前言 　　 近年來(lái)，基于傳感器的機(jī)器人研究成為開(kāi)發(fā)智能機(jī)器人的一個(gè)重要方面，它極大地改善了機(jī)器人的作業(yè)能力，具有重大的應(yīng)用價(jià)值和發(fā)展前景。多傳感器融合技術(shù)就是對(duì)同一檢測(cè)對(duì)象，利用各種傳感器檢測(cè)的信息和不同的處理方法以獲得該對(duì)象的全面檢測(cè)信息，從而提高檢測(cè)精度和可靠性。在多傳感器系統(tǒng)中，信息表現(xiàn)為多樣性、復(fù)雜性以及大容量，信息處理不同于單一的傳感檢測(cè)處理技術(shù)，多傳感器信息融合技術(shù)已成為當(dāng)前的一個(gè)重要研究領(lǐng)域。目前信息融合方法利用多個(gè)信息源所獲取的關(guān)于對(duì)象和環(huán)境的信息獲得根據(jù)任務(wù)所需要的全面、完整的信息，主要體現(xiàn)在融合算法上[1][2][3]。因此，多源信息融合的核心問(wèn)題是選擇合適的信息融合算法。信息融合的方法主要分以下幾類(lèi)：直接對(duì)數(shù)據(jù)源操作，如加權(quán)平均、神經(jīng)元網(wǎng)絡(luò)等；利用對(duì)象的統(tǒng)計(jì)特性和概率模型進(jìn)行操作，如卡爾曼濾波、貝葉斯估計(jì)、多貝葉斯估計(jì)、統(tǒng)計(jì)決策理論等；基于規(guī)則推理的方法，如模糊推理、證據(jù)推理、產(chǎn)生式規(guī)則等。其中基于神經(jīng)網(wǎng)絡(luò)的多種傳感器信息融合是近幾年來(lái)發(fā)展的熱點(diǎn). 神經(jīng)網(wǎng)絡(luò)使用大量簡(jiǎn)單的處理單元（即神經(jīng)元）處理信息，神經(jīng)元按層次結(jié)構(gòu)的形式組織，每層上的神經(jīng)元以加權(quán)的方式與其它層 上的神經(jīng)元聯(lián)接，采用并行結(jié)構(gòu)和并行處理機(jī)制因而網(wǎng)絡(luò)具有很強(qiáng)的容錯(cuò)性以及自學(xué)習(xí)、自組織和自適應(yīng)能力，能夠模擬復(fù)雜的非線性映射。神經(jīng)網(wǎng)絡(luò)的這些特性和強(qiáng)大的非線性處理能力，恰好滿(mǎn)足了多傳感器信息融合技術(shù)處理的要求，可以利用神經(jīng)網(wǎng)絡(luò)的信號(hào)處理和自動(dòng)推理功能實(shí)現(xiàn)多傳感器信息融合技術(shù)。 　　 基于神經(jīng)網(wǎng)絡(luò)集成的傳感器信息融合算法 　　 避開(kāi)障礙物是移動(dòng)機(jī)器人導(dǎo)航中重要的一部分。移動(dòng)機(jī)器人中的多種傳感器信息融合通?？梢苑譃閮深?lèi)：低級(jí)融合和高級(jí)融合。低級(jí)融合指的是對(duì)傳感器數(shù)據(jù)直接進(jìn)行集成，實(shí)質(zhì)上就是進(jìn)行參數(shù)和狀態(tài)估計(jì)。然后這些估計(jì)可以用于路徑規(guī)劃和執(zhí)行機(jī)構(gòu)，以產(chǎn)生機(jī)器人驅(qū)動(dòng)器的命令和控制信號(hào)。高級(jí)融合指的是在一個(gè)層次化的結(jié)構(gòu)中，對(duì)不同模塊提供的控制信號(hào)進(jìn)行分配或集成，從而對(duì)傳感器數(shù)據(jù)進(jìn)行間接融合。對(duì)于高級(jí)融合，文獻(xiàn)[i]等提出了基于行為的結(jié)構(gòu)，文獻(xiàn)[5]提出了一種基于神經(jīng)網(wǎng)絡(luò)的統(tǒng)一框架。本文提出了一種基于神經(jīng)網(wǎng)絡(luò)集成的傳感器信息融合算法，并在HEBUT-I型機(jī)器人上將神經(jīng)網(wǎng)絡(luò)集成用于對(duì)障礙物的識(shí)別上，提高了系統(tǒng)的識(shí)別精度，取得了很好的效果。 