复合传感器及其在机器人行业中的应用

复合传感器及其在机器人中的应用摘要：多传感器信息融合技术是近年发展起来的一门新兴技术，在机器人领域有着广阔的应用前景。通过融合多个传感器提供的冗余、互补或更实时的信息，可以获得系统所需的更准确和更精确的信息。本文主要论述了多传感器信息融合的一般方法，并对其在机器人领域的应用进行了介绍。最后指出多传感器信息融合技术在微传感器、智能传感器和自适应融合等方面的发展方向。关键词：多传感器;信息融合；机器人_、前言多传感器集成与信息融合技术是80年代初发展起来的，它首先应用在军事上。美、英、法等国将战场信息的融合列为一项重大的研究课题,美国国防部专门成立了一个信息融合小组,并组织了几个专题计划,研究、开发多传感器信息融合技术。随着对机器人应用领域要求的不断扩大和第二代具有局部(初级)智能机器人的研究与开发，多传感器集成与信息融合技术对提高机器人系统性能的重要性能越来越受到人们的关注，智能机和新一代智能机器人也朝着多传感器的方向发展。它结合了控制理论、信号处理、人工智能、概率和统计的发展，为机器人在各种复杂的、动态的、不确或未知的环境中工作提供了一种技术解决途径。多传感器信息融合是指综合来自多个传感器的感知数据，以产生更可靠、更准确或更精确的信息。经过融合的多感器系统能完善地、精确地反映检测对象特性，消除信息的不确定性,提高传感器的可靠性。经过融合的多传感器信息具有以下特性:信息的冗余，性、信息的互补性信息的实时性和信息的低成本性。1979年法国的Hilare移动机器人,1985年美国DARPA战略计划的自主陆地车(ALV),1986年Carnegie-Mellon大学的CMU自主陆地车和1987年Stanford大学的Stanford移动机器人都成功地应用了多传感器信息集成与融合技术处理各种复杂野外环境的传感信息。在工业机器人方面，日本HITACHI公司正在开发用三维视觉和力传感器的集成电路装配机器人，欧洲信息技术研究战略计划ESPRIT也在开发具有视觉、触觉和力觉的机器人，用于材料加工以及集成装配作业。近年我国才开始这一领域的研究工作。我国的"863高技术研究计划"对传感器和传感技术的研究给予了高度重视,1992年11月在北京召开的"863"高技术智能机器人研究与发展讨论会上，与会专家、学者再次重申了这一观点，同时对多传感器集成与信息融合技术给予了特别的关注。在"863计划"的支持下，近年来在传感技术、信息处理、机器人控制和人工智能等基础研究方面取得了显著的成果，为多传感器集成与信息融合技术在机器人中的应用奠定了一定的基础。二、多传感器集成与信息融合近年来，人们对协同运用多传感器以增强智能机器和系统功能的兴趣日益增加。为了使系统有效地利用各种传感器提供的信息,需要一种有效的方法来集成这些传感器提供的信息。但就目前而言,人们大多还采用传统的方法，即在多传感器系统中，对来自每个传感器的信息单独地输入系统，分别独立的加以利用。这样,由于外部传感器数量的增加，必然会带来复杂的控制任务与传感信息处理之间的矛盾。通常，随着传感器及其相关处理操作数目的增多，控制程序和通讯的复杂程度呈指数规律增长,因此,研究并提出一种合理的控制结构和多传感器信息集成与融合方法已成为人们攻克的一个重点课题。许多文献介绍了多传感器集成与信息融合方面的研究成果,各种不同的控制结构和融合方法相继问世，但对信息集成与融合似乎还没有一个十分明确、严格的定义和统一的认识，大多数专家学者都是从自己研究的具体的系统中理解多传感器信息集成与融合的含义，并提出各种不同的实现方法和控制结构。信息融合的方法是多传感器信息融合的最重要的部分,由于其应用上的复杂性和多样性，决定了信息融合的研究内容极其丰富,涉及的基础理论较多。多传感器信息融合算法可以分为以下四类:估计方法、分类方法、推理方法和人工智能方法，其中分类方法主要有参数模板法和聚类分析。