前言
近年来，基于传感器的机器人研究成为开发智能机器人的一个重要方面，它极大地改善了机器人的作业能力，具有重大的应用价值和发展前景。多传感器融合技术就是对同一检测对象，利用各种传感器检测的信息和不同的处理方法以获得该对象的全面检测信息，从而提高检测精度和可靠性。在多传感器系统中，信息表现为多样性、复杂性以及大容量，信息处理不同于单一的传感检测处理技术，多传感器信息融合技术已成为当前的一个重要研究领域。目前信息融合方法利用多个信息源所获取的关于对象和环境的信息获得根据任务所需要的全面、完整的信息，主要体现在融合算法上[1][2][3]。因此，多源信息融合的核心问题是选择合适的信息融合算法。信息融合的方法主要分以下几类：直接对数据源操作，如加权平均、神经元网络等；利用对象的统计特性和概率模型进行操作，如卡尔曼滤波、贝叶斯估计、多贝叶斯估计、统计决策理论等；基于规则推理的方法，如模糊推理、证据推理、产生式规则等。其中基于神经网络的多种传感器信息融合是近几年来发展的热点. 神经网络使用大量简单的处理单元（即神经元）处理信息，神经元按层次结构的形式组织，每层上的神经元以加权的方式与其它层
上的神经元联接，采用并行结构和并行处理机制因而网络具有很强的容错性以及自学习、自组织和自适应能力，能够模拟复杂的非线性映射。神经网络的这些特性和强大的非线性处理能力，恰好满足了多传感器信息融合技术处理的要求，可以利用神经网络的信号处理和自动推理功能实现多传感器信息融合技术。
基于神经网络集成的传感器信息融合算法
避开障碍物是移动机器人导航中重要的一部分。移动机器人中的多种传感器信息融合通常可以分为两类：低级融合和高级融合。低级融合指的是对传感器数据直接进行集成，实质上就是进行参数和状态估计。然后这些估计可以用于路径规划和执行机构，以产生机器人驱动器的命令和控制信号。高级融合指的是在一个层次化的结构中，对不同模块提供的控制信号进行分配或集成，从而对传感器数据进行间接融合。对于高级融合，文献[i]等提出了基于行为的结构，文献[5]提出了一种基于神经网络的统一框架。本文提出了一种基于神经网络集成的传感器信息融合算法，并在HEBUT-I型机器人上将神经网络集成用于对障碍物的识别上，提高了系统的识别精度，取得了很好的效果。
图1：单个BP 网络结构 神经网络的集成
1996年，Sollich和Krogh [6] 将神经网络集成定义为：“神经网络集成是用有限个神经网络对同一个问题进行学习，集成在某输入示例下的输出由构成集成的各神经网络在该示例下的输出共同决定”。1996年，Gutta和Wechsler [7] 将神经网络集成和判定树相结合进行正面人脸识别，神经网络的集成由BP网络采用相对多数投票法构成，实验结果表明，使用神经网络集成不仅增加了系统的健壮性，还提高了识别率。
图2：多种传感器目标识别的融合结构
图 3：HEBUT-II 型机器人
图4：融合网络决策层
集成的结构有并联式，并联式是指各个识别子系统都独立地接受原始图像并给出自己的识别结果，而后在相互独立的识别结果基础上得到最终的答案，并行集成的方法主要有投票的方法、贝叶斯方法和神经网络合成方法。在并联形式时各分类器是独立设计的，组合的目的就是将各个单一分类器的结果以适当的方式综合起来成为最终识别结果。以并联形式组合时，各分类器提供的信息可以是分类类别，也可以是有关类别的度量信息（如距离或概率等）。
在实际应用中，由于各个独立的神经网络并不能保证错误不相关，因此，神经网络集成的效果与理想值相比有一定的差距，但其提高泛化能力的作用仍相当明显。
单个BP网络（Back propagation fuzzy neural network）的建立