神經(jīng)網(wǎng)絡(luò)的集成 　　 1996年，Sollich和Krogh [6] 將神經(jīng)網(wǎng)絡(luò)集成定義為：“神經(jīng)網(wǎng)絡(luò)集成是用有限個(gè)神經(jīng)網(wǎng)絡(luò)對(duì)同一個(gè)問(wèn)題進(jìn)行學(xué)習(xí)，集成在某輸入示例下的輸出由構(gòu)成集成的各神經(jīng)網(wǎng)絡(luò)在該示例下的輸出共同決定”。1996年，Gutta和Wechsler [7] 將神經(jīng)網(wǎng)絡(luò)集成和判定樹(shù)相結(jié)合進(jìn)行正面人臉識(shí)別，神經(jīng)網(wǎng)絡(luò)的集成由BP網(wǎng)絡(luò)采用相對(duì)多數(shù)投票法構(gòu)成，實(shí)驗(yàn)結(jié)果表明，使用神經(jīng)網(wǎng)絡(luò)集成不僅增加了系統(tǒng)的健壯性，還提高了識(shí)別率。 [/align] 集成的結(jié)構(gòu)有并聯(lián)式，并聯(lián)式是指各個(gè)識(shí)別子系統(tǒng)都獨(dú)立地接受原始圖像并給出自己的識(shí)別結(jié)果，而后在相互獨(dú)立的識(shí)別結(jié)果基礎(chǔ)上得到最終的答案，并行集成的方法主要有投票的方法、貝葉斯方法和神經(jīng)網(wǎng)絡(luò)合成方法。在并聯(lián)形式時(shí)各分類(lèi)器是獨(dú)立設(shè)計(jì)的，組合的目的就是將各個(gè)單一分類(lèi)器的結(jié)果以適當(dāng)?shù)姆绞骄C合起來(lái)成為最終識(shí)別結(jié)果。以并聯(lián)形式組合時(shí)，各分類(lèi)器提供的信息可以是分類(lèi)類(lèi)別，也可以是有關(guān)類(lèi)別的度量信息（如距離或概率等）。 　　 在實(shí)際應(yīng)用中，由于各個(gè)獨(dú)立的神經(jīng)網(wǎng)絡(luò)并不能保證錯(cuò)誤不相關(guān)，因此，神經(jīng)網(wǎng)絡(luò)集成的效果與理想值相比有一定的差距，但其提高泛化能力的作用仍相當(dāng)明顯。 單個(gè)BP網(wǎng)絡(luò)（Back propagation fuzzy neural network）的建立 　　 在多傳感器系統(tǒng)中，各傳感器提供的環(huán)境信息都具有一定程度的不確定性，對(duì)這些不確定信息的融合過(guò)程實(shí)質(zhì)上是一個(gè)不確定性推理過(guò)程。由于模糊邏輯技術(shù)和神經(jīng)網(wǎng)絡(luò)技術(shù)各自獨(dú)到的特點(diǎn)，將模糊技術(shù)和神經(jīng)網(wǎng)絡(luò)有機(jī)結(jié)合組成模糊神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)，可實(shí)現(xiàn)模糊規(guī)則自動(dòng)提取、模糊隸屬函數(shù)的自動(dòng)生成及在線調(diào)節(jié)。因此本文在單個(gè)BP網(wǎng)絡(luò)的構(gòu)建上采用了一種模糊神經(jīng)網(wǎng)絡(luò)（Back propagation fuzzy neural network）的信息融合的構(gòu)建方法，它不依賴(lài)于系統(tǒng)的精確數(shù)學(xué)模型且適用于復(fù)雜的系統(tǒng)和過(guò)程。單個(gè)BP網(wǎng)絡(luò)的學(xué)習(xí)機(jī)制上采用模糊學(xué)習(xí)的方法，這種學(xué)習(xí)方法的特點(diǎn)是學(xué)習(xí)過(guò)程用模糊量（隸屬度）進(jìn)行測(cè)度，即輸入量是經(jīng)過(guò)模糊化后的模糊量。