多傳感器集成與信息融合技術是80年代初發(fā)展起來的,它首先應用在軍事上。美、英、法等國將戰(zhàn)場信息的融合列為一項重大的研究課題,美國國防部專門成立了一個信息融合小組,并組織了幾個專題計劃,研究、開發(fā)多傳感器信息融合技術。隨著對機器人應用領域要求的不斷擴大和第二代具有局部(初級)智能機器人的研究與開發(fā),多傳感器集成與信息融合技術對提高機器人系統(tǒng)性能的重要性能越來越受到人們的關注,智能機和新一代智能機器人也朝著多傳感器的方向發(fā)展。
貝葉斯估計是融合靜態(tài)環(huán)境中多傳感器低層數(shù)據(jù)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確定性。當傳感器組的觀測坐標一致時,可以用直接法對傳感器測量數(shù)據(jù)進行融合。在大多數(shù)情況下,多傳感器從不同的坐標框架對環(huán)境中同一物體進行描述,這時傳感器測量數(shù)據(jù)要以間接的方式采用貝葉斯估計進行數(shù)據(jù)融合。
Durrant-Whyte將任務環(huán)境表示為不確定幾何物體集合的多傳感器系統(tǒng)模型, 提出了傳感器信息融合的多貝葉斯估計。整個系統(tǒng)中的每個傳感器由提取這些物體的有用的靜態(tài)描述能力表示,系統(tǒng)中的多傳感器作為一個決策者隊,多傳感器必須決定環(huán)境的一個隊的一致性觀測。多貝葉斯估計把每個傳感器作為一個貝葉斯估計,將各單獨物體的關聯(lián)概率分布結合成一個聯(lián)合的后驗概率分布函數(shù),通過聯(lián)合分布函數(shù)的似然函數(shù)為最小,提供多傳感器信息的最終融合值,融合信息與環(huán)境的一個先驗模型提供整個環(huán)境的一個特征描述。
卡爾曼濾波用于實時融合動態(tài)的低層次冗余傳感器數(shù)據(jù)。該方法用測量模型的統(tǒng)計特性遞推決定統(tǒng)計意義下最優(yōu)融合數(shù)據(jù)估計。如果系統(tǒng)具有線性動力學模型,且系統(tǒng)噪聲和傳感器噪聲是高斯分布的白噪聲模型,卡爾曼濾波為融合數(shù)據(jù)提供唯一的統(tǒng)計意義下的最優(yōu)估計,卡爾曼濾波的遞推特性使系統(tǒng)數(shù)據(jù)處理不需大量的數(shù)據(jù)存儲和計算。
統(tǒng)計決策理論(SDT)為多傳感器產生的冗余定位信息的融合提出了分兩步廣義方法。傳感器噪聲建模為多樣的可能概率分布,傳感器模型的作用是增加決策過程的魯棒性,通過分離分布函數(shù)來確定分離系數(shù),表示由不真實的傳感器讀數(shù)可能引起的偏差。與多貝斯估計相比較,統(tǒng)計決策理論中的不確定性為可加噪聲,從而對不確定性的適應范圍更廣。
該方法是貝葉斯方法的擴展。在貝葉斯方法中,當一個傳感器可用附加信息或未知前提的數(shù)目大于已知前提的數(shù)目時,已知前提的概率變得不穩(wěn)定。Shafer-Dempster方法中,使用了一個不穩(wěn)定區(qū)間,可以通過不指定未知前提的先驗概率避免貝葉斯方法的不足。
集成多維低層處理的最初結果是線和區(qū)域數(shù)據(jù),它們是圖像的兩種最常用的低層描述。集成多區(qū)域分割算法中最為靜態(tài)的方法允許每一個過程獨立地分割圖像,然后每一個分割區(qū)域用以下兩種方法聯(lián)合:一是將所有區(qū)域界投影到一幅圖像上,并合并結果區(qū)域;二是作出所有分割中具有支持作用的那些邊界的投影,并連接結果邊界段。
多傳感器系統(tǒng)中,各信息源提供的環(huán)境信息都具有一定程度的不確定性,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。采用模糊邏輯融合景像分析和目標識別信息,通過指定一個從0到1之間的實數(shù)表示的真實度,相當于隱式算子的前提, 允許將多傳感器信息融合過程中的不確定性直接表示在推理過程中,如果采用某種系統(tǒng)化的方法建模,融合過程中的不確定性,則可產生一致性模糊推理。 神經(jīng)網(wǎng)絡要根據(jù)當前系統(tǒng)所接收到的樣本的相似性,確定分類標準。這種確定方法主要表現(xiàn)在網(wǎng)絡權值分布上,同時可采用神經(jīng)網(wǎng)絡特定的學習算法來獲取知識,得到不確定性推理機制。
Bsports必一體育