美国北卡罗莱纳州立大学的RENC.Luo和MICHAELE.KAY在综述了已有研究成果的基础上，提出了一个比较明确的定义。所谓多传感器集成是指协调运用多传感器装置提供的信息，以协助系统完成任务，它处于系统结构和控制级上，涉及的问题较一般。而多传感器信息融合的概念更严格，它通常是指在集成过程的任一阶段,将不同来源、不同性质的感觉信息融合成一种统一的表示形式（通常是符号表示），它所涉及的问题大多数情况下是数学表达或统计问题。笔者认为，没有必要将集成与融合过于严格地区分开来，两者只是在系统的不同层面上采用不同的表示和处理方式，但都是综合运用多传感器信息的手段。也就是说,所谓多传感器信息集成与融合是采用一种最佳的系统结构和合适的信息处理方法，综合运用多传感器信息,以增强系统在各种复杂的、动态的、不确定环境中的自主决策能力。信息集成是融合的基础，将集成处理的多传感器信息进行合成,形成对外部环境某一特征的一种表达方式就是融合。经过集成与融合的多传感器信息能完善的、精确地反映环境特征，与单一传感器只能获得环境特征的部分信息段相比,它具有冗余性、互补性、实时性和低成本四大优点。三、多传感器信息融合的一般方法贝叶斯估计贝叶斯估计是融合静态环境中多传感器低层数据的一种常用方法，其信息描述为概率分布，适用于具有可加高斯噪声的不确定性。当传感器组的观测坐标一致时,可以用直接法对传感器测量数据进行融合。在大多数情况下，多传感器从不同的坐标框架对环境中同一物体进行描述，这时传感器测量数据要以间接的方式采用贝叶斯估计进行数据融合。多贝叶斯估计Durrant-Whyte将任务环境表示为不确定几何物体集合的多传感器系统模型，提出了传感器信息融合的多贝叶斯估计。整个系统中的每个传感器由提取这些物体的有用的静态描述能力表示，系统中的多传感器作为一个决策者队,多传感器必须决定环境的一个队的一致性观测。多贝叶斯估计把每个传感器作为一个贝叶斯估计,将各单独物体的关联概率分布结合成一个联合的后验概率分布函数，通过联合分布函数的似然函数为最小，提供多传感器信息的最终融合值，融合信息与环境的一个先验模型提供整个环境的一个特征描述。卡尔曼滤波卡尔曼滤波用于实时融合动态的低层次冗余传感器数据。该方法用测量模型的统计特性递推决定统计意义下最优融合数据估计。如果系统具有线性动力学模型，且系统噪声和传感器噪声是高斯分布的白噪声模型，卡尔曼滤波为融合数据提供唯一的统计意义下的最优估计，卡尔曼滤波的递推特性使系统数据处理不需大量的数据存储和计算。统计决策理论统计决策理论(SDT)为多传感器产生的冗余定位信息的融合提出了分两步广义方法。传感器噪声建模为多样的可能概率分布，传感器模型的作用是增加决策过程的鲁棒性，通过分离分布函数来确定分离系数,表示由不真实的传感器读数可能引起的偏差。与多贝斯估计相比较，统计决策理论中的不确定性为可加噪声，从而对不确定性的适应范围更广。5.Shafer-Dempster证据推理该方法是贝叶斯方法的扩展。在贝叶斯方法中,当一个传感器可用附加信息或未知前提的数目大于已知前提的数目时，已知前提的概率变得不稳定。Shafer-Dempster方法中，使用了一个不稳定区间，可以通过不指定未知前提的先验概率避免贝叶斯方法的不足。具有置信因子的产生式规则集成多维低层处理的最初结果是线和区域数据,它们是图像的两种最常用的低层描述。集成多区域分割算法中最为静态的方法允许每一个过程独立地分割图像,然后每一个分割区域用以下两种方法联合:一是将所有区域界投影到一幅图像上，并合并结果区域;二是作出所有分割中具有支持作用的那些边界的投影，并连接结果边界段。模糊推理和神经网络多传感器系统中,各信息源提供的环境信息都具有一定程度的不确定性，对这些不确定信息的融合过程实质上是一个不确定性推理过程。