對(duì)于兩輸入單輸出的模糊神經(jīng)網(wǎng)絡(luò)，訓(xùn)練集為（d1,T1），d1=（d11，d12），T1為期望輸出。若全部模糊量采用三角形隸屬函數(shù)（對(duì)于其他隸屬函數(shù)，同理），d1j ∈ [1,0]，權(quán)值∈[1,0]。采用的誤差信號(hào)為： 學(xué)習(xí)的目的是使E 最小，但由于模糊系統(tǒng)的特殊性，即使所有Yi=Ti，也不會(huì)為零，因此，根據(jù)不同的要求，需要不同的停止迭代規(guī)則。對(duì)于多輸入多輸出（MIMO）的模糊規(guī)則可以分解為若干個(gè)多輸入單輸出（MISO）的模糊規(guī)則。 　　 多個(gè)BP網(wǎng)絡(luò)的集成 　　 如圖2所示，信號(hào)處理神經(jīng)網(wǎng)絡(luò)用干對(duì)單個(gè)傳感器檢測(cè)到的信號(hào)進(jìn)行處理，提取有用信息，作為融合神經(jīng)網(wǎng)絡(luò)的輸入，融合神經(jīng)網(wǎng)絡(luò)對(duì)得到的信息在一定的層次上進(jìn)行融合處理，以得到更全面、更準(zhǔn)確的信息。也就是所說(shuō)，分別搭建識(shí)別各種障礙物的子網(wǎng)絡(luò)，以并行集成的方式把各個(gè)個(gè)體網(wǎng)絡(luò)組合起來(lái)，可以獲得一個(gè)高性能的識(shí)別系統(tǒng)。每一個(gè)單元BP網(wǎng)絡(luò)可以很好的做到圖像預(yù)處理、降維等特征提取。對(duì)于每一個(gè)傳感器的目標(biāo)向量X的每一分量，可以對(duì)應(yīng)BP神經(jīng)網(wǎng)絡(luò)的每一個(gè)輸入，經(jīng)過(guò)訓(xùn)練集的數(shù)據(jù)學(xué)習(xí)應(yīng)用測(cè)試集A、B測(cè)試，將結(jié)果作為集成網(wǎng)絡(luò)的輸入，利用Boosting方法生成集成網(wǎng)絡(luò)個(gè)體。 　　 移動(dòng)機(jī)器人多傳感器信息融合及對(duì)障礙物的識(shí)別 　　 子網(wǎng)絡(luò)對(duì)障礙物的識(shí)別過(guò)程 　　 如圖3 所示，在HEBUT-II型機(jī)器人（圖3所示）上有三大傳感器組，CCD攝像機(jī)、紅外傳感器、超聲波測(cè)距傳感器。正如視覺(jué)給人類(lèi)提供了70%以上的所需信息、為人類(lèi)的正常生活和工作提供了必要保障一樣，視覺(jué)系統(tǒng)為移動(dòng)機(jī)器人提供了大量的信息。給移動(dòng)機(jī)器人配備視覺(jué)裝置（CCD攝像機(jī)結(jié)構(gòu)），可以使移動(dòng)機(jī)器人在行走時(shí)能夠識(shí)別其前方的障礙物，這對(duì)移動(dòng)機(jī)器人實(shí)現(xiàn)智能化行駛具有重要意義。為了使移動(dòng)機(jī)器人在一個(gè)不確定甚至是完全陌生的環(huán)境下實(shí)現(xiàn)自主式導(dǎo)航，關(guān)鍵在于視覺(jué)系統(tǒng)精確與否。超聲波傳感器以其價(jià)格低廉、硬件容易實(shí)現(xiàn)等優(yōu)點(diǎn)，被廣泛用作測(cè)距傳感器，實(shí)現(xiàn)定位及環(huán)境建模。超聲波測(cè)距作為輔助視覺(jué)系統(tǒng)與其它視覺(jué)配合使用，可實(shí)現(xiàn)整個(gè)視覺(jué)功能。 　　 圖像的形狀輪廓有多種表示方法,Dubois[8]等人首先提出使用一個(gè)以形心為基點(diǎn),等旋轉(zhuǎn)角度間隔采樣的矢量序列近似描述圖形的邊界,該矢量的模由形心到各邊界點(diǎn)的直線距離決定,但該方法僅限于凸性圖形。Gupta[9]采用類(lèi)似的徑向投影序列作為多層感知器的輸入分類(lèi)特征,將等分角度間隔改為沿邊界各象素跟蹤的方法,較Dubois更為精確。