在多传感器系统中，各传感器提供的环境信息都具有一定程度的不确定性，对这些不确定信息的融合过程实质上是一个不确定性推理过程。由于模糊逻辑技术和神经网络技术各自独到的特点，将模糊技术和神经网络有机结合组成模糊神经网络控制系统，可实现模糊规则自动提取、模糊隶属函数的自动生成及在线调节。因此本文在单个BP网络的构建上采用了一种模糊神经网络（Back propagation fuzzy neural network）的信息融合的构建方法，它不依赖于系统的精确数学模型且适用于复杂的系统和过程。单个BP网络的学习机制上采用模糊学习的方法，这种学习方法的特点是学习过程用模糊量（隶属度）进行测度，即输入量是经过模糊化后的模糊量。对于两输入单输出的模糊神经网络，训练集为（d1,T1），d1=（d11，d12），T1为期望输出。若全部模糊量采用三角形隶属函数（对于其他隶属函数，同理），d1j ∈ [1,0]，权值∈[1,0]。采用的误差信号为：
 （9）
学习的目的是使E 最小，但由于模糊系统的特殊性，即使所有Yi=Ti，也不会为零，因此，根据不同的要求，需要不同的停止迭代规则。对于多输入多输出（MIMO）的模糊规则可以分解为若干个多输入单输出（MISO）的模糊规则。
多个BP网络的集成
如图2所示，信号处理神经网络用干对单个传感器检测到的信号进行处理，提取有用信息，作为融合神经网络的输入，融合神经网络对得到的信息在一定的层次上进行融合处理，以得到更全面、更准确的信息。也就是所说，分别搭建识别各种障碍物的子网络，以并行集成的方式把各个个体网络组合起来，可以获得一个高性能的识别系统。每一个单元BP网络可以很好的做到图像预处理、降维等特征提取。对于每一个传感器的目标向量X的每一分量，可以对应BP神经网络的每一个输入，经过训练集的数据学习应用测试集A、B测试，将结果作为集成网络的输入，利用Boosting方法生成集成网络个体。
移动机器人多传感器信息融合及对障碍物的识别
子网络对障碍物的识别过程
如图3 所示，在HEBUT-II型机器人（图3所示）上有三大传感器组，CCD摄像机、红外传感
器、超声波测距传感器。正如视觉给人类提供了70%以上的所需信息、为人类的正常生活和工作提供了必要保障一样，视觉系统为移动机器人提供了大量的信息。给移动机器人配备视觉装置（CCD摄像机结构），可以使移动机器人在行走时能够识别其前方的障碍物，这对移动机器人实现智能化行驶具有重要意义。为了使移动机器人在一个不确定甚至是完全陌生的环境下实现自主式导航，关键在于视觉系统精确与否。超声波传感器以其价格低廉、硬件容易实现等优点，被广泛用作测距传感器，实现定位及环境建模。超声波测距作为辅助视觉系统与其它视觉配合使用，可实现整个视觉功能。
图像的形状轮廓有多种表示方法,Dubois[8]等人首先提出使用一个以形心为基点,等旋转角度间隔采样的矢量序列近似描述图形的边界,该矢量的模由形心到各边界点的直线距离决定,但该方法仅限于凸性图形。Gupta[9]采用类似的径向投影序列作为多层感知器的输入分类特征,将等分角度间隔改为沿边界各象素跟踪的方法,较Dubois更为精确。本文采用以形心为基点,沿边界各象素跟踪的方法,由形心到各边界点的直线距离构成边心距序列,经归一化后作为各输入目标模式的分类特征。边心距序列具有一些很重要的性质：周期性, 平移不变性, 旋转不变性, 比例性。边心距序列的上述特性使其可用于图像识别。当物体的形状通过用边心距表示时，一个二维图像就表示成了一个一维的曲线波形。我们可以用这个方法来对实验中获得的边心距序列与参考波形作比较来识别平面图像。