移動機器人和自主車有著廣泛的應用,當它們在未知的和動態(tài)環(huán)境中工作時,將多傳感器提供的數(shù)據(jù)進行融合,使環(huán)境信息得以快速的感知。移動機器人對多傳感器信息集成與融合的發(fā)展起了重大的促進作用。 Hilare移動機器人將觸覺、聽覺、兩維視覺、激光測距等傳感器結合起來,使之能在未知環(huán)境中操作。Hilare移動機器人是首次用多傳感器信息形成未知環(huán)境實物模型的移動機器人,使用聲音和視覺傳感器建立分割為定位層次的圖表。視覺和激光測距得到環(huán)境中不同區(qū)域的近似三維表示,激光測距獲得物體更精確的范圍。使用3種不同的方法得到機器人位置的精確估計:使用標記的絕對位置定位、無外部坐標的軌跡集成、參照環(huán)境的相對位置定位。每一種方法互補校正,減少其他方法中的誤差和不確定性,不同傳感器產生的信息,經(jīng)過集成,提供已知物體的位置和相對于機器人的定位,根據(jù)物體的特征和與機器人的距離,選擇恰當?shù)娜哂鄠鞲衅鳒y量物體。每個傳感器的不確定性建模為高斯分布,如果所有傳感器測量的標準偏差具有相同的幅度,那么加權平均值將作為物體頂點的融合估計。
Stanford 移動機器人將觸覺、立體視覺和超聲波傳感器用于非結構化人為環(huán)境中的機器人導航,兩維環(huán)境模型采用分層表示,最低層環(huán)境特征與傳感器提供的數(shù)據(jù)一致,高階層是抽象的和符號表示的環(huán)境特征。機器人定位的不確定和環(huán)境特征建模為高斯分布,隨著機器人的運動,卡爾曼濾波用于傳感器信息的融合。 Carnegie-Mellon大學機器人中心研制的CMU自主陸地車具有彩色TV攝像機、激光測距儀和聲納傳感器,能實行多傳感器信息集成與融合。并行處理是該研究的主要目標。局部環(huán)境模型中的數(shù)據(jù)具有屬性數(shù)值標志。標志代表實際物體,幾何定位由平面多邊形組成,聲納傳感器用于檢測近障礙物,可用于將定位從一個坐標系統(tǒng)變換到另一個坐標系統(tǒng)的參考坐標框架,時間標記記錄標志建立的時刻和接收傳感器數(shù)據(jù)的時間,當由攝像機和激光測距儀在不同時刻和定位測量的距離數(shù)據(jù)融合時,每個傳感器做標志的坐標框架首先變換到共同的車體框架,接著變換到時間上的同一點,數(shù)據(jù)融合的結果產生一個表示融合數(shù)據(jù)的新標志。
裝配作業(yè)是機器人應用的一個復雜領域。Groen等提出了一種具有視覺、超聲波、觸覺、力傳感器的裝配機器人結構。裝配過程表示為某一傳感器運行的條件滿足時所進入的一系列階段,整個過程由建模為NBS分層結構控制,采用一套模塊化的低層外部處理執(zhí)行傳感器處理、機器人控制和數(shù)據(jù)通訊等專門任務。視覺傳感器用于識別不同零件和定位,腕力傳感器和被動柔性裝置用于高精度軸孔匹配、零件傳送和放取。Karlaruhe自由移動裝配機器人用于柔性制造單元中的零件傳輸和裝配操作,它是一個具有兩臺PUMA260機器人的移動平臺,平臺具有4個獨立驅動的輪子,并裝有對角配置的無驅動滾子,使得它能向任何方向移動, 一臺攝像機用來識別兩維零件。裝配作業(yè)在兩個腕力傳感器和兩個位于末端執(zhí)行器上的攝像機輔助下完成,一個超聲波傳感器和4臺攝像機完成導航。控制系統(tǒng)采用層次化的結構,傳感模塊和執(zhí)行模塊用一個特殊通信接口耦合的黑板系統(tǒng)實現(xiàn),規(guī)劃模塊由產生一系列基本操作的進程組成,基本操作由單獨的基本操作模塊組成, 這些模塊包含執(zhí)行基本操作所必須的專家知識。這樣它能夠執(zhí)行復雜的、自主的傳感器指導的任務。規(guī)劃模塊僅指定期望目標,而基本操作模塊指定目標實現(xiàn)的方法。
Bsports必一體育
本文為授權轉載文章，任何人未經(jīng)原授權方同意，不得復制、轉載、摘編等任何方式進行使用，e-works不承擔由此而產生的任何法律責任! 如有異議請及時告之，以便進行及時處理。聯(lián)系方式：tel/20/21。
制造業(yè)人工智能八大應用場景——2021廣州市人工智能與機器人應用高峰論壇論文精選十
語音識別智能控制技術應用于養(yǎng)老服務業(yè)——2021廣州市人工智能與機器人應用高峰論壇論文精選九
人工智能助力制造業(yè)智能化建設——2021廣州市人工智能與機器人應用高峰論壇論文精選八
