摘 要：多傳感器信息融合技術是目前移動機器人領域的研究熱點。詳細闡述了多傳感器信息融合技術在移動機器人領域中的應用與研究進展，尤其對多傳感器信息融合實現方法進行了深人的探討。指明了移動機器人領域中多傳感器信息融合技術未來的發展方向。 關鍵詞：移動機器人；多傳感器；信息融合 移動機器人是機器人學領域中的一個重要研究分支，它是一個集環境感知、動態決策與規劃、行為控制與執行等多種功能于一體的綜合系統。隨著機器人技術的不斷發展，移動機器人的應用范圍和功能都大為拓展和提高，不僅在工業、國防、服務等行業中得到廣泛的應用，而且，在野外作業以及在有害與危險環境作業、極限作業和空間領域中的應用，已得到世界各國的高度重視。 移動機器人的研究始于20世紀60年代，目前，關于移動機器人的研究，諸如，基于感知的位置判斷和局部與全局導航方案的研究；障礙物的檢測和避障的新方法以及多傳感器信息融合等，引起了國內外眾多專家學者的廣泛關注。智能機器人就是一類能夠通過傳感器感知環境和自身狀態，實現在有障礙物的環境中面向目標的自主運動，進而完成不同作業功能的機器人系統。智能化是移動機器人的發展方向，而傳感器技術的發展是實現移動機器人智能化的重要基礎。移動機器人多傳感器信息融合技術彌補了使用單一傳感器所固有的缺陷，現已成為移動機器人智能化研究領域的關鍵技術 1 移動機器人的感知系統 移動機器人在正常工作時，不僅要對自身的位置，姿態、速度以及系統內部狀態等進行監控，同時，還要能夠感知所處的工作環境，從而使機器人相應的工作順序以及操作內容能夠自然地適應工作環境的改變。因此，準確獲取外部和內部狀態信息，對于移動機器人的正常工作、提高工作效率、節約能源及防止意外事故的發生等都是非常必要的。 目前，應用于移動機器人的傳感器，廣義上可分為內部傳感器和外部傳感器兩類。內部傳感器用于監測機器人系統內部狀態參數，如，電源電壓、車輪位置等；內部傳感器主要有里程計，陀螺儀，磁羅盤及光電編碼器等。外部傳感器用于感知外部環境信息，如，環境的溫度、濕度，物體的顏色和紋理，與機器人的距離等；外部傳感器種類也很多，主要包括視覺傳感器、激光測距傳感器、超聲波傳感器、紅外傳感器、接近傳感器等。不同的傳感器集成在移動機器人上，構成了多傳感器信息融合的感知系統。 2 移動機器人多傳感器信息融合的實現 目前，移動機器人領域中采用的多傳感器信息融合方法主要包括：加權平均法、Kalman濾波、擴展Kalman濾波、Bayes估計、Dempster-Shafer證據推理、模糊邏輯、神經網絡以及基于行為方法和基于規則方法等。應用這些方法可以進行數據層、特征層以及決策層等不同的層次的融合等，也可以實現測距傳感器信息、內部航跡推算系統信息、全局定位信息之間的信息融合，進而準確，全面地認識和描述被測對象與環境，從而做出移動機器人能夠做出正確的判斷與決策。 2.1 加權平均法 此種方法是將一組傳感器提供的冗余信息進行加權平均，并將加權平均值作為信息融合值。它是一種最簡單、最直觀地對多傳感器低層數據的信息融合方法。該方法存在的最大弊端就是很難獲得最優加權平均值，而且，確定權值需要花費大量的時間。 2.2 Kalman濾波及其擴展 用于實時融合動態的低層次冗余傳感器數據。該方法用測量模型的統計特性遞推決定在統計意義下是最優的融合數據估計。如果系統具有線性動力學模型，且系統噪聲和傳感器噪聲是符合高斯分布的白噪聲，那么，Kalman濾波為融合數據提供唯一的統計意義下的最優估計。這種方法的遞推特性使得其計算速度快，且不需要過多的存儲空間。隨著計算機技術的飛速發展，Kalman濾波的計算要求與復雜性已不再阻礙該方法的實際應用。現在這種方法越來越受到人們的青睞，尤其是在多傳感器多目標跟蹤系統中更顯出其獨特的優點，如，Tomatis等人采用基于Kalman濾波混合法實現了移動機器人的導航，試驗結果表明：在1.15km的路程上成功率達到96％。從移動機器人的跟蹤精度來看，偏離目標點的誤差僅為9mm。 工程實際應用中，系統模型線性程度的假設或者數據處理不穩定性時，將對信息融合過程產生較大影響。在這種情況下，常常采用擴展Kalman濾波（EKF）取代常規的Kalman濾波。EKF是移動機器人實現即時定位與導航的重要方法，在移動機器人定位和導航中，利用傳感器融合和非線性模型預測控制方法，并以擴展的Kalman濾波實現最優估計。采用Kalman濾波器通過統計特征進行狀態估計，并實現噪聲引起的誤差最小。 2.3 Bayes估計 Bayes估計是融合靜態環境中多傳感器低層信息的一種常用方法，其信息描述為概率分布，適用于具有可加高斯噪聲的不穩定性。該融合方法產生于多傳感器融合技術的初期。應用Bayes估計方法時，首先，應描述出模型；然后，賦予每個命題一個先驗概率；再使用概率進行推斷，特別根據信息數據估計置信度獲取結果。但是，當某一個傳感器的新信息到來，而此時未知命題的數量大于已知命題的數量時，已知命題的概率是非常不穩定的。該方法主要應用于移動機器人自身的狀態估計以及對運動目標的識別與跟蹤等方面。 2.4 Dempster-Shafer證據推理 證據推理的概念首先由Dempster于1967年提出，后來，由他的學生Shafer進一步發展完善。