第一篇：基于多傳感器信息融合的智能機器人
基于多傳感器信息融合的智能機器人
院 － 系： 信息工程與自動化學院 專 業(yè)： 模式識別與智能系統(tǒng) 年 級： 2011 級 學生姓名： 朱 丹 學 號： 2011204082 任課教師： 黃國勇
2011年11月
摘要
機器人多傳感器信息融合是當今科學研究的熱點問題。傳感器是連接機器人智能處理過程與外界環(huán)境的重要紐帶，一般智能機器人都配有數(shù)個不同種類的傳感器。本文主要分析了多傳感器系統(tǒng)在機器人當中的重要性和多傳感器信息融合的基本原理，并探討了多傳感器信息融合技術(shù)在智能機器人中的應用。
關(guān)鍵詞：智能機器人、多傳感器、信息融合
引言
多傳感器、信息融合技術(shù)與傳統(tǒng)機器人的結(jié)合構(gòu)成了智能機器人。要使機器人擁有智能，對環(huán)境變化做出反應，首先必須使機器人具有感知環(huán)境的能力。用傳感器采集環(huán)境信息加以綜合處理，控制機器人進行智能作業(yè)，更是機器人智能化的重要體現(xiàn)。在以往機器人智能領域的研究中，人們把更多的注意力集中到研究和開發(fā)機器人的各種外部傳感器上。盡管在現(xiàn)有的智能機器人和自主式系統(tǒng)中，大多數(shù)使用了多個不同類型的傳感器，但并沒有把這些傳感器作為—個整體加以分析，更像是—個多傳感器的拼合系統(tǒng)。雖然在各自傳感器信息處理與分析方面開展了大量富有成效的工作，但由于忽視了多傳感器系統(tǒng)的綜合分析，對提高智能系統(tǒng)的性能帶來了不利影響，效率低下而且速度緩慢。
因此，多傳感器信息融合技術(shù)較之單一傳感器有非常大的數(shù)據(jù)準確度的優(yōu)勢，已經(jīng)成為現(xiàn)在機器人研究領域的關(guān)鍵技術(shù)。
一、多傳感器信息融合的基本原理
多傳感器信息融合是人類和其他生物系統(tǒng)中普遍存在的一種基本功能。人類本能地具有將人體的各種功能器官(眼、耳、鼻、四肢)所探測的信息(景物聲音、氣味和觸覺)與先驗知識進行綜合的能力，以便對周圍的環(huán)境和正在發(fā)生的事件做出估計。這一處理過程是復雜的，也是自適應的，它將各種信息(圖像、聲音、氣味、物理形狀、描述)轉(zhuǎn)化成對環(huán)境的有價值的解釋，這需要大量不同的智能處理，以及適用于解釋組合信息含義的知識庫。
多傳感器信息融合實際上是對人腦綜合處理復雜問題的一種功能模擬。在多 傳感器系統(tǒng)中，各種傳感器提供的信息可能具有不同的特征:時變的或者非時變 的；實時的或者非實時的；快變的或者緩變的；模糊的或者確定的；精確的或者 不完整的；可靠的或者非可靠的；相互支持的或互補的；相互矛盾的或沖突的。
多傳感器信息融合的基本原理就像人腦綜合處理信息的過程一樣，它充分地利用多個傳感器資源，通過對各種傳感器及其觀測信息的合理支配與使用，將各種傳感器在空間和時間上的互補與冗余信息依據(jù)某種優(yōu)化準則組合起來，產(chǎn)生對觀測環(huán)境的一致性解釋和描述。信息融合的目標是基于各傳感器分離觀測信息，通過對信息的優(yōu)化組合導出更多的有效信息。它的最終目的是利用多個傳感器共同或聯(lián)合操作的優(yōu)勢，來提高整個傳感器系統(tǒng)的有效性。
二、智能機器人中的多傳感器信息融合系統(tǒng)
智能化已成為機器人發(fā)展的重要趨勢，多傳感器、信息融合技術(shù)與傳統(tǒng)機器人的有機結(jié)合構(gòu)成了智能機器人。傳感器是機器人獲取外部信息的重要途徑，傳感器信息融合技術(shù)則是實現(xiàn)機器人智能化的基礎。
2.1 機器人與傳感器
要使機器人擁有智能，對外界的變化做出反應，首先機器人必須能夠感知外界環(huán)境，用傳感器獲取外界環(huán)境信息是實現(xiàn)機器人智能化的前提。研究機器人，應該先從模仿人開始，人的各種感覺器官及其功能都是機器人感覺的模仿對象。人類通過感覺器官獲取外界的環(huán)境信息，并將這些信息傳給大腦進行加工綜合，然后發(fā)出行動指令調(diào)動肌群執(zhí)行動作。機器人也是如此，計算機相當于人類的大腦，而傳感器相對于機器人來說就像人類的感覺器官，是機器人獲取外界信息的窗口。
2.2 傳感器的選擇
機器人需要感知的環(huán)境內(nèi)容眾多，因此需要豐富的傳感器作為硬件支撐。傳感器是連接智能處理過程與外界環(huán)境的重要紐帶。常用的傳感器有紅外傳感器、超聲波傳感器、激光傳感器和攝像機等。機器人感知環(huán)境的能力很大程度上取決于傳感器的性能，所以選擇適當?shù)膫鞲衅魇菣C器人正確感知環(huán)境的先決條件。單一的傳感器采集的環(huán)境特征信息往往是非常有限的，甚至是局部的、片面的；而過多的傳感器并不一定能給系統(tǒng)帶來好的結(jié)果，甚至會增加系統(tǒng)負擔與復雜性等，同時還可能掩蓋了多傳感器信息融合的本質(zhì)。因此，在選擇傳感器時應該充分考慮到數(shù)量、種類與傳感器之間的相干性。一個具有較強功能的智能機器人一般都配有距離和接近覺傳感器、多功能觸覺、立體視覺傳感器等。
2.3 多傳感器信息融合系統(tǒng)