采用模糊逻辑融合景像分析和目标识别信息，通过指定一个从0到1之间的实数表示的真实度,相当于隐式算子的前提,允许将多传感器信息融合过程中的不确定性直接表示在推理过程中，如果采用某种系统化的方法建模，融合过程中的不确定性,则可产生一致性模糊推理。神经网络要根据当前系统所接收到的样本的相似性，确定分类标准。这种确定方法主要表现在网络权值分布上，同时可采用神经网络特定的学习算法来获取知识，得到不确定性推理机制。多传感器信息融合技术的发展方向目前多传感器信息融合技术是一个十分活跃的研究领域，在这方面将来的发展方向有:多层次传感器融合、微传感器和智能传感器、自适应多传感器融合。多层次传感器融合由于单个传感器具有不确定、观测失误和不完整性的弱点，因此单层数据融合限制了系统的能力和鲁棒性。对于要求具有高的鲁棒性和灵活性的先进系统,可以采用多层次传感器融合的方法。低层次融合方法可以融合多传感器数据;中间层次融合方法可以融合数据和特征，得到融合的特征或决策;高层次融合方法可以融合特征和决策，得到最终的决策。微传感器和智能传感器传感器在人们的日常生活中起着重要的作用,它就像人的五官一样，是采集外部环境信息并处理信息的重要工具。传感器的性能、价格和可靠性是衡量传感器优劣与否的重要标志，然而许多有着优良性能的传感器由于其体积大而限制了它的应用市场。微电子技术的迅速发展使小型或微型传感器的制造成为可能。智能传感器将主处理、硬件和软件集成在一起。如ParScientific公司研制的1000系列数字式石英智能传感器。日本日立研究所研制的可以识别4种气体的嗅觉传感器。美国Honeywell公司研制的DSTJ23000智能压差压力传感器是其中最为成功的，它在同一块半导体基片上用离子注入法配置扩散了压差、静压和温度3个敏感元件，整个传感器还包括变换器、多路转换器、脉冲调制、微处理器和数字量输出接口等。自适应多传感器融合通常,多传感器融合需要感知环境的精确信息。然而,在实际世界中，不能得到关于感知环境的精确信息，并且传感器不可能确保一定正常工作。因此，对于各种各样不确定情况,鲁棒融合算法是十分必要的。现已研究出一些自适应多传感器融合算法来处理由于传感器的不完善带来的不确定性。如Hong通过革新技术提出一种扩展的联合方法，该方法是能够估计单个测量序列滤波的最优卡尔曼增益。Pacini和Kosko也研究出一种可以在轻微环境噪声下应用的自适应目标跟踪模糊系统，它的处理过程中结合了卡尔曼滤波算法五、多传感器集成与信息融合在机器人中的应用机器人是一门涉及技术领域非常广泛的学科，其中传感器和控制技术是核心的技术。而常用的机器人中传感器种类：机器人传感器分类类别检测内容应用目的传感器件明暗觉是否有光，亮度多少判断有无对象，并得到定■结果光敏管、光电断续器色觉对象的色彩及浓度利用颜色识别对象的场合彩色摄影机、滤色器、彩色CCD位置觉物体的位置、角度、距离物体空间位置，判断物体移动光敏阵列、OCD等形状觉物体的外形提取物体轮廓及固有特征，识别物体光敏阵列、CCD等接触觉与对象是否接触，接触的位置决定对象位置，识别对象形态,控制速度，安全保障，异常停止，寻径光电传感器、檄动开关、薄膜接点、压敏高分子材料压觉对物体的压力、握力、压力分布控制握力，识别握持物，测量物体弹性压电元件、导电橡胶、压敏高分子材料力觉机器人有关部件（如手指）所受外力及转矩控制手腕移动，伺服控制，正确完成作业应变片、导电橡胶接近觉对象物是否接近，接近距离，对象面的倾斜控制位置，寻径，安全保障，异常停止光传膳器、气压稽感器、超声波传感器、电涡流情感器、霍尔传感器滑觉垂直握持面方向物体的位移，重力引起的变形修正握力，防止打滑，判断物体重量及表面状态球形接点式、光电摭转传感器、角编码器、振动检测器 绝大部分机器人应用中都可以看到传感器的存在。因此，多传感器信息融合技术在机器人领域有着广阔的应用前景。