本文采用以形心為基點(diǎn),沿邊界各象素跟蹤的方法,由形心到各邊界點(diǎn)的直線距離構(gòu)成邊心距序列,經(jīng)歸一化后作為各輸入目標(biāo)模式的分類(lèi)特征。邊心距序列具有一些很重要的性質(zhì)：周期性, 平移不變性, 旋轉(zhuǎn)不變性, 比例性。邊心距序列的上述特性使其可用于圖像識(shí)別。當(dāng)物體的形狀通過(guò)用邊心距表示時(shí)，一個(gè)二維圖像就表示成了一個(gè)一維的曲線波形。我們可以用這個(gè)方法來(lái)對(duì)實(shí)驗(yàn)中獲得的邊心距序列與參考波形作比較來(lái)識(shí)別平面圖像。 　　 超聲波測(cè)距傳感器在有效測(cè)距范圍內(nèi)有被測(cè)物的話(huà)，則在后一路超聲波束發(fā)出之前應(yīng)當(dāng)接收到前一路發(fā)回的反射波，否則認(rèn)為前一路無(wú)被測(cè)物。因此按有效測(cè)距范圍可以估算出最短的脈沖間隔發(fā)送時(shí)間。為了減少超聲波束的影響，應(yīng)用循環(huán)采集的方法，一次只有一個(gè)超聲波傳感器采集數(shù)據(jù)。超聲波系統(tǒng)被排列成3×3陣列，這樣，相對(duì)于整幅圖像的3×3個(gè)區(qū)域得到了相應(yīng)的3×3個(gè)距離值。但是，物體的圖像可能只是占了整幅圖像的一部分，并且只需要估算9個(gè)距離值：相應(yīng)于所抽取的8個(gè)特征點(diǎn)的8個(gè)距離值以及形心的距離值。本文的估算是基于特征點(diǎn)和形心與它們所在的區(qū)域的關(guān)系而采取的一種簡(jiǎn)單方法：特征點(diǎn)的距離就估算為其所在區(qū)域的距離值。通過(guò)坐標(biāo)轉(zhuǎn)換獲得了在攝像機(jī)坐標(biāo)系統(tǒng)中的9個(gè)點(diǎn)的距離值。 　　 紅外傳感器作為一種重要的被動(dòng)傳感器,由于有許多獨(dú)特的優(yōu)點(diǎn),在目標(biāo)檢測(cè)和跟蹤中具有重要的作用[10]。紅外傳感器不向空中輻射任何能量,只是通過(guò)接收目標(biāo)輻射的熱能對(duì)目標(biāo)進(jìn)行探測(cè)和跟蹤的,因而不易被偵察或定位,具有較強(qiáng)的抗干擾能力;同時(shí)由于目標(biāo)不可避免地要輻射熱量,從而又為使用紅外傳感器對(duì)目標(biāo)探測(cè)和跟蹤創(chuàng)造了條件。在子網(wǎng)絡(luò)中采用文獻(xiàn)[11]提出的利用質(zhì)心及質(zhì)心偏移測(cè)量的紅外目標(biāo)跟蹤方法，這種方法除具有能精確跟蹤目標(biāo)的優(yōu)點(diǎn)外,還具有測(cè)量模型是線性的特點(diǎn),文獻(xiàn)[12]在強(qiáng)度分布未知情況下,利用文獻(xiàn)[13,14,15]的方法估計(jì)強(qiáng)度參數(shù),再利用質(zhì)心及質(zhì)心位移對(duì)紅外目標(biāo)進(jìn)行精確跟蹤。 融合網(wǎng)絡(luò)決策 　　 如圖4所示，子網(wǎng)絡(luò)1、2對(duì)同一目標(biāo)有了各自的識(shí)別結(jié)果，利用集成網(wǎng)絡(luò)與融合決策網(wǎng)絡(luò)對(duì)障礙物進(jìn)行判別。神經(jīng)網(wǎng)絡(luò)集成作為一種新興的神經(jīng)計(jì)算方法,具有比單一神經(jīng)網(wǎng)絡(luò)系統(tǒng)更強(qiáng)的泛化能力，實(shí)際上就是利用神經(jīng)網(wǎng)絡(luò)集成強(qiáng)的泛化能力對(duì)原始數(shù)據(jù)集進(jìn)行類(lèi)似于平滑去噪等作用的加工,使其包含更多的有助于預(yù)測(cè)的信息。經(jīng)過(guò)集成與融合的多傳感器系統(tǒng)能完善地、精確地反映環(huán)境特征，消除信息的不確定性，提高傳感器的可靠性。 　　 