BP神经网络在巡逻机器人多传感器数据融合中的应用*

黄衍标，罗广岳，何铭金

（广州大学华软软件学院，广州510990）

BP神经网络在巡逻机器人多传感器数据融合中的应用*

黄衍标*，罗广岳，何铭金

（广州大学华软软件学院，广州510990）

针对传统危化品仓库固定式监控器中监控范围小、报警准确率低的特点，研究了一款危化品仓库巡逻机器人，采用以拉依达准则改善BP神经网络融合性能的多传感器数据融合方法，通过采集泄露危化品浓度、仓库内环境温度和湿度等数据，在对数据进行拉依达去噪、归一化后利用BP神经网络进行融合输出。样机试验结果表明，该方法可有效提升危化品仓库巡逻机器人对空间环境的把握度，大幅度提高报警的准确性和可靠性，同时具备良好的传感器扩展性。

数据融合；机器人；BP神经网络；多传感器

对危化品的生产、运输和贮存过程的安全管理，是保障社会公共安全的重要组成部分。目前，大多危化品仓库的还停留在人工管理状态，少数引进监控设备的危化品仓库也基本都是采用固定式监控装置，其监控的空间范围有限，而且所采用的传感器类型单一，报警准确率低、监控系统的传感器扩展性差，所配备传感器检测出的环境参数，往往不足以准确预测出所处环境中危化品泄露等情况导致的危险。

多传感器数据融合是一种常用的提高测量可靠性的方法［1］。为实现准确可靠的安全预警，危化品仓库巡逻机器人可以利用温度传感器、湿度传感器和泄漏危化品检测传感器等多个感知装置，采集仓库中环境数据，再将采集的原始数据进行预处理和数据融合，其融合结果作为巡逻机器人进行安全预警的决策依据。为了实时准确获取被检测环境的真实数据，已有不少文献研究了对多个同型或异型传感器采集的参数进行数据融合处理的方法［2-7］，这些方法相比仅用单传感器进行检测来说，其结果的准确性均有较大改善，但仍存在结构性缺陷，要么算法只能用于多个同种传感器数据融合；要么只能应用于对特定环境的检测，当智能系统中需增加新的传感器时，需要重新研发融合算法才能适应检测需求；要么所用算法要求参与融合的参数之间相互独立，无法应用于类似危化品仓库中温度、湿度、光照等环境参数和危化品浓度之间两两相互耦合的应用场合。针对上述不足之处，本文以危化品仓库巡逻机器人作为应用背景，在巡逻机器人中利用多个异型传感器的互补性来对环境进行综合检测，提出了一种以BP神经网络为核心算法的特征级数据融合解决方案，从而提高巡逻机器人系统对空间环境的把握度和进行智能决策时的可靠性。

1 多传感器数据融合系统模型

多传感器数据融合的关键问题是系统模型设计［8］，主要包括功能、结构和数据模型三方面。本文设计的以BP神经网络为核心算法的多传感器数据融合系统结构如图1所示，其原理是首先通过巡逻机器人系统的n个异型传感器进行仓库环境参数采集，然后利用拉依达法则对采集的数据进行去噪操作，再进行归一化处理，为BP神经网络提供标准的输入数据，最后利用训练好的神经网络将归一化后的信息进行融合处理，并将融合结果作为机器人报警决策的依据进行输出。

图1 基于BP神经网络的多传感器数据融合系统

2 数据融合处理

2.1 利用拉依达准则去除噪声数据

系统进行数据融合的原始数据来自巡逻机器人各传感器，因系统外部各种不确定因素的影响，传感器返回的检测数据中往往出现随机噪声干扰实测数据，这些噪声数据将导致实测数据融合结果出现误差，从而使巡逻机器人出现误报警。因此，为了提升巡逻机器人预警的准确性，在进行数据融合前本文先利用拉依达准则剔除各传感器返回的噪声数据。

假设单个传感器按周期采集数据为s1，s2，…，sn，根据式（1）计算出其算术平均值及剩余误差（i=1，2，…，n，n＞10），并按贝塞尔公式式（2）计算出标准误差。

根据拉依达准则，对于si，如果|vi|=|si-sˉ|＞3σ成立，则认为xi是含有粗大误差值的噪声值，应予以剔除。去掉噪声值后重新计算剩余测量值的算术平均值、剩余误差、标准误差，判断各测量值剩余误差是否大于3σ，重新去掉新的噪声值，直到没有新的异常值出现为止，剩下的测量值认为是该传感器正常的测量值。

重复上述过程，分别对巡逻机器人各个传感器（温度、湿度、泄露危化品等检测单元）返回的数据去除噪声值。

2.2 归一化处理

危化品仓库巡逻机器人采用温度传感器、湿度传感器和泄漏危化品（以CO为例）传感器等多个异型传感器对仓库空间环境进行综合检测，所采集的温度、相对湿度、CO浓度等数据的量纲和单位都不一致，经验证，若直接对这些数据进行融合，其融合结果的误差易超出允许范围。归一化处理可以把机器人通过不同类型传感器采集的数据统一到同一个参考系下，提升融合结果的精确度，同时还可以加快训练BP神经网络时的收敛速度。因此，在数据融合之前对这些数据作了归一化处理。本文用式（3）对各传感器采集的数据进行归一化处理，把它们变换到［0，1］范围内作为BP神经网络的输入。

