多傳感器集成與信息融合技術是80年代初發展起來的,它首先應用在軍事上。美、英、法等國將戰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,多傳感器集成與信息融合技術對提高機器人系統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展。

　　貝葉斯估計是融合靜態環境中多傳感器低層數據的一種常用方法,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據進行融合。在大多數情況下,多傳感器從不同的坐標框架對環境中同一物體進行描述,這時傳感器測量數據要以間接的方式采用貝葉斯估計進行數據融合。

　　Durrant-Whyte將任務環境表示為不確定幾何物體集合的多傳感器系統模型, 提出了傳感器信息融合的多貝葉斯估計。整個系統中的每個傳感器由提取這些物體的有用的靜態描述能力表示,系統中的多傳感器作為一個決策者隊,多傳感器必須決定環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概率分布結合成一個聯合的后驗概率分布函數,通過聯合分布函數的似然函數為最小,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。

　　卡爾曼濾波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統計意義下最優融合數據估計。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高斯分布的白噪聲模型,卡爾曼濾波為融合數據提供唯一的統計意義下的最優估計,卡爾曼濾波的遞推特性使系統數據處理不需大量的數據存儲和計算。

　　統計決策理論(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,通過分離分布函數來確定分離系數,表示由不真實的傳感器讀數可能引起的偏差。與多貝斯估計相比較,統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目大于已知前提的數目時,已知前提的概率變得不穩定。Shafer-Dempster方法中,使用了一個不穩定區間,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域數據,它們是圖像的兩種最常用的低層描述。集成多區域分割算法中最為靜態的方法允許每一個過程獨立地分割圖像,然后每一個分割區域用以下兩種方法聯合:一是將所有區域界投影到一幅圖像上,并合并結果區域;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。

　　多傳感器系統中,各信息源提供的環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。 神經網絡要根據當前系統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在網絡權值分布上,同時可采用神經網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環境中工作時,將多傳感器提供的數據進行融合,使環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境中不同區域的近似三維表示,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,經過集成,提供已知物體的位置和相對于機器人的定位,根據物體的特征和與機器人的距離,選擇恰當的冗余傳感器測量物體。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境中的機器人導航,兩維環境模型采用分層表示,最低層環境特征與傳感器提供的數據一致,高階層是抽象的和符號表示的環境特征。機器人定位的不確定和環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。局部環境模型中的數據具有屬性數值標志。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變換到另一個坐標系統的參考坐標框架,時間標記記錄標志建立的時刻和接收傳感器數據的時間,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據融合時,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,數據融合的結果產生一個表示融合數據的新標志。

　　裝配作業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行傳感器處理、機器人控制和數據通訊等專門任務。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。裝配作業在兩個腕力傳感器和兩個位于末端執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。控制系統采用層次化的結構,傳感模塊和執行模塊用一個特殊通信接口耦合的黑板系統實現,規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, 這些模塊包含執行基本操作所必須的專家知識。這樣它能夠執行復雜的、自主的傳感器指導的任務。規劃模塊僅指定期望目標,而基本操作模塊指定目標實現的方法。

　　Bsports必一體育

　　本文為授權轉載文章，任何人未經原授權方同意，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。聯系方式：tel/20/21。

　　制造業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老服務業——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