机器人感知智能 课件 第6章 机器人感知系统智能化

机器人感知智能第六章机器人感知系统智能化信息融合所涉及的主要领域包括：模式识别、智能制造系统、无人机驾驶、目标检测与跟踪、人工智能、航空航天应用、图像分析处理等；由于该技术涉及到的研究内容种类丰富，领域广泛，目前还没有普遍适用且明确的定义。不同国家的学者对信息融合的定义有着不同的表述；根据国内外的观点，信息融合的定义为：按照一定的规则，使用计算机技术对特定时序获得的若干异质或同质的传感观测信息进行分析、提取和综合，是一种用于对所需要的目标进行估计与决策的信息处理过程。信息融合是近些年发展起来的技术，由许多学科领域交叉融合形成，在机器人信息处理的过程中被广泛应用。6.1.1多传感器信息融合概念一、信息融合6.1多传感器信息融合（一）分布式：先对各个独立传感器所获得的原始数据进行局部处理，然后再将结果送入信息融合中心进行智能优化组合来获得最终的结果。分布式对通信带宽的需求低、计算速度快、可靠性和延续性好，但跟踪的精度却远没有集中式高；分布式的融合结构又可以分为带反馈的分布式融合结构和不带反馈的分布式融合结构。（二）集中式：集中式将各传感器获得的原始数据直接送至中央处理器进行融合处理，可以实现实时融合，其数据处理的精度高，算法灵活，缺点是对处理器的要求高，可靠性较低，数据量大，故难于实现；（三）混合式：混合式多传感器信息融合框架中，部分传感器采用集中式融合方式，剩余的传感器采用分布式融合方式。混合式融合框架具有较强的适应能力，兼顾了集中式融合和分布式的优点，稳定性强。混合式融合方式的结构比前两种融合方式的结构复杂，这样就加大了通信和计算上的代价。二、多传感器信息融合图6.3紧耦合状态估计流程图根据数据处理方法的不同，信息融合系统的体系结构有三种：分布式、集中式和混合式。6.1.1多传感器信息融合概念二、多传感器信息融合多传感器融合状态估计技术在人工智能应用场景中，有非常多的应用：（一）扫地机器人：这是最简单的多传感器融合状态估计的应用了，一般该机器人会装有相机和IMU传感器，一些还有红外线接近度传感器、激光传感器。（二）餐厅服务机器人：在餐厅负责送餐任务的机器人，通常会有双目相机、轮速计、导轨等传感器。（三）增强现实（AR）应用：AR技术近年来快速发展，在手机软件、智能穿戴硬件中都有应用，主要用到的传感器有相机、惯性测量单元（InertialMeasurementUnit,IMU）等。（四）自动驾驶：自动驾驶对精度和鲁棒性要求非常之高，所用传感器也是非常之多，自动驾驶汽车基本都会用到的传感器有多个相机、IMU、轮速计、激光雷达、超声波、红外、GPS等。图6.5美国海军实验室研发的四麦克风阵列B21r机器人（左）和MDS像人机器人（右）6.1.1多传感器信息融合概念二、多传感器信息融合信息融合的三个主要特征如下：

（一）信息融合是一个多源、多级的信息处理过程，每一级都代表着不同层次的图像抽象。

（二）信息融合包含信息的检测、互联、相关、估计和组合等步骤。（三）信息融合的结果包含低层次的局部状态估计和高层次的全局状态估计。图6.4常见的地面机器人（a）新正源迎宾服务机器人（b）爱森T2智能移动机器人（c）华硕Zenbo智能家庭助理机器人6.1.1多传感器信息融合概念一、自主车辆机器人中的传感器融合技术二、医疗人机交互场景下的多传感器融合图6.7几种自主车辆机器人（a）应用于国家电网的新松无人搬运车（b）艾瑞思物流仓储智能机器人（c）海康威视智能仓库机器人（一）多模型用户数据融合：可解释的神经网络、联想学习。（二）人机对话和意图理解：人类识别、语音识别。（三）用户分类：交互式知识图谱建模。（四）路径和动作规划：基于多模态的路径规划仿人操作的感知、任务规划。

