多传感器集成与融合及其在机器人中的应用

一、前言

多传感器集成与信息融合技术是80年代初发展起来的,它首先应用在军事上。美、英、法等国将战场信息的融合列为一项重大的研究课题,美国国防部专门成立了一个信息融合小组,并组织了几个专题计划,研究、开发多传感器信息融合技术。随着对机器人应用领域要求的不断扩大和第二代具有局部(初级)智能机器人的研究与开发,多传感器集成与信息融合技术对提高机器人系统性能的重要性能越来越受到人们的关注,智能机和新一代智能机器人也朝着多传感器的方向发展。1979年法国的Hilare移动机器人,1985年美国DARPA战略计划的自主陆地车(ALV),1986年Carnegie-Mellon大学的CMU自主陆地车和1987年Stanford大学的Stanford移动机器人都成功地应用了多传感器信息集成与融合技术处理各种复杂野外环境的传感信息。

在工业机器人方面,日本HITACHI公司正在开发用三维视觉和力传感器的集成电路装配机器人,欧洲信息技术研究战略计划ESPRIT也在开发具有视觉、触觉和力觉的机器人,用于材料加工以及集成装配作业。近年我国才开始这一领域的研究工作。我国的"863高技术研究计划"对传感器和传感技术的研究给予了高度重视,1992年11月在北京召开的"863"高技术智能机器人研究与发展讨论会上,与会专家、学者再次重申了这一观点,同时对多传感器集成与信息融合技术给予了特别的关注。在"863计划"的支持下,近年来在传感技术、信息处理、机器人控制和人工智能等基础研究方面取得了显著的成果,为多传感器集成与信息融合技术在机器人中的应用奠定了一定的基础。

二、多传感器集成与信息融合

近年来,人们对协同运用多传感器以增强智能机器和系统功能的兴趣日益增加。为了使系统有效地利用各种传感器提供的信息,需要一种有效的方法来集成这些传感器提供的信息。但就目前而言,人们大多还采用传统的方法,即在多传感器系统中,对来自每个传感器的信息单独地输入系统,分别独立的加以利用。这样,由于外部传感器数量的增加,必然会带来复杂的控制任务与传感信息处理之间的矛盾。通常,随着传感器及其相关处理操作数目的增多,控制程序和通讯的复杂程度呈指数规律增长,因此,研究并提出一种合理的控制结构和多传感器信息集成与融合方法已成为人们攻克的一个重点课题。 许多文献介绍了多传感器集成与信息融合方面的研究成果,各种不同的控制结构和融合方法相继问世,但对信息集成与融合似乎还没有一个十分明确、严格的定义和统一的认识,大多数专家学者都是从自己研究的具体的系统中理解多传感器信息集成与融合的含义,并提出各种不同的实现方法和控制结构。

美国北卡罗莱纳州立大学的REN C.Luo和MICHAELE.KAY在综述了已有研究成果的基础上,提出了一个比较明确的定义。所谓多传感器集成是指协调运用多传感器装置提供的信息,以协助系统完成任务,它处于系统结构和控制级上,涉及的问题较一般。而多传感器信息融合的概念更严格,它通常是指在集成过程的任一阶段,将不同来源、不同性质的感觉信息融合成一种统一的表示形式(通常是符号表示),它所涉及的问题大多数情况下是数学表达或统计问题。笔者认为,没有必要将集成与融合过于严格地区分开来,两者只是在系统的不同层面上采用不同的表示和处理方式,但都是综合运用多传感器信息的手段。也就是说,所谓多传感器信息集成与融合是采用一种最佳的系统结构和合适的信息处理方法,综合运用多传感器信息,以增强系统在各种复杂的、动态的、不确定环境中的自主决策能力。信息集成是融合的基础,将集成处理的多传感器信息进行合成,形成对外部环境某一特征的一种表达方式就是融合。经过集成与融合的多传感器信息能完善的、精确地反映环境特征,与单一传感器只能获得环境特征的部分信息段相比,它具有冗余性、互补性、实时性和低成本四大优点。

三、多传感器信息融合的一般方法

1.贝叶斯估计

贝叶斯估计是融合静态环境中多传感器低层数据的一种常用方法,其信息描述为概率分布,适用于具有可加高斯噪声的不确定性。当传感器组的观测坐标一致时,可以用直接法对传感器测量数据进行融合。在大多数情况下,多传感器从不同的坐标框架对环境中同一物体进行描述,这时传感器测量数据要以间接的方式采用贝叶斯估计进行数据融合。

2.多贝叶斯估计

Durrant-Whyte将任务环境表示为不确定几何物体集合的多传感器系统模型,提出了传感器信息融合的多贝叶斯估计。整个系统中的每个传感器由提取这些物体的有用的静态描述能力表示,系统中的多传感器作为一个决策者队,多传感器必须决定环境的一个队的一致性观测。多贝叶斯估计把每个传感器作为一个贝叶斯估计,将各单独物体的关联概率分布结合成一个联合的后验概率分布函数,通过联合分布函数的似然函数为最小,提供多传感器信息的最终融合值,融合信息与环境的一个先验模型提供整个环境的一个特征描述。

3.卡尔曼滤波

卡尔曼滤波用于实时融合动态的低层次冗余传感器数据。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。如果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,卡尔曼滤波为融合数据提供唯一的统计意义下的最优估计,卡尔曼滤波的递推特性使系统数据处理不需大量的数据存储和计算。

4.统计决策理论

统计决策理论(SDT)为多传感器产生的冗余定位信息的融合提出了分两步广义方法。传感器噪声建模为多样的可能概率分布,传感器模型的作用是增加决策过程的鲁棒性,通过分离分布函数来确定分离系数,表示由不真实的传感器读数可能引起的偏差。与多贝斯估计相比较,统计决策理论中的不确定性为可加噪声,从而对不确定性的适应范围更广。

5.Shafer-Dempster证据推理

该方法是贝叶斯方法的扩展。在贝叶斯方法中,当一个传感器可用附加信息或未知前提的数目大于已知前提的数目时,已知前提的概率变得不稳定。Shafer-Dempster方法中,使用了一个不稳定区间,可以通过不指定未知前提的先验概率避免贝叶斯方法的不足。

6.具有置信因子的产生式规则

集成多维低层处理的最初结果是线和区域数据,它们是图像的两种最常用的低层描述。集成多区域分割算法中最为静态的方法允许每一个过程独立地分割图像,然后每一个分割区域用以下两种方法联合:一是将所有区域界投影到一幅图像上,并合并结果区域;二是作出所有分割中具有支持作用的那些边界的投影,并连接结果边界段。

7.模糊推理和神经网络

多传感器系统中,各信息源提供的环境信息都具有一定程度的不确定性,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。采用模糊逻辑融合景像分析和目标识别信息,通过指定一个从0到1之间的实数表示的真实度,相当于隐式算子的前提,允许将多传感器信息融合过程中的不确定性直接表示在推理过程中,如果采用某种系统化的方法建模,融合过程中的不确定性,则可产生一致性模糊推理。 神经网络要根据当前系统所接收到的样本的相似性,确定分类标准。这种确定方法主要表现在网络权值分布上,同时可采用神经网络特定的学习算法来获取知识,得到不确定性推理机制。