基于混合模型的移动机器人同时定位与环境建模

提出一种基于混合地图模型的融合声纳传感器观测信息与里程计信息的同时定位与环境建模(SLAM)方法.该方法用混合模型即栅格地图模型和直线特征地图模型表示环境地图.首先,采用三区域声纳模型以及贝叶斯法则构建栅格地图,并通过在空间和时间上融合不同时刻多个声纳传感器的信息提高地图精度.然后,引入霍夫变换提取直线特征,创建直线特征地图,并通过比较地图中直线段的方向相似性、共线性与交叠性,确定全局与局部地图是否匹配.最后,利用直线特征以及扩展卡尔曼滤波器(EKF),通过状态预测、观测预测、位姿更新3个阶段估计出机器人更新的位姿信息,校正构建的地图模型,从而实现机器人的同时定位与环境地图构建.仿真实验和真实环境实验验证了该算法的可行性与有效性.     

基于声纳的移动机器人环境建模仿真平台的设计

利用Visual Basic建立了一个移动机器人环境建模的仿真平台,通过仿真声纳的数学模型,采用以概率论和Dempster-Shafer证据理论为基础的基于占有率的栅格地图创建方法,解释和融合仿真的声纳数据,建立环境的栅格地图。该仿真平台提供了环境和移动机器人运动状态在线实时设定功能,其参数可调的声纳模型及根据声纳数据进行环境建模的算法设计相对独立等特点极大地方便移动机器人环境建模的研究工作。     

集中式多传感器模糊联合概率数据互联算法

为解决集中式多传感器系统中多目标跟踪问题,提出了集中式多传感器模糊联合概率数据互联算法。该算法应用模糊数学的方法计算测量点迹与航迹测量预测之间的模糊综合相似度,运用阈值判别及经验概率法则给出模糊联合互联概率的计算方法,提出了集中式多传感器模糊联合概率数据互联算法的状态估计模型。对该算法与已有集中式多传感器联合概率数据互联算法进行仿真比较,仿真结果显示该算法的跟踪精度较后者提高了43.7%,同时有效地降低了周期耗时,综合性能更优越。     

集中式多传感器模糊联合概率数据互联算法

为解决集中式多传感器系统中多目标跟踪问题,提出了集中式多传感器模糊联合概率数据互联算法。该算法应用模糊数学的方法计算测量点迹与航迹测量预测之间的模糊综合相似度,运用阈值判别及经验概率法则给出模糊联合互联概率的计算方法,提出了集中式多传感器模糊联合概率数据互联算法的状态估计模型。对该算法与已有集中式多传感器联合概率数据互联算法进行仿真比较,仿真结果显示该算法的跟踪精度较后者提高了43.7%,同时有效地降低了周期耗时,综合性能更优越。     

基于模糊聚类的异类多传感器数据关联算法

针对异类传感器观测空间不一致的问题，提出了基于模糊聚类的异类多传感器数据关联算法．该算法首先通过在不同传感器的观测空间上建立多目标运动状态的投影，将多传感器多目标关联问题分解为多个单传感器多目标的关联问题，再对单传感器采用模糊聚类的方法求解关联概率，实现了在密集杂波环境中多目标的数据关联和精确跟踪．该算法降低了多传感器多目标跟踪的复杂性和计算量，有效地解决了异类多传感器可用公共信息少的问题．仿真结果表明，该算法的跟踪误差要小于传统的联合概率数据关联算法，且具有更优越的跟踪性能．     

基于一致性处理和模糊理论的数据融合算法研究

本文针对异类多传感器对同一物理量进行高精度测量,各测量数据的可靠度估计困难和如何对测量数据进行融合的问题,提出了对多传感器数据进行一致性处理的一种新方法,并基于模糊理论,用模糊贴近度的方法获得多传感器测量数据的融合结果。该方法计算简单,能够客观地反映各传感器测量数据的一致性和可靠程度。既无需知道数据的先验信息,也无需人为设定判别值。实例验证表明,该算法运算过程简洁、快速、有效,获取的结果具有更高的稳定性与精度,适合工程实际应用。     

信息融合多传感器故障贝叶斯可靠性分析

多传感器系统中各种传感器是测量被控系统输出信号的主要装置,并具有不同特性,采用多源信息融合方法能够增加故障信息的完备性,提出建立多传感系统贝叶斯可靠性推理分析方法,运用贝叶斯的条件概率描述模糊信息,该方法应用到飞行器多传感器故障信息和不确定分析过程,进而确保系统的可靠性。     

基于证据理论的AUV目标识别研究

根据D2S证据理论能很好表示“不确定性”和“不知道”的特点,对比不同的数据融合算法,在分析D2S证据理论的性能特点基础上,提出了一种基于自主式水下航行器的扫描声纳和水下摄像机两种视觉传感器采集信息的基本概率分配函数的方法和规则,并且分析了自主式水下航行器上的扫描声纳和水下摄像机这两种视觉传感器的信息在目标位置求解中的应用,同时利用Dempster合并规则,分析计算这两种视觉传感器在自主式水下航行器进行目标类别识别时的合成融合值.通过列表分析,表明增加了目标识别的可信度,减少了目标的不确定性.     