6.1.2几种机器人中的多传感器融合（一）跨领域融合：主要关注跨领域知识迁移和不同特征空间的融合，解决了由于源域和目标域在不同的有限元表示空间中的多模态数据，能够支持基于决策的融合医学人机交互产生的多源数据研究情节。（二）增量分类器融合：由于医疗机器人引入了附加信息、大量数据或数据的动态增长数据导致收敛开销显著增加，这不能满足实时融合决策的要求。增量分类器融合可以通过以下方式优化互补模态数据：对多模态数据进行联合聚类，更快地得到决策结果。（三）数据不完整的多传感器融合：主要处理部分丢失的原始感知数据。例如，传统的融合机制无法处理数据集中包含的不完整数据。虽然它可以直接删除不完整的数据，并做出融合决策仅基于剩余的完整数据，不完整数据中包含的有价值信息的丢失将影响融合决策的准确性和综合性。因此，核聚变机制基于不完全数据的医学人机交互是非常必要的。融合机制的选择：6.1.2几种机器人中的多传感器融合一、系统中传感器的类型、分辨率以及精度二、传感器在机器人本体上的布置位置三、系统的通信能力和计算能力四、系统的设计目标五、系统的拓扑结构在多传感器信息融合技术中，通常涉及到多种类型的传感器选择的问题，因此在选择传感器类型时，要考虑以下几个问题：多传感器融合的移动机器人一般包括三个传感系统：（一）视觉子系统。该子系统主要包括3个模块：光视觉检测模块、红外视觉检测模块和视觉融合模块。（二）听觉子系统。该子系统主要包括3个模块：语音检测模块、类周期求救声检测模块和声源定向模块。（三）运动规划子系统。该子系统主要包括3个模块：自主规划模块、机器人控制模块和避免碰撞模块。6.1.3传感器类型与布局一、相机传感器图6.9SLAM算法系统流程图6.1.4传感器模型二、惯性测量单元图6.11三轴数字加速度计图6.12三轴磁力计图6.13IMU传感器惯性测量单元IMU是一种组合测量传感器，其具有三个加速度计和三个陀螺仪，可用来获取运动载体的位姿信息的装置；加速度计和陀螺仪相互垂直安装，加速度计用来检测物体在坐标系上的加速度，陀螺仪利用载体相对空间的位置变化，再进行坐标变化检测到物体的角速度；通过测量物体的角速度与加速度来计算物体的姿态。6.1.4传感器模型三、里程计模型图6.14相机透视投影模型（一）从世界坐标系到相机坐标系的转换。6.1.4传感器模型三、里程计模型（二）从相机坐标系到物理成像平面坐标的转换。（三）从物理成像平面坐标到计算机图像坐标的转换。图6.15视觉里程计实现流程图6.1.4传感器模型四、激光雷达传感器模型图6.17激光雷达三角测距原理图6.18激光雷达飞行时间测量原理飞行时差测距法（TimeofFlight，TOF）是激光器发射激光脉冲，由计时器记录出射时间，接收器接收往返光，计时器记录返回时间，返回时间减出射时间，得到光的“飞行时间”。光速是已知的，因此在速度和时间已知的情况下，可以求得机器人与目标物体之间的距离。6.1.4传感器模型四、激光雷达传感器模型（一）测量距离：TOF激光雷达可以测量更长的距离，因此应用更为广泛，而三角测距法当测量物体距离越远时，在CCD上所成的像的位置间差别就越小，超过一定距离时，CCD上的成像位置几乎无法分辨。（二）采样率：TOF激光雷达采样率更高，因为飞行时间测距一次测量只需一个激光脉冲，且时效性好，可以快速响应。然而，三角雷达的计算时间较长。（三）精度：三角法在近距离测量时的精度很高，但是随着距离的增加，测量精度会随之下降。由于TOF激光雷达的精度取决于飞行时间，时间测量精度不随长度的增加而变化，在几十米的测量范围内都保持较高的测量精度。（四）转速（帧率）：三角激光雷达的最大转速通常在20Hz以下，而TOF激光雷达的最大转速约为30Hz~50Hz。6.1.4传感器模型一、多传感器融合分类（一）数据层的融合数据层融合也称像素层融合，是对传感器原始信息的融合，属于最低层融合方式。