四足机器人中多传感器信息交融的应用.docx

《四足机器人中多传感器信息交融的应用.docx》由会员分享，可在线阅读，更多相关《四足机器人中多传感器信息交融的应用.docx（7页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、四足机器人中多传感器信息交融的应用网络转载导语：多传感器信息交融技术综合了概率统计、信号处理、人工智能、控制理论等多个学科的zui新科研成果，为机器人准确、全面、实时地感悟各种复杂的、动态的、不确定的未知环境提供了一种先进的技术手段。在研究基于多传感器交融的挪动机器人避障技术的相关文献中，为获取机器人本体与障碍物的间隔信息，经常使用的传感器有超声测距传感器、红外测距传感器、里程计、GPS、激光传感器等，这些传感器均为测距类传感器，传感器之间的冗余信息量大，互补信息量少，在使用的经过中必须提供先验知识，对于动态的、复杂的应用场景，其效果并不理想。多信息交融技术综合了概率统计、信号处理、人工智能、

2、控制理论等多个学科的zui新科研成果，为机器人准确、全面、实时地感悟各种复杂的、动态的、不确定的未知环境提供了一种先进的技术手段。在研究基于多传感器交融的挪动机器人避障技术的相关文献中，为获取机器人本体与障碍物的间隔信息，经常使用的传感器有超声测距传感器、红外测距传感器、里程计、GPS、激光传感器等，这些传感器均为测距类传感器，传感器之间的冗余信息量大，互补信息量少，在使用的经过中必须提供先验知识，对于动态的、复杂的应用场景，其效果并不理想。对单目视觉传感器和超声测距传感器进展了信息交融，传感器间的互补信息量变大，交融结果进步了系统的鲁棒性，但单目视觉只有在特定的环境下才能得到间隔信息，仍然不

3、能知足动态的应用场景。双目视觉传感器对动态环境适应性强，超声测距传感器的测量精度高，为知足动态的应用场景，本文将进展这两种传感器的交融研究，需要指出，由于干扰信号的存在，在进展交融之前，先使用卡尔曼滤波算法对两种传感器获取的间隔信息进展滤波处理。1、卡尔曼滤波算法与STF交融算法由于受杂波等干扰信号的影响，传感器获取的间隔信息具有统计信号的特征，为保证测量精度，需要进展参数估计，根据详细的情况，解决参数估计问题的常用方法有卡尔曼滤波、-滤波、-滤波等。卡尔曼滤波算法主要有两条主线，一条是基于自协方差矩阵的运算，另一条是基于滤波值和预测值的运算，两者通过增益矩阵起来。多传感器信息交融方法大致可以

4、分为三类，即，概率统计方法、逻辑推理方法和学习方法。使用模糊推理、D-S证据理论和产生式规那么的方法进展信息交融，这些方法都属于逻辑推理的范畴;使用神经网络的方法进展信息交融，该方法属于学习方法的范畴，根据这些交融算法，均到达了预期效果。本文中使用的STF交融算法那么是概率统计方法的一种。假设仿生四足机器人上的双目视觉传感器和超声测距传感器获取的状态向量的估计值分别为和，协方差矩阵分别为P1和P2，互协方差矩阵P12=P21T。当P12=P21T0时，为了得到状态向量和协方差矩阵的zui佳估计值，可以使用STF交融算法。系统状态向量和协方差矩阵的zui佳估计分别为2、匀速直线运动模型匀速直线运

5、动constantvelocity，CV模型。CV直线运动模型的一般描绘为：目的做CV直线运动，位移为xt，速度为，加速度。实际情况中，速度在有随机扰动的情况下会发生细微变化，假设这个随机扰动是均值为零的高斯白噪声。在此条件下，经离散处理后，卡尔曼滤波的根本公式可表示如下Xk+1=FXk+WkZk=HXk+Vk3其中式中T为采样周期，w为经过噪声的标准差，v为量测噪声的标准差。3、参数确定基于双目视觉传感器和超声测距传感器，在CV模型下应用卡尔曼滤波算法，可以得到两组状态向量的估计值和，以及相应的协方差矩阵P1和P2，由于以上两组数据来自两个不同的传感器系统，故知足P12=P21T0这一条件，

6、可以使用STF交融算法得到整个系统的状态向量和协方差矩阵的zui佳估计值和P。为此，需要确定以下参数，系统的经过噪声标准差w，双目视觉传感器的量测噪声标准差v1，超声测距传感器的量测噪声标准差v2和卡尔曼滤波算法的初始值。下面结合仿生四足机器人的实际情况，确定以上参数。3.1确定系统的经过噪声标准差由于在机械构造设计和装配经过中产生的误差，使得仿生四足机器人在Walk步态下行走时，并不是理论上以0.4m/s的速度做匀速直线运动，而是在做变速直线运动，系统的经过噪声标准差是机器人在Walk步态下行走时的加速度值。下面介绍获取该加速度值的方法。在Adams仿真软件中，建立仿生四足机器人的运动学模型

7、。在仿生四足机器人机体的质心处建立一个前进方向的加速度测量，运行仿真，翻开Adams仿真软件的后处理器，对获得的加速度曲线进展巴特沃斯滤波，然后计算加速度的平均值，将其作为该次仿真的加速度值。重复进展50次，得到50个加速度值，求出标准差，即为系统的经过噪声标准差。3.2确定传感器的量测噪声标准差对于传感器的量测噪声标准差，在仿真情况下，可以由其测量误差来反映。在实际应用中，利用两个CCD摄像机获取视差信息，再根据三角测量原理恢复出场景的深度信息，如此即可测量出障碍物与机器人之间的间隔信息，然而，由于CCD摄像机所拍摄的图像是以像元大小为单位的一组离散的数据，故在用双目视觉进展测量时存在zui

8、小分辨率误差，仿生四足机器人上搭载的双目视觉传感器的测量误差约为6.8cm，即v1=0.068m。超声测距传感器的发射头发出超声波信号，此信号被障碍物反射后，由接收头接收，根据发射和接收到信号的时间差和声速，即可得到障碍物的间隔信息。当探测范围内有目的物体之外的物体存在时，会产生测量误差。仿生四足机器人上搭载的超声测距传感器的测量误差为1cm，即v2=0.01m。3.3确定卡尔曼滤波算法的初始值卡尔曼滤波算法作为一个迭代经过，需要赋予其初值，初值的选择至关重要，假如初值选择不适宜，就不能知足收敛性的要求。在CV模型中，P0|0确实定方法已经过模型给出，这里只需给出X0|0的取值，本文中取X0|

9、0=10，0.4。4、仿真实验与结果分析在本文所引文献中，实验验证环节均在详细的应用场景下进展，实验结果是挪动机器人可以进展无碍行走，文中均未给出详细的测量精度。本文仿真实验的结果说明：交融处理后，测量精度可达4.6cm，知足了仿生四足机器人对测距的精度要求。5、结论为进步仿生四足机器人在复杂、动态环境下对障碍物位置信息的感悟才能，本文针对仿生四足机器人在构造化路面上以Walk步态行走的情况，将双目视觉传感器和超声测距传感器获取的障碍物间隔信息进展交融研究。仿真实验结果说明：滤波后的间隔信息的估计值曲线很好地跟踪了真实值曲线，讲明卡尔曼滤波算法发挥了出色的滤波作用;与交融前相比，交融处理后的间隔信息的估计值的方差明显减小，讲明交融处理后获得的障碍物的位置信息更加准确，且测量精度为4.6cm，知足了机器人的应用要求。