多傳感器信息融合系統(tǒng)的性能是反映智能機器人智能水平的一個重要的指標。機器人的傳感器系統(tǒng)是智能系統(tǒng)的硬件基礎，而多傳感器信息融合系統(tǒng)則是使智能系統(tǒng)高效運行的軟件。多傳感器信息融合系統(tǒng)的主要任務是將處于不同位置、不同狀態(tài)的傳感器獲取的局部的、不完整信息加以綜合處理，消除多傳感器信息之間可能存在的冗余或矛盾，降低其不確定性，以形成對外界環(huán)境相對完整的描述，從而有效提高智能系統(tǒng)的決策和規(guī)劃能力，同時降低其決策風險。在一個多傳感器信息融合系統(tǒng)中，多傳感器是信息融合的物質(zhì)基礎，傳感器信息是信息融合加工的對象，協(xié)調(diào)優(yōu)化處理是信息融合的核心思想。多傳感器信息融合的優(yōu)化處理非常的重要，其是系統(tǒng)性能好壞的決定因素。多傳感器信息融合系統(tǒng)的一般結(jié)構(gòu)如圖1所示。
圖1
多傳感器信息融合可以是多層次、多方式的，一般在信息融合中心的信息綜合處理器中完成。多傳感器信息融合拓撲結(jié)構(gòu)主要有集中型、分散型、混合型和分級型，分級型又可分為有反饋結(jié)構(gòu)和無反饋結(jié)構(gòu)。在這四種結(jié)構(gòu)中，集中型和分散型是兩種比較常用的融合結(jié)構(gòu)。集中型結(jié)構(gòu)簡單，精度高、但只有接收到所有傳感器的信息后才進行信息融合，因此各融合中心計算和通信負擔較重，可能造成系統(tǒng)融合速度慢、容錯性差。在分散型結(jié)構(gòu)中每個傳感節(jié)點都具有估計全局信息的能力，不必維護較大的集中數(shù)據(jù)庫，通信負擔輕，融合速度快，不會因為某個傳感節(jié)點失效而影響整個系統(tǒng)正常工作，具有較高的可靠性和容錯性，但融合精度沒有集中型高?；旌闲徒Y(jié)構(gòu)保留了集中型和分散型的優(yōu)點，但是在計算和通信上都要付出昂貴的代價。分級型結(jié)構(gòu)中各局部節(jié)點可以同時或分別是集中型、分散型或混合型的，其計算和通信負擔介于集中型結(jié)構(gòu)分散型結(jié)構(gòu)之間。從多傳感器信息融合技術(shù)被提出開始，其融合結(jié)構(gòu)還在不斷地改進，目前的融合結(jié)構(gòu)方案還在不斷地探索中。
三、多傳感器信息融合方法
3．1估計理論
估計方法有加權(quán)平均法、最大似然估計、最小均方估計、卡爾曼濾波等。
3.2 基于統(tǒng)計的融合方法
基于統(tǒng)計的融合方法有：經(jīng)典推理、貝葉斯法和D-S證據(jù)理論。經(jīng)典推理技術(shù)完全依賴數(shù)學理論，其優(yōu)點是有嚴格的數(shù)學理論作基礎，但當把它用于多變量統(tǒng)計時，就要求先驗知識和計算多維概率密度函數(shù)，這對于實際應用是一個限制。另外，它還有其他缺點：只能同時估計兩個假設；在多變量數(shù)據(jù)情況下其復雜性急劇上升。所以在信息融合中很少使用。
3.3 應用信息論的融合方法
信息論方法的共同點是將自然分組和目標類型相聯(lián)系，即實體的相似性反映了觀測參數(shù)的相似性，不需要建立變量隨機方面的模型。這些方法包括參數(shù)化模板、聚類算法、神經(jīng)網(wǎng)絡、投票法、嫡度量技術(shù)、優(yōu)化圖解儀、相關(guān)性度量等。
3.4 基于認知的模型
基于認知的模型嘗試模擬和自動執(zhí)行人腦分析的決策過程，它包括邏輯模板、基于知識的系統(tǒng)和模糊集合理論。
四、信息融合的關(guān)鍵問題
4．1 數(shù)據(jù)對準
在多傳感器融合系統(tǒng)中，每個傳感器提供的觀測數(shù)據(jù)都在各自的參考框架之內(nèi)，在對這些信息進行組合之前，必須首先將它們變換到同—個參考框架中去。但是要注意的是，由于多傳感器時空配準引起的舍入誤差必須得到補償。
4.2 同類或異類數(shù)據(jù)
多傳感器提供的數(shù)據(jù)在屬性上可以是同類。也可以是異類的，而且異類多傳感器較之同類傳感器，其提供的信息具異類數(shù)據(jù)在實踐上的不同步，數(shù)據(jù)率不一致以及測最維數(shù)不匹配等特點，使得對這些信息的處理更加困難。
4.3 傳感器觀測數(shù)據(jù)的不確定性
由于傳感器工作環(huán)境的不確定性，導致觀測數(shù)據(jù)包含有噪聲成分。在融合處理中，需要對多源觀測數(shù)據(jù)進行分析驗證，并補充綜合，在最大限度七降低數(shù)據(jù)的不確定性。
4.4 不完整、不一致及虛假數(shù)據(jù)
在多傳感器信息融合系統(tǒng)中，對傳感器接收到的測量數(shù)據(jù)有時會存在多種解釋，稱之為數(shù)據(jù)的不完整性。多傳感器數(shù)據(jù)往往也對觀測環(huán)境做出不一致甚至相互矛盾的解釋。另外，由于噪聲及干擾因素的存在，往往存在—些虛假的量測數(shù)據(jù)。信息融合系統(tǒng)需要能夠?qū)@些不完整、不—致以及虛假數(shù)據(jù)進行有效的融和處理。
4.5 數(shù)據(jù)關(guān)聯(lián)
數(shù)據(jù)關(guān)聯(lián)問題廣泛存在，需要解決單傳感器時間域上的關(guān)聯(lián)問題，以及多傳感器空間域上的關(guān)聯(lián)問題，從而能夠確定來源于同一目標源的數(shù)據(jù)。
4.6 態(tài)勢數(shù)據(jù)庫
態(tài)勢數(shù)據(jù)庫有實時數(shù)據(jù)庫和非實時數(shù)據(jù)庫兩種。前者的作用是把各傳感器的檢測結(jié)果提供給融合中心，并存儲融合處理的最終態(tài)勢、決策分析結(jié)果進行分析和綜合，生成綜合態(tài)勢，實時地根據(jù)錯傳感器檢測結(jié)果進行數(shù)據(jù)融合計算和態(tài)勢決策分析等。
五、信息融合應用