杂波环境下基于红外传感器和雷达融合的机动目标跟踪算法

提出一种在密集杂波环境下多传感器机动目标跟踪算法,在利用雷达测量数据的基础上,融合红外(IR)传感器获得的精确角度信息来提高机动目标跟踪性能。通过计算机仿真,该算法较传统概率数据关联(PDA)对于航迹跟踪成功率和位置估计的准确率更为有效。     

基于幂均融合算子的模糊传感器数据融合

提出了一种新的融合模糊传感器数据的方法。首先把模糊传感器输出的隶属函数作为对模糊命题的支持程度，之后引入了一个相似性测度对各个传感器输出的相似性进行度量，定义了一个相对一致度系数表示各个传感器被其他传感器所支持的程度，最后基于幂均算子实现了模糊传感器的数据融合。与已有的方法相比，该方法综合考虑了各个传感器的输出信息，降低了融合过程中的信息损失。通过一个目标识别的算例验证了该方法的有效性。     

基于连续数据量化的声纳传感器数据识别方法

为了有效识别声纳信号,提出一种基于连续数据量化的声纳传感器数据识别方法。首先用声学传感器采集数据;其次运用数据离散化方法,有效地将采集到的数据进行连续数据离散化;最后,通过数据挖掘技术(C4.5/C5.0决策树、SVM和Naive-Bayes分类器)对离散后的声纳信号数据进行分类识别。实验首先在UCI数据集上进行Naive-Bayes分类预测来评价提出离散化方法的性能,得到了较好的效果。其后,通过声学传感器收集到的Sonar数据集进行实验。结果表明,新的离散化方法提高了四个分类器的识别精度,表明该声纳传感器数据识别技术是非常有效的。     

基于软似然函数的直觉模糊多属性决策方法

为解决传统似然函数中结果值受极端数据影响及无法全面反映决策者偏好程度等问题,本文提出基于软似然函数的直觉模糊多属性决策方法。首先,针对具有不确定性的多属性决策信息,利用直觉模糊集表示模糊信息,对不确定的属性信息进行统一描述,构建了一个直觉模糊环境下的多属性决策问题。其次,通过引入态度特征识别决策者的主观偏好,考虑幂有序加权平均算子下各属性间的支持度,从而确定属性权重,在此基础上采用基于软似然函数的多属性决策算法对多个概率证据进行有效聚合。实验结果表明,所得软似然函数值更趋近于线性变化,不仅能更好地软化加权值,反映决策者的偏好信息,而且能在一定程度上减弱极端数据对结果产生的影响。     

基于粒子滤波的移动机器人SLAM算法

针对FastSLAM算法对传感器精度要求较高,不适用于方向性差的超声传感器问题,提出了一种基于超声概率栅格地图环境特征点提取匹配的移动机器人粒子滤波同时定位与地图创建(SLAM)算法.该算法可分解为机器人位姿估计和环境路标估计2个部分.基于蒙特卡罗定位原理利用粒子滤波算法对机器人运动轨迹进行估计;在建立全局超声概率栅格地图的基础上,利用概率栅格地图环境特征提取算法对环境路标坐标进行估计.实验证明,该算法较好地解决了超声测距传感器由于散射角大带来的特征点估计不准的问题,对环境路标和机器人轨迹的估计都比较准确.并对移动机器人累计误差进行了有效的补偿,减少了由于累积误差造成的移动机器人轨迹扭曲失真.     

多传感器多模型相互作用的数据关联方法

基于信息融合中的数据关联技术,在卡尔曼滤波基础上,结合相互作用多传感器多模型的概率数据互联算法,建立故障监测报警和现场传感器量测数据关联二者之间的关系,建立更具一般性的分布式传感器系统基础上的多传感器多模型,改进概率数据关联方法,以用于故障监测报警中相互作用的算法．并结合一个时变系统中空间位置传感器的故障诊断问题为例,运用多传感器多模型相互作用的数据关联方法进行仿真分析,研究此类故障判据的数据关联问题和数据关联算法的改进,研究表明相互作用多模型的概率数据互联改进方法不仅与有限维数的特定测量阈值相对应,而且直接针对故障模式,能够体现出动态模型的优点,可以与系统诊断知识相融合,为故障诊断的单步的、多步的、长期的预测预报提供依据．     

