基于多传感器信息融合的移动机器人定位技术的研究

范春梅

摘要：机器人定位是实现导航的关键问题之一。为了满足机器人在导航时精确定位的要求，提出了基于多传感器信息融合的定位方法。该文详细阐述了多传感器信息融合技术在移动机器人领域中的优越性与理论方法，尤其对多传感器信息融合的技术对比进行了深入的探讨。指明了移动机器人领域中多传感器信息融合技术未来的发展趋势。

关键词：信息融合；多传感器；移动机器人；定位

中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2017）04-0171-02

The Study of Multi-sensor Information Fusion bested on Localization of Mobile Robot

FAN Chun-mei

（Shaoguan University， Shaoguan 512026， China）

Abstract：Robot localization is one of the most important issues to tackle in navigation. In order to meet the requirement of accurate localization，a localization method based on multi-sensor information fusion is proposed.The advantage and the method of theory of multi-sensor information fusion technology in detail is described in text， especially it gives an in-depth discussion to comparition of technologies. At last， future development trends of this technology are also presented.

Key words： mobile robot； multi–sensor； information fusion； location

1 引言

智能移動机器人是能够通过传感器控制行为与执行命令，感知环境，感知自身状态等的机器人系统。它的定位技术研究的是创建地图、同步定位、路径规划等。

移动机器人定位技术除了可以利用传感器确定机器人的位置信息，周围环境信息，还可以采用信息融合算法通过对信息整合后确定目的地，根据所建立的模型找出合适的路径。

由于移动机器人技术在多个领域占据举足轻重的地位，如：遥感，工业，医疗系统，金融系统，外星探测等。本文指出定位技术的优越性，对定位技术的常用方法进行详细对比，并进一步地探讨其发展趋势。

2 信息融合基本概念及优越性

信息融合可定义为：利用计算机技术对多个和/或多类传感器信息按一定准则加以协调管理、自动分析、优化综合以完成目标检测识别、态势描述、威胁评估、判断决策等任务而进行的信息处理以及传感器与数据库的管理过程。

信息融合技术从理论结合实际出发，在多个领域的应用中体现了它无可厚非的优越性：增加系统的生存能力，改善系统的可靠性，扩展时间、空间覆盖范围，信息处理速度快，提升系统对抗性能，信息获取成本低等。

3 基于多传感器的信息融合技术的理论方法

3.1 多传感器信息融合技术的常用方法

3.2 信息融合技术的比较

3.2.1 加权平均法

优点：实现简单，运算量小。

缺点：在不同的传感器能够独立进行定位时才有效，应用受限制。

3.2.2 Bayes推理方法

优点：Bayes网络推断有许多精确方法和近似方法，参数自适应和结构自适应方法。

缺点：所有要求的数据都必须是独立的，会给系统造成比较大的困难；在系统中增减一个规则时，需要重新计算所有的概率，才能保证系统的相关性和一致性。

3.2.3 Kalman滤波

优点： 可以估计平稳的一维随机过程和非平稳的多维随机过程，适合于实时处理并可减少实时在线计算量。它被广泛应用于制导系统、定位系统、通遥感、金融等。

缺点：只适用于线性系统，并且要求观测方程也必须是线性的。

3.2.4 扩展Kalman 滤波

优点：1）计算速度快，存储量低，在工程应用方面有明显的优势；2）在高斯白噪声且非线性强度低的环境中，算法稳定、收敛速度较快、估计精度较高；

缺点：1）需要计算雅可比矩阵，而且在非线性强度大的环境中，线性化容易增大，估计精度会明显下降，甚至发散；2）当初始状态相对误差较大时，扩展Kalman滤波很不稳定、收敛速度慢、估计精度较高；3）在复杂的非高斯环境中，扩展Kalman滤波算法也不适用。

3.2.5 Unscented 滤波

优点：1）对于非线性系统，与扩展Kalman滤波比较起来，Unscented 滤波不需要计算矩阵的雅可比式，计算简单且更容易实现；2）对高斯型密度函数可以精确估计到三阶，对非高斯型密度函数可以精确估计到二阶，因此其估计精度比一阶扩展 Kalman滤波更高，和二阶扩展 Kalman滤波相同。

缺点：滤波稳定性有待提高。

3.2.6 Dempster-Shafer证据推理

优点：可以不需要先验概率和条件概率密度，对于不确定性问题能够很好地表示及处理。

缺点：组合爆炸问题；有限辨识框架及证据体独立性问题；高冲突证据组合问题[1]。

3.2.7 模糊逻辑

优点： 不需要建立精确的数学模型；具有较强的鲁棒性；控制器成本低且容易操作。

缺点： 获取和建立模糊规则，模糊建模不容易得到有效解决；对于模糊控制器的参数和结构，也不容易依据系统综合指标来设计。

3.2.8 产生式规则

优点：自然性，模块性，有效性与清晰性。

缺点：规则之间的相互限制有可能使效率降低；结构性知识不能表达出来；不提供实际解释。

3.2.9 小波变换

优点：1）满足能量守恒方程的线形运算，2）小波变换相当于一个具有放大、缩小和平移等功能的数学显微镜，通过检查不同放大倍数下信号的变化来研究其动态特性；3）小波变换是稳定的，是一个信号的冗余表示。具有统一性和相似性，其正反变换具有完美的对称性。小波变换具有基于卷积和QMF的塔形快速算法。

缺点：在不同尺度上得到的逼近信号特征之间存在差异，小波变换时采用以个基函数导出的小波函数难以在不同尺度上准确地逼近局部信号特征，因此降噪预处理时的重构信号会丢失原有的时域特征[2]。

3.2.10 人工神经网络方法

优点：泛化能力强，稳定性高，容错性好，快速有效[1]。

4 信息融合技术的研究结果

加权平均法在单传感器系统中应用更具有优越性；Kalman滤波，Unscented滤波能够有效解决图像融合以及图像与非图像信息融合等技术研究上的热点；小波变换对于提高融合精度具有可实现性；模糊逻辑，人工神经网络可以很好地提高Kalman滤波算法的鲁棒性； Dempster- Shafer有效解决 Bayes方法的多种弊端，可以看成是 Bayes方法的改进与延伸，多种方法的分工合作与相互补充能很好的提高机器人系统的性能，因此，实现多种方法间优势的结合能让机器人定位技术取得理想的效果。

5 信息融合研究的难点问题

信息可否融合的准则及降低二义性的方法有待于解决；因主动辐射增多，系统总体易暴露； 获取基本概率赋值和系统的建立与管理是信息融合系统的设计难点；等等。

6 发展趋势

由于并行体结构是传感器结构的发展方向，因此，多传感器信息融合技术的发展趋势之一是并行计算能力的软、硬件的开发及应用。 由于多传感器信息融合算法大多集中于平稳随机过程，而且是线性分布的，因此，提高系统性能，研究并改进算法，以便于实现非平稳、非线性分布的信息融合算法。目前，基于多传感器信息融合的移动机器人主要实现了室内环境的定位与导航。关于传感器的布置，系统的建立与管理，行驶路线的规划以及机器人的自定位等方面仍需要更进一步的研究，尤其是移动机器人在非室内环境中的定位技术更是今后的研究方向。

参考文献：

[1] 韓崇昭，朱洪艳，段战胜. 多源信息融合[M]. 北京. 清华大学出版社， 2010.

[2] 杨露菁， 余华. 多源信息融合理论与应用[M]. 北京. 北京邮电大学出版社， 2005.