信息融合的重要應用領域為機器人。目前主要應用在移動機器人和遙操作機器人上，因為這些機器人工作在動態(tài)、不確定與非結(jié)構(gòu)化的環(huán)境中，這些高度不確定的環(huán)境要求機器人具有高度的自治能力和對環(huán)境的感知能力，采用多傳感器信息融合技術(shù)可以使機器人具有感知自身狀態(tài)和外部環(huán)境的能力。實踐證明：采用單個傳感器的機器人不具有完整、可靠地感知外部環(huán)境的能力。
智能機器人應采用多個傳感器，并利用這些傳感器的冗余和互補的特性來獲得機器人外部環(huán)境動態(tài)變化的、比較完整的信息，并對外部環(huán)境變化作出實時的響應。
移動機器人主要利用距離傳感器(如聲納、超聲波、激光等測距傳感器)，視覺(如手眼視覺、場景視覺、立休視覺、主動視覺等)，另外還有觸覺、滑覺、熱覺、接近覺、力與力矩等多種傳感器以實現(xiàn)如下的功能：機器人自定位、環(huán)境建模、地圖與世界模型的建立、導航、避障或障礙物檢測、路徑規(guī)劃或任務規(guī)劃等。
六、結(jié)束語
智能機器人的智能體現(xiàn)在多傳感器系統(tǒng)的應用上，而擁有更高的智能需要在多傳感器系統(tǒng)中運用多信息融合技術(shù)。隨著人工智能、控制技術(shù)和計算機技術(shù)的發(fā)展，尤其是多傳感器數(shù)據(jù)融合技術(shù)的發(fā)展。機器人對環(huán)境的感知和認識能力將不斷改善，機器人的自主控制能力也會隨之提高，隨著科技的不斷進步，智能機器人的研究與應用必將迎來更廣闊的發(fā)展空間。
第二篇：多傳感器數(shù)據(jù)融合報告
Harbin Institute of Technology
數(shù)據(jù)融合與遙感圖像處理
1遙感數(shù)據(jù)融合
數(shù)據(jù)融合是集多個數(shù)據(jù)源來產(chǎn)生比任何單個數(shù)據(jù)源更一致、更準確、更有用的信息的過程。數(shù)據(jù)融合作為一種數(shù)據(jù)處理方法，其基本思想是綜合利用系統(tǒng)各個方面的數(shù)據(jù)，最大限度地抽取有關(guān)對象或環(huán)境的有效信息，以達到更準確、更全面地認識觀測對象或環(huán)境的目的。近年來，數(shù)據(jù)融合在軍事和民用領域都引起了強烈的關(guān)注并得到了廣泛的應用。數(shù)據(jù)融合是對多源信息進行處理的理論和方法，可以把不同時間和空間的數(shù)據(jù)進行綜合處理，從而得到對現(xiàn)實環(huán)境更精確的描述，從本質(zhì)上說就是一個算法問題。因此，對數(shù)據(jù)融合算法的研究便具有十分重要的意義。
數(shù)據(jù)融合的關(guān)鍵技術(shù)主要包括數(shù)據(jù)轉(zhuǎn)換、數(shù)據(jù)相關(guān)、數(shù)據(jù)庫和融合計算等，其中融合計算是數(shù)據(jù)融合的核心技術(shù)。
遙感是針對遠距離目標，通過非直接的接觸而測量、描繪及分析目標的技術(shù)，其對目標的信息采集主要依賴于電磁波。遙感衛(wèi)星是在外層空間進行遙感的人造衛(wèi)星，利用衛(wèi)星作為平臺可以連續(xù)地對地球表面某指定區(qū)域進行遙感。目前遙感技術(shù)已成功應用于軍事、地質(zhì)、地理、農(nóng)業(yè)、林業(yè)、水文、氣象、環(huán)境和海洋等領域。在模擬人類視覺系統(tǒng)的基礎上，各種遙感技術(shù)將遙感衛(wèi)星獲取的信息轉(zhuǎn)化成可以看到的圖像。針對遙感圖像的后處理，便是人們認識自然、了解自然、改造自然的重要工具。
根據(jù)波長不同而存在的遙感器有：可見光、紅外及微波等，不同遙感器獲取 的圖像特點不同，為了更好的表達某一場景的特點，可將不同遙感器獲得的圖像進行融合。
隨著遙感技術(shù)和雷達技術(shù)的發(fā)展，圖像融合的應用也更為廣泛，尤其是在軍事領域，以多個遙感器獲取的圖像融合為核心的戰(zhàn)場感知技術(shù)已成為現(xiàn)代戰(zhàn)爭中具有影響力的軍事高科技。近年來，隨著多個遙感衛(wèi)星的發(fā)射，大量的遙感圖像獲取為更方便及全面地認識自然資源和環(huán)境提供了可能，圖像融合技術(shù)也廣泛的應用到民用的各個方法，目前已成功應用于天氣預報、自然災害檢測、大地測繪、植被分類、農(nóng)作物生長勢態(tài)評估等方面。
2遙感圖像融合方法及評價
遙感圖像數(shù)據(jù)一般在三個層次上進行融合，即像素級（特征提取之前）融合、特征級（屬性說明之前）融合以及決策級（各種傳感器獨立說明之后）融合。簡單的說，像素級融合就是直接對傳感器獲取的原始圖像的色彩空間或頻率空間進行匹配重新生成新的圖像，特征級融合就是從原始圖像中提取一些事物的特征，對同一事物的不同特征進行融合，從而使得對事物的描述更加全面，決策級融合-1-是遙感圖像數(shù)據(jù)融合的最高層次，其結(jié)果可直接作為決策要素來做出相應的行為或直接為決策者提供決策參考。融合層次決定了對多源原始圖像數(shù)據(jù)進行何種程度預處理以及在信息處理的哪一層次上進行融合；多源遙感影像數(shù)據(jù)融合的層次問題，不但涉及到處理方法本身，而且能夠影響信息處理系統(tǒng)的體系結(jié)構(gòu)，已成為圖像融合研究的重要問題之一。2.1像素級融合
像素級融合是直接對傳感器獲取的原始圖像或經(jīng)過配準的圖像進行色彩空間或頻率空間匹配而形成新的圖像。具體就是將遙感圖像數(shù)據(jù)根據(jù)某種算法，即像素之間的直接數(shù)學運算，如差值、梯度、比值、加權(quán)或其他數(shù)學運算等，然后對融合的圖像進行特征提取和屬性說明，從而形成一幅空間信息與光譜信息都相應增強的圖像，其主要目的是使圖像增強以便進行后續(xù)的圖像分割或圖像分類等其他處理。
