论文部分内容阅读
可移动机器人的迅速发展，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安全、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。
多传感器信息融合(又称多传感器数据融合)是传感器技术、模式识别、人工智能、模糊理论、概率统计等学科相交叉的一门新兴学科，它研究如何充分发挥各个传感器的特点，利用其互补性、冗余性，提高测量信息的精度和可靠性，获得更加准确的识别、判断和决策。这是智能理论的重要研究领域之一。
本文以多传感器信息融合技术为研究重点，结合它在可移动机器人中的应用进行了理论和实践上的探讨，所作的主要工作如下：
1：讨论了数据融合技术定义的功能性描述和数据融合的目的，接着研究了融合的三种层次包括数据级融合、特征级融合、决策级融合，以图解方式说明了融合系统的模型结构。然后探讨了一些较成熟的多传感器的融合算法并对其进行了比较。
2：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，创建了三层的神经网络，应用前面得出的结论，恰当地选取了训练误差、学习步长、隐层节点数、并对学习样本进行初始化处理等。通过仿真表明，该网络可快速达到收敛并满足训练目标。这些对神经网络的创建和训练都有着指导性的意义。
3：讨论了超声波传感器的测量误差，并根据测量数据设计了机器人的多传感器系统；设计了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，将其成功地用于传感器数据初步融合，确定了障碍物的距离和方位。并采用BP神经网络对障碍物环境分类，成功地利用BP神经网络算法进行了模式识别，为移动机器人的导航和避障打下了基础。