多传感器多机动目标跟踪的CPHD滤波算法

针对单传感器在多机动目标跟踪系统中不能很好地处理目标数目变化与突发机动的问题,提出了多传感器多机动目标跟踪的概率假设密度滤波算法.以CPHD滤波算法为理论基础,同时递推概率假设密度(PHD)函数和基数分布,避免了多目标多传感器的数据关联问题.结合自适应当前统计模型,选择3个雷达作为跟踪目标的传感器,相比于单传感器降低了信息的模糊度,提高了可信度.仿真结果比较表明了多传感器CPHD滤波算法在多目标跟踪方面的性能优势.     

基于多传感器融合的机器人导航系统设计

随着传感器技术的进步,多传感器信息融合技术在移动机器人中的应用已经成为一个热门的研究领域,为移动机器人探索不确定和未知环境提供了一种技术途径,是机器人实现更高级智能行为的基础。目前,用于移动机器人避障和导航控制的多传感器信息融合方法主要有模糊逻辑和神经网络。在机器人避障和导航控制中,本文采用了基于模糊逻辑的多传感器信息融合算法。通过对多传感器的信息进行融合能较好地实现机器人在未知环境中的自主避障与导航,并对这种控制方法进行了MATLAB仿真。通过对MATLAB仿真结果的比较,证明了在机器人的避障和导航控制中,该信息融合算法是优于传统信息融合算法的。     

煤矿救援蛇形机器人环境建模方法研究

煤矿救援机器人的研究对煤矿救灾工作的顺利开展有着重要的现实意义,简要分析了煤矿救援机器人在环境建模方面的研究现状,针对煤矿事故发生后,救援蛇形机器人如何在恶劣的井下进行环境识别和建模,提出了一种变结构模糊神经网络的多传感器数据融合算法。重点讨论了该算法的原理,结合煤矿井下的特殊环境和蛇形机器人自身结构特点,采用超声波传感器、红外测距传感器、激光雷达传感器组来获得障碍物的距离、位置信息及环境类型信息,然后,利用模糊神经网络对这些信息进行融合,采用改进的BP算法对网络进行学习,通过对结论网络权值的调整,择优选取模糊规则,从而自动的调节模糊神经网络的结构。以机器人在靠近障碍物时的八类典型环境标志为依据,通过模糊神经网络识别出障碍物的形状,完成环境的建模。利用实验获得的一组数据进行了仿真,结果表明该算法实现了在不同环境中模糊隶属函数的自动生成和模糊规则的择优提取,适用于复杂的非线性系统,对于煤矿救援蛇形机器人的环境识别和建模是一种行之有效的方法。     

基于最优划分的多传感器多目标跟踪NNJPDA算法

传统的最邻近联合概率数据关联算法(NNJPDA)不能直接用于多传感器对多目标的跟踪。针对这一问题,提出了一种适用于多传感器多目标跟踪的最邻近联合概率数据关联算法,它以极大似然估计完成对来自多传感器的测量集合进行同源最优划分,然后采用NNJPDA方法对多目标进行跟踪。经过理论分析和仿真试验,证明了该方法能有效地进行多传感器多目标的跟踪,且具有算法简单、跟踪精度高、附加计算量小等优点。     

基于贝叶斯估计的超声红外复合测距系统

针对单一传感器在复杂环境中测量数据可靠性差以及同一类型多传感器测距盲区无法补偿的问题,提出了一种基于贝叶斯估计的不同类型多传感器复合测距方法。该方法综合了超声与红外2种传感器的优点,利用红外传感器对超声传感器的测距盲区进行补偿,解决了单一类型传感器存在的测距盲区问题。对同一类型多个传感器同时获取的数据动态建立置信距离矩阵,应用椭圆曲线表示的支持程度关系矩阵确定各传感器测量结果中的有效值,并对其应用贝叶斯估计的方法进行数据融合,使测距准确度进一步提高。基于超声红外复合测距移动机器人的仿真实验表明,采用贝叶斯估计方法在保证实时性的前提下提高了测距的准确度,误差为±1 mm,达到了设计要求,为移动机器人的研究提供了参考。     

基于SVM的多传感器信息融合

针对现代工业生产采用大量不同传感器来监测和控制生产过程,被测量之间存在较大模糊关系,提出了一种基于SVM理论的多传感器信息融合方法.通过“对电弧炉炼钢供电曲线进行优化”表明,该方法对解决小样本、高维特征空间和不确定条件下的多传感器信息融合问题,具有较好的融合效果.