前言 　　 近年來，基于傳感器的機(jī)器人研究成為開發(fā)智能機(jī)器人的一個(gè)重要方面，它極大地改善了機(jī)器人的作業(yè)能力，具有重大的應(yīng)用價(jià)值和發(fā)展前景。多傳感器融合技術(shù)就是對同一檢測對象，利用各種傳感器檢測的信息和不同的處理方法以獲得該對象的全面檢測信息，從而提高檢測精度和可靠性。在多傳感器系統(tǒng)中，信息表現(xiàn)為多樣性、復(fù)雜性以及大容量，信息處理不同于單一的傳感檢測處理技術(shù)，多傳感器信息融合技術(shù)已成為當(dāng)前的一個(gè)重要研究領(lǐng)域。目前信息融合方法利用多個(gè)信息源所獲取的關(guān)于對象和環(huán)境的信息獲得根據(jù)任務(wù)所需要的全面、完整的信息，主要體現(xiàn)在融合算法上[1][2][3]。因此，多源信息融合的核心問題是選擇合適的信息融合算法。信息融合的方法主要分以下幾類：直接對數(shù)據(jù)源操作，如加權(quán)平均、神經(jīng)元網(wǎng)絡(luò)等；利用對象的統(tǒng)計(jì)特性和概率模型進(jìn)行操作，如卡爾曼濾波、貝葉斯估計(jì)、多貝葉斯估計(jì)、統(tǒng)計(jì)決策理論等；基于規(guī)則推理的方法，如模糊推理、證據(jù)推理、產(chǎn)生式規(guī)則等。其中基于神經(jīng)網(wǎng)絡(luò)的多種傳感器信息融合是近幾年來發(fā)展的熱點(diǎn). 神經(jīng)網(wǎng)絡(luò)使用大量簡單的處理單元（即神經(jīng)元）處理信息，神經(jīng)元按層次結(jié)構(gòu)的形式組織，每層上的神經(jīng)元以加權(quán)的方式與其它層 上的神經(jīng)元聯(lián)接，采用并行結(jié)構(gòu)和并行處理機(jī)制因而網(wǎng)絡(luò)具有很強(qiáng)的容錯(cuò)性以及自學(xué)習(xí)、自組織和自適應(yīng)能力，能夠模擬復(fù)雜的非線性映射。神經(jīng)網(wǎng)絡(luò)的這些特性和強(qiáng)大的非線性處理能力，恰好滿足了多傳感器信息融合技術(shù)處理的要求，可以利用神經(jīng)網(wǎng)絡(luò)的信號處理和自動(dòng)推理功能實(shí)現(xiàn)多傳感器信息融合技術(shù)。 　　 基于神經(jīng)網(wǎng)絡(luò)集成的傳感器信息融合算法 　　 避開障礙物是移動(dòng)機(jī)器人導(dǎo)航中重要的一部分。移動(dòng)機(jī)器人中的多種傳感器信息融合通?？梢苑譃閮深悾旱图壢诤虾透呒壢诤?。低級融合指的是對傳感器數(shù)據(jù)直接進(jìn)行集成，實(shí)質(zhì)上就是進(jìn)行參數(shù)和狀態(tài)估計(jì)。然后這些估計(jì)可以用于路徑規(guī)劃和執(zhí)行機(jī)構(gòu)，以產(chǎn)生機(jī)器人驅(qū)動(dòng)器的命令和控制信號。高級融合指的是在一個(gè)層次化的結(jié)構(gòu)中，對不同模塊提供的控制信號進(jìn)行分配或集成，從而對傳感器數(shù)據(jù)進(jìn)行間接融合。對于高級融合，文獻(xiàn)[i]等提出了基于行為的結(jié)構(gòu)，文獻(xiàn)[5]提出了一種基于神經(jīng)網(wǎng)絡(luò)的統(tǒng)一框架。本文提出了一種基于神經(jīng)網(wǎng)絡(luò)集成的傳感器信息融合算法，并在HEBUT-I型機(jī)器人上將神經(jīng)網(wǎng)絡(luò)集成用于對障礙物的識別上，提高了系統(tǒng)的識別精度，取得了很好的效果。 