或更精确的信息。经过融合的多传感器系统能完善地、精确地反映检测对象特性,
层次系统传送“确定无疑”的判决结论。这种判决方式以经典的数理逻辑为基础，
卡尔曼滤波器对多传感器组合系统进行数据统计时,存在很多严重的问题,例如:
(1)在组合信息大量冗余的情况下,计算量将以滤波器维数的三次方剧增,实时性
不能满足;(2)传感器子系统的增加使故障随之增加,在某一系统出现故障而没有
据的分类。K-均值聚类算法是最常用的无监督学习算法之一,而自适应K-均值
方法的更新规则形成了Kohonen特性图的基础。此外自适应共振理论(ART)、自
定性以条件概率表示,当传感器组的观测坐标一致时,可以直接对传感器的数据进
行融合,但大多数情况下,传感器测量数据要以间接方式采用贝叶斯估计进行数据
函数为最小,提供多传感器信息的最终融合值,融合信息与环境的一个先验模型提
供整个环境的一个特征描述。D-S证据推理是贝叶斯推理的扩充,其3个基本要点
是:基本概率赋值函数、信任函数和似然函数。D-S方法的推理结构是自上而下的,
分三级。第1级为目标合成,其作用是把来自独立传感器的观测结果合成为一个总
的输出结果( ID) ;第2级为推断,其作用是获得传感器的观测结果并进行推断,将传
信度在逻辑上会产生可信的某些目标报告;第3级为更新,各种传感器一般都存在
随机误差,所以,在时间上充分独立地来自同一传感器的一组连续报告比任何单一
报告可靠。因此,在推理和多传感器合成之前,要先组合(更新)传感器的观测数据。
确定性, 对这些不确定信息的融合过程实质上是一个不确定性推理过程。神经网
络可根据当前系统所接受的样本的相似性, 确定分类标准。同时可以采用特定的
学习算法来获取知识, 得到不确定性推理机制。模糊逻辑是多值逻辑, 它允许将
个不确定概念, 应用模糊理论并结合其它手段, 如神经网络, 可以取得更好的
美国的Utah/MIT灵巧手、日本的ARH智能手爪以及我国的HIT/DLR机器人灵巧
手、BH-3灵巧手都配有多种传感器，主要包括视觉传感器、接近觉传感器、力/
力矩传感器、位姿/姿态传感器、速度/加速度传感器、温度传感器以及触觉/滑
Bayes算法和D-S论据常用于机器人手爪的信息融合。罗志增等人将这2种算
法综合运用到一个装有6种传感器的机器手爪中，并进行了工件识别、抓取实验，
正确率达96.7%。美国的Luo在由PUMA 560机器手臂控制的夹持型手爪的平台上提
出了基于视觉、接近觉、触觉、位置、力/力矩及滑觉等传感器信息融合新方法，
整个过程分为3步：1）采集多传感器的原始数据，并用Fisher模型进行局部估计；
距离测试，从而建立距离矩阵和相关矩阵，得到最接近最一致的传感器数据；3）
运用Bayes推理算法进行全局估计，融合多传感器数据，同时，对其他不确定的
移动机器人,其由法国LAAS实验室研制而成,该机器人配有16只超声波传感器、2
只二维激光测距仪、1只视觉传感器和1只黑白相机。超声波和视觉传感器用来产
息融合的算法。多传感器信息融合技术的运用使得HILARE机器人具有较强的环境
Sojourner 。该机器人是一个高度集成的多传感器平台,配有黑白和彩色成像系
定位、土壤和岩石成分分析等操作。对于Sojourner的状态估计,使用了里程表、
速度传感器、加速度传感器、航向传感器、测距仪和立体CCD摄像机，融合算法
CASIA-I是由沈阳自动化所和中国科学院自动化所联合设计研制的基于复合
觉、电子陀螺和语音等传感器信息的具有一定自主能力的轮-腿-履带复合型移动
机构的机器人。在机器人的四周装有11只超声波传感器，为了弥补其探测盲区，
控计算机，为控制决策提供依据。研究者在航迹推算、感知定位、GPS定位和激
进行数据层、特征层以及决策层等不同的层次的融合等, 也可以实现测距传感器
信息、内部航迹推算系统信息、全局定位信息之间的信息融合, 进而准确、全面
法。该方法存在的最大弊端就是很难获得最优加权平均值, 而且, 确定权值需要
且系统噪声和传感器噪声是符合高斯分布的白噪声, 那么, Kalman滤波为融合
数据提供唯一的统计意义下的最优估计。这种方法的递推特性使得其计算速度快,
且不需要过多的存储空间。随着计算机技术的飞速发展, Kalman 滤波的计算要
