|
多傳感器信息融合技術(shù)綜合了概率統計、信號處理、人工智能、控制理論等多個(gè)學(xué)科的最新科研成果，為機器人精確、全面、實(shí)時(shí)地感知各種復雜的、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)機器人避障技術(shù)的相關(guān)文獻中，為獲取機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距傳感器、紅外測距傳感器、里程計、GPS、激光傳感器等，這些傳感器均為測距類(lèi)傳感器，傳感器之間的冗余信息量大，互補信息量少，在使用的過(guò)程中必須提供先驗知識，對于動(dòng)態(tài)的、復雜的應用場(chǎng)景，其效果并不理想。對單目視覺(jué)傳感器和超聲測距傳感器進(jìn)行了信息融合，傳感器間的互補信息量變大，融合結果提高了系統的魯棒性，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(mǎn)足動(dòng)態(tài)的應用場(chǎng)景。 雙目視覺(jué)傳感器對動(dòng)態(tài)環(huán)境適應性強，超聲測距傳感器的測量精度高，為滿(mǎn)足動(dòng)態(tài)的應用場(chǎng)景，本文將進(jìn)行這兩種傳感器的融合研究，需要指出，由于干擾信號的存在，在進(jìn)行融合之前，先使用卡爾曼濾波算法對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的影響，傳感器獲取的距離信息具有統計信號的特征，為保證測量精度，需要進(jìn)行參數估計，根據具體的情況，解決參數估計問(wèn)題的常用方法有卡爾曼濾波、α-β 濾波、α-β-γ 濾波等�？柭鼮V波算法主要有兩條主線(xiàn)，一條是基于自協(xié)方差矩陣的運算，另一條是基于濾波值和預測值的運算，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(lèi)，即，概率統計方法、邏輯推理方法和學(xué)習方法。使用模糊推理、D-S 證據理論和產(chǎn)生式規則的方法進(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)習方法的范疇，依據這些融合算法，均達到了預期效果。本文中使用的STF 融合算法則是概率統計方法的一種。 假設仿生四足機器人上的雙目視覺(jué)傳感器和超聲測距傳感器獲取的狀態(tài)向量的估計值分別為 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值，可以使用STF 融合算法。 系統狀態(tài)向量和協(xié)方差矩陣的最佳估計分別為 2 勻速直線(xiàn)運動(dòng)模型 勻速直線(xiàn)運動(dòng)( constant velocity，CV) 模型。CV 直線(xiàn)運動(dòng)模型的一般描述為: 目標做CV 直線(xiàn)運動(dòng)，位移為x( t) ，速度為 ，加速度 。實(shí)際情況中，速度在有隨機擾動(dòng)的情況下會(huì )發(fā)生輕微變化，假設這個(gè)隨機擾動(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)程噪聲的標準差，σv為量測噪聲的標準差。 3 參數確定 基于雙目視覺(jué)傳感器和超聲測距傳感器，在CV 模型下應用卡爾曼濾波算法，可以得到兩組狀態(tài)向量的估計值 和 ，以及相應的協(xié)方差矩陣P1和P2，由于以上兩組數據來(lái)自?xún)蓚�(gè)不同的傳感器系統，故滿(mǎn)足P12 = P21T≈0 這一條件，可以使用STF 融合算法得到整個(gè)系統的狀態(tài)向量和協(xié)方差矩陣的最佳估計值 和P。為此，需要確定以下參數，系統的過(guò)程噪聲標準差σw，雙目視覺(jué)傳感器的量測噪聲標準差σv1，超聲測距傳感器的量測噪聲標準差σv2和卡爾曼濾波算法的初始值。下面結合仿生四足機器人的實(shí)際情況，確定以上參數。 3.1 確定系統的過(guò)程噪聲標準差 由于在機械結構設計和裝配過(guò)程中產(chǎn)生的誤差，使得仿生四足機器人在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(xiàn)運動(dòng)，而是在做變速直線(xiàn)運動(dòng)，系統的過(guò)程噪聲標準差是機器人在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A(yíng)dams 仿真軟件中，建立仿生四足機器人的運動(dòng)學(xué)模型，如圖1 所示。