未经处理的原始观测信息直接通过数据层融合进行加工和处理，然后再提取其信息特征进行特征匹配。数据层融合对数据类型有所要求，即传感器感知观测到的对象信息需要是同一类型的数据。图6.20像素层融合6.1.5多传感器融合方法（二）特征层的融合特征层融合是指对传感器信息进行初步处理之后，将各自提取的特征点进行统筹融合，属于中间层融合，因此该方式同时具备了低层次和高层次的部分融合优势。该方法可分为目标特征信息融合和目标状态信息融合。前者适用于目标的跟踪，通过对数据进行配准实现对状态和参数的估计；后者适用于目标的组合分类，通过传统的模式识别技术实现分类再整合。图6.21特征层融合一、多传感器融合分类6.1.5多传感器融合方法（三）决策层的融合决策层融合属于高层次的融合方式，与前两者相比，这种融合的时间顺序发生了主要变化；该方式在感知到数据信息后，对其进行了特征提取和识别，之后才开始融合过程，同样融合之后可以返回用于决策，它直接响应决策目标，并为最终决策奠定基础，是充分利用较完整信息的一种策略类融合算法；通过策略类的选择评级，分数更高的结果使其成为下一模块的信息的输入，不会增加过多的运算负担，还能够拥有更好的鲁棒性。图6.22决策层融合一、多传感器融合分类6.1.5多传感器融合方法二、多传感器融合策略（一）加权平均法最简单的加权平均法是对一组传感器的数据直接进行加权平均运算，每个传感器的权值由经验确定，并将此加权结果作为最终融合的信息。6.1.5多传感器融合方法（二）卡尔曼滤波法卡尔曼滤波算法基于系统线性测量模型的统计特性进行递归计算，动态系统的状态通过一系列噪声数据来估计，实时更新和处理现场采集的数据。系统噪声和系统的状态都是呈现高斯分布的，因此对错误信息较敏感。在数据层融合中，传感器接收的数据常存在较大误差，卡尔曼滤波法能有效减小数据间的误差，提升融合效果。二、多传感器融合策略6.1.5多传感器融合方法（三）模糊逻辑模糊逻辑是一种不需要建立精确数学模型，将已有的经验和知识直接通过模糊集合论构建模型的方法。模糊逻辑是在人类思维方式的基础上，根据客观事物认知的统一特征，进行归纳、提取、抽象和总结，最后转化为模糊规则，来帮助相应的函数确定结果。由于该方法不依赖数学模型，所以该方法可以应用在各种复杂难以建模或动态特性常变的系统中。模糊逻辑的难点问题：合理的指标判断规则和隶属函数的构建。二、多传感器融合策略6.1.5多传感器融合方法（四）神经网络算法神经网络算法是一种新出现的算法，其融合方法能对非线性系统进行很好地处理和模型的泛化，并且可以较好地解决检测系统的误差问题，实现了知识的自动获取及并行处理信息的能力。图6.23神经元的数学模型图6.24网络通用结构二、多传感器融合策略6.1.5多传感器融合方法（五）贝叶斯估计贝叶斯的基本思想是：把现象的经验推理和某种先前经验结合，去估计事物的可能性。贝叶斯估计将每个传感器作为一个贝叶斯分类器，根据传感器的先验概率分布，组合成联合分布似然函数，然后根据不同的新观测值更新联合分布函数，并利用概率函数的极值完成融合。它要求系统具有正太分布，或者噪声也是高斯分布的。贝叶斯估计还可以将传感器采集的可信度低的信息剔除，提高了信息采集的准确性。状态方程：观测方程：图6.25状态估计模型图二、多传感器融合策略6.1.5多传感器融合方法（六）D-S证据理论D-S证据理论可以处理由于未知引起的不确定性，并将其转换为一组以概率分布函数表示的不确定性描述集，得到概率函数来描述不同数据对命题结果的支持率，并通过推理得到目标融合结果；该方法利用信任函数和非信任函数将证明区间分为支持、信任和拒绝三类，在不确定信息的情况下对证明区间进行快速分类，分类决策在最终的决策层进行，以促进最终结果的产生。图6.26三类证据关系图二、多传感器融合策略6.1.5多传感器融合方法三、隐马尔可夫模型与贝叶斯模型隐马尔可夫过程基于两个基本假设：

