四足機器人中多傳感器信息融合的應用

　　多傳感器信息融合技術綜合了概率統計、信號處理、人工智能、控制理論等多個學科的最新科研成果，為機器人精確、全面、實時地感知各種復雜的、動態的、不確定的未知環境提供了一種先進的技術手段。在研究基于多傳感器融合的移動機器人避障技術的相關文獻中，為獲取機器人本體與障礙物的距離信息，經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，在使用的過程中必須提供先驗知識，對于動態的、復雜的應用場景，其效果并不理想。對單目視覺傳感器和超聲測距傳感器進行了信息融合，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，但單目視覺只有在特定的環境下才能得到距離信息，依然不能滿足動態的應用場景。

　　雙目視覺傳感器對動態環境適應性強，超聲測距傳感器的測量精度高，為滿足動態的應用場景，本文將進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，需要進行參數估計，根據具體的情況，解決參數估計問題的常用方法有卡爾曼濾波、α-β濾波、α-β-γ濾波等。卡爾曼濾波算法主要有兩條主線，一條是基于自協方差矩陣的運算，另一條是基于濾波值和預測值的運算，兩者通過增益矩陣聯系起來。

　　多傳感器信息融合方法大致可以分為三類，即，概率統計方法、邏輯推理方法和學習方法。使用模糊推理、D-S證據理論和產生式規則的方法進行信息融合，這些方法都屬于邏輯推理的范疇;使用神經網絡的方法進行信息融合，該方法屬于學習方法的范疇，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傳感器和超聲測距傳感器獲取的狀態向量的估計值分別為和，協方差矩陣分別為P1和P2，互協方差矩陣P12 = P21T.當P12 =P21T≈0時，為了得到狀態向量和協方差矩陣的最佳估計值，可以使用STF融合算法。

　　系統狀態向量和協方差矩陣的最佳估計分別為

　　2勻速直線運動模型

　　勻速直線運動( constant velocity，CV)模型。CV直線運動模型的一般描述為：目標做CV直線運動，位移為x( t)，速度為，加速度。實際情況中，速度在有隨機擾動的情況下會發生輕微變化，假設這個隨機擾動是均值為零的高斯白噪聲。在此條件下，經離散處理后，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，可以得到兩組狀態向量的估計值和，以及相應的協方差矩陣P1和P2，由于以上兩組數據來自兩個不同的傳感器系統，故滿足P12 = P21T≈0這一條件，可以使用STF融合算法得到整個系統的狀態向量和協方差矩陣的最佳估計值和P.為此，需要確定以下參數，系統的過程噪聲標準差σw，雙目視覺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際情況，確定以上參數。

　　3.1確定系統的過程噪聲標準差

　　由于在機械結構設計和裝配過程中產生的誤差，使得仿生四足機器人在Walk步態下行走時，并不是理論上以0.4 m/s的速度做勻速直線運動，而是在做變速直線運動，系統的過程噪聲標準差是機器人在Walk步態下行走時的加速度值。下面介紹獲取該加速度值的方法。