像素級融合是直接對原始數(shù)據(jù)進行處理的，是一種最低層次的融合，因此其對傳感器配準的精度要求較高。其優(yōu)點是保留了盡可能多的圖像的原始信息，具有較高精度，能提供單獨測量所不具有的細微信，但同時也存在一定的局限性，如所處理的數(shù)據(jù)量大、抗干擾能力差等、處理的代價高、費時、實時性差。針對傳感器原始信息的不確定性、不完全性和不穩(wěn)定性，要求像素級融合在融合過程中有較高的糾錯處理能力，并要求各傳感器信息之間配準的精度較高，一般在1個像素之內(nèi)，故對來自同質(zhì)傳感器的數(shù)據(jù)進行融合效果較佳。其融合過程如圖1所示。
圖像1像素級融合效果評價圖像2融合結(jié)果像素級融合的算法有IHS變換融合算法、主成分分析（PCA融合算法）、brovey影像融合算法、高通濾波融合法（hpf變換法）。
IHS融合方法，以顏色空間變換為基礎。將RGB顏色空間中用三原色表示的彩色圖像，轉(zhuǎn)換為顏色空間中用亮度（Intensity，I），色度（Hue，H）以及飽和度（Saturation，S）表示的彩色圖像，然后用具有更高分空間辨率的全色圖像來替換亮度圖像I，并進行IHS逆變換回到RGB顏色空間，最終得到分辨率
-2-...圖1 像素級融合過程 增強的彩色圖像。在替換之前，需要對全色圖像與亮度圖像I進行直方圖匹配，將匹配后的全色圖像記為PanM,則整個融合過程可以表示為:
?I??131313??R?????G? 23??v1????26?26????v???120????B???2??12I'?PanM
?R'??112?'???G???1?12?B'??12???2??I'?????12??v1???0???v2?1 其中R'，G'，B'表示融合結(jié)果圖像。需要說明的是，IHS顏色空間變換是一種非線性變換，而作為其中間過程，由RGB圖像到IV1V2圖像的變換則是一個線性變換，IHS融合方法只需要進行線性變換得到亮度圖像即可，沒有必要計算色度和飽和度。
主成分分析是離散變換的簡稱，又稱KL變換。IHS融合方法的顏色空間變換可以用事先確定的數(shù)值矩陣表示，而PCA融合方法的變換陣則需要根據(jù)待融合圖像數(shù)據(jù)的特性來進行計算求取。另外，PCA融合方法不局限于三波段的彩色圖像，可以實現(xiàn)更多波段的多光譜圖像與全色圖像的融合。通過KL變換，由原n個波段的全色圖像得到n個波段的成份圖像。在變換域內(nèi)用經(jīng)過了直方圖匹配的全色圖像替換多光譜數(shù)據(jù)集的主成份，然后進行顏色空間逆變換,就得到了空間分辨率增強的多光譜圖像。
brovey變換的實質(zhì)是將通過色彩歸一化后的多光譜波段與高分辨率圖像乘積來增強圖像的信息，又可稱之為“色彩標準化一乘積變換”，是一種基于信息特征的融合方法。其算法是將多光譜影像的影像空間分解為色彩和亮度成分并進行計算，這一過程簡化了影像轉(zhuǎn)換過程的系數(shù)并最大限度地保留多光譜數(shù)據(jù)的信息。運算時首先進行RGB圖像顯示的多光譜波段顏色歸一化，然后將高分辨率全色影像與多光譜各波段相乘完成融合。它應用最基本的乘積組合算法，通過歸一化后的多光譜波段與高分辨率影像乘積來增強影像的信息直接對兩類遙感圖像進行合成。
高通濾波融合又稱hpf變換法，是一種光譜信息丟失較少的方法。是把高分辨率全色圖像進行傅立葉變換，從空間域轉(zhuǎn)換到頻率域，然后在頻率域內(nèi)對傅立葉圖像進行高通濾波，獲取圖像的高頻分量，將高頻部分融合到多光譜圖像中，以突出高頻部分，獲取最后的融合圖像。這種方法首先采用一個較小的空間高通濾波器對高分辨率影像進行濾波，由于濾波得到的結(jié)果不僅保留了與空間信息有關(guān)的高頻分量，而且濾掉了絕大部分的光譜信息，因此把高通濾波的結(jié)果加到各
-3-光譜影像數(shù)據(jù)中，經(jīng)過這種處理就可把高分辨率圖像的空間信息同多光譜影像數(shù)據(jù)的光譜信息進行融合。該方法可對單個或多個波段進行融合操作，方法簡單、效果好，是一種應用較廣的圖像融合法。其融合的表達式如下：
Fk(i,j)?Mk(i,j)?HPH(i,j)
其中Fk(i，j)表示第k波段像素(i，j)的融合值，Mk(i，j)為低分辨率多光譜圖像第k波段像素(i，j)的值，HPH(i，j)為高通濾波后高頻圖像像素(i，j)的值。此方法的難點是濾波器的設計。2.2特征級融合
特征級融合是對圖像的特征進行融合，具體指將來自不同傳感器的原始影像信息進行特征抽取，然后對從傳感器獲得的多個特征信息進行關(guān)聯(lián)分析處理，將各圖像上相同類型的特征進行融合，最后將包含有效信息的特征融合于同一個特征空間，也就是將各個數(shù)據(jù)源中提取的特征信息進行分類、匯集、綜合處理和分析的過程上。
特征級融合屬于一種中層融合，其可以分為目標狀態(tài)信息融合和目標特征融合，目標狀態(tài)信息融合主要應用于多傳感器跟蹤領域，而目標特征融合就是特征層聯(lián)合識別。特征級融合的優(yōu)點是實現(xiàn)了可觀的信息壓縮，有利于實時處理，并且提供的特征直接與決策分析相關(guān)，所以融合的結(jié)果最大限度的提供了決策分析所需要的特征信息；其缺點是比像元級融合精度差。目前大多數(shù)融合系統(tǒng)的研究都是在該層次上開展的，其融合過程如圖2所示。
圖像1特征提取特征級融合效果評價圖像2融合結(jié)果特征級融合的算法有小波變換的方法、貝葉斯融合法、基于D-S證據(jù)理論的融合方法、基于神經(jīng)網(wǎng)絡的融合方法。