求与复杂性已不再阻碍该方法的实际应用。现在这种方法越来越受到人们的青睐,
尤其是在多传感器多目标跟踪系统中更显出其独特的优点, 如, Tomatis 等人
采用基于Kalman滤波混合法实现了移动机器人的导航, 试验结果表明: 在1.15
km 的路程上成功率达到96%。从移动机器人的跟踪精度来看, 偏离目标点的误差
对信息融合过程产生较大影响。在这种情况下, 常常采用扩展Kalman滤波( EKF )
取代常规的Kalman滤波。EKF是移动机器人实现即时定位与导航的重要方法, 在
移动机器人定位和导航中, 利用传感器融合和非线性模型预测控制方法, 并以
扩展的Kalman滤波实现最优估计。采用Kalman滤波器通过统计特征进行状态估计,
Bayes估计是融合静态环境中多传感器低层信息的一种常用方法, 其信息描
述为概率分布, 适用于具有可加高斯噪声的不稳定性。该融合方法产生于多传感
器融合技术的初期。应用Bayes估计方法时, 首先, 应描述出模型; 然后,赋予每
个命题一个先验概率; 再使用概率进行推断, 特别根据信息数据估计置信度获
取结果。但是, 当某一个传感器的新信息到来, 而此时未知命题的数量大于已知
命题的数量时, 已知命题的概率是非常不稳定的。该方法主要应用于移动机器人
进一步发展完善。Dempster-Shafer证据推理是Bayes方法的扩展, 而又不同于
Bayes方法。Bayes估计仅仅使用了一个代替前提概率为真的一个值, 当前提相互
关联时, Bayes方法难以保证估计的一致性。Dempster-Shafer方法使用一个不稳
Dempster-Shafer证据推理法研究问题的方式和内容特别适合处理多传感器集成
系统的信息融合问题, 因此, 该证据推理现已成为信息融合的一个重要理论基
础。在移动机器人领域中, 这一方法现已被成功地应用于移动机器人对目标的识
Dempster-Shafer证据推理的优点是不需要指定先验概率; 其缺点是一般情
况下计算量非常大, 而且, 在工程实际应用中, 如何有效获取基本概率赋值也
有待于进一步深入研究。Dempster-Shafer 理论只积累单独的信息源, 而当事件
合并后, 时间权重与信任度之间存在不合理关系, 因此, 该理论还需进一步深
程中。基于模糊规则的目标识别融合计算非常简单, 通过指定一个0到1之间的实
数来表示真实度, 这相当于隐式算子的前提。但它不象Dempster-Shafer方法:
随着证据的积累的同时, 逐步增长可能目标对象的概率取值, 减少不可能目标
对象的概率取值。近年来, 模糊集合推理被广泛应用于移动机器人目标识别与路
径规划方面。Sasiadek利用模糊逻辑和扩展的Kalman滤波进行传感器信息融合。
器信息融合有以下特点: 具有统一的内部知识表示形式, 通过特定的学习算法
可以将神经网络获取的传感器信息进行融合, 获得相应网络参数; 可将知识规
则转换成数字形式, 便于建立知识库; 不用建立系统精确的数学模型, 非常适
合于非线性测试情况; 具有大规模并行处理的能力, 使得系统信息处理速度非
境的信息, 实现知识的自动获取以及在此基础上进行联想推理。经过大量的学习
和推理, 将不确定环境的复杂关系融合为系统能够理解的符号。神经网络的研究
人目标的识别, 获得移动机器人对于障碍物影像的精确的估计, 正确地引导机
器人运动。采用神经网络的多传感器信息融合方法, 能够解决移动机器人的自主
行走问题。为了有效地改善神经网络信息融合的效果和速度, 利用阵列神经网络
要很多的隐含层, 因此, 需要很大的计算工作量。限于计算机的运行速度, 导致
展, 因此, 开发并行计算能力的软件和硬件, 来满足具有大量数据且计算复杂
的多传感器信息融合的要求, 是多传感器信息融合技术的主要发展趋势之一。多
成电路芯片, 不断研制出新型移动机器人用传感器, 并且, 不断使传感器模型
平稳随机过程为前提。因此, 开发新型的信息融合算法, 进一步提高多传感器融
挥巨大的作用。目前, 人工智能在多传感器信息融合中的应用已经是国内外研究
Bsports必一体育
航问题。目前, 基于多传感器信息融合的移动机器人自主定位与环境建模取得的
研究成果, 大多局限于室内结构化环境中。有关决策规则的鲁棒性、传感器布置
