基于神经网络的多传感器信息融合技术在移动机器人中的应用new

《基于神经网络的多传感器信息融合技术在移动机器人中的应用new》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、基于神经网络的多传感器信息融合技术在移动机器人中的应用摘要：基于模糊神经网络的多传感器信息融合，提出了一种简单、有效的分区算法来确定障碍物的距离和方位。采用BP神经网络对障碍物环境进行分类以及模式识别，为移动机器人的导航和避障提供了一种有效的方法。关键词：可移动机器人；多传感器信息融合；神经网络0引言可移动机器人的迅速发展，扩大了它在各个行业的应用，其工作的空间和环境也日益复杂。为了实现机器人在非结构化环境中安全、自主地完成各项任务，必须获得外界环境准确、统一的信息描述。单一的传感器在获取信息上的诸多缺点限制了机器人更高层控制系统决策和判断的准确性，因

2、此，在机器人中应用多个传感器，采用信息融合技术进行多传感器信息处理，是赋予机器人更高职能的关键技术之一。将数据融合技术引入到机器人环境障碍物分类领域，能显著地提高多传感器系统对环境分类的准确率；可以增加测量维数，消除不确定因素的影响，扩展时间和空间的覆盖范围，降低对单个传感器的性能要求；能够充分发挥每一个传感器信息源的作用，利用各数据源间冗余和互补信息。文中设计的可移动机器人传感器系统，应用模糊神经网络技术创建并训练神经网络，采用自行设计的BP神经网络对多传感器信息进行融合，为可移动机器人的避障和导航提供决策依据。1基于神经网络技术的多传感器信息融合本

3、系统的移动机器人模型中采用了多个超声波传感器，分布在移动机器人的不同部位，检测不同方向上的信息，用于探测机器人所处环境中的障碍物信息。通过融合多个传感器对周围障碍物对象的冗余和比较完全的表达，将减小由于各传感器的感知误差而带来的整个系统的不确定性。根据机器人设计尺寸，相邻两对传感器间的角度为3O。，在机器人周围共布置13个超声波传感器(测距范围5m)，传感器的分将s0-s12共13个超声波传感器分为3组，分别安装在机器人的左方、前方、右方。如果13个传感器同时工作，将会相互干扰，因此，选择多路工作方式，无相互影响，可以在紧凑空间内使1．1基于模糊神经网

4、络的分区算法1．1．1模糊语言变量及其隶属函数确定首先确定基本语言值，如确定障碍物距离时，先给出3个基本语言变量：“远”，“中”，“近”；再根据需要设定分级更细的变量，如“很远”，“中远”等。这里给出一个超声传感器测距值对应于F(远)，M(中)，N(近)的隶属函数，如图2所示。1．1．2分区算法的提出由图1的超声波传感器配置方案，把13个超声传感器分为前方、左方、右方3组，Right={S0，S1，S2，S3，S4)，Front一{S5，S6，S7}，Left一{S8，s9，S10，S11，S12)，对于单个传感器来说，只能获得障碍物的距离信息，不能得

5、到障碍物的准确方位信息，导航误差增大。为此，文中提出一种简单明了的分区算法，对每个方向组的传感器测得的数据进行融合，从而得到3个方向上障碍物的距离和方位信息。具体算法描述如下：将13个传感器的距离信息值用d(i一0～12)表示，融合后取值(，)，d表示距离值，取值范围为(50，500)(C1TI)，3个方向上分别表示为d，dr，dt；表示障碍物方位，当有多个障碍物时，取使I口一90。I值最小的值，超声传感器最大测距范围为5m，当障碍物在5m之外时，传感器距离值为5m。右方障碍物确定：S0，S1，S2，S3，S4安装角度分别为一6O。一30。，0。，30

6、。，60。，将右方区域分为A，B，C，D，E，F，G，H，I共9个区，如图3所示。当d。<5，d一5时，障碍物位于A区，d一d。，定义障碍物方位信息为一44。；当。<5，d<5时，障碍物位于B区，d一min(d。，d)，定义障碍物方位信息为一33。；当d。一5，d<5，d一5时，障碍物位于C区，d一d，定义障碍物方位信息为一22。;当d<5，d<5时，障碍物位于D区，d===min(d，d)，定义障碍物方位信息为一11。；当d一5，d。<5，d。一5时，d=d2，障碍物位于E区，定义障碍物方位信息为11。；当d。<5，d。<5时，d一min(d2，d。

7、)，障碍物位于F区，定义障碍物方位信息为22。；当d一5，d。<5，d一5时，d：d。，障碍物位于G区，定义障碍物方位信息为33。；当d。<5，d<5时，d一min(d3，d)，障碍物位于H区，定义障碍物方位信息为44。；当d一5，d<5时，d，一d障碍物位于I区，定义障碍物方位信息为55。；当右方有多个障碍物时，取d为障碍物距离的最小值，当不满足以上条件时，也取d为障碍物距离的最小值。用与上述相类似的方法可以确定出正前方、左前方障碍物分区情况。另外，当障碍物在左方与前方共有区域，认为障碍物是在左方；当障碍物在右方与前方共有区域，认为障碍物是在右方。至

8、此，我们得到了机器人3个方向上障碍物距离信息的向量D(d，．d，，d，)，可以看到，分区算法简