超声波测距传感器在有效测距范围内有被测物的话，则在后一路超声波束发出之前应当接收到前一路发回的反射波，否则认为前一路无被测物。因此按有效测距范围可以估算出最短的脉冲间隔发送时间。为了减少超声波束的影响，应用循环采集的方法，一次只有一个超声波传感器采集数据。超声波系统被排列成3×3阵列，这样，相对于整幅图像的3×3个区域得到了相应的3×3个距离值。但是，物体的图像可能只是占了整幅图像的一部分，并且只需要估算9个距离值：相应于所抽取的8个特征点的8个距离值以及形心的距离值。本文的估算是基于特征点和形心与它们所在的区域的关系而采取的一种简单方法：特征点的距离就估算为其所在区域的距离值。通过坐标转换获得了在摄像机坐标系统中的9个点的距离值。
红外传感器作为一种重要的被动传感器,由于有许多独特的优点,在目标检测和跟踪中具有重要的作用[10]。红外传感器不向空中辐射任何能量,只是通过接收目标辐射的热能对目标进行探测和跟踪的,因而不易被侦察或定位,具有较强的抗干扰能力;同时由于目标不可避免地要辐射热量,从而又为使用红外传感器对目标探测和跟踪创造了条件。在子网络中采用文献[11]提出的利用质心及质心偏移测量的红外目标跟踪方法，这种方法除具有能精确跟踪目标的优点外,还具有测量模型是线性的特点,文献[12]在强度分布未知情况下,利用文献[13,14,15]的方法估计强度参数,再利用质心及质心位移对红外目标进行精确跟踪。
图5：几种障碍物的识别率比较 融合网络决策
如图4所示，子网络1、2对同一目标有了各自的识别结果，利用集成网络与融合决策网络对障碍物进行判别。神经网络集成作为一种新兴的神经计算方法,具有比单一神经网络系统更强的泛化能力，实际上就是利用神经网络集成强的泛化能力对原始数据集进行类似于平滑去噪等作用的加工,使其包含更多的有助于预测的信息。经过集成与融合的多传感器系统能完善地、精确地反映环境特征，消除信息的不确定性，提高传感器的可靠性。
通过子网络1、2对同一目标的识别，利用图4融合决策网络进行集成、决策，这样可以得到一系列的值。如表1所示。
实验结果分析
仿真实验利用VC++6.0编程,BP网的输入节点17个，输出节点为4个，隐含层节点是16个，要识别的障碍物有球体、长方体、正三棱锥、圆柱体。当移动机器人移动时，超声波发射器每隔一个固定的时间段就发射一次超声波。当移动机器人进行到适当的位置时，采样就开始了。在取样过程中，小车绕着障碍物转，每隔10°取样一次。神经网络用这些训练数据来进行离线训练。在测试中，设计两组测试数据来验证系统的有效性。仿真中用到的这些数据集如表1所示：移动机器人以0.45m/s的速度前进，识别率（Identify Ratio，简称IR）列于图中。集成的BP网的识别率分别为：91.82%，92.08%，92.37%，93.91%和92.94%，93.35%，93.98%，94.5% (图5中以实芯的框图表示) 。当实验次数增加时，识别率还会提高。但从我们的仿真中已可看出，本方法是实用而有效的，移动机器人可以实时地识别出障碍物类型。
在文献[16]中利用了单个多层BP网络对障碍物进行识别，同样要识别的障碍物有正三棱锥、长方体、圆柱体、球体，应用了相同的训练集合测试集
。论文中实验结果单个BP网的识别率分别为：85%，80%，85%，100%和84%，80%，87%，100%。(图5中以虚芯的框图表示) 。
虽然在文献[16]中对个别物体（比如球体）的识别率达到了100%，这正是单个网络对简单物体识别的优势所在。对一些复杂的目标，特别是在实际的复杂环境中，集成的BP网络将体现出较强的识别能力和较高的准确性。由这些数据可以看出集成的BP网络要比单个多层BP网络识别的精度高很多，识别的精确度也更科学。
结论
总之，利用本文提出的多种传感器目标识别的融合结构，建立了两个多层BP处理网络，来处理CCD摄像机和超声波测距传感器的信号、红外传感器和超声波测距传感器的信号。从实验结果分析和比较可以证明基于神经网络集成的多传感器融合信号识别要比单个网络有更高的健壮性，识别能力也更高，这样给机器人对陌生环境的辨识和决策提供了更有力的科学依据。
|