神經(jīng)網(wǎng)絡(luò)的集成 　　 1996年，Sollich和Krogh [6] 將神經(jīng)網(wǎng)絡(luò)集成定義為：“神經(jīng)網(wǎng)絡(luò)集成是用有限個(gè)神經(jīng)網(wǎng)絡(luò)對同一個(gè)問題進(jìn)行學(xué)習(xí)，集成在某輸入示例下的輸出由構(gòu)成集成的各神經(jīng)網(wǎng)絡(luò)在該示例下的輸出共同決定”。1996年，Gutta和Wechsler [7] 將神經(jīng)網(wǎng)絡(luò)集成和判定樹相結(jié)合進(jìn)行正面人臉識別，神經(jīng)網(wǎng)絡(luò)的集成由BP網(wǎng)絡(luò)采用相對多數(shù)投票法構(gòu)成，實(shí)驗(yàn)結(jié)果表明，使用神經(jīng)網(wǎng)絡(luò)集成不僅增加了系統(tǒng)的健壯性，還提高了識別率。 [/align] 集成的結(jié)構(gòu)有并聯(lián)式，并聯(lián)式是指各個(gè)識別子系統(tǒng)都獨(dú)立地接受原始圖像并給出自己的識別結(jié)果，而后在相互獨(dú)立的識別結(jié)果基礎(chǔ)上得到最終的答案，并行集成的方法主要有投票的方法、貝葉斯方法和神經(jīng)網(wǎng)絡(luò)合成方法。在并聯(lián)形式時(shí)各分類器是獨(dú)立設(shè)計(jì)的，組合的目的就是將各個(gè)單一分類器的結(jié)果以適當(dāng)?shù)姆绞骄C合起來成為最終識別結(jié)果。以并聯(lián)形式組合時(shí)，各分類器提供的信息可以是分類類別，也可以是有關(guān)類別的度量信息（如距離或概率等）。 　　 在實(shí)際應(yīng)用中，由于各個(gè)獨(dú)立的神經(jīng)網(wǎng)絡(luò)并不能保證錯(cuò)誤不相關(guān)，因此，神經(jīng)網(wǎng)絡(luò)集成的效果與理想值相比有一定的差距，但其提高泛化能力的作用仍相當(dāng)明顯。 單個(gè)BP網(wǎng)絡(luò)（Back propagation fuzzy neural network）的建立 　　 在多傳感器系統(tǒng)中，各傳感器提供的環(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(shí)質(zhì)上是一個(gè)不確定性推理過程。由于模糊邏輯技術(shù)和神經(jīng)網(wǎng)絡(luò)技術(shù)各自獨(dú)到的特點(diǎn)，將模糊技術(shù)和神經(jīng)網(wǎng)絡(luò)有機(jī)結(jié)合組成模糊神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)，可實(shí)現(xiàn)模糊規(guī)則自動(dòng)提取、模糊隸屬函數(shù)的自動(dòng)生成及在線調(diào)節(jié)。因此本文在單個(gè)BP網(wǎng)絡(luò)的構(gòu)建上采用了一種模糊神經(jīng)網(wǎng)絡(luò)（Back propagation fuzzy neural network）的信息融合的構(gòu)建方法，它不依賴于系統(tǒng)的精確數(shù)學(xué)模型且適用于復(fù)雜的系統(tǒng)和過程。單個(gè)BP網(wǎng)絡(luò)的學(xué)習(xí)機(jī)制上采用模糊學(xué)習(xí)的方法，這種學(xué)習(xí)方法的特點(diǎn)是學(xué)習(xí)過程用模糊量（隸屬度）進(jìn)行測度，即輸入量是經(jīng)過模糊化后的模糊量。