Dempster-Shafer證據推理是Bayes方法的擴展，而又不同于Bayes方法。Bayes估計僅僅使用了一個代替前提概率為真的一個值，當前提相互關聯時，Bayes方法難以保證估計的一致性。Dempster-Shafer方法使用一個不穩定區間，通過不穩定未知前提的先驗概率來避免Bayes方法的不足。由于Dempster-Shafer證據推理法研究問題的方式和內容特別適合處理多傳感器集成系統的信息融合問題，因此，該證據推理現已成為信息融合的一個重要理論基礎。在移動機器人領域中，這一方法現已被成功地應用于移動機器人對目標的識別。 Dempster-Shafer證據推理的優點是不需要指定先驗概率；其缺點是一般情況下計算量非常大，而且，在工程實際應用中，如何有效獲取基本概率賦值也有待于進一步深入研究。同時，文獻[7]也指出：Dempster-Shafer理論只積累單獨的信息源，而當事件合并后，時間權重與信任度之間存在不合理關系，因此，該理論還需進一步深入研究完善。 2.5 模糊邏輯與人工神經網絡 利用模糊邏輯可將多傳感器數據融合過程中的不確定性直接表示在推理過程中。基于模糊規則的目標識別融合計算非常簡單，通過指定一個0到1之間的實數來表示真實度，這相當于隱式算子的前提。但它不像Dempster-Shafer方法：隨著證據的積累的同時，逐步增長可能目標對象的概率取值，減少不可能目標對象的概率取值。近年來，模糊集合推理被廣泛應用于移動機器人目標識別與路徑規劃方面。Sasiadek利用模糊邏輯和擴展的Kalman濾波進行傳感器信息融合。 人工神經網絡方法是一種仿效生物神經系統的信息處理方法。一個神經網絡包括以各種方式聯接的多層處理單元。神經網絡對輸入的數據進行非線性變換，從而完成了聚類分析技術所進行的從數據到屬性的分類。基于神經網絡的多傳感器信息融合有以下特點：具有統一的內部知識表示形式，通過特定的學習算法可以將神經網絡獲取的傳感器信息進行融合，獲得相應網絡參數；可將知識規則轉換成數字形式，便于建立知識庫；不用建立系統精確的數學模型，非常適合于非線性測試情況；具有大規模并行處理的能力，使得系統信息處理速度非常快，并且，具有很強的容錯性和魯棒性。 基于神經網絡的信息融合實質上是一個不確定性推理過程。充分利用外部環境的信息，實現知識的自動獲取以及在此基礎上進行聯想推理。經過大量的學習和推理，將不確定環境的復雜關系融合為系統能夠理解的符號。神經網絡的研究對于多傳感器信息融合提供了一種很好的方法，其非線性逼近能力在信息融合中非常引人注目，通常采用的是三層感知器模型和BP算法。 目前，在移動機器人多傳感器信息融合中，神經網絡主要用于對移動機器人目標的識別，獲得移動機器人對于障礙物影像的精確的估計，正確地引導機器人運動。采用神經網絡的多傳感器信息融合方法，能夠解決移動機器人的自主行走問題。為了有效地改善神經網絡信息融合的效果和速度，利用陣列神經網絡進行信息融合的結構模型，可以通過子法，其非線性逼近能力在信息融合中非常引人注目，通常采用的是三層感知器模型和BP算法。 傳統的神經網絡結構對于大量學習樣本，需要的隱結點數非常大，甚至需要很多的隱含層，因此，需要很大的計算工作量。限于計算機的運行速度，導致實時性很差，這也是今后亟待進一步解決的問題。 3 發展趨勢 隨著電子技術以及VLSI技術的飛速發展，傳感器結構將朝著并行體結構發展，因此，開發并行計算能力的軟件和硬件，來滿足具有大量數據且計算復雜的多傳感器信息融合的要求，是多傳感器信息融合技術的主要發展趨勢之一。多傳感器信息融合技術硬件的主要發展方向為：研究出能處理多傳感器信息的集成電路芯片，不斷研制出新型移動機器人用傳感器，并且，不斷使傳感器模型和接口實現標準化。 目前，多傳感器信息融合算法很多，但大多數算法都是以線性正態分布的平穩隨機過程為前提。因此，開發新型的信息融合算法，進一步提高多傳感器融合系統的性能，解決非線性以及非平穩正態分布的實際信息融合還有待于進行深入的研究。 人工智能可使系統本身具有良好的柔性與可理解性，因而，能夠處理復雜的問題。對人工智能的研究將會在傳感器選擇、自動任務誤差檢測與恢復等領域發揮巨大的作用。目前，人工智能在多傳感器信息融合中的應用已經是國內外研究的一個熱點。 移動機器人在未知環境下的多傳感器信息融合，主要解決其自主定位與導航問題。目前，基于多傳感器信息融合的移動機器人自主定位與環境建模取得的研究成果，大多局限于室內結構化環境中。有關決策規則的魯棒性、傳感器布置的效果、生物傳感器方法的適應性以及自定位，運動規劃和控制與機器人動態的綜合考慮等方面問題仍有待于深入研究，特別是非結構環境下移動機器人技術將是今后機器人技術發展的重點。 4 結束語 多傳感器信息融合技術是智能移動機器人的關鍵技術之一。隨著傳感器技術的發展以及信息融合技術水平的提高，移動機器人獲取環境信息的感知能力以及系統決策能力將會得到不斷的提高。傳感技術、智能技術以及計算技術的不斷發展，將會促進移動機器人向智能化、完全自主化方向發展，移動機器人一定能夠在有害和危險環境、極限作業及太空等各個領域中扮演擬人的角色，成為人類真正意義上的朋友。