或更精確的信息。經過融合的多傳感器系統能完善地、精確地反映檢測對象特性,
層次系統傳送“確定無疑”的判決結論。這種判決方式以經典的數理邏輯為基礎，
卡爾曼濾波器對多傳感器組合系統進行數據統計時,存在很多嚴重的問題,例如:
(1)在組合信息大量冗余的情況下,計算量將以濾波器維數的三次方劇增,實時性
不能滿足;(2)傳感器子系統的增加使故障隨之增加,在某一系統出現故障而沒有
據的分類。K-均值聚類算法是最常用的無監督學習算法之一,而自適應K-均值
方法的更新規則形成了Kohonen特性圖的基礎。此外自適應共振理論(ART)、自
定性以條件概率表示,當傳感器組的觀測坐標一致時,可以直接對傳感器的數據進
行融合,但大多數情況下,傳感器測量數據要以間接方式采用貝葉斯估計進行數據
函數為最小,提供多傳感器信息的最終融合值,融合信息與環境的一個先驗模型提
供整個環境的一個特征描述。D-S證據推理是貝葉斯推理的擴充,其3個基本要點
是:基本概率賦值函數、信任函數和似然函數。D-S方法的推理結構是自上而下的,
分三級。第1級為目標合成,其作用是把來自獨立傳感器的觀測結果合成為一個總
的輸出結果( ID) ;第2級為推斷,其作用是獲得傳感器的觀測結果并進行推斷,將傳
信度在邏輯上會產生可信的某些目標報告;第3級為更新,各種傳感器一般都存在
隨機誤差,所以,在時間上充分獨立地來自同一傳感器的一組連續報告比任何單一
報告可靠。因此,在推理和多傳感器合成之前,要先組合(更新)傳感器的觀測數據。
確定性, 對這些不確定信息的融合過程實質上是一個不確定性推理過程。神經網
絡可根據當前系統所接受的樣本的相似性, 確定分類標準。同時可以采用特定的
學習算法來獲取知識, 得到不確定性推理機制。模糊邏輯是多值邏輯, 它允許將
個不確定概念, 應用模糊理論并結合其它手段, 如神經網絡, 可以取得更好的
美國的Utah/MIT靈巧手、日本的ARH智能手爪以及我國的HIT/DLR機器人靈巧
手、BH-3靈巧手都配有多種傳感器，主要包括視覺傳感器、接近覺傳感器、力/
力矩傳感器、位姿/姿態傳感器、速度/加速度傳感器、溫度傳感器以及觸覺/滑
Bayes算法和D-S論據常用于機器人手爪的信息融合。羅志增等人將這2種算
法綜合運用到一個裝有6種傳感器的機器手爪中，并進行了工件識別、抓取實驗，
正確率達96.7%。美國的Luo在由PUMA 560機器手臂控制的夾持型手爪的平臺上提
出了基于視覺、接近覺、觸覺、位置、力/力矩及滑覺等傳感器信息融合新方法，
整個過程分為3步：1）采集多傳感器的原始數據，并用Fisher模型進行局部估計；
距離測試，從而建立距離矩陣和相關矩陣，得到最接近最一致的傳感器數據；3）
運用Bayes推理算法進行全局估計，融合多傳感器數據，同時，對其他不確定的
移動機器人,其由法國LAAS實驗室研制而成,該機器人配有16只超聲波傳感器、2
只二維激光測距儀、1只視覺傳感器和1只黑白相機。超聲波和視覺傳感器用來產
息融合的算法。多傳感器信息融合技術的運用使得HILARE機器人具有較強的環境
Sojourner 。該機器人是一個高度集成的多傳感器平臺,配有黑白和彩色成像系
定位、土壤和巖石成分分析等操作。對于Sojourner的狀態估計,使用了里程表、
速度傳感器、加速度傳感器、航向傳感器、測距儀和立體CCD攝像機，融合算法
CASIA-I是由沈陽自動化所和中國科學院自動化所聯合設計研制的基于復合
覺、電子陀螺和語音等傳感器信息的具有一定自主能力的輪-腿-履帶復合型移動
機構的機器人。在機器人的四周裝有11只超聲波傳感器，為了彌補其探測盲區，
控計算機，為控制決策提供依據。研究者在航跡推算、感知定位、GPS定位和激
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
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
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1.15
km 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
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,
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
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
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
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。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
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。但它不象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。
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
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
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
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
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
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
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
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
Bsports必一體育
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