對于兩輸入單輸出的模糊神經(jīng)網(wǎng)絡(luò)，訓(xùn)練集為（d1,T1），d1=（d11，d12），T1為期望輸出。若全部模糊量采用三角形隸屬函數(shù)（對于其他隸屬函數(shù)，同理），d1j ∈ [1,0]，權(quán)值∈[1,0]。采用的誤差信號為： 學(xué)習(xí)的目的是使E 最小，但由于模糊系統(tǒng)的特殊性，即使所有Yi=Ti，也不會(huì)為零，因此，根據(jù)不同的要求，需要不同的停止迭代規(guī)則。對于多輸入多輸出（MIMO）的模糊規(guī)則可以分解為若干個(gè)多輸入單輸出（MISO）的模糊規(guī)則。 　　 多個(gè)BP網(wǎng)絡(luò)的集成 　　 如圖2所示，信號處理神經(jīng)網(wǎng)絡(luò)用干對單個(gè)傳感器檢測到的信號進(jìn)行處理，提取有用信息，作為融合神經(jīng)網(wǎng)絡(luò)的輸入，融合神經(jīng)網(wǎng)絡(luò)對得到的信息在一定的層次上進(jìn)行融合處理，以得到更全面、更準(zhǔn)確的信息。也就是所說，分別搭建識別各種障礙物的子網(wǎng)絡(luò)，以并行集成的方式把各個(gè)個(gè)體網(wǎng)絡(luò)組合起來，可以獲得一個(gè)高性能的識別系統(tǒng)。每一個(gè)單元BP網(wǎng)絡(luò)可以很好的做到圖像預(yù)處理、降維等特征提取。對于每一個(gè)傳感器的目標(biāo)向量X的每一分量，可以對應(yīng)BP神經(jīng)網(wǎng)絡(luò)的每一個(gè)輸入，經(jīng)過訓(xùn)練集的數(shù)據(jù)學(xué)習(xí)應(yīng)用測試集A、B測試，將結(jié)果作為集成網(wǎng)絡(luò)的輸入，利用Boosting方法生成集成網(wǎng)絡(luò)個(gè)體。 　　 移動(dòng)機(jī)器人多傳感器信息融合及對障礙物的識別 　　 子網(wǎng)絡(luò)對障礙物的識別過程 　　 如圖3 所示，在HEBUT-II型機(jī)器人（圖3所示）上有三大傳感器組，CCD攝像機(jī)、紅外傳感器、超聲波測距傳感器。正如視覺給人類提供了70%以上的所需信息、為人類的正常生活和工作提供了必要保障一樣，視覺系統(tǒng)為移動(dòng)機(jī)器人提供了大量的信息。給移動(dòng)機(jī)器人配備視覺裝置（CCD攝像機(jī)結(jié)構(gòu)），可以使移動(dòng)機(jī)器人在行走時(shí)能夠識別其前方的障礙物，這對移動(dòng)機(jī)器人實(shí)現(xiàn)智能化行駛具有重要意義。為了使移動(dòng)機(jī)器人在一個(gè)不確定甚至是完全陌生的環(huán)境下實(shí)現(xiàn)自主式導(dǎo)航，關(guān)鍵在于視覺系統(tǒng)精確與否。超聲波傳感器以其價(jià)格低廉、硬件容易實(shí)現(xiàn)等優(yōu)點(diǎn)，被廣泛用作測距傳感器，實(shí)現(xiàn)定位及環(huán)境建模。超聲波測距作為輔助視覺系統(tǒng)與其它視覺配合使用，可實(shí)現(xiàn)整個(gè)視覺功能。 　　 圖像的形狀輪廓有多種表示方法,Dubois[8]等人首先提出使用一個(gè)以形心為基點(diǎn),等旋轉(zhuǎn)角度間隔采樣的矢量序列近似描述圖形的邊界,該矢量的模由形心到各邊界點(diǎn)的直線距離決定,但該方法僅限于凸性圖形。Gupta[9]采用類似的徑向投影序列作為多層感知器的輸入分類特征,將等分角度間隔改為沿邊界各象素跟蹤的方法,較Dubois更為精確。