面向智能机器人的多传感器信息融合技术分析

谭永乐

(江门市新会区仪尚佳测控技术有限公司，广东 江门 529000)

1 机器人的传感系统

功能超强的智能机器人需要一系列的传感器系统作为支撑，主要由5大系统构成：触觉传感器、立体视觉传感器、力和力矩传感器、听觉传感器、测距传感器系统等。正是这些传感器的综合性能，可以让机器人有能力准确估计周围的环境和正在发生的事情，这也是最接近人类判断思维的功能。在本质上，多传感器信息融合的过程也是模仿人类大脑收集和处理信息的方式，要想传感器像人类大脑那样通过多维度地完成一些高难度运作，就必须将多个同类型或者不同类型的传感器一起设置在机器人的传感系统里。

2 多传感器信息融合的基本原理

该技术的原理就是对人类和生物信息集成功能的模仿。人类可以本能地通过五官、四肢进行景象、气味、声音的触觉和捕捉，与原有的经验进行印证，以此形成有效判断周围环境以及可能要发生的事件的判断能力。这个信息的处理过程虽然极其复杂，却具备自适应性，完全可以将各种信息转变为解释周围环境的价值，这既需要处理能力和类型的多元化，又要满足基于知识库的组合信息的诠释意义[1]。

3 智能机器人中的多传感器信息融合系统构建

3.1 传感器的选择

智能机器人进行大量和繁杂环境信息的感知，必须以不同类型的多个传感器作为智能化的硬件载体。作为机器人智能处理程序与外界环境连接纽带的传感器，普遍应用的类型包括红外传感器、摄像机、超声波传感器以及激光传感器等。传感器的性能是不是优越决定机器人对环境的感知能力的强弱，所以要想构建高效的机器人系统，就必须选择优良功能的传感器。单一传感器对环境特征信息的收集能力是有限的，存在局部、片面的缺陷；但也不是传感器的数量越多越好，过多的传感器不一定让系统更加高效，甚至会因为复杂性增加系统的负担，极易造成多传感器信息融合界限的混淆。所以，选择传感器的标准是确保传感器之间的关联性。实践证明，多功能触觉传感器、距离和进觉传感器、立体视觉传感器等，是高级智能机器人必备的装置，数量上要根据功能需要而定。

3.2 信息融合系统的结构规划

3.2.1 系统任务属性

机器人智能化水平的高低，主要取决于多传感器信息融合系统的性能强弱，这是正向的、关联性极强的指标。实际上，机器人硬件系统的基础就是传感器系统，但智能系统高效运行的技术保障就是多传感器信息融合系统。该系统的核心任务包括综合处理局部的、不完整的信息，这些信息是不同位置、不同类型传感器获取的数据，通过特殊的处理剔除各个传感器数据之间形成冗余以及矛盾，提升其稳定性和确定性，进而准确而完整地描述周围环境和事物，以此促进高智能系统整体的决策能力的大幅度提升，有效降低决策中的各类风险。纵观目前的多传感器信息融合系统，信息融合技术就是该系统的物质基础，该给水系统的加工对象就是数据信息，其核心宗旨就是对这些信息的协调、优化和有效处理。其中，最重要的环节是优化处理工序，是保证系统高效优质的重要因素。多传感器信息融合系统的结构，如图1所示。

多传感器信息融合的任务实现可以是多层次、多形式的，一般会通过信息综合处理器完成处理。

3.2.2 拓扑结构规划

在多传感器信息融合拓扑系统中，结构类型主要有4种：集中型、分散型、混合型以及分级型，分级型又分为反馈和无反馈两种结构。在4种类型结构中，应用最广泛的融合结构为分散型和集中型。其中，集中型拥有精度高、结构简单的优点，但其信息融合的前提是只有接收到所有传感器信息后才可进行，会导致通信和计算在各个融合中心负担加重，会变慢系统信息融合速度和容错性。而分散型的结构所有传感节点的全局预估信息的能力都很强，无需进行大型集中数据库的维护，没有很重的通信负担，信息融合快，不存在个别节点失效造成系统停运的现象，容错性和可靠性都极高，唯一的缺点是融合精度稍逊于集中型。混合型结构兼具了以上两个类型的优点，但通信和计算的代价都极高。分级型结构不同局部的节点也能够作为混合型、集中型和分散型的节点，集中型和分散型为通信和计算的负担。从该技术的产生和发展过程中，一直在改进着融合结构，并且在不断地探索结构方案[2]。