小波變換是介于函數(shù)空間域和頻率域之間的一種表示方法，在空間域和頻率域上同時具有良好的局部化性質(zhì)，可進行局部分析。由于同一地區(qū)不同類型的圖像，其低頻部分差別不大，而高頻部分相差很大，通過小波變換對變換區(qū)實現(xiàn)分頻，在分頻基礎上進行遙感圖像的融合。圖像經(jīng)小波分解后，其頻率特性得到有效的分離，其中低頻部分反映圖像的整體視覺信息，高頻成份反映的是影像的細
-4-...圖2 特征級融合 節(jié)紋理特征。利用高分辨率圖像數(shù)據(jù)的高頻成份和相應的多光譜圖像數(shù)據(jù)的低頻成份組合進行小波重建，可得到融合圖像。從20世紀90年代開始小波變換就被應用到了圖像融合領域，國內(nèi)外學者經(jīng)過多年的研究和探索，已經(jīng)發(fā)展了多種多樣的小波變換算法，如二進制小波變換、多進制小波變換、多分辨率小波變換、小波包變換等等，并且也多與像素級融合方法進行結(jié)合。其中，標準的基于小波變換的多源遙感圖像融合過程如圖3所示。
多光譜圖像重采樣小波分解低頻部分高分辨率圖像配準后的圖像高頻部分小波逆變換融合圖像 圖3 基于小波變換的多源遙感圖像的融合
其融合步驟包括：（1）對高空間分辨率圖像與多光譜圖像進行配準；（2）分別對配準的兩圖像進行n次小波分解，以得到各自相應分辨率的低頻輪廓圖像和高頻細節(jié)紋理圖像；（3）用低分辨率多光譜圖像的低頻部分代替高分辨率圖像的低頻部分；（4）對替換后圖像進行小波逆變換，從而得到最終圖像。
遙感圖像的信息融合方法，如主成分分析、乘積變換、比值變換和基于IHS變換等均存在原有分辨率圖像光譜信息的部分丟失問題，而小波變換可以對多個波段的圖像信息進行融合，既能充分利用高分辨率圖像的空間信息，又能保持低分辨率圖像光譜信息的最大完整性，是目前研究的一個熱點。
神經(jīng)網(wǎng)絡法是將輸入的信息綜合處理為一個整體輸入函數(shù)，并將此函數(shù)映射定義為相關(guān)單元的映射函數(shù)，它通過神經(jīng)網(wǎng)絡與環(huán)境的交互作用把環(huán)境的統(tǒng)計規(guī)律反映到網(wǎng)絡本身的結(jié)構(gòu)中來，并對傳感器輸出的信息進行學習、理解，確定權(quán)值的分配完成知識獲取以及信息融合等，進而對輸入模式作出解釋，將輸入數(shù)據(jù)矢量轉(zhuǎn)換成高層邏輯概念。2.3決策級融合
決策級圖像融合是在信息表示的最高層次上進行融合處理。不同類型的傳感器觀測同一目標獲得的數(shù)據(jù)首先完成預處理、特征提取、識別，建立對所觀測目標的初步理論，然后通過相關(guān)處理以及決策級融合判決等，最終獲得聯(lián)合推斷結(jié)果，直接為決策提供依據(jù)?；跊Q策的融合技術(shù)分為兩類：（1）基于知識的決策技術(shù)，包括采用專家系統(tǒng)、神經(jīng)網(wǎng)絡和模糊邏輯等的決策融合；（2）基于識別的決策技術(shù)，然而目前這一層次上的融合還不是很成熟。2.4融合方法評價
同一遙感影像數(shù)據(jù)運用不同的融合方法或同一融合方法對不同的圖像進行融合時其融合效果都會有一定的差異，這是因為每種融合方法都有其優(yōu)點及局限
-5-性，這就要求在進行融合之前，應對融合方法進行評價分析，根據(jù)需融合圖像的特點及應用研究的目的需求采用不同的融合方法。
（1）IHS變換融合方法屬于色度空間變換，其變換方法簡單，易于實現(xiàn)，與RGB空間各分量相互相關(guān)不一樣，空間中三分量I、H、S具有相對獨立性，可分別對它們進行控制，并且能夠準確定量地描述顏色特征，一般來說可以提高結(jié)果圖像的地物紋理特性，但融合圖像灰度值同原多光譜圖像有較大差異，亦即光譜特征被扭曲，只能基本上保持多光譜影像的色調(diào)，光譜失真較大，這主要因為此方法保留了全色圖像的全部空間信息，然而全色圖像與強度分量在空間分辨率上存在差異以及光譜響應范圍不一致，使兩者的相關(guān)性低，從而造成較大的光譜畸變。同時此方法要求多光譜圖像的波段數(shù)必須為3，從而大大降低了當前高光譜、超光譜遙感數(shù)據(jù)的利用程度，為解決此問題,很多學者將IHS和小波融合兩種方法結(jié)合起，能明顯降低融合結(jié)果中的顏色扭曲現(xiàn)象。
（2）主成分分析法，即PCA融合方法：目前在遙感應用領域PCA融合方法主要用于數(shù)據(jù)壓縮，用少數(shù)幾個主成分代替多波段遙感信息，同時可以使圖像增強，在光譜特征空間中提取有顯著物理意義的圖像信息和監(jiān)測地表覆蓋物的動態(tài)變化。因其各波段光譜信息唯一的映射到各分量上，并且其能夠同時與多光譜圖像的所有波段融合，所以能較好地保持光譜特征且對光譜特征的扭曲小于IHS變換法；然而由于其要對自相關(guān)矩陣求特征值和特征向量，計算量非常大，實時性比較差。同時多光譜遙感影像在做主成分分析時，第一主分量信息表達的是原各波段中信息的共同變換部分，其與高分辨率影像中細節(jié)變化的含義略有不同，高分辨率影像經(jīng)過拉伸后雖然與第一主分量具有很高的相似性，但融合后的影像在空間分辨率和光譜分辨率上會有一定的變化；因光譜信息的變化，融合圖像不能用于地物識別和反演工作，但是它可以改進目視判讀的效果，提高分類制圖的精度。
（3）hpf融合法：其原理是先對影像數(shù)據(jù)進行高通濾波，獲得的結(jié)果相應于影像的點、線、邊緣、脊等特征，然后再將這些特征數(shù)據(jù)以一定的取舍規(guī)則融合至低分辨率的圖像，從而使其獲得更好的空間分辨率。同時也很好的保留了原多光譜圖像的光譜信息，去噪功能也比較明顯，沒有波段的限制。變換法對光譜特征扭曲小，且有較好的空間分辨率，建筑區(qū)，尤其是城市中心地帶的紋理信息很清晰，交通和水體的邊緣規(guī)則且清晰。但由于其濾波器的尺寸大小是一定的，對于不同大小的各類地物類型很難找到一個理想的濾波器，從而會使得在突出高頻信息的同時，部分低頻信息或某些重要的信息會受到壓制，使整體影像的結(jié)構(gòu)比較細碎，在色彩表現(xiàn)上，高通濾波變換的結(jié)果一般。