（一）齐次马尔科夫假设，是指假设马尔科夫过程在任意时刻的状态只与前一时刻的状态相关。

（二）观测独立性假设，是指任何时刻的观测只与当前时刻的状态有关，与其他时刻观测无关。

贝叶斯递推过程基于状态观测和状态更新：

（一）基于模型的状态估计，也就是说根据状态转移概率或者已知的真是测量值，计算预测概率分布，以得出状态预测的均值和方差等估计值。

（二）基于观测状态更新，通过概率函数与状态估计概率进行积分系数归一化处理，得到观测转移的后验概率分布，然后得到目标观测的均值和方差，计算卡尔曼增益。6.1.5多传感器融合方法一、微型惯性单元与视觉数据融合最早出现的IMU处理方法是整合IMU数据，再积分处理，但该方法对位姿信息依赖性强，融合过程中计算量较大。为了解决这个问题，学者们提出了IMU预积分法，该方法的核心思想是对两帧间的IMU运动增量进行计算，并提取增量积分中与初始值有关的数据，从而避免重复反馈过程优化中的重复积分，提高计算效率。同时，两帧之间的IMU预测分量可对这两关键帧加以限制。

IMU视觉优势快速响应；不受成像质量影响；角速度比较准确；可估计绝对尺度；存在零偏；低精度IMU积分位姿发散；高精度价格昂贵不产生漂移；直接测量旋转与平移劣势存在零偏；低精度IMU积分位姿发散；高精度价格昂贵受图像遮挡和运动物体干扰；单目视觉无法测量尺度；单目纯旋转运动无法估计；快速运动时易丢失表6.1IMU与视觉定位特点比较6.1.6SLAM技术中的多传感器信息融合一、微型惯性单元与视觉数据融合图6.27基于滤波的松耦合图6.28基于非线性优化的紧耦合6.1.6SLAM技术中的多传感器信息融合二、2D激光雷达与RGB-D相机信息融合将激光雷达和RGB-D相机结合，可以实现激光数据和三维深度数据的同时采集，进而建立激光雷达测距点与深度图像点间的对应关系，对检测数据进行融合，得到环境障碍物的位置。相机从空间中采集三维深度数据，使用针孔相机模型将真实世界中的三维坐标点映射到二维平面以获取深度图像，将数据深度图像转换为虚拟激光测距数据。图6.29英特尔RealSenseD455相机表6.2KinectV2参数配置参数彩色相机分辨率1920×1080深度相机分辨率512×424水平角度70°垂直角度60°骨骼关节数25个/人检测范围0.5~4.5m音效16bit，16kHz6.1.6SLAM技术中的多传感器信息融合（一）相机标定二者参考坐标系不同，需要将多个传感器的数据统一整合到一个参考坐标系中进行坐标对准，从而实现数据的粗糙融合。通过坐标标定，找到激光雷达坐标系与Kinect图像坐标系间的关系，以实现激光雷达测距与Kinect的深度图像数据的精确融合。图6.31激光雷达与Kinect相机坐标系图6.32激光雷达的直角坐标系与极坐标系二、2D激光雷达与RGB-D相机信息融合6.1.6SLAM技术中的多传感器信息融合（二）点云匹配激光点是真实环境中的曲面离散采样，激光点到实际曲面的距离是最佳误差范围。常用的点云匹配算法为迭代最近点算法，将点间距离作为误差，构造误差方程，易造成误差匹配，增加迭代时间。通过用点到其最近两点连线的距离，可以构建误差方程，有利于缩减迭代时间，增加算法时效性。深度相机模拟的点云和对应的激光雷达点云空间坐标集合分别为：二、2D激光雷达与RGB-D相机信息融合6.1.6SLAM技术中的多传感器信息融合（三）传感器数据融合在点云配准得到两传感器间的位姿关系后，可将两束激光转换到同一坐标系下进行数据精确融合。该过程常用滤波思想来实现，由于经典卡尔曼滤波对运算场景有限制，只能用于高斯理想场景下。而基于经典卡尔曼滤波演变的EKF算法，可以在粗融合的基础上再进行细化融合。（四）贝叶斯估计数据融合贝叶斯估计是一种利用先前经验与经验推理对状态进行估计的信息融合算法，该算法是在得到结果后重新修正的概率的基础上进行的。该方法通过观测得到已知状态向量Z，预测一个未知的n维状态向量X，并且已知状态向量z中包含有未知状态向量X的信息。二、2D激光雷达与RGB-D相机信息融合6.1.6SLAM技术中的多传感器信息融合三、视觉惯性激光雷达图6.33VIL-SLAM系统图图6.34固定滞后位姿图示惯性测量单元具有抗干扰能力强、可信度高、独立性强等优点，而3D激光雷达具有测量范围广、可以直接得到较为准确的深度信息、计算负担小以及受光照影响小等优点，恰巧可以弥补视觉传感器受剧烈运动、无环境纹理、光照条件不好等外界环境的影响，进而提高了系统的鲁棒性、健壮性以及广泛适用性。6.1.6SLAM技术中的多传感器信息融合物理层：也叫做传感器层，负责原始信号的采集，获取物理世界的信息；应用服务层：把采集到的信息进行局部功能封装，成为具有特定服务功能的模块；应用开发层：借助第三方开发工具、算法等对下层的功能模块进一步集成；应用层：面向最终的用户，针对具体应用定制自己的系统。6.2.1机器人感知系统概述相互合作型可以分为四类：一、水平型合作：每个模块可以独立获取问题决策而不必依赖于其他模块，而它与其他模块的合作可以增加决策的可信度；