式中，pi和xi分别为第i个传感器输入层结点往隐层结点的归一化前后的数据，pimax和pimin分别为第i个传感器采集数据的最大值和最小值。

2.3 BP神经网络结构及设计

危化品仓库巡逻机器人主要检测危化品泄露程度及环境物理参数变化情况，涉及的被测环境变量有很多，为便于研究本文选取了3个典型环境变量，包括空气温度x1，空气相对湿度x2，各种有毒或可燃性危化品浓度综合值x3，即选用x1、x2、x3作为网络输入。

当巡逻机器人检测到仓库中发生危化品泄漏或仓库环境参数异常时，需启动分级预警机制，即需要一个变量作为预警依据，因而本系统选用预警变量y（0≤y≤1）作为网络输出层结点的输出。

本文所设计神经网络模型如图2所示，其中输入层的输入信号为去噪、归一化处理后的数据xi；隐层第j个神经元总输入为uj，输出为Oj；输出层总输入为z，输出为y；输入层第i个结点到隐层第j个结点的权值为wij，隐层第j个结点到输出层的权值为vj；n为输入样本总数，m为隐层结点总数；所有神经元阈值均为θ，隐层和输出层的激发函数均为S型函数f，则传感器信号xi从输入层到隐层再到输出层y可以用以下关系式表示：

2.4 BP神经网络训练

神经网络的本质在于模拟人脑对事物处理过程，BP神经网络模型在应用之前必须根据已有的人类对事故判定的经验（即训练样本数据）进行训练［9］，即通过学习大量的给定样本输入数据和样本输出数据之间的关系，调整网络内部参数wij、vj构成的权值矩阵和阈值θ找到满足误差条件的最优解。因此，训练样本数据输入输出关系的准确性是训练的前提，合理的训练方案则是求解BP神经网络参数最优解的关键。

为获得准确有效的样本数据供神经网络学习，首先人类自身必须有一个对危化品仓库事故的判定标准。据资料［10］显示，当空气相对湿度大于60%时，发生火灾很少，当湿度在40%～60%之间时可以发烟燃烧但不易扩大燃烧面积，当空气湿度在30%～40%时容易燃烧并蔓延，而湿度低于25%时极易发生火灾。我国各地正常温度不高于60℃，且危化品仓库室温通常都保持在30℃以内，而室内火灾初起阶段通常会出现发烟燃烧现象，温度则会由正常室温上升至200℃以上。同时根据国家标准，CO泄漏二级报警值设为30×10-6～50×10-6，一级报警值设为150×10-6～300×10-6。综合以上湿度、温度和CO浓度的危险度评判标准，对机器人从各种模拟实验环境下采集的30组数据进行人工判断其危险程度，并生成样本作为训练样本数据使用，每组训练样本数据由空气相对湿度、环境温度、CO浓度及报警预期值4项构成。

求解BP神经网络的权值矩阵和阈值的最优解是网络训练的最终目的。有了准确有效的训练样本数据后，还需要合适的神经网络训练方法。神经网络训练最典型方法是最速下降法，但该方法收敛速度太慢［11］，为提升收敛速度本系统采用二阶梯度法进行训练，同时为防止训练过程中陷入无法满足误差条件的局部极小值，借助了MATLAB工具［12］从多组不同的初始权值开始对神经网络进行训练，在训练的过程中，结合收集的30组训练样本数据，不断尝试不同的隐层结点数、初始权值矩阵、网络迭代次数、期望误差和学习速率等，并在隐层和输出层分别采用不同激活函数进行比较验证，最终选择了其中最优的网络层数、每层结点数、权值、各层阈值和各层激活函数等参数（见表1），确定了用于机器人数据融合的BP神经网络模型。

表1 训练后的BP神经网络参数

3 仿真测试与结果分析

因测试危化品仓库现场异常状况的数据非常困难，实验模拟了在危化品仓库可能出现的各种环境，并再次用机器人样机采集了30组环境数据用于测试数据融合系统的准确性，为便于验证，将这30组数据按前面所述人工判定标准进行了安全度划分。再将训练得到BP神经网络相关参数写入到巡逻机器人数据融合系统中，并将BP神经网络的融合输出结果值y作为机器人预警依据，设定当y接近0（y≤0.3）时不予报警，当y在0.5附近（0.3＜y≤0.7）时则黄色预警，当y接近1（y＞0.7）时则红色预警，则机器人对30组模拟测试数据的输出结果如表2所示。

