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.docx

《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.docx》由会员分享，可在线阅读，更多相关《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.docx（4页珍藏版）》请在优知文库上搜索。

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O引言可移动机器人的迅速开展，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平安、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，因此，在机器人中应用多个传感器，采用信息融合

2、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-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立并训练神经网络，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毋信息融合本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

3、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拟完全的表达，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30。，在机器人周围共布置13个超声波传感器（测距范围5m）,传感器的分机器人前进方向图1传感器分布示意图将So-SI2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基于模糊神经网络的分区算法1.L1模糊语言变量及其隶属函数确定首先确定根本语言值，如确定障碍物距离时，先给

4、出3个根本语言变量：“远”，中，近；再根据需耍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,SI,S2,S3,S4),Front-S5,S6,S7,Lcft-(S8,s9,S10.Sll.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，文中提出一种筒单明了的分区算法，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

5、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-012)表示，融合后取值(，),d表示距离值，取值范围为(50,500)(ClTI),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.60.,将右方区域分为A, B. C,当。5, d5时，障碍物位于B区， 障碍物位于C区，d 一d ,定义障右方障碍物确定：SO,SI,S2,S3,S4安装角度分别为一60。30。，0.,30。，I),E,F,G,II,I共9个区，如图3所示.当d。5,d5时，障碍物位于A区，d一

6、d。，定义障碍物方位信息为一44。；min(do,d),定义障碍物方位信息为一33。；当d。-5,d5,d-5时,碍物方位信息为一22。；当d5,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d5,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-min(d2,d.),障碍物位于F区，定义障碍物方位信息为22。；当d5,d.5,d5时，d：d.,障碍物位于G区，定义障碍物方位信息为33。；当d。5,d5时，d-min(d3,d),噫碍物位于H区，定义障碍物方位信息为44。；当d-5,d5时，d,-d障碍物位于I区

7、，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，分区算法简单、有效，能顺利地完成传感器信息初步融合。2. 1.3距离信息的模糊化经过分区算法融合的距离值还不能完全准确地表示障碍物的距离，而且如果直接把向量【)输入神经网络进行模式识别，样本空问的选取将极为复杂，且难以选取有

8、代表性的样本。为此，我们采用模糊聚类法将距离划分为5类。样本值为0.样本值为0.样本值为0.样本值为0.样本值为1.2时,4时,6时,8时,0时,在0.5Di,WI区间，表示距离很近；在MDiWl.5区间，表示距离近：在1.5CDiW2.5区问，表示距离适中:在2.5(DiW3.5区间，表示距离远；在3.5CDiW5区间，表示距离很远。3. 2基于神经网络分类设计我们主要使用神经网络来进行模式识别，即对机器人所面临环境的障碍物形态识别和分类，把环境特征D向量取值作为神经网络分类器的输入，神经网络的任务即是经过训练后，实现对环境类型的分类。完成分类的思路如下：先对环境进行期望分类，采用编码方式归

9、类，建立训练数据样本库，选择适宜的神经网络拓扑结构，采用适当的算法对其进行训练。4. 2.1环境分类根据向量D(fdr,fdf,fdl,)的取值来设定机器人车体周围环境的类别，将环境类别分为8种模式，如图4所示。5. 2.2环境类别分类环境类别分类见表1。6. 2.3建立训练样本数据库经过模糊化后的距离取值语言变量为很近，近，中，远，很远，为了神经网络能婚识别，对应为0.2,0.4,0.6,0.8,1.0。考虑系统特性和目标，建立训练样本库。3BP神经网络设计实现1.eVenberg-MarqUardt优化算法的效率在分类方面的应用远远高于动量梯度下降算法。文中在多传感器信息融合中的环境分类就

10、采用LeVenberg-Marquardt优化竟法进行训练。7. 3.1网络设计(D对于一般的模式识别问题，二层网络就可以很好解决，所以我们选用二层BP神经网络，输入为三维向量D(fd,fdf,fdl),即输入层的神经元的个数为3个，输出层的神经元个数为8个。(2)在这个神经网络中，隐含层神经元的个数n2和输入层神经元个数nl之间有以下的近似关系为：n2=2*nl+1。由此，可按照如下的方式设计网络，网络的输入层神经元的个数为3个，输出层神经元的个数为8个，隐含层神经元个数近似为：n2=2*nl+1=2*3+1=7个。隐含层神经元个数并不是固定的，禽要经过实际训练来不断调整.8. 3.2网络训

