范春梅

摘要：機器人定位是實現(xiàn)導(dǎo)航的關(guān)鍵問題之一。為了滿足機器人在導(dǎo)航時精確定位的要求，提出了基于多傳感器信息融合的定位方法。該文詳細闡述了多傳感器信息融合技術(shù)在移動機器人領(lǐng)域中的優(yōu)越性與理論方法，尤其對多傳感器信息融合的技術(shù)對比進行了深入的探討。指明了移動機器人領(lǐng)域中多傳感器信息融合技術(shù)未來的發(fā)展趨勢。

關(guān)鍵詞：信息融合；多傳感器；移動機器人；定位

中圖分類號：TP18 文獻標(biāo)識碼：A 文章編號：1009-3044（2017）04-0171-02

The Study of Multi-sensor Information Fusion bested on Localization of Mobile Robot

FAN Chun-mei

（Shaoguan University， Shaoguan 512026， China）

Abstract：Robot localization is one of the most important issues to tackle in navigation. In order to meet the requirement of accurate localization，a localization method based on multi-sensor information fusion is proposed.The advantage and the method of theory of multi-sensor information fusion technology in detail is described in text， especially it gives an in-depth discussion to comparition of technologies. At last， future development trends of this technology are also presented.

Key words： mobile robot； multi–sensor； information fusion； location

1 引言

智能移動機器人是能夠通過傳感器控制行為與執(zhí)行命令，感知環(huán)境，感知自身狀態(tài)等的機器人系統(tǒng)。它的定位技術(shù)研究的是創(chuàng)建地圖、同步定位、路徑規(guī)劃等。

移動機器人定位技術(shù)除了可以利用傳感器確定機器人的位置信息，周圍環(huán)境信息，還可以采用信息融合算法通過對信息整合后確定目的地，根據(jù)所建立的模型找出合適的路徑。

由于移動機器人技術(shù)在多個領(lǐng)域占據(jù)舉足輕重的地位，如：遙感，工業(yè)，醫(yī)療系統(tǒng)，金融系統(tǒng)，外星探測等。本文指出定位技術(shù)的優(yōu)越性，對定位技術(shù)的常用方法進行詳細對比，并進一步地探討其發(fā)展趨勢。

2 信息融合基本概念及優(yōu)越性

信息融合可定義為：利用計算機技術(shù)對多個和/或多類傳感器信息按一定準(zhǔn)則加以協(xié)調(diào)管理、自動分析、優(yōu)化綜合以完成目標(biāo)檢測識別、態(tài)勢描述、威脅評估、判斷決策等任務(wù)而進行的信息處理以及傳感器與數(shù)據(jù)庫的管理過程。

信息融合技術(shù)從理論結(jié)合實際出發(fā)，在多個領(lǐng)域的應(yīng)用中體現(xiàn)了它無可厚非的優(yōu)越性：增加系統(tǒng)的生存能力，改善系統(tǒng)的可靠性，擴展時間、空間覆蓋范圍，信息處理速度快，提升系統(tǒng)對抗性能，信息獲取成本低等。

3 基于多傳感器的信息融合技術(shù)的理論方法

3.1 多傳感器信息融合技術(shù)的常用方法

3.2 信息融合技術(shù)的比較

3.2.1 加權(quán)平均法

優(yōu)點：實現(xiàn)簡單，運算量小。

缺點：在不同的傳感器能夠獨立進行定位時才有效，應(yīng)用受限制。

3.2.2 Bayes推理方法

優(yōu)點：Bayes網(wǎng)絡(luò)推斷有許多精確方法和近似方法，參數(shù)自適應(yīng)和結(jié)構(gòu)自適應(yīng)方法。

缺點：所有要求的數(shù)據(jù)都必須是獨立的，會給系統(tǒng)造成比較大的困難；在系統(tǒng)中增減一個規(guī)則時，需要重新計算所有的概率，才能保證系統(tǒng)的相關(guān)性和一致性。

3.2.3 Kalman濾波

優(yōu)點： 可以估計平穩(wěn)的一維隨機過程和非平穩(wěn)的多維隨機過程，適合于實時處理并可減少實時在線計算量。它被廣泛應(yīng)用于制導(dǎo)系統(tǒng)、定位系統(tǒng)、通遙感、金融等。

缺點：只適用于線性系統(tǒng)，并且要求觀測方程也必須是線性的。

3.2.4 擴展Kalman 濾波

優(yōu)點：1）計算速度快，存儲量低，在工程應(yīng)用方面有明顯的優(yōu)勢；2）在高斯白噪聲且非線性強度低的環(huán)境中，算法穩(wěn)定、收斂速度較快、估計精度較高；

缺點：1）需要計算雅可比矩陣，而且在非線性強度大的環(huán)境中，線性化容易增大，估計精度會明顯下降，甚至發(fā)散；2）當(dāng)初始狀態(tài)相對誤差較大時，擴展Kalman濾波很不穩(wěn)定、收斂速度慢、估計精度較高；3）在復(fù)雜的非高斯環(huán)境中，擴展Kalman濾波算法也不適用。

