|
一、前言 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。1979年法國的Hilare移動機器人,1985年美國DARPA戰略計劃的自主陸地車(ALV),1986年Carnegie-Mellon大學的CMU自主陸地車和1987年Stanford大學的Stanford移動機器人都成功地應用了多傳感器信息集成與融合技術處理各種復雜野外環境的傳感信息。 在工業機器人方面,日本HITACHI公司正在開發用三維視覺和力傳感器的集成電路裝配機器人,歐洲信息技術研究戰略計劃ESPRIT也在開發具有視覺、觸覺和力覺的機器人,用于材料加工以及集成裝配作業。近年我國才開始這一領域的研究工作。我國的"863高技術研究計劃"對傳感器和傳感技術的研究給予了高度重視,1992年11月在北京召開的"863"高技術智能機器人研究與發展討論會上,與會專家、學者再次重申了這一觀點,同時對多傳感器集成與信息融合技術給予了特別的關注。在"863計劃"的支持下,近年來在傳感技術、信息處理、機器人控制和人工智能等基礎研究方面取得了顯著的成果,為多傳感器集成與信息融合技術在機器人中的應用奠定了一定的基礎。 二、多傳感器集成與信息融合 近年來,人們對協同運用多傳感器以增強智能機器和系統功能的興趣日益增加。為了使系統有效地利用各種傳感器提供的信息,需要一種有效的方法來集成這些傳感器提供的信息。但就目前而言,人們大多還采用傳統的方法,即在多傳感器系統中,對來自每個傳感器的信息單獨地輸入系統,分別獨立的加以利用。這樣,由于外部傳感器數量的增加,必然會帶來復雜的控制任務與傳感信息處理之間的矛盾。通常,隨著傳感器及其相關處理操作數目的增多,控制程序和通訊的復雜程度呈指數規律增長,因此,研究并提出一種合理的控制結構和多傳感器信息集成與融合方法已成為人們攻克的一個重點課題。 許多文獻介紹了多傳感器集成與信息融合方面的研究成果,各種不同的控制結構和融合方法相繼問世,但對信息集成與融合似乎還沒有一個十分明確、嚴格的定義和統一的認識,大多數專家學者都是從自己研究的具體的系統中理解多傳感器信息集成與融合的含義,并提出各種不同的實現方法和控制結構。 美國北卡羅萊納州立大學的REN C.Luo和MICHAELE.KAY在綜述了已有研究成果的基礎上,提出了一個比較明確的定義。所謂多傳感器集成是指協調運用多傳感器裝置提供的信息,以協助系統完成任務,它處于系統結構和控制級上,涉及的問題較一般。而多傳感器信息融合的概念更嚴格,它通常是指在集成過程的任一階段,將不同來源、不同性質的感覺信息融合成一種統一的表示形式(通常是符號表示),它所涉及的問題大多數情況下是數學表達或統計問題。筆者認為,沒有必要將集成與融合過于嚴格地區分開來,兩者只是在系統的不同層面上采用不同的表示和處理方式,但都是綜合運用多傳感器信息的手段。也就是說,所謂多傳感器信息集成與融合是采用一種最佳的系統結構和合適的信息處理方法,綜合運用多傳感器信息,以增強系統在各種復雜的、動態的、不確定環境中的自主決策能力。信息集成是融合的基礎,將集成處理的多傳感器信息進行合成,形成對外部環境某一特征的一種表達方式就是融合。經過集成與融合的多傳感器信息能完善的、精確地反映環境特征,與單一傳感器只能獲得環境特征的部分信息段相比,它具有冗余性、互補性、實時性和低成本四大優點。 三、多傳感器信息融合的一般方法 1.貝葉斯估計 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。 2.多貝葉斯估計 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。 3.卡爾曼濾波 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。 4.統計決策理論 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。 5.Shafer-Dempster證據推理 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。 6.具有置信因子的產生式規則 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。 7.模糊推理和神經網絡 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。 四、多傳感器集成與信息融合在機器人中的應用 1.移動機器人和自主車 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。 2.裝配機器人 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。 |