图1 多传感器信息融合系统的结构

4 机器人的多传感器信息融合技术路径

4.1 融合方式

智能机器人信息融合技术的实现方式很多，但经常应用的有以下几种：Bayes估计法、加权平均法、证据推理、神经网络法、模糊逻辑法、Kalman滤波、扩展Kalman滤波以及基于规则和基于行为方法等。

4.2 传感器测距

要求给予智能机器人信息要素，以实现对外界环境的感知，距离就是其中最关键的信息，距离也起到极其重要的作用。

4.3 目标识别

通常情况下，稳健的目标特征可借助目标识别提取，还兼具处理和分离功能。目标识别是智能机器人通过视觉传感器以及各种测量距离的传感器，进行形状、颜色、长短、位置、方位等进行有效识别。

4.4 自主导航

在目前的机器人研究领域里，最大的焦点就是导航技术，更是智能机器人研发中的关键技术。主要表现在导航技术中D.White所提出的3个问题。

4.4.1 定位问题

针对定位问题的深度研究，其课题重点放在怎样让机器人更有效地获取外界的环境信息，前提是利用智能机器人内部与外部的传感器获取信息，可以让研究者及时确定机器人在工作环境里行进方位[3]。

4.4.2 路径规划问题

在智能机器人研发过程中，机器人的路径规划应该是学者重点研究的问题，而这个问题的重点就是怎样让智能机器人无碰撞。无碰撞的路径是一条外界提供的从开始到结束的全程路径。在研究的过程中，容易造成一定影响的是一些路径会出现局部位置或者全部位置，因为在机器人行进的路径中必须捕捉目标障碍物的形状、长度、方位等信息，让机器人在行进过程中可以避开所有障碍物。在关于机器人的路径规划中，目前应用最多的是自由空间法，该方式是利用多边形等模式，进行某个自由完整空间的构建。在路径对话的过程中需要描述空间，就是所说的建模，在二维平面运动中，进行环境边界的规划，然后利用多边形描述，以机器人为点进行路径的规划。

5 信息融合的关键问题

5.1 相关的规范

在该系统中，不同传感器获取的数据都在本身的参考框架内，在对这些信息进行组合前，有必要将这些信息转换为同一个参考范围内。值得一提的是，每个传感器提供的观测数据都在各自舍去误差，因此有必要进行补偿。

5.2 同类或异类数据

从属性上讲，多传感器提供的数据应该视为同类。但也允许异类的形式，与同类的传感器相比，多个异类传感器具备传输的信息难以同步应用、数据率难以统一，以至于难以匹配的测量维数等特征，增大了这些信息处理的难度。

5.3 不确定性的观测数据

因为传感器工作环境不确定，会有噪声成分包含在观测数据中。在数据的融合处理中，需要分析和验证多源观测数据，并进行综合性补充，将数据的不确定性降到最低。

5.4 数据缺陷问题

在该系统中，更多时候能够诸多层面进行测量数据的解释，就是所说的不完整数据。由此，不一致甚至是相互矛盾的环境观测数据解释也会出现在多传感器系统中。另外，基于一直存在的干扰因素和噪声，也容易体现在某些虚假的测量数据中。因此，该系统必须有效地融合和处理这些不真实或者有缺陷的数据。

5.5 数据关联

该系统普遍存在数据关联问题，必须对单传感器和多传感器时间域的管理问题进行处理，更方便同一目标数据的合理确定。

5.6 态势数据库

态势数据库是由非实时数据库赫尔实时数据库构成。实时数据库可以将各个传感器的检测结果提供给融合中心，并分析和整合决策的分析结果以及存储融合处理的最终态势，从而生成综合态势，按照多传感器检测结果，进行态势决策分析和数据融合计算等[4]。

6 结语

综上所述，智能机器人智能化的核心技术就是多传感器的应用。本文以此为核心，阐述和分析了智能机器人多传感器信息融合技术的内容、原理、系统结构、实现的技术路径以及存在的关键问题。从而广泛而深度地探索了智能机器人的多传感器信息融合技术中面临的问题，并提出合理建议。伴随大数据技术、控制技术和人工智能技术的快速发展，尤其是日新月异的传感器信息融合技术，智能机器人对环境的感知和判断能力还会大幅度提升，从而自主控制能力也将更加高智能化，与之相对应的研究和应用将步入更广阔的空间。