多傳感器信息融合技術(shù)綜合了概率統(tǒng)計(jì)、信號(hào)處理、人工智能、控制理論等多個(gè)學(xué)科的最新科研成果，為機(jī)器人精確、全面、實(shí)時(shí)地感知各種復(fù)雜的、動(dòng)態(tài)的、不確定的未知環(huán)境提供了一種先進(jìn)的技術(shù)手段。在研究基于多傳感器融合的移動(dòng)機(jī)器人避障技術(shù)的相關(guān)文獻(xiàn)中，為獲取機(jī)器人本體與障礙物的距離信息，經(jīng)常使用的傳感器有超聲測(cè)距傳感器、紅外測(cè)距傳感器、里程計(jì)、GPS、激光傳感器等，這些傳感器均為測(cè)距類傳感器，傳感器之間的冗余信息量大，互補(bǔ)信息量少，在使用的過(guò)程中必須提供先驗(yàn)知識(shí)，對(duì)于動(dòng)態(tài)的、復(fù)雜的應(yīng)用場(chǎng)景，其效果并不理想。對(duì)單目視覺(jué)傳感器和超聲測(cè)距傳感器進(jìn)行了信息融合，傳感器間的互補(bǔ)信息量變大，融合結(jié)果提高了系統(tǒng)的魯棒性，但單目視覺(jué)只有在特定的環(huán)境下才能得到距離信息，依然不能滿足動(dòng)態(tài)的應(yīng)用場(chǎng)景。

　　雙目視覺(jué)傳感器對(duì)動(dòng)態(tài)環(huán)境適應(yīng)性強(qiáng)，超聲測(cè)距傳感器的測(cè)量精度高，為滿足動(dòng)態(tài)的應(yīng)用場(chǎng)景，本文將進(jìn)行這兩種傳感器的融合研究，需要指出，由于干擾信號(hào)的存在，在進(jìn)行融合之前，先使用卡爾曼濾波算法對(duì)兩種傳感器獲取的距離信息進(jìn)行濾波處理。

　　1 、卡爾曼濾波算法與STF 融合算法

　　由于受雜波等干擾信號(hào)的影響，傳感器獲取的距離信息具有統(tǒng)計(jì)信號(hào)的特征，為保證測(cè)量精度，需要進(jìn)行參數(shù)估計(jì)，根據(jù)具體的情況，解決參數(shù)估計(jì)問(wèn)題的常用方法有卡爾曼濾波、α-β 濾波、α-β-γ 濾波等。卡爾曼濾波算法主要有兩條主線，一條是基于自協(xié)方差矩陣的運(yùn)算，另一條是基于濾波值和預(yù)測(cè)值的運(yùn)算，兩者通過(guò)增益矩陣聯(lián)系起來(lái)。

　　多傳感器信息融合方法大致可以分為三類，即，概率統(tǒng)計(jì)方法、邏輯推理方法和學(xué)習(xí)方法。使用模糊推理、D-S 證據(jù)理論和產(chǎn)生式規(guī)則的方法進(jìn)行信息融合，這些方法都屬于邏輯推理的范疇;使用神經(jīng)網(wǎng)絡(luò)的方法進(jìn)行信息融合，該方法屬于學(xué)習(xí)方法的范疇，依據(jù)這些融合算法，均達(dá)到了預(yù)期效果。本文中使用的STF 融合算法則是概率統(tǒng)計(jì)方法的一種。

　　假設(shè)仿生四足機(jī)器人上的雙目視覺(jué)傳感器和超聲測(cè)距傳感器獲取的狀態(tài)向量的估計(jì)值分別為和，協(xié)方差矩陣分別為P1和P2，互協(xié)方差矩陣P12 = P21T。當(dāng)P12 =P21T≈0 時(shí)，為了得到狀態(tài)向量和協(xié)方差矩陣的最佳估計(jì)值，可以使用STF 融合算法。

　　系統(tǒng)狀態(tài)向量和協(xié)方差矩陣的最佳估計(jì)分別為

　　2 、勻速直線運(yùn)動(dòng)模型

　　勻速直線運(yùn)動(dòng)（ constant velocity，CV） 模型。CV 直線運(yùn)動(dòng)模型的一般描述為： 目標(biāo)做CV 直線運(yùn)動(dòng)，位移為x（ t） ，速度為，加速度。實(shí)際情況中，速度在有隨機(jī)擾動(dòng)的情況下會(huì)發(fā)生輕微變化，假設(shè)這個(gè)隨機(jī)擾動(dòng)是均值為零的高斯白噪聲。在此條件下，經(jīng)離散處理后，卡爾曼濾波的基本公式可表示如下