二、树型合作：一个高级的模块必须依靠低级的模块才能获得问题的决策；三、递归型合作：为了取得问题的决策各模块之间具有相互依赖的关系；四、混合型合作：它是前三种合作类型的有机结合。6.2机器人感知系统控制机器人感知系统标准化工作的必要性：

一、仿人机器人智能化很大程度上取决于其感知能力，其传感器种类越来越多，对可重用和互置换的要求迫在眉睫；

二、现场总线的标准各自为政，需要统一的通信协议来约束，方便用户的操作；

三、国家的战略需求，国内机器人及传感器产业现状迫切需要制订的相应的标准，实现工业化级别的规模生产，降低制造成本。6.2.1机器人感知系统概述主控模块主要是进行各种信息数据的处理，可以让每一个功能模块都能更好的来完成它们各自的任务。图6.35STM32F芯片主控单元模板ARM是通常意义所说的高效能RISC，使用了经过精简设计的指令系统，基于该芯片的微控制器在功耗和体积上都大大减小，设计也可以更加简洁；DSP是数字信号处理器，顾名思义，DSP只负责数字信号处理，难以实现和普通处理器一样的通用计算；PLC是可编程逻辑控制器，PLC和工控机在控制性能上都很优异，二者缺点是相较于微处理器，其体积和功耗更大，价格更贵。6.2.2主控电路设计一、气体传感器氧气是人类正常生活必不可少的气体，因此氧气浓度是重要的检测参数。可燃性气体，以瓦斯为主要代表，其主要成分是烷烃，其中甲烷含量所占比例最高，其次还有少量的乙烷、丙烷和丁烷。烷烃类气体具有易燃易爆的特点，而且浓度过高时也可造成缺氧，甚至使人窒息死亡。分类优点缺点半导体响应速度快、检测灵敏度高、结构简单、价格低廉测量线性范围小，受背景气体干扰较大电化学线性和重复性较好，体积小，功耗小，分辨率较高，寿命较长易受干扰，灵敏度受温度变化影响较大催化燃烧式对环境湿度、温度的影响不敏感，近线性的输出信号，响应快精度低，电流功耗大，对可燃性气体无选择性，有引燃爆炸的危险，易中毒红外式无需加热、响应速度快、精度高、灵敏度高、寿命长技术不够成熟，制造成本高，使用复杂表6.3气体传感器的分类及各自优缺点对比图6.36MQ-2气体传感器化石能源生产和消耗环境气体检测主要分三大类：氧气检测、有毒气体检测和可燃性气体检测。6.2.3多传感器接口设计二、温度传感器

消防的目的就是为了救灾灭火，防止火势进一步蔓延而造成更多的损失，对环境的温度测量有助于消防工作。同时，为保护机器人内部元器件，防止高温对机器人的损害，可以采用机器人暂时远离火场，或者喷水自冷却等保护措施，则还需探测机器人内部的温度，来判断何时该启动保护措施。因此温度传感器需包括车内和车外温度传感器。三、超声波传感器