在仿生四足機器人機體的質(zhì)心處建立一個(gè)前進(jìn)方向的加速度測量，運行仿真，打開(kāi)Adams 仿真軟件的后處理器，對獲得的加速度曲線(xiàn)進(jìn)行巴特沃斯濾波，然后計算加速度的平均值，將其作為該次仿真的加速度值。重復進(jìn)行50 次，得到50 個(gè)加速度值，求出標準差，即為系統的過(guò)程噪聲標準差。圖2 為某次仿真中的加速度曲線(xiàn)。最終求出系統的過(guò)程噪聲標準差為0.012 m/s2 ，即σw=0.012 m/s2。 圖1 Adams 中機器人的運動(dòng)學(xué)模型 圖2 加速度曲線(xiàn) 3.2 確定傳感器的量測噪聲標準差 對于傳感器的量測噪聲標準差，在仿真情況下，可以由其測量誤差來(lái)反映。 在實(shí)際應用中，利用兩個(gè)CCD 攝像機獲取視差信息，再根據三角測量原理恢復出場(chǎng)景的深度信息，如此即可測量出障礙物與機器人之間的距離信息，然而，由于CCD 攝像機所拍攝的圖像是以像元大小為單位的一組離散的數據，故在用雙目視覺(jué)進(jìn)行測量時(shí)存在最小分辨率誤差，仿生四足機器人上搭載的雙目視覺(jué)傳感器的測量誤差約為6.8 cm，即σv1 = 0.068 m。 超聲測距傳感器的發(fā)射頭發(fā)出超聲波信號，此信號被障礙物反射后，由接收頭接收，根據發(fā)射和接收到信號的時(shí)間差和聲速，即可得到障礙物的距離信息。當探測范圍內有目標物體之外的物體存在時(shí)，會(huì )產(chǎn)生測量誤差。仿生四足機器人上搭載的超聲測距傳感器的測量誤差為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(mǎn)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)驗與結果分析 在完成上述準備工作后，筆者在Matlab 軟件中進(jìn)行仿真實(shí)驗，仿真實(shí)驗流程如圖3 所示。 圖3 仿真實(shí)驗流程圖 根據仿真實(shí)驗流程圖，在Matlab 中先對模擬出的目標位置信息進(jìn)行卡爾曼濾波處理，如圖4 和圖5 所示，這里的目標指的是所測障礙物。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位置的估計值在前2 s 偏離真實(shí)值較遠，從第4 s 以后，無(wú)論觀(guān)測值如何波動(dòng)，估計值曲線(xiàn)均能很好地跟蹤真實(shí)值曲線(xiàn)，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，目標位置的估計值曲線(xiàn)和目標位置估計值的方差曲線(xiàn)分別置于同一幅圖中，如圖6 所示，通過(guò)對比反映STF 融合算法的優(yōu)點(diǎn)。從圖6( b) 中可以看出: 融合處理后，目標位置估計值的方差變小，說(shuō)明融合處理后對目標位置的估計更加準確。從圖6 中可以發(fā)現，融合曲線(xiàn)介于雙目視覺(jué)傳感器的估計值曲線(xiàn)和超聲測距傳感器的估計值曲線(xiàn)之間，且更加靠近準確度高的超聲測距傳感器的估計值曲線(xiàn)。 在本文所引文獻中，實(shí)驗驗證環(huán)節均在具體的應用場(chǎng)景下進(jìn)行，實(shí)驗結果是移動(dòng)機器人能夠進(jìn)行無(wú)礙行走，文中均未給出具體的測量精度。本文仿真實(shí)驗的結果表明: 融合處理后，測量精度可達4.6 cm，滿(mǎn)足了仿生四足機器人對測距的精度要求。 圖4 雙目視覺(jué)傳感器系統的卡爾曼濾波 圖5 超聲測距傳感器系統的卡爾曼濾波 圖6 融合前后目標位置估計值曲線(xiàn)和方差曲線(xiàn)的對比 5 結論 為提高仿生四足機器人在復雜、動(dòng)態(tài)環(huán)境下對障礙物位置信息的感知能力，本文針對仿生四足機器人在結構化路面上以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)驗結果表明: 濾波后的距離信息的估計值曲線(xiàn)很好地跟蹤了真實(shí)值曲線(xiàn)，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確，且測量精度為4.6 cm，滿(mǎn)足了機器人的應用要求。 |