表2 30组测试数据表

由表2可以看出，30组测试样本数据的预期判定结果和机器人判定结果完全相同。

不过，测试结果与预期结果相同不代表没有误差，为进一步分析数据融合系统的系统误差情况，将报警预期值和融合结果值单独列出如图3进行对比。

图3 30组测试样本数据融合值与预期值对比

在图3中，横坐标表示参与测试的30组数据编号，纵坐标表示融合输出值，图中将融合输出结果y跟预期输出结果进行叠加对比。结合表2可以看出，本文设计的BP神经网络系统融合输出结果值y跟报警预期值有一定偏差，但均能保持同步。当温度、湿度及CO浓度在安全值范围内时，融合结果值跟预期结果值0基本同步，当湿度越低于正常值范围或温度、CO浓度越高于正常范围时则预测结果值偏离预期结果值0越远；相反，当湿度越高于正常范围或温度、CO浓度越低于正常范围时预测结果值越接近预期结果值0。当温度、湿度或CO浓度任意一个值超出安全阈值时融合结果值均接近预期结果值1，超出范围越远则融合结果越接近1。因此，以上所有情况的预测结果值和预期结果值偏差都在系统允许的范围之内，融合结果完全可用于指导巡逻机器人系统进行分级预警。

4 结论

本文以危化品仓库巡逻机器人作为应用平台，选用了BP神经网络自适应算法对机器人系统所监控参数进行融合预警。实验结果表明，本文设计的BP神经网络模型通过训练后可以综合各种传感器的检测结果进行数据融合输出，能在各种情况下有效避免传统报警器的误报现象。相较于普通监控设备，巡逻机器人系统预警的准确性和可靠性得到明显提高，并具备了一定的智能性。同时，因神经网络具备自主学习的能力，在系统需要增加更多的异型危化品检测传感器时该算法具有很好的移植性。但因危化品仓库是一个由温度、湿度、光照等环境参数和不同种泄露危化品浓度等参数构成的多变量耦合空间，环境参数和危化品相互耦合之后各变量的安全阈值有待进一步验证，以进一步确保和提高系统预警的可靠性。

［1］岳元龙，左信，罗雄麟.提高测量可靠性的多传感器数据融合有偏估计方法［J］.自动化学报，2014，40（9）：1843-1852.

［2］Chen Zhifeng，Cai Yunze，Xu Xiaoming.A Data Fusion Algorithm for Multi-Sensor Dynamic System Based on Interacting Multiple Model［C］//Proceeding of the 31th Chinese Control Conference.2012：199-203.

［3］李攀，郑紫微，陈平顺.多路数据融合在农业大棚监测系统中的应用［J］.无线通信技术，2014，4：27-31.

［4］王华东，王大羽.一种改进的多无线传感器数据分批估计自适应加权融合算法［J］.传感技术学报，2015，28（8）：1239-1243.

［5］秦建武，赵春宇，李宏.BP神经网络在爬架组安全监测系统中的应用［J］.无线通信技术，2015（3）：44-49.

［6］金长江，曹相杰.基于容积卡尔曼滤波的异类多传感器一致性融合算法［J］.传感技术学报，2016，29（7）：1006-1010.

［7］王冷.基于模糊神经网络信息融合的采煤机煤岩识别系统［J］.现代电子技术，2015，38（23）：106-109.

［8］阿兰·阿皮诺.不确定性理论与多传感器数据融合［M］.北京：机械工业出版社，2016：107-113.

［9］常丹华，王伟艳，赵春河.基于BP神经网络的图像颜色温度检测方法研究［J］.传感技术学报，2007，20（2）：343-345.

［10］李杰，毛晓健.空气湿度与火灾发生率［J］.山东消防，2013（2）：31.

［11］WU Wei，Wang Jian，Cheng Mingsong，et al.Convergence Analysis of Online Gradient Method for BP Neural Networks［J］.Neural Networks，2011，24（1）：91-98.

［12］周品.MATLAB神经网络设计与应用［M］.北京：清华大学出版社，2013：92-119.

黄衍标（1983-），男，江西石城人，硕士生，讲师，主要研究方向为机器人与人工智能；

罗广岳（1995-），男，广东海丰人，本科在读；

何铭金（1994-），男，广东高州人，本科在读。

The Application of BP Neural Network in Patrol Robot’s Multi-Sensor Data Fusion*

HUANG Yanbiao*，LUO Guangyue，HE Mingjin
（South China Institute of Software Engineering，Guangzhou510990，China）

According to the small monitoring range and much false alarm of traditional surveillance equipment in hazardous chemicals warehouse，a data fusion method base on BP neural network used in patrol robot is proposed，this method firstly collected the original data of temperature，humidity and the concentration of leaked hazardous chemicals in surroundings，and filtered the noise data by pauta criterion，then normalized all data before fuse operation，and finally fused all the data from each sensor by BP neural network.The experimental result indicates that the method greatly improved the patrol robot’s detectability of surroundings，and increased the dependability and accuracy in alarm，also it can be expanded additional sensors easily.

data fusion；robot；BP neural network；multi-sensor

TP183

A

1004-1699（2016）12-1936-05

��7230；6140

10.3969/j.issn.1004-1699.2016.12.026

项目来源：广东省重大平台和科研立项项目（2015KQNCX241）；广东省大学生科技创新培育专项资金项目（pdjh2016b0998）；2016年广州大学华软软件学院院级科研项目（ky201601）

2016-05-30修改日期：2016-07-17