机器人在行进过程中，有时会遇到各种障碍物、崎岖路段，为保证车体顺利前进，不被障碍物阻隔，或者遇到洼地、较大的坑时被陷入无法动弹，我们需要增加一些测距传感器，测量车体与前方物体的距离，通过距离大小来判断机器人周围路段情况。当判断出前方有较高较大阻碍物，或者深坑、洼地等不良路面时，机器人需要提前避开，当阻碍物较低较小，或者路面情况良好时，机器人可以直接碾过去，因此还需注意传感器在车体上的安放位置。6.2.3多传感器接口设计在机器人感知系统设计方面，现阶段较为成熟的是就是统一建模语言（UnifiedModelingLanguage,UML，UML在面向对象模型的表示方面得到了广泛的认可。（一）逻辑视图，解决了系统的功能需求，是设计模型的抽象，并确定了主要的设计包、子系统和类；（二）实现视图，从打包、分层和配置管理的角度描述组织中的静态模块；（三）进程视图，处理系统运行时任务、线程或进程的并发方面及其交互；（四）部署视图，显示底层平台或计算节点中各种可执行文件和其他运行时组件的映射；（五）用例视图，在初始阶段和精化阶段推动架构的发现和设计，稍后将用于验证不同的视图。表6.4

UML表现不同的视图名称视图主要符号组合结构图表现架构需求，主要包括Part、Port接口和链接Part

、Port、接口、连接关系用例图表现功能需求，

主要包括用例和参与者用例、参与者、关联关系类图表现静态结构，

主要包括一群类及其间的静态关系关联关系、泛化关系序列图表现一群对象依序传送消息的交互状况对象、消息、活动期对象图表现某时刻下的数据结构，

主要包括一群对象及其间拥有的数据数值对象、链接、消息协作图表现一群有链接的对象传送消息的交互状况对象、链接6.2.4UML机器人感知系统设计UML的主要特点：（一）统一的标准。UML统一了众多方法中的基本概念，并被OMG接受为标准的建模语言，越来越多的开发人员和厂商开始支持并使用UML进行软件开发。（二）UML吸取了其它流派的长处，包括一些非常规方法的影响，同时也溶入了软件工程领域的新思想、新方法和新技术，它是开发者依据最优方法和丰富的计算机科学实践经验综合提炼而成的。（三）UML在演变过程中提出了一些新的概念，如模板、扩展机制、线程、分布式、并发等，为分布式、并发以及实时系统等的开发提供了支持。（四）面向对象、可视化、表示能力强大。丰富的符号表示使得UML成为众多应用程序领域中有关获得系统文件、规格说明、捕获用户需求、定义初始软件体系结构的一种受欢迎的建模语言。（五）独立于过程。UML不依赖于特定的软件开发过程，这也是它被众多软件开发人员接受的一个原因。（六）概念明确，建模表示法简洁，图形结构清晰，容易掌握和使用。6.2.4UML机器人感知系统设计UML建模分为三个建模过程：（一）概念级：确定所需解决的问题以及目标，常采用黑盒方式确立角色和用例，然后绘制用例图，角色可以是人，也可以是物，机器人感知系统中的用户是普通用户和设计人员，用例是系统所提供的功能模块。（二）逻辑级：详细分析用例的基本信息和工作流程，整个分析过程可以分为静态描述和动态描述。其中静态描述主要是明确系统的关键要素，可以使用类图、对象图等进行描述，感知系统的关键要素为：微处理器、存储器、总线、接口等，其关系为关联关系，接口可以派生出键盘、显示器、以太网等多个子模块。图6.37UML建模图形类别（三）物理级：主要考虑系统的实际结构以及物理部署，包括设备之间的连接、分布情况、组件之间的物理关系。终上所述，机器人感知系统的设计是软硬件互相嵌套的组合方式，可以将从中抽取相对固定的组件以及组件端口，组合出多样化的感知系统，同时组件可以分散提前开发，加快组合速度，并且可以外购线程组件以降低成本，为感知系统的模块化设计提供基础。6.2.4UML机器人感知系统设计一、通信原理图6.38机器人无线通信无论是数据传输还是视频传输，都需要通过无线发射模块和无线接收模块来实现：数传模块和图传模块均有独立的一套无线发射器和无线接收器，其各自有一个互不干扰的传输频段，设定好工作频段即可实现信号在无线模块之间传输。无线数传时，无线传输模块既可作发射器，也可作接收器，信号可在两个模块之间双向发射和接收，而无线图传时，发射器与摄像头连接，接收器与显示器连接，由于无需给摄像头下达控制指令，所以图像信息是单向传输。6.2.5传感器通讯模块设计无线传输的是上位机与下位机之间的指令、数据、图像等，包括上位机发出的控制指令，以及下位机对各个传感器、电机、摄像头的控制以及数据、图像的采集，并返回给上位机显示，即控制信号、数据信号和视频信号的无线传输，其中控制信号和数据信号可用同一无线设备传输。图6.39机器人数传模块数传模块图传模块图6.40机器人摄像头与图传模块二、模块选择6.2.5传感器通讯模块设计（一）结构分离原则（软硬件分离原则）：分级别、分层次结构分离原则是考虑机器人系统设计的分工和效率。目前现有的机器人系统专用性强，通常采用源自专业领域的整体系统设计方法。

