神经网络集成、多传感器融合在机器人对障碍物的识别中的应用

神经网络集成、多传感器融合在机器人对障碍物的识别中的应用前言近年来，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

神经网络集成、多传感器融合在机器人 对障碍物的识别中的应用 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 前言 传感器 近年来，基于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 滤波 概率模型进行操作，如卡尔曼、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 多种 于神经网络的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 其它 上的神经元以加权的方式与层 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 模块 合指的是在一个层次化的结构中，对不同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