本文采用以形心為基點(diǎn),沿邊界各象素跟蹤的方法,由形心到各邊界點(diǎn)的直線距離構(gòu)成邊心距序列,經(jīng)歸一化后作為各輸入目標(biāo)模式的分類特征。邊心距序列具有一些很重要的性質(zhì)：周期性, 平移不變性, 旋轉(zhuǎn)不變性, 比例性。邊心距序列的上述特性使其可用于圖像識別。當(dāng)物體的形狀通過用邊心距表示時(shí)，一個(gè)二維圖像就表示成了一個(gè)一維的曲線波形。我們可以用這個(gè)方法來對實(shí)驗(yàn)中獲得的邊心距序列與參考波形作比較來識別平面圖像。 　　 超聲波測距傳感器在有效測距范圍內(nèi)有被測物的話，則在后一路超聲波束發(fā)出之前應(yīng)當(dāng)接收到前一路發(fā)回的反射波，否則認(rèn)為前一路無被測物。因此按有效測距范圍可以估算出最短的脈沖間隔發(fā)送時(shí)間。為了減少超聲波束的影響，應(yīng)用循環(huán)采集的方法，一次只有一個(gè)超聲波傳感器采集數(shù)據(jù)。超聲波系統(tǒng)被排列成3×3陣列，這樣，相對于整幅圖像的3×3個(gè)區(qū)域得到了相應(yīng)的3×3個(gè)距離值。但是，物體的圖像可能只是占了整幅圖像的一部分，并且只需要估算9個(gè)距離值：相應(yīng)于所抽取的8個(gè)特征點(diǎn)的8個(gè)距離值以及形心的距離值。本文的估算是基于特征點(diǎn)和形心與它們所在的區(qū)域的關(guān)系而采取的一種簡單方法：特征點(diǎn)的距離就估算為其所在區(qū)域的距離值。通過坐標(biāo)轉(zhuǎn)換獲得了在攝像機(jī)坐標(biāo)系統(tǒng)中的9個(gè)點(diǎn)的距離值。 　　 紅外傳感器作為一種重要的被動(dòng)傳感器,由于有許多獨(dú)特的優(yōu)點(diǎn),在目標(biāo)檢測和跟蹤中具有重要的作用[10]。紅外傳感器不向空中輻射任何能量,只是通過接收目標(biāo)輻射的熱能對目標(biāo)進(jìn)行探測和跟蹤的,因而不易被偵察或定位,具有較強(qiáng)的抗干擾能力;同時(shí)由于目標(biāo)不可避免地要輻射熱量,從而又為使用紅外傳感器對目標(biāo)探測和跟蹤創(chuàng)造了條件。在子網(wǎng)絡(luò)中采用文獻(xiàn)[11]提出的利用質(zhì)心及質(zhì)心偏移測量的紅外目標(biāo)跟蹤方法，這種方法除具有能精確跟蹤目標(biāo)的優(yōu)點(diǎn)外,還具有測量模型是線性的特點(diǎn),文獻(xiàn)[12]在強(qiáng)度分布未知情況下,利用文獻(xiàn)[13,14,15]的方法估計(jì)強(qiáng)度參數(shù),再利用質(zhì)心及質(zhì)心位移對紅外目標(biāo)進(jìn)行精確跟蹤。 融合網(wǎng)絡(luò)決策 　　 如圖4所示，子網(wǎng)絡(luò)1、2對同一目標(biāo)有了各自的識別結(jié)果，利用集成網(wǎng)絡(luò)與融合決策網(wǎng)絡(luò)對障礙物進(jìn)行判別。神經(jīng)網(wǎng)絡(luò)集成作為一種新興的神經(jīng)計(jì)算方法,具有比單一神經(jīng)網(wǎng)絡(luò)系統(tǒng)更強(qiáng)的泛化能力，實(shí)際上就是利用神經(jīng)網(wǎng)絡(luò)集成強(qiáng)的泛化能力對原始數(shù)據(jù)集進(jìn)行類似于平滑去噪等作用的加工,使其包含更多的有助于預(yù)測的信息。經(jīng)過集成與融合的多傳感器系統(tǒng)能完善地、精確地反映環(huán)境特征，消除信息的不確定性，提高傳感器的可靠性。 　　 