（二）功能分离原则（通用专用分离原则）：平台无关和平台相关原则功能分离是功能构件体系的基本出发点。（三）复合原则（可组合性）：由于机器人功能具有可以复合的特点，模块化机器人的功能构件应当具有可组合性，即应当具有可以复合的特性。（四）开放原则（可扩展性）：对机器人本身构造来讲，为了提高机器人软件的复用性，实现源码开放，资源共享，一些开源的机器人软件工程获到了快速发展，提出了自己的复用解决方案。一、硬件模块化设计基本原则6.2.6控制系统硬件设计二、底层节点模块三、传感器模块机器人感知系统的硬件平台设计的基本任务是根据其所连接的各种传感器的输出方式设计相应的信号接口处理电路，用于传感器的信号转换和处理。传感器模块总体来说包括执行器、模拟传感器和数字传感器，该模块是直接与物理世界连接的装备，一切信号的来源，实现物理信号到数字信息的转换。机器人感知系统节点是传感器与计算机或传感器网络之间连接的桥梁，解决传感器的异构性带来的诸多问题，完成从原始信号到数据的数据流过程，一般是指传感器与计算机或传感器网络之间的硬件连接设备，主要包括传感器信号的转换、调理电路，有时还包括模数转换器以及数据通讯的总线接口。6.2.6控制系统硬件设计一、机器人操作系统软件设计方法图6.41ROS开发的机器人软件整体架构图（一）感知类节点感知类节点的主要工作是驱动硬件，进行数据预处理，转换成ROS规定的消息格式发布。（二）计算类节点计算类节点主要执行图像处理、决策、导航规划、数据融合等任务，是软件系统的核心，ROS对主要任务类型都有相应的功能包。

（三）互执行类节点

交互执行类节点的主要任务是处理包括输入、输出、可视化调试在内的人机交互工作，并包含底层控制和执行器驱动节点，控制和驱动执行器执行计算节点发送的指令。6.2.7控制系统软件设计二、传感器软件图6.42模糊控制流程三、上位机软件（一）虚拟仪器与LabViewLabView最大的特点是采用图形化编程语言，程序以框图形式编写，易学易用。LabView是一种通用的编程系统，具有各种功能强大的函数库，包括数据采集、串行控制、数据显示和存储，甚至还具有网络功能。（二）基于LabView的上位机开发在显示界面上完成对机器人控制指令的发送，和实时显示各项检测数据的波形变化。使用LabView开发平台编写的程序称为VI，LabView是以VI文件为程序单位的，一个VI程序又可以通过调用下级的子VI来扩展程序规模。一个VI由前面板和后面板组成，下面就分别介绍前面板和后面板的设计过程。6.2.7控制系统软件设计四、传感器数据描述为了规范化传感器的信息描述，统一的标准需要满足以下要求：

（一）可以提供传感器本身的一系列特性：如：类型、灵敏度、生产厂家等；

（二）传感器的唯一性（传感器序列号在全球范围内是唯一的）；

（三）有利于现场的分布式测试：测试系统可以随时调出数据表格对这些传感器的参数进行校对和修正，实时自动跟踪和监测生产厂家提供的传感器数据，实现传感器的自动定位。（四）为网络化测试的发展奠定了基础；（五）与传统的传感器充分兼容；（六）工作模式、通讯方式和数据格式完全遵循于统一的规范标准，方便互换。6.2.7控制系统软件设计五、信息描述语言的构成及形式图6.43机器人感知系统传感器分类表6.6数字接口模板定义6.2.7控制系统软件设计五、信息描述语言的构成及形式表项名称描述位数取值1模板号模板号822接口类型不同的数字接口类型30~5，或其它保留3命令字长读取一组传感器数据的操作4L

=

1~164命令字读取一组传感器数据的操作L*8参考数字传感器5单位输出数据的单位8单位编码6数据位数输出数据的长度80~2567最小分辨量最小数字量

LSB

对应物理量4—8校验字节的校验8—表6.6数字接口模板定义6.2.7控制系统软件设计六、节点数据描述由于每个节点可以挂接多个通