当前位置: 首页 » 技术方案 » 解决方案 » 智能制造 » 正文

仿生四足机器人中多传感器信息融合的测试应用


时间:2018-03-28 编辑:夏禅
分享到:



多传感器信息融合技术综合了概率统计、信号处理、人工智能、控制理论等多个学科的最新科研成果,为机器人精确、全面、实时地感知各种复杂的、动态的、不确定的未知环境提供了一种先进的技术手段。在研究基于多传感器融合的移动机器人避障技术的相关文献中,为获取机器人本体与障碍物的距离信息,经常使用的传感器有超声测距传感器、红外测距传感器、里程计、GPS、激光传感器等,这些传感器均为测距类传感器,传感器之间的冗余信息量大,互补信息量少,在使用的过程中必须提供先验知识,对于动态的、复杂的应用场景,其效果并不理想。对单目视觉传感器和超声测距传感器进行了信息融合,传感器间的互补信息量变大,融合结果提高了系统的鲁棒性,但单目视觉只有在特定的环境下才能得到距离信息,依然不能满足动态的应用场景。


双目视觉传感器对动态环境适应性强,超声测距传感器的测量精度高,为满足动态的应用场景,本文将进行这两种传感器的融合研究,需要指出,由于干扰信号的存在,在进行融合之前,先使用卡尔曼滤波算法对两种传感器获取的距离信息进行滤波处理。

1、卡尔曼滤波算法与STF融合算法

由于受杂波等干扰信号的影响,传感器获取的距离信息具有统计信号的特征,为保证测量精度,需要进行参数估计,根据具体的情况,解决参数估计问题的常用方法有卡尔曼滤波、α-β滤波、α-β-γ滤波等。卡尔曼滤波算法主要有两条主线,一条是基于自协方差矩阵的运算,另一条是基于滤波值和预测值的运算,两者通过增益矩阵联系起来。

多传感器信息融合方法大致可以分为三类,即,概率统计方法、逻辑推理方法和学习方法。使用模糊推理、D-S证据理论和产生式规则的方法进行信息融合,这些方法都属于逻辑推理的范畴;使用神经网络的方法进行信息融合,该方法属于学习方法的范畴,依据这些融合算法,均达到了预期效果。本文中使用的STF融合算法则是概率统计方法的一种。

假设仿生四足机器人上的双目视觉传感器和超声测距传感器获取的状态向量的估计值分别为和,协方差矩阵分别为P1和P2,互协方差矩阵P12=P21T。当P12=P21T≈0时,为了得到状态向量和协方差矩阵的最佳估计值,可以使用STF融合算法。

系统状态向量和协方差矩阵的最佳估计分别为

2、匀速直线运动模型

匀速直线运动(constantvelocity,CV)模型。CV直线运动模型的一般描述为:目标做CV直线运动,位移为x(t),速度为,加速度。实际情况中,速度在有随机扰动的情况下会发生轻微变化,假设这个随机扰动是均值为零的高斯白噪声。在此条件下,经离散处理后,卡尔曼滤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为采样周期,σw为过程噪声的标准差,σv为量测噪声的标准差。

3、参数确定

关键词:仿生四足机器人 传感器 测量    浏览量:2110

声明:凡本网注明"来源:仪商网"的所有作品,版权均属于仪商网,未经本网授权不得转载、摘编使用。
经本网授权使用,并注明"来源:仪商网"。违反上述声明者,本网将追究其相关法律责任。
本网转载并注明自其它来源的作品,归原版权所有人所有。目的在于传递更多信息,并不代表本网赞同其观点或证实其内容的真实性,不承担此类作品侵权行为的直接责任及连带责任。如有作品的内容、版权以及其它问题的,请在作品发表之日起一周内与本网联系,否则视为放弃相关权利。
本网转载自其它媒体或授权刊载,如有作品内容、版权以及其它问题的,请联系我们。相关合作、投稿、转载授权等事宜,请联系本网。
QQ:2268148259、3050252122。


让制造业不缺测试测量工程师

最新发布
行业动态
技术方案
国际资讯
仪商专题
按分类浏览
Copyright © 2023- 861718.com All rights reserved 版权所有 ©广州德禄讯信息科技有限公司
本站转载或引用文章涉及版权问题请与我们联系。电话:020-34224268 传真: 020-34113782

粤公网安备 44010502000033号

粤ICP备16022018号-4