　　X（ k + 1） = FX（ k） + ΓW（ k）

　　Z（ k） = HX（ k） + V（ k） （ 3）

　　其中

　　式中T 為采樣周期，σw為過(guò)程噪聲的標(biāo)準(zhǔn)差，σv為量測(cè)噪聲的標(biāo)準(zhǔn)差。

　　3 、參數(shù)確定

　　基于雙目視覺(jué)傳感器和超聲測(cè)距傳感器，在CV 模型下應(yīng)用卡爾曼濾波算法，可以得到兩組狀態(tài)向量的估計(jì)值和，以及相應(yīng)的協(xié)方差矩陣P1和P2，由于以上兩組數(shù)據(jù)來(lái)自兩個(gè)不同的傳感器系統(tǒng)，故滿足P12 = P21T≈0 這一條件，可以使用STF 融合算法得到整個(gè)系統(tǒng)的狀態(tài)向量和協(xié)方差矩陣的最佳估計(jì)值 和P。為此，需要確定以下參數(shù)，系統(tǒng)的過(guò)程噪聲標(biāo)準(zhǔn)差σw，雙目視覺(jué)傳感器的量測(cè)噪聲標(biāo)準(zhǔn)差σv1，超聲測(cè)距傳感器的量測(cè)噪聲標(biāo)準(zhǔn)差σv2和卡爾曼濾波算法的初始值。下面結(jié)合仿生四足機(jī)器人的實(shí)際情況，確定以上參數(shù)。

　　3.1 確定系統(tǒng)的過(guò)程噪聲標(biāo)準(zhǔn)差

　　由于在機(jī)械結(jié)構(gòu)設(shè)計(jì)和裝配過(guò)程中產(chǎn)生的誤差，使得仿生四足機(jī)器人在Walk 步態(tài)下行走時(shí)，并不是理論上以0.4 m/s的速度做勻速直線運(yùn)動(dòng)，而是在做變速直線運(yùn)動(dòng)，系統(tǒng)的過(guò)程噪聲標(biāo)準(zhǔn)差是機(jī)器人在Walk 步態(tài)下行走時(shí)的加速度值。下面介紹獲取該加速度值的方法。

　　在Adams 仿真軟件中，建立仿生四足機(jī)器人的運(yùn)動(dòng)學(xué)模型，如圖1 所示。在仿生四足機(jī)器人機(jī)體的質(zhì)心處建立一個(gè)前進(jìn)方向的加速度測(cè)量，運(yùn)行仿真，打開(kāi)Adams 仿真軟件的后處理器，對(duì)獲得的加速度曲線進(jìn)行巴特沃斯濾波，然后計(jì)算加速度的平均值，將其作為該次仿真的加速度值。重復(fù)進(jìn)行50 次，得到50 個(gè)加速度值，求出標(biāo)準(zhǔn)差，即為系統(tǒng)的過(guò)程噪聲標(biāo)準(zhǔn)差。圖2 為某次仿真中的加速度曲線。最終求出系統(tǒng)的過(guò)程噪聲標(biāo)準(zhǔn)差為0.012 m/s2 ，即σw=0.012 m/s2。

　　圖1 Adams 中機(jī)器人的運(yùn)動(dòng)學(xué)模型

　　圖2 加速度曲線

　　3.2 確定傳感器的量測(cè)噪聲標(biāo)準(zhǔn)差

　　對(duì)于傳感器的量測(cè)噪聲標(biāo)準(zhǔn)差，在仿真情況下，可以由其測(cè)量誤差來(lái)反映。

　　在實(shí)際應(yīng)用中，利用兩個(gè)CCD 攝像機(jī)獲取視差信息，再根據(jù)三角測(cè)量原理恢復(fù)出場(chǎng)景的深度信息，如此即可測(cè)量出障礙物與機(jī)器人之間的距離信息，然而，由于CCD 攝像機(jī)所拍攝的圖像是以像元大小為單位的一組離散的數(shù)據(jù)，故在用雙目視覺(jué)進(jìn)行測(cè)量時(shí)存在最小分辨率誤差，仿生四足機(jī)器人上搭載的雙目視覺(jué)傳感器的測(cè)量誤差約為6.8 cm，即σv1 = 0.068 m。