通過子網(wǎng)絡(luò)1、2對同一目標(biāo)的識別，利用圖4融合決策網(wǎng)絡(luò)進(jìn)行集成、決策，這樣可以得到一系列的值。如表1所示。 　　 實(shí)驗(yàn)結(jié)果分析 　　 仿真實(shí)驗(yàn)利用VC++6.0編程,BP網(wǎng)的輸入節(jié)點(diǎn)17個(gè)，輸出節(jié)點(diǎn)為4個(gè)，隱含層節(jié)點(diǎn)是16個(gè)，要識別的障礙物有球體、長方體、正三棱錐、圓柱體。當(dāng)移動(dòng)機(jī)器人移動(dòng)時(shí)，超聲波發(fā)射器每隔一個(gè)固定的時(shí)間段就發(fā)射一次超聲波。當(dāng)移動(dòng)機(jī)器人進(jìn)行到適當(dāng)?shù)奈恢脮r(shí)，采樣就開始了。在取樣過程中，小車?yán)@著障礙物轉(zhuǎn)，每隔10°取樣一次。神經(jīng)網(wǎng)絡(luò)用這些訓(xùn)練數(shù)據(jù)來進(jìn)行離線訓(xùn)練。在測試中，設(shè)計(jì)兩組測試數(shù)據(jù)來驗(yàn)證系統(tǒng)的有效性。仿真中用到的這些數(shù)據(jù)集如表1所示：移動(dòng)機(jī)器人以0.45m/s的速度前進(jìn)，識別率（Identify Ratio，簡稱IR）列于圖中。集成的BP網(wǎng)的識別率分別為：91.82%，92.08%，92.37%，93.91%和92.94%，93.35%，93.98%，94.5% （圖5中以實(shí)芯的框圖表示） 。當(dāng)實(shí)驗(yàn)次數(shù)增加時(shí)，識別率還會(huì)提高。但從我們的仿真中已可看出，本方法是實(shí)用而有效的，移動(dòng)機(jī)器人可以實(shí)時(shí)地識別出障礙物類型。 　　 在文獻(xiàn)[16]中利用了單個(gè)多層BP網(wǎng)絡(luò)對障礙物進(jìn)行識別，同樣要識別的障礙物有正三棱錐、長方體、圓柱體、球體，應(yīng)用了相同的訓(xùn)練集合測試集 。論文中實(shí)驗(yàn)結(jié)果單個(gè)BP網(wǎng)的識別率分別為：85%，80%，85%，100%和84%，80%，87%，100%。（圖5中以虛芯的框圖表示） 。 　　 雖然在文獻(xiàn)[16]中對個(gè)別物體（比如球體）的識別率達(dá)到了100%，這正是單個(gè)網(wǎng)絡(luò)對簡單物體識別的優(yōu)勢所在。對一些復(fù)雜的目標(biāo)，特別是在實(shí)際的復(fù)雜環(huán)境中，集成的BP網(wǎng)絡(luò)將體現(xiàn)出較強(qiáng)的識別能力和較高的準(zhǔn)確性。由這些數(shù)據(jù)可以看出集成的BP網(wǎng)絡(luò)要比單個(gè)多層BP網(wǎng)絡(luò)識別的精度高很多，識別的精確度也更科學(xué)。 　　 結(jié)論 　　 總之，利用本文提出的多種傳感器目標(biāo)識別的融合結(jié)構(gòu)，建立了兩個(gè)多層BP處理網(wǎng)絡(luò)，來處理CCD攝像機(jī)和超聲波測距傳感器的信號、紅外傳感器和超聲波測距傳感器的信號。從實(shí)驗(yàn)結(jié)果分析和比較可以證明基于神經(jīng)網(wǎng)絡(luò)集成的多傳感器融合信號識別要比單個(gè)網(wǎng)絡(luò)有更高的健壯性，識別能力也更高，這樣給機(jī)器人對陌生環(huán)境的辨識和決策提供了更有力的科學(xué)依據(jù)。