（4）小波變換法的優(yōu)勢在于可以將圖像分解到不同的頻率域，在不同的頻率域運用不同的融合規(guī)則,得到融合圖像的多分辨分解，從而在融合圖像中保留
-6-原圖像在不同頻率域的顯著特征。融合影像既具有高空間分辨率影像的結(jié)構(gòu)信息，又最大限度地保留了原多光譜影像的亮度與反差，防止影像信息丟失更好地反應了圖像的細節(jié)特征，對植被、河流、城鎮(zhèn)的解譯能力有了很大的改善，提高了多光譜影像的分類精度和量測能力；但也存在易產(chǎn)生較為明顯的分塊效應和損失一定程度的高分辨率圖像信息等不足。
參考文獻
[1] Yunjun Yao, Shunlin Liang, Xianglan Li, Yuhu Zhang, Jiquan Chen, Kun Jia, Xiaotong Zhang , Estimation of high-resolution terrestrial evapotranspiration from Landsat data using a simple Taylor skill fusion method.Journal of Hydrology.2017 [2] SADIA DIN, AWAIS AHMAD, ANAND PAUL.A Cluster-Based Data Fusion Technique to Analyze Big Data in Wireless Multi-Sensor System.IEEE.2017 [3] Thanuka Wickramarathne.Evidence Updating for Stream-Processing in Big-Data: Robust Conditioning in Soft and Hard Data Fusion Environments.International Conference on Information Fusion.2017 [4]姚為.像素級和特征級遙感圖像融合方法研究與應用.2011 [5]劉帆.基于小波核濾波器和稀疏表示的遙感圖像融合.2014 [6]郭文娟.遙感影像數(shù)據(jù)融合方法及效果評價研究.2010
第三篇：機器人傳感器論文
機器人技術(shù)基礎論文
學校: 班級： 學生：
機器人傳感器
摘要：
機器人的控制系統(tǒng)相當于人類大腦，執(zhí)行機構(gòu)相當于人類四肢，傳感器相當于人類的五官。因此，要讓機器人像人一樣接收和處理外界信息，機器人傳感器技術(shù)是機器人智能化的重要體現(xiàn)。Abstract：
Robot control system is equivalent to the human brain, actuators equivalent to human limbs, sensor is equivalent to the human facial features.Therefore, to make robots like people receive and process information from outside, robot sensor technology is the important embodiment of intelligent robots.關(guān)鍵詞：機器人 傳感器 內(nèi)部 外部
正文：
傳感器是機器人完成感覺的必要手段，通過傳感器的感覺作用，將機器人自身的相關(guān)特性或相關(guān)物體的特性轉(zhuǎn)化為機器人執(zhí)行某項功能時所需要的信息。根據(jù)傳感器在機器人上應用的目的和使用范圍不同，可分為內(nèi)部傳感器和外部傳感器。
內(nèi)部傳感器用于檢測機器人自身狀態(tài)（如手臂間角度、機器人運動工程中的位置、速度和加速度等）；外部傳感器用于檢測機器人所處的外部環(huán)境和對象狀況等，如抓取對象的形狀、空間位置、有沒有障礙、物體是否滑落等。
機器人用內(nèi)、外傳感器分類
傳感器 位置 速度 加速度 檢測內(nèi)容 位置、角度 速度 加速度 接觸 把握力 荷重
觸覺 分布壓力 多元力 力矩 滑動 接近
接近覺 間隔 傾斜平面位置
視覺 距離 形狀 缺陷
聽覺 嗅覺 味覺 聲音 超聲波 氣體成分 味道
檢測器件
電位器、直線感應同步器 角度式電位器、光電編碼器 測速發(fā)電機、增量式碼盤 壓電式加速度傳感器 壓阻式加速度傳感器 限制開關(guān)
應變計、半導體感壓元件 彈簧變位測量器
導電橡膠、感壓高分子材料 應變計、半導體感壓元件 壓阻元件、馬達電流計 光學旋轉(zhuǎn)檢測器、光纖
應用
位置移動檢測 角度變化檢測 速度檢測 加速度檢測 動作順序控制 把握力控制
張力控制、指壓控制 姿勢、形狀判別 裝配力控制 協(xié)調(diào)控制 滑動判定、力控制
光電開關(guān)、LED、紅外、激光 動作順序控制 光電晶體管、光電二極管 電磁線圈、超聲波傳感器 攝像機、位置傳感器 測距儀 線圖像傳感器 畫圖像傳感器 麥克風 超聲波傳感器
氣體傳感器、射線傳感器 離子敏感器、PH計
障礙物躲避
軌跡移動控制、探索 位置決定、控制 移動控制 物體識別、判別 檢查，異常檢測 語言控制（人機接口）導航 化學成分探測
機器人傳感器的要求和選擇
機器人傳感器的選擇取決于機器人工作需要和應用特點，對機器人感覺系統(tǒng)的要求時選擇傳感器的基本依據(jù)。機器人傳感器的選擇的一般要求：
