神经网络信息融合创建机器人栅格地图研究

徐美清 刘洞波

摘  要：该文主要研究未知环境下移动机器人栅格地图的创建方法。针对声纳传感器感知数据的不确定性，首先根据模糊逻辑和概率理论解释多个声纳的测距信息，然后使用模糊隶属度及概率表示栅格占用状态。通过神经网络在特征级的信息融合来减弱声纳传感器测量数据的测量误差，得到一个对环境的整体表示。仿真结果表明，这种方法通过多个不同传感器的测量值对同一栅格的解释，可以有效增加数据可靠性、提高数据精度、减小噪声干扰。总之，这个方法有着很好的健壮性以及准确性。

关键词：移动机器人  栅格地图  地图创建  神经网络  信息融合

中图分类号：TP183    文献标识码：A 文章编号：1672-3791（2019）07（c）-0011-02

为实现移动机器人的自主动作和行为，必须利用机器人的感知信息来建立未知工作环境的模型。栅格地图是移动机器人环境地图创建的一种重要表示模型，由Moravec H.P和Elfes.A提出[1]，这个模型把机器人所在的工作空间环境划成了几个整齐的栅格，利用提取每个栅格单元的状态来确定环境问题。

通常，移动机器人利用激光测距仪、红外探测器、声纳等测距类传感器感知环境信息并创建栅格地图[2]。其中，声纳传感装置的优点很多，比如售价便宜、操作简洁、信息处理容易等，因此它在移动机器人设计行业中的使用较为频繁。但是它也存在一些弊端，例如精度低、多重反射等，对于信息的感知也极不稳定。为了能够更好地解决上述缺陷，综合考量多个传感器空间的相关性，该文将神经网络对使用概率、模糊逻辑知识的解释多个声纳获取到的数据进行相应的信息融合，获得表示栅格状态{障碍物，不确定，空闲}的新概率值，最后采用贝叶斯更新模型更新栅格，以建立表示环境的栅格地图。实验结果表明，利用该文提出的方法所创建的地图准确度高、鲁棒性好。

1  神经网络信息融合创建栅格地图

对于单个声纳数据分别采用模糊逻辑和概率理论进行解释，然后输入到神经网络，采用这种方法，一方面，能充分结合模糊逻辑、概率理论声纳解释模型的优势;另一方面，把一维数据映射到高维特征空间。这一操作的目是为了降低问题的非线性，将其尽可能地转变成高维空间中的线性问题。因为一个栅格可以同时被多个传感器所探测到，所以使用多个传感装置在空间上进行相互补充，将所有的测量值用于描述同一个栅格，增加数据可靠性、提高数据精度。下面介绍该文提出的获取栅格当前状态值的神经网络信息融合结构，如图1所示。在输入层和隐含层之间加入了一个特征化层，将每一个输入变量扩展成为5个输入变量。

网络框架整体涉及4个层级。最关键的一层也就是输出层包括了3个神经元，分别为3个与当前计算栅格最相关的传感器的测量值（d1、d2、d3）。然后，利用概率理论和模糊逻辑，将输入神经元转化为5个特征神经元，即{障碍物，空闲，占用，不确定，空}。隐含层的神经元个数设计为31个，传递函数采用S型正切函数。输出层有3个节点，输出值分别为O=[Oocc，Oemp，Ouce]，其中第1个代表栅格部分被占用状态的可能性大小，第2个代表栅格部分为空闲状态的可能性大小，第3个表示栅格单元为不确定状态的概率值。整个网络结构为3∶15∶31∶3，除输入层到特征化层的连接权值为1外，其余各层之间的连接权值均可调。

该种样本的获取流程：把机器人安置在已探明的室内环境当中，指示其进行直线运动、旋转运动，随机连续多次采集机器人位姿和声纳传感器测量数据，随后使用典型的Levenberg-Mar quardt算法对神经网络做出训练，其学习率只有0.01，选择通用近似均方差函数作为性能指标函数，若误差是2.5×10-5的时候训练终止。

针对相同栅格单元，能够包含多个时间段的多种解释，要想获得更加精准的解释，应当对这些信息进行集成。要想防止计算变得复杂，确保地图创建算法的增进式处理，集成模式使用Bayesian集成模型，其更新手段为：对于栅格单元mi，j的3个可能状态在一开始可能均为1/3，利用测量数据序列S=（S（1），…，S（T））后，这里面的S（n）代表3个与现在计算栅格关联最密切的传感装置测量值序列，对应相关集成的概率高低依次为：

2  仿真实验研究

为了验证该文提出地图创建方法，在AS_R型机器人上开展实验。图2（a）为实验环境的理想表示，机器人通过传感器获得的环境信息使用该文的融合算法建立的走廊和教室的环境地图如图2（b）所示，可以看出，该文算法所创建的地图均能较好地反映真实环境。

利用式（1）计算不同算法的误差综合，结果如表1所示，可见该文算法具有更高的精度。

3  结语

该文提出的方法与其他方法相比有如下優点：（1）使用模糊逻辑方式、概率相关理论依次解释声纳数据资料的结果并做出相应结合，具体可以结合相关模型健壮性以及精度的问题;（2）基于多个传感装置对相同栅格的测量结果的作用，结合附近传感装置信息生成更加精确的相关问题，可大幅减少噪声干扰、镜面反射及多次反射的影响。

参考文献

[1] Siciliano B，Khatib O.Springer handbook of robotics[M]. Springer，2016.

[2] 刘丹，段建民，于宏啸.基于自适应渐消EKF的Fast SLAM算法[J].系统工程与电子技术，2016（3）：644-651.

[3] 余洪山.移动机器人地图创建和自主探索方法研究[D].湖南大学，2007.