您的位置：关键词：传感器
1、传感器数据融合方法
多传感器的机器人避障系统中，各信息源提供的环境信息都具有一定程度的不确定性。另外，由于传感器数量较多，且多为非线性，要进行很好的全局优化和控制，处理量大。面对离散数据多、关联度大、输入信息不可线性化且要求融合结果可靠性高等特点，传统的数据融合方法（加权平均法、贝叶斯估计法、Dempster-Shafer证据推理方法等）不能很好地满足要求。对于多关节机器人避障系统而言，通常采用卡尔曼滤波法、产生式规则、模糊逻辑人工神经网络法，可以得到关于环境更加可靠、统一、精确的描述，便于判断与决策。
（1）卡尔曼滤波用于实时融合动态的低层次冗余多传感器数据，该方法用测量模型的统计特性递推决定统计意义下最优融合数据估计。由于机器人避障系统具有线性动力学模型，且系统噪声和传感器噪声是高斯分布的白噪声模型，卡尔曼滤波为融合多传感器数据提供唯一的统计意义下的最优估计。
应用到机器人避障系统的多传感器信息处理中，国内外学者经常选用的是联合式卡尔曼滤波法，其基本思想是采用一组并行运行的滤波器模块，每一个模块只处理某一个特定传感器的信息。另外，还采用了一个“主滤波器”对来自所有局部滤波器的信息进行融合。这种结构明显的优势在于：计算量平均分布在各个并行滤波器中，主滤波器的计算负担不大；具备了多种冗余信息，可以通过适当的重构算法设计提供强容错能力。
（2）产生式规则可以建立自然景象专家系统，根据多传感器的检测数据，使用符号来表示环境特征，这样可以更全面的反映避障系统的周围信息，为机器人的路径规划做准备。
（3）模糊逻辑法方法是用某种模拟人类的思维习惯的模型系统地反映机器人避障系统中多传感器数据融合过程的不确定性，并通过模糊推理来完成数据融合，得到预期的效果。
（4）人工神经网络法是一种仿效生物神经系统的信息处理方法，是通过有教师或无师自学算法进行网络学习，一旦学习完成，该神经网络就能够根据以网络权矩阵和网络拓扑结构形式存储的特征信息，基于此神经网络得到了一种进行决策思维的模型结构，通过综合来自于系统各种不同传感器的信息，从中抽取出单一传感器无法提供的准确可靠信息，这是在有环境交互的情况下处理多传感器信息的一种十分有效的方法。
此方法应用到机器人避障系统多传感器信息处理中，主要通过传感器在操作现场获得环境信息，过滤和预处理模块对传感信息进行修正和数字化，经安全机制判断后作为相应神经网络融合处理器的输入源，采用知识数据库作为神经网络融合器的选型和知识来源的辅助决策工具，应用程序接收融合结果，采取相应的控制策略，并发送控制命令给机器人驱动设备。这样可以快速准确地获得尽可能多的实际操作现场的环境信息，从而有效地完成多传感器
的信息处理。
2、传感器信息处理
由于机器人避障系统中所用的传感器种类和数量较多，信息处理较复杂。应用在此系统的信号处理方法主要有小波分析法、神经网络法、遗传算法、免疫算法。
（1）小波分析法
小波变换的基本思想是用一族小波基函数去表示或逼近——信号，很好地解决了时间和频率分辨力的矛盾，适合于对时变信号进行局部分析。
小波变换作为一种新的信号处理方法，近几年，将小波分析应用在机器人避障系统实时采集传感器信号检测分析中，通过对传感器信号的多尺度分解，滤除被测传感器信号中混入的噪声成分，重构真实信号，这样可以有效提高机器人避障系统中采样数据的可靠性，进而可以提高避障系统的控制精度。另外它还有数据压缩功能，对此系统大量的传感信号进行压缩处理可以节省存储空间，提高运算速度。
（2）神经网络法
神经网络是一种不需要选取基函数系的非线性函数逼近方法。机器人避障系统利用神经网络的高度非线性描述能力，并利用这一能力对此系统的多传感器进行建模，利用BP算法（误差反向传播算法），可以对传感器输出信号进行滤波、除噪及传感器的信号识别，从而使传感器的输出信号更精确反映外部环境信息，为机器人的路径规划算法做准备。
这种方法的特点是：不需要机理方面的细节知识，避免了数学建模的不完备性；利用软件实现传感信号的处理，方便灵活，适用性强，免去了硬件电路。
（3）遗传算法
遗传算法是按照自然界“优胜劣汰，适者生存”法则提出的一种全局优化自适应概率搜索算法。遗传算法通过对当前群体施加选择、杂交、变异等一系列操作，产生出新一代的群体，并逐步使群体进化到最优解状态。
遗传算法被应用于机器人避障系统的传感信号处理中，首先在一个采样周期内将实际传感器信号均匀采样N次送入计算机，随机选择几组数据作为初始群体。然后循环进行选择、杂交、变异三种操作，直到达到给定的要求电压值为止。在机器人避障系统中，利用简单的放大电路和遗传算法软件可以在多传感信号的情况下精确还原传感信号，提高传感器信息处理中的测量精度。