? 精度高、重復性好； ? 穩(wěn)定性和可靠性好； ? 抗干擾能力強；
? 重量輕、體積小、安裝方便。
內(nèi)部傳感器
位移傳感器
按照位移的特征，可分為線位移和角位移。
線位移是指機構(gòu)沿著某一條直線運動的距離，角位移是指機構(gòu)沿某一定點轉(zhuǎn)動的角度。（1）電位器式位移傳感器
電位器式位移傳感器由一個線繞電阻（或薄膜電阻）和一個滑動觸點組成。其中滑動觸點通過機械裝置受被檢測量的控制。當被檢測的位置量發(fā)生變化時，滑動觸點也發(fā)生位移，從而改變了滑動觸點與電位器各端之間的電阻值和輸出電壓值，根據(jù)這種輸出電壓值的變化，可以檢測出機器人各關(guān)節(jié)的位置和位移量。（2）直線型感應同步器
直線感應同步器的組成是由定尺和滑尺組成。定尺和滑尺間保證與一定的間隙，一般為0.25mm左右。在定尺上用銅箔制成單項均勻分布的平面連續(xù)繞組，滑尺上用銅箔制成平面分段繞組。繞組和基板之間有一厚度為0.1mm的絕緣層，在繞組的外面也有一層絕緣層，為了防止靜電感應，在滑尺的外邊還粘貼一層鋁箔。定尺固定在設備上不動，滑尺則可以再定尺表面來回移動。（3）圓形感應同步器
圓形感應同步器主要用于測量角位移。它由釘子和轉(zhuǎn)子兩部分組成。在轉(zhuǎn)子上分布著連續(xù)繞組，繞組的導片是沿圓周的徑向分布的。在定子上分布著兩相扇形分段繞組。定子和轉(zhuǎn)子的截面構(gòu)造與直線型同步器是一樣的，為了防止靜電感應，在轉(zhuǎn)子繞組的表面粘貼一層鋁箔 絕對速度傳感器
絕對速度傳感器，圖4-11為國產(chǎn)CD-1型絕對速度傳感器的結(jié)構(gòu)圖。途中磁鋼6借鋁架5固定在殼體4內(nèi)，并通過殼體形成磁回路。線圈2和阻尼環(huán)3安裝在芯桿2上，芯桿用彈簧1和8支承在殼體內(nèi)，構(gòu)成傳感器的活動部分。當傳感器的殼體與振動物體一起振動時，如振動的頻率較高，由于芯桿組件的質(zhì)量很大，故產(chǎn)生的慣性力也大，可以阻止芯桿隨殼體一起運動。當振動頻率高到一定程度時，可以認為芯桿組件基本不動，只是殼體隨被測物體振動。這時，線圈以物體的振動速度切割磁力線而在線圈兩端產(chǎn)生感應電壓。并且線圈輸出的電壓與線圈相對可替代運動速度成正比。當振動速度高到一定程度時，線圈與殼體的相對速度就是被測振動物體的絕對速度。加速度傳感器
電動式速度傳感器的結(jié)構(gòu)它由軛鐵。永久磁鐵、線圈及支承彈簧所組成。由電磁感應定律可知，穿過線圈的磁通量隨時間變化時，在線圈兩端將產(chǎn)生與磁通量中減少速率成正比的電壓U，可表示為：
U??d? dt如果線圈沿著與磁場垂直的方向運動，在線圈中便可產(chǎn)生與線圈速度成正比的感應電壓，通過測量電路測得其電壓的大小，便可得出速度的大小。壓電式加速度傳感器
它也稱為壓電式加速度計，他是利用壓電效應制成的一種加速度傳感器。常見的結(jié)構(gòu)形式有基于壓電元件厚度變形的壓縮式加速度傳感器、基于壓電元件剪切變形的剪切式和復合型加速度傳感器。
機器人外部傳感器
力或力矩傳感器
機器人在工作時，需要有合理的握力，握力太小或太大都不合適。力或力矩傳感器的種類很多，有電阻應變片式、壓電式、電容式、電感式以及各種外力傳感器。力或力矩傳感器通過彈性敏感元件將被測力或力矩轉(zhuǎn)換成某種位移量或變形量，然后通過各自的敏感介質(zhì)把位移量或變形量轉(zhuǎn)換成能夠輸出的電量。機器人常用的力傳感器分以下三類。i.裝在關(guān)節(jié)驅(qū)動器上的力傳感器，稱為關(guān)節(jié)傳感器。它測量驅(qū)動器本身的輸出力和力矩。用于控制中力的反饋。ii.裝在末端執(zhí)行器和機器人最有一個關(guān)節(jié)之間的力傳感器，稱為腕力傳感器。它直接測出作用在末端執(zhí)行器上的力和力矩。
裝在機器人手爪指（關(guān)節(jié)）上的力傳感器，稱為指力傳感器，它用來測量夾持物體時的受力情況。觸覺傳感器 人的觸覺包括接觸覺、壓覺、力覺、冷熱覺、滑動覺、痛覺等。在機器人中，使用觸覺傳感器主要有三方面的作用： i.使操作動作使用，如感知手指同對象物之間的作用力，便可判定動作是否適當，還可以用這種力作為反饋信號，通過調(diào)整，使給定的作業(yè)程序?qū)崿F(xiàn)靈活的動作控制。這一作用是視覺無法代替的。ii.識別操作對象的屬性，如規(guī)格、質(zhì)量、硬度等，有時可以代替視覺進行一定程度的形狀識別，在視覺無法使用的場合尤為重要。iii.用以躲避危險、障礙物等以防事故，相當于人的痛覺。
接近覺傳感器
接近覺是指機器人能感覺到距離幾毫米到十幾厘米遠的對象物或障礙物，能檢測出物體的距離、相對傾角或?qū)ο笪锉砻娴男再|(zhì)。這就是非接觸式感覺。滑覺傳感器
機器人要抓住屬性未知的物體時，必須確定自己最適當?shù)奈樟δ繕酥担虼诵铏z測出握力不夠時所產(chǎn)生的物體滑動。利用這一信號，在不損壞物體的情況下，牢牢抓住物體。為此目地設計的滑動檢測器，叫做滑覺傳感器。視覺傳感器
每個人都能體會到，眼睛對人來說多么重要。有研究表明，視覺獲得的信息占人對外界感知信息的80%。人類視覺細胞數(shù)量的數(shù)量級大約為106，時聽覺細胞的300多倍，時皮膚感覺細胞的100多倍。人工視覺系統(tǒng)可以分為圖像輸入（獲?。?、圖像處理、圖像理解、圖像存儲和圖像輸出幾個部分，實際系統(tǒng)可以根據(jù)需要選擇其中的若干部件。聽覺傳感器
智能機器人在為人類服務的時候，需要能聽懂主人的吩咐，需要給機器人安裝耳朵，首先分析人耳的構(gòu)造。