11、练仿真结果网络训练过程是一个不断修正权值和阈值的过程,通过调整,使网络的输出误差到达最小,满足实际应用的要求。网络的训练结果如图5所示从图中可见，经过31次训练以后，网络的性能就到达了要求，使用LeVenbergMarqUardt优化算法对网络进行训练,可在最短时间取得不错的效果,克服其它的优化算法在收敛性上存在的问题,训练出解决实际问题的网络参数。本网络收敛速度快的另一个重:要原因在于，学习速率的设定值在满足学习收敛的条件下取其较大值s.1. 3.3网络测试利用训练好的神经网络进行了多组模式识别，8组分类结果见表2。从表2可以发现，该网络具有优秀的模式识别功能。测试代码为：Ysire(net

12、,P-test),测试结果见表3。可以看出，这8次测试的误差是非常小的-因此，可以判定经过训练后，网络是完全可以满足障碍物模式诊断的。2仿真试验2. 1环境障碍物类别识别试验试驶框图如图6所示.实验室长和宽为8mX8m,在实验室中布置多个障碍物,用于检验机器人的多传感器系统对障碍物分类的识别，如图7所示.各个障碍物的定义情况见表4。进行8次试验，将障碍物以不同距离投放于机器人的前方，同样测出超声波距离值，按照以上步骤输入到神经网络中进行融合，得到的局部结果见表5。用类似的方法，对图4所示的其它类别的障碍物，每类障碍物分别作8组实验，将传感器数据按照上述方法输入到神经网络中进行融合后，对每类障碍

13、物的识别率加以统计，可以得到各类障碍的识别率7,8U,如图8所示。9. 2实验结论大量实验说明，对于不同类别的障碍物，多传感器融合系统都能够很好的识别出来，即由较高的识别率。这说明所设计的神经径网络具有优秀的识别功能，可以应用于可移动机器人的避障与导航。10. 结语对机器人的关键技术之多传感器信息融合技术进行了研究，在理论和实验上得到如下结论：(1)通过对Bp神经网络的深入研究和探讨，得到了如何对BP网络的各项参数进行最优设置，在所设计的网络中，创立了三层BP神经网络，选用训练误差为0.001,学习步长为0.7,隐含层节点数为7,并对学习样本进行初始化处理等。通过仿真说明，该网络可快速到达收敛

14、并满足训练目标。这些对神经网络的创立和训练都有着指导性的意义.(2)提出了一种简单、有效的分区算法，将其成功的用于传感器数据初步融合，能准确地确定出障碍物的距离和方位，可以为机器人的导航控制提供更为精确的障碍物信息。(3)设计了BP神经网络，将其应用于队障碍物环境将进行分类。使用MatIab软件设计并训练神经网络。将LeVenberg-MarqUardt优化算法运用到BP网络中，使得网络的训练速度大大的加快，从而可以为机器人行走避障提供更快速的实时信息。参考文献1段勇，徐心和，基于模糊神经网络的强化学习及其在机器人导航中的应用J,控制语与决策，2007,22(5):529-534.2何友，王国

15、宏，多传感器信息融合及应用M。北京；电子工业出版社：2000:3-4.3俞建成，张艾群，王晓晖等，基于模糊神经网络水下机器人直接自适应控制J。自动化学报，2007,33(8)：840-845.4王玉甲，张铭钧。基于模糊神经网络水下机器人实时状态检测模型J。中国造船，2005,46(1)：71-79。5HalIdL.MathematicaltechniquesinmultisensordatausionM.London：ArtechHouse,2000：1521.6HalIdLLlinasJ.AnintroductiontomulIisensordatausionJ.PrOcIEEE,2004,85(1)：623.73严怀成，黄心汉，王敏.多传感器数据融合技术及其应用J传感器技术，2005,24(10)：1-4.8白文峰，吴旭志，孙云秀，等.基于加速度信息的移动机器人动态实时避碰UL长春工业大学学报(自然科学版)，2005,26(3)：242245.