　　超聲測(cè)距傳感器的發(fā)射頭發(fā)出超聲波信號(hào)，此信號(hào)被障礙物反射后，由接收頭接收，根據(jù)發(fā)射和接收到信號(hào)的時(shí)間差和聲速，即可得到障礙物的距離信息。當(dāng)探測(cè)范圍內(nèi)有目標(biāo)物體之外的物體存在時(shí)，會(huì)產(chǎn)生測(cè)量誤差。仿生四足機(jī)器人上搭載的超聲測(cè)距傳感器的測(cè)量誤差為1 cm，即σv2 = 0.01 m。

　　3.3 確定卡爾曼濾波算法的初始值

　　卡爾曼濾波算法作為一個(gè)迭代過(guò)程，需要賦予其初值，初值的選擇至關(guān)重要，如果初值選擇不合適，就不能滿足收斂性的要求。在CV 模型中，P（0|0） 的確定方法已經(jīng)由模型給出，這里只需給出X（0|0） 的取值，本文中取X（0|0） =［10，－ 0.4］‘。

　　4 、仿真實(shí)驗(yàn)與結(jié)果分析

　　在完成上述準(zhǔn)備工作后，筆者在Matlab 軟件中進(jìn)行仿真實(shí)驗(yàn)，仿真實(shí)驗(yàn)流程如圖3 所示。

　　圖3 仿真實(shí)驗(yàn)流程圖

　　根據(jù)仿真實(shí)驗(yàn)流程圖，在Matlab 中先對(duì)模擬出的目標(biāo)位置信息進(jìn)行卡爾曼濾波處理，如圖4 和圖5 所示，這里的目標(biāo)指的是所測(cè)障礙物。首先，從圖4 和圖5 可以看出： 經(jīng)卡爾曼濾波處理后的目標(biāo)位置的估計(jì)值在前2 s 偏離真實(shí)值較遠(yuǎn)，從第4 s 以后，無(wú)論觀測(cè)值如何波動(dòng)，估計(jì)值曲線均能很好地跟蹤真實(shí)值曲線，說(shuō)明卡爾曼濾波算法起到了良好的濾波效果。

　　將融合處理前后，目標(biāo)位置的估計(jì)值曲線和目標(biāo)位置估計(jì)值的方差曲線分別置于同一幅圖中，如圖6 所示，通過(guò)對(duì)比反映STF 融合算法的優(yōu)點(diǎn)。從圖6（ b） 中可以看出： 融合處理后，目標(biāo)位置估計(jì)值的方差變小，說(shuō)明融合處理后對(duì)目標(biāo)位置的估計(jì)更加準(zhǔn)確。從圖6 中可以發(fā)現(xiàn)，融合曲線介于雙目視覺(jué)傳感器的估計(jì)值曲線和超聲測(cè)距傳感器的估計(jì)值曲線之間，且更加靠近準(zhǔn)確度高的超聲測(cè)距傳感器的估計(jì)值曲線。

　　在本文所引文獻(xiàn)中，實(shí)驗(yàn)驗(yàn)證環(huán)節(jié)均在具體的應(yīng)用場(chǎng)景下進(jìn)行，實(shí)驗(yàn)結(jié)果是移動(dòng)機(jī)器人能夠進(jìn)行無(wú)礙行走，文中均未給出具體的測(cè)量精度。本文仿真實(shí)驗(yàn)的結(jié)果表明： 融合處理后，測(cè)量精度可達(dá)4.6 cm，滿足了仿生四足機(jī)器人對(duì)測(cè)距的精度要求。

　　圖4 雙目視覺(jué)傳感器系統(tǒng)的卡爾曼濾波

　　圖5 超聲測(cè)距傳感器系統(tǒng)的卡爾曼濾波

　　圖6 融合前后目標(biāo)位置估計(jì)值曲線和方差曲線的對(duì)比

　　5、 結(jié)論

　　為提高仿生四足機(jī)器人在復(fù)雜、動(dòng)態(tài)環(huán)境下對(duì)障礙物位置信息的感知能力，本文針對(duì)仿生四足機(jī)器人在結(jié)構(gòu)化路面上以Walk 步態(tài)行走的情況，將雙目視覺(jué)傳感器和超聲測(cè)距傳感器獲取的障礙物距離信息進(jìn)行融合研究。仿真實(shí)驗(yàn)結(jié)果表明： 濾波后的距離信息的估計(jì)值曲線很好地跟蹤了真實(shí)值曲線，說(shuō)明卡爾曼濾波算法發(fā)揮了出色的濾波作用; 與融合前相比，融合處理后的距離信息的估計(jì)值的方差明顯減小，說(shuō)明融合處理后獲得的障礙物的位置信息更加準(zhǔn)確，且測(cè)量精度為4.6 cm，滿足了機(jī)器人的應(yīng)用要求。