模式识别和状态决策等处理[13]。多传感器系统是数据融合技术的硬件基础，多源信息是数据融合的加工对象，具有最优估计的融合算法是数据融合的核心[14]。该技术在结构的融合上面一般情况下可以从三个层次看，分为数据层次、特征层次以及决策层次。这使信息系统能够处理各粒度。本文是在数据层上进行自适应加权平均融合算法的使用。4.2自适应加权融合估计本文所使用的是对多个传感器所采集的周围环境的信息数据加权平均处理。自适应加权融合估计是最简单且直观的多种传感器的低端数据融合的方法，适用于处理动态的低层的数据。但是这种方法是不易取最佳权重。权重的获取一般是经过多次实验得出，结果往往不是统计上的最佳估值。传感器数据自适应寻找其最优权值，使得总均方误差最小，从而得到该监测目标的最优估计值[15]。在设对一个传感器的真值x进行平均估计,它们的方差为σ21,σ22,……σ2n,则对传感器的测量值为X1，X2，……Xn，且互相独立，并且对X的无偏的估计，各种传感器的加权系数以此为w1w2wn,在对自适应加权融合后的真值X和加权系数所满足与下式:(2.1)(2.2)所以得到的总均方误差为σ2=E[(X-)2](2.3)由于X，,X2，…，Xn。且相互的独立，在为X的无偏估计,所以E[(X-Xi)(X-Xj)]=0(i≠j)，因此式(2-3)可以写成为:(2.4)由公式(2-4)得出，多元二次函数是σ2，所以均方差σ2存在一个最小值采用多元函数计算极值，可以得到最小总均方误差对应的加权系数如下:(2.5)对应的最小均方误差为:(2.6)根据各传感器的历史的数据的平均值，进行常值估计：(2.7)得到:(2.8)总均方误差为:(2.9)因为x1,x2，…，xn.是x的无偏估计，所以，，n(k)肯定是X的无偏估计，所以δ2表示可以为:(2.10)在(2.10)中,当δ2最小时，对应的最优加权系数w2应满足公式(2.5)，此时对应的最小均方误差为:(2.11)由公式(2-11)得到，σ2min与测量次数k成反比。根据上式推理可得，最优加权系数wp;取决于各传感器的方差σ2p(p=1,2,...n)，σ2p与各传感器性能有关，且一般是以知的。在此将根据各传感器所提供的测量值在根据相应的算法求出σ2p。在设两个不相同的传感器的测量值分别为Xp以及Xq,所相对应的测量的误差为Vp和Vq.即：(2.12)在Vp，Vq为均值为零的白噪声系列时候,传感器的p的方差表示是σ2p=E[Vp2],因VP、Vq互不相关，而且均值为零，xp和xq也互不相关，且均值也为零，故它们的共协方差函数Rpq满足[16]:(2.13)在xp的自协方差的函数中Rpq表示如下:(2.14)用(2.13)式减(2.14)式,可以得出:(2.15)设传感器数据测量次数为k,Rpp的时间域估计值是Rpp(k),Rpq的时间域估计值是Rpq(k),所以: (2.16)同理,(2.17)在公式(2.16)、(2.17)中递推算法,由此,依靠各个传感器的测量值求出了Rpp与Rpq的时间域的估计值，从而可以估计出各个传感器的方差σ2p。从上述推导可知,根据每个传感器的测量数据，可以自适应地获得每个传感器对应的最佳加权系数。4.3避障机器人小车实验以下是以室内为测试的场景进行实验，在一般情况下的小型障碍物，较简单的避障行为进行避障，本课题主要是对两种特殊的情况进行专门的实验分析，依次对行驶的路径前的小型易绕过的障碍物和大型障碍物来进行避障实验进行研究探索。（1）单个障碍物的实验分析本课题的传感器分布以在上面章节说过，实验重点验证在超声波传感器与红外传感器相结合后，得避障情况对与遇到单个物体的避障效果。下图1-10为实验成功效果示意图。图1-10单个物体避障机器人避障示意图从上图中可以看出，在避障机器人小车的正前方出现单个较小尺寸的障碍物时，可以很轻松的执行避障指令，进行了后撤转弯然后远离障碍物。（2）前方出现遮挡式物体情况下的避障实验在避障机器人小车的前方遇见出现不可绕过的大型障碍物时，对此情况的重点研究与分析。在室内环境中对门墙壁等平均进行多次试验，下图1-11为其中一种测试的避障示意图。图1-11对于房门避障机器人避障示意图从1-11图中可以看出，在避障机器人小车的正前方出现遮挡式物体的障碍物时，可以很轻松的执行避障指令，进行后撤转弯然后远离障碍物。本章对本文所述的多模态信息融合技术的避障机器人小车进行了实验的验证。最终所得的实验数据可以满足实验的需要。在对二种不同的室内的静态环境作为避障环境进行测验之前，所得到的实验结果可以得出，本文经过研究得出的避障系统中可以完成基础的避障机器人小车的无障碍运动。5.总结 5.1论文总结多模态信息融合技术的逐渐发展，在机器人领域有着非常广阔的应用范围。本文通过大量的深入细致的研究文献分析和实际应用，并且对多传感器信息融合系统的理论进行了探讨，还为其建立起通用的多模态信息融合系统做了一些准备，在理论和应用上有所创新。本课题对避障机器人小车的研究工作以及创新方面主要在以下的几点中体现:1.本文对多模态传感器信息融合的方法以及理论进行探索，对融合技术有了系统的了解。对多模态融合的多传感器系统模型和层次结构进行了分析，提出了多模态信息融合技术的方法分类。2.信息融合的核心是多模态融合。随着多模态信息融合技术的不断成熟，科研院所也取得了巨大的成绩。一般在具体的应用中，选择更合适的方法。自适应加权融合估计方法可以在陌生未知的环境中，使机器人小车安全的在复杂的环境中移动到目的地，是避障机器人可以实用的方案之一。3.对系统的硬件结构设计以及STM32F103RCT6微处理器和L298N_电机驱动模块进行了对应的介绍。通过实验数据可以看出，避障机器人小车可以在未知的环境中安全避障运动，避障性能优良。在随着多模态信息融合技术的不断更新换代，将会在更多的领域会取得很好的发展。随着多模态信息融合、传感器和智能AI等高新技术获得进一步的深入探索，多模态信息融合技术将会翻天覆地的变化。可以更加简单方便的完成本文所实现的功能，还可以进行更加深入的研究探索工作，对此话题进行多方面展开，总结内容如下:在多模态融合系统中，传感器数量和类型的选择还有不同种的搭配都是影响系统性能的关键要素。所以，需要进一步研究融合系统中传感器的原则和选择的范围，才可以建立起更加完善的选择的框架以及模型。2.深入研究和进一步探索自适应加权融合估计算法，使其能够应用于更加复杂的系统之中。3.关于避障机器人小车的三维运动