3.2.5 Unscented 濾波

優(yōu)點：1）對于非線性系統(tǒng)，與擴展Kalman濾波比較起來，Unscented 濾波不需要計算矩陣的雅可比式，計算簡單且更容易實現(xiàn)；2）對高斯型密度函數(shù)可以精確估計到三階，對非高斯型密度函數(shù)可以精確估計到二階，因此其估計精度比一階擴展 Kalman濾波更高，和二階擴展 Kalman濾波相同。

缺點：濾波穩(wěn)定性有待提高。

3.2.6 Dempster-Shafer證據(jù)推理

優(yōu)點：可以不需要先驗概率和條件概率密度，對于不確定性問題能夠很好地表示及處理。

缺點：組合爆炸問題；有限辨識框架及證據(jù)體獨立性問題；高沖突證據(jù)組合問題[1]。

3.2.7 模糊邏輯

優(yōu)點： 不需要建立精確的數(shù)學(xué)模型；具有較強的魯棒性；控制器成本低且容易操作。

缺點： 獲取和建立模糊規(guī)則，模糊建模不容易得到有效解決；對于模糊控制器的參數(shù)和結(jié)構(gòu)，也不容易依據(jù)系統(tǒng)綜合指標(biāo)來設(shè)計。

3.2.8 產(chǎn)生式規(guī)則

優(yōu)點：自然性，模塊性，有效性與清晰性。

缺點：規(guī)則之間的相互限制有可能使效率降低；結(jié)構(gòu)性知識不能表達出來；不提供實際解釋。

3.2.9 小波變換

優(yōu)點：1）滿足能量守恒方程的線形運算，2）小波變換相當(dāng)于一個具有放大、縮小和平移等功能的數(shù)學(xué)顯微鏡，通過檢查不同放大倍數(shù)下信號的變化來研究其動態(tài)特性；3）小波變換是穩(wěn)定的，是一個信號的冗余表示。具有統(tǒng)一性和相似性，其正反變換具有完美的對稱性。小波變換具有基于卷積和QMF的塔形快速算法。

缺點：在不同尺度上得到的逼近信號特征之間存在差異，小波變換時采用以個基函數(shù)導(dǎo)出的小波函數(shù)難以在不同尺度上準(zhǔn)確地逼近局部信號特征，因此降噪預(yù)處理時的重構(gòu)信號會丟失原有的時域特征[2]。

3.2.10 人工神經(jīng)網(wǎng)絡(luò)方法

優(yōu)點：泛化能力強，穩(wěn)定性高，容錯性好，快速有效[1]。

4 信息融合技術(shù)的研究結(jié)果

加權(quán)平均法在單傳感器系統(tǒng)中應(yīng)用更具有優(yōu)越性；Kalman濾波，Unscented濾波能夠有效解決圖像融合以及圖像與非圖像信息融合等技術(shù)研究上的熱點；小波變換對于提高融合精度具有可實現(xiàn)性；模糊邏輯，人工神經(jīng)網(wǎng)絡(luò)可以很好地提高Kalman濾波算法的魯棒性； Dempster- Shafer有效解決 Bayes方法的多種弊端，可以看成是 Bayes方法的改進與延伸，多種方法的分工合作與相互補充能很好的提高機器人系統(tǒng)的性能，因此，實現(xiàn)多種方法間優(yōu)勢的結(jié)合能讓機器人定位技術(shù)取得理想的效果。

5 信息融合研究的難點問題

信息可否融合的準(zhǔn)則及降低二義性的方法有待于解決；因主動輻射增多，系統(tǒng)總體易暴露； 獲取基本概率賦值和系統(tǒng)的建立與管理是信息融合系統(tǒng)的設(shè)計難點；等等。

6 發(fā)展趨勢

由于并行體結(jié)構(gòu)是傳感器結(jié)構(gòu)的發(fā)展方向，因此，多傳感器信息融合技術(shù)的發(fā)展趨勢之一是并行計算能力的軟、硬件的開發(fā)及應(yīng)用。 由于多傳感器信息融合算法大多集中于平穩(wěn)隨機過程，而且是線性分布的，因此，提高系統(tǒng)性能，研究并改進算法，以便于實現(xiàn)非平穩(wěn)、非線性分布的信息融合算法。目前，基于多傳感器信息融合的移動機器人主要實現(xiàn)了室內(nèi)環(huán)境的定位與導(dǎo)航。關(guān)于傳感器的布置，系統(tǒng)的建立與管理，行駛路線的規(guī)劃以及機器人的自定位等方面仍需要更進一步的研究，尤其是移動機器人在非室內(nèi)環(huán)境中的定位技術(shù)更是今后的研究方向。

參考文獻：

[1] 韓崇昭，朱洪艷，段戰(zhàn)勝. 多源信息融合[M]. 北京. 清華大學(xué)出版社， 2010.

[2] 楊露菁， 余華. 多源信息融合理論與應(yīng)用[M]. 北京. 北京郵電大學(xué)出版社， 2005.