而最突出的，应该是很多研究机构为了探讨多传感器数据融合的一般规律而在实验室设计的各种可移动机器人或各种环境下的自动驾驶装置。HILARE是第一个应用多传感器信息来创建世界模型的可移动机器人，它充分利用视觉、听觉、激光测距传感器所获得的信息,以确保其能稳定地工作在未知环境中。听觉和视觉传感器用来产生一个被层次化坐标所分割的图,视觉和激光测距传感器用来感知环境中的三维区域格,并通过约束来提出无关的特征。每个传感器的不确定性分析首先假设为高斯分布，一旦所有传感器有相近的标准差，那么，这些值就被加权平均并融合为对目标一个顶角的估计，否则,有最小标准差的值被采用。移动机器人和自主车移动机器人和自主车有着广泛的应用，当它们在未知的和动态环境中工作时,将多传感器提供的数据进行融合,使环境信息得以快速的感知。移动机器人对多传感器信息集成与融合的发展起了重大的促进作用。Hilare移动机器人将触觉、听觉、两维视觉、激光测距等传感器结合起来使之能在未知环境中操作。Hilare移动机器人是首次用多传感器信息形成未知环境实物模型的移动机器人,使用声音和视觉传感器建立分割为定位层次的图表。视觉和激光测距得到环境中不同区域的近似三维表示，激光测距获得物体更精确的范围。使用3种不同的方法得到机器人位置的精确估计:使用标记的绝对位置定位、无外部坐标的轨迹集成、参照环境的相对位置定位。每一种方法互补校正，减少其他方法中的误差和不确定性，不同传感器产生的信息，经过集成,提供已知物体的位置和相对于机器人的定位，根据物体的特征和与机器人的距离，选择恰当的冗余传感器测量物体。每个传感器的不确定性建模为高斯分布,如果所有传感器测量的标准偏差具有相同的幅度，那么加权平均值将作为物体顶点的融合估计。Stanford移动机器人将触觉、立体视觉和超声波传感器用于非结构化人为环境中的机器人导航，两维环境模型采用分层表示,最低层环境特征与传感器提供的数据一致，高阶层是抽象的和符号表示的环境特征。机器人定位的不确定和环境特征建模为高斯分布,随着机器人的运动，卡尔曼滤波用于传感器信息的融合。Carnegie-Mellon大学机器人中心研制的CMU自主陆地车具有彩色TV摄像机、激光测距仪和声纳传感器，能实行多传感器信息集成与融合。并行处理是该研究的主要目标。局部环境模型中的数据具有属性数值标志。标志代表实际物体，几何定位由平面多边形组成，声纳传感器用于检测近障碍物，可用于将定位从一个坐标系统变换到另一个坐标系统的参考坐标框架，时间标记记录标志建立的时刻和接收传感器数据的时间,当由摄像机和激光测距仪在不同时刻和定位测量的距离数据融合时，每个传感器做标志的坐标框架首先变换到共同的车体框架，接着变换到时间上的同一点，数据融合的结果产生一个表示融合数据的新标志。装配机器人上海大众焊接机器人装配作业是机器人应用的一个复杂领域。Groen等提出了一种具有视觉、超声波、触觉、力传感器的装配机器人结构。装配过程表示为某一传感器运行的条件满足时所进入的一系列阶段，整个过程由建模为NBS分层结构控制，采用一套模块化的低层外部处理执行传感器处理、机器人控制和数据通讯等专门任务。视觉传感器用于识别不同零件和定位，腕力传感器和被动柔性装置用于高精度轴孔匹配、零件传送和放取。Karlaruhe自由移动装配机器人用于柔性制造单元中的零件传输和装配操作，它是一个具有两台PUMA260机器人的移动平台，平台具有4个独立驱动的轮子，并装有对角配置的无驱动滚子，使得它能向任何方向移动，一台摄像机用来识别两维零件。装配作业在两个腕力传感器和两个位于末端执行器上的摄像机辅助下完成,一个超声波传感器和4台摄像机完成导航。控制系统采用层次化的结构，传感模块和执行模块用一个特殊通信接口耦合的黑板系统实现,规划模块由产生一系列基本操作的进程组成，基本操作由单独的基本操作模块组成，这些模