通過(guò)子網(wǎng)絡(luò)1、2對(duì)同一目標(biāo)的識(shí)別，利用圖4融合決策網(wǎng)絡(luò)進(jìn)行集成、決策，這樣可以得到一系列的值。如表1所示。 　　 實(shí)驗(yàn)結(jié)果分析 　　 仿真實(shí)驗(yàn)利用VC++6.0編程,BP網(wǎng)的輸入節(jié)點(diǎn)17個(gè)，輸出節(jié)點(diǎn)為4個(gè)，隱含層節(jié)點(diǎn)是16個(gè)，要識(shí)別的障礙物有球體、長(zhǎng)方體、正三棱錐、圓柱體。當(dāng)移動(dòng)機(jī)器人移動(dòng)時(shí)，超聲波發(fā)射器每隔一個(gè)固定的時(shí)間段就發(fā)射一次超聲波。當(dāng)移動(dòng)機(jī)器人進(jìn)行到適當(dāng)?shù)奈恢脮r(shí)，采樣就開(kāi)始了。在取樣過(guò)程中，小車(chē)?yán)@著障礙物轉(zhuǎn)，每隔10°取樣一次。神經(jīng)網(wǎng)絡(luò)用這些訓(xùn)練數(shù)據(jù)來(lái)進(jìn)行離線訓(xùn)練。在測(cè)試中，設(shè)計(jì)兩組測(cè)試數(shù)據(jù)來(lái)驗(yàn)證系統(tǒng)的有效性。仿真中用到的這些數(shù)據(jù)集如表1所示：移動(dòng)機(jī)器人以0.45m/s的速度前進(jìn)，識(shí)別率（Identify Ratio，簡(jiǎn)稱(chēng)IR）列于圖中。集成的BP網(wǎng)的識(shí)別率分別為：91.82%，92.08%，92.37%，93.91%和92.94%，93.35%，93.98%，94.5% （圖5中以實(shí)芯的框圖表示） 。當(dāng)實(shí)驗(yàn)次數(shù)增加時(shí)，識(shí)別率還會(huì)提高。但從我們的仿真中已可看出，本方法是實(shí)用而有效的，移動(dòng)機(jī)器人可以實(shí)時(shí)地識(shí)別出障礙物類(lèi)型。 　　 在文獻(xiàn)[16]中利用了單個(gè)多層BP網(wǎng)絡(luò)對(duì)障礙物進(jìn)行識(shí)別，同樣要識(shí)別的障礙物有正三棱錐、長(zhǎng)方體、圓柱體、球體，應(yīng)用了相同的訓(xùn)練集合測(cè)試集 。論文中實(shí)驗(yàn)結(jié)果單個(gè)BP網(wǎng)的識(shí)別率分別為：85%，80%，85%，100%和84%，80%，87%，100%。（圖5中以虛芯的框圖表示） 。 　　 雖然在文獻(xiàn)[16]中對(duì)個(gè)別物體（比如球體）的識(shí)別率達(dá)到了100%，這正是單個(gè)網(wǎng)絡(luò)對(duì)簡(jiǎn)單物體識(shí)別的優(yōu)勢(shì)所在。對(duì)一些復(fù)雜的目標(biāo)，特別是在實(shí)際的復(fù)雜環(huán)境中，集成的BP網(wǎng)絡(luò)將體現(xiàn)出較強(qiáng)的識(shí)別能力和較高的準(zhǔn)確性。由這些數(shù)據(jù)可以看出集成的BP網(wǎng)絡(luò)要比單個(gè)多層BP網(wǎng)絡(luò)識(shí)別的精度高很多，識(shí)別的精確度也更科學(xué)。 　　 結(jié)論 　　 總之，利用本文提出的多種傳感器目標(biāo)識(shí)別的融合結(jié)構(gòu)，建立了兩個(gè)多層BP處理網(wǎng)絡(luò)，來(lái)處理CCD攝像機(jī)和超聲波測(cè)距傳感器的信號(hào)、紅外傳感器和超聲波測(cè)距傳感器的信號(hào)。從實(shí)驗(yàn)結(jié)果分析和比較可以證明基于神經(jīng)網(wǎng)絡(luò)集成的多傳感器融合信號(hào)識(shí)別要比單個(gè)網(wǎng)絡(luò)有更高的健壯性，識(shí)別能力也更高，這樣給機(jī)器人對(duì)陌生環(huán)境的辨識(shí)和決策提供了更有力的科學(xué)依據(jù)。