聲音是由不同頻率的機械振動波組成，外界聲音使外耳鼓產(chǎn)生振動，中耳將這種振動放大、壓縮和限幅、并抑制噪聲。經(jīng)過處理的聲音傳送到中耳的聽小骨，再通過卵圓窗傳到內(nèi)耳耳蝸，由柯蒂氏器、神經(jīng)纖維進入大腦。內(nèi)耳耳蝸充滿液體，其中有30000各長度不同的纖維組成的基底膜，它是一個共鳴器。長度不同的纖維能聽到不同頻率的聲音，因此內(nèi)耳相當于一個聲音分析器。智能機器人的耳朵首先要具有接受聲音信號的器官，其次還需要語音識別系統(tǒng)。
在機器人中常用的聲音傳感器主要有動圈式傳感器和光纖聲傳感器。味覺傳感器
味覺是指酸、咸、甜、苦、鮮等人類味覺器官的感覺。酸味是由氫離子引起的。比如鹽酸、氨基酸、檸檬酸；咸味主要是由NaCl引起的；甜味主要由蔗糖、葡萄糖等引起的，苦味是由奎寧、咖啡因等引起的；鮮味是由海藻中的谷氨酸鈉、魚和肉中的肌酐酸二鈉、蘑菇中的鳥苷酸二鈉等引起的。在人類的味覺系統(tǒng)中，舌頭表面味蕾上的味覺細胞的生物膜可以感受味覺。味覺物質(zhì)被轉(zhuǎn)換為電信號，經(jīng)神經(jīng)纖維傳至大腦。味覺傳感器與傳統(tǒng)的、只檢測某種特殊的化學物質(zhì)的化學傳感器不同。目前某些傳感器可以實現(xiàn)對味覺的敏感，如PH計可以用于酸度檢測、導電計可用于堿度檢測、比重計或屈光度計可用于甜度檢測等。但這些傳感器智能檢測味覺溶液的某些物理、化學特性，并不能模擬實際的生物味覺敏感功能，測量的物理值要受到非味覺物質(zhì)的影響。此外，這些物理特性還不能反應各味覺之間的關(guān)系，如抑制效應等。
實現(xiàn)味覺傳感器的一種有效方法是使用類似于生物系統(tǒng)的材料做傳感器的敏感膜，電子舌是用類脂膜作為味覺傳感器，能夠以類似人的味覺感受方式檢測味覺物質(zhì)。從不同的機理看，味覺傳感器大致分為多通道類脂膜技術(shù)、基于表面等離子體共振技術(shù)、表面光伏電壓技術(shù)等，味覺模式識別是由最初神經(jīng)網(wǎng)絡模式發(fā)展到混沌識別。混沌是一種遵循一定非線性規(guī)律的隨機運動，它對初始條件敏感，混沌識別具有很高的靈敏度，因此應用越來越廣。目前較典型的電子舌系統(tǒng)有新型味覺傳感器芯片和SH—SAW味覺傳感器。
總結(jié)：
傳感器對于機器人有著至關(guān)重要的作用，通過對各種機器人傳感器的學習和了解，我對機器人各種傳感器有了一個新的認識，使我獲益匪淺，為我以后這方面的學習打下了堅定的基礎。
參考文獻：（1）《機器人技術(shù)基礎》，劉極峰
（2）《機器人傳感器及其應用》，高國富，謝少榮（3）《傳感器及其應用》，謝文和
第四篇：多傳感器融合學習心得
多傳感器信息融合學習心得
通過一學期的學習，對多傳感器信息融合有了一定的了解，學習了多傳感器信息融合中的多種方法，并在小組論題和作業(yè)中都有所體現(xiàn)，下面我談一下自己的學習心得。
一、多傳感器信息融合的產(chǎn)生與發(fā)展
多傳感器信息融合是由美國軍方在20世紀70年代提出的，通過對各傳感器獲得的未知環(huán)境特征信息的分析和綜合,得到對環(huán)境全面、正確的估計,它避免了單一傳感器的局限性,可以獲取更多信息,得出更為準確、可靠的結(jié)論。主要用于對軍事目標（艦艇、飛機等）的檢測、定位、跟蹤和識別，具體應用在海洋監(jiān)視、空對空或地對空防御系統(tǒng)等。
二、多傳感器信息融合主要方法
多傳感器信息融合是建立在傳統(tǒng)的估計理論和識別算法的基礎之上，主要有卡爾曼濾波、貝葉斯理論、D-S證據(jù)理論和小波變換等，下面我簡單介紹一下各種算法。
1）卡爾曼濾波
卡爾曼濾波器實際上是一個最優(yōu)化自回歸數(shù)據(jù)處理算法。首先，我們先要引入一個離散控制過程的系統(tǒng)。該系統(tǒng)可用一個線性隨機微分方程來描述：
X(k)=A X(k-1)+B U(k)+W(k)再加上系統(tǒng)的測量值： Z(k)=H X(k)+V(k)
上兩式子中，X(k)是k時刻的系統(tǒng)狀態(tài)，U(k)是k時刻對系統(tǒng)的控制量。A和B是系統(tǒng)參數(shù)，對于多模型系統(tǒng)，他們?yōu)榫仃嚒(k)是k時刻的測量值，H是測量系統(tǒng)的參數(shù)，對于多測量系統(tǒng)，H為矩陣。W(k)和V(k)分別表示過程和測量的噪聲。他們被假設成高斯白噪聲(White Gaussian Noise)，他們的方差 分別是Q，R（這里我們假設他們不隨系統(tǒng)狀態(tài)變化而變化）。
假設現(xiàn)在系統(tǒng)的狀態(tài)是k，根據(jù)系統(tǒng)模型，可以基于系統(tǒng)上一狀態(tài)而預測出現(xiàn)在狀態(tài)：
X(k|k-1)=A X(k-1|k-1)+B U(k)………..(1)
式(1)中，X(k|k-1)是利用上一狀態(tài)預測的結(jié)果，X(k-1|k-1)是上一狀態(tài)最優(yōu)的結(jié)果，U(k)為現(xiàn)在狀態(tài)的控制量，如果沒有控制量，它可以為0。
到現(xiàn)在為止，我們的系統(tǒng)結(jié)果已經(jīng)更新了，可是，對應于X(k|k-1)的方差還沒更新。我們用P表示方差：
P(k|k-1)=A P(k-1|k-1)A’+Q ………(2)
式(2)中，P(k|k-1)是X(k|k-1)對應的方差，P(k-1|k-1)是X(k-1|k-1)對應的方差，A’表示A的轉(zhuǎn)置矩陣，Q是系統(tǒng)過程的方差。式子1，2就是卡爾曼濾波對系統(tǒng)的預測。
現(xiàn)在我們有了現(xiàn)在狀態(tài)的預測結(jié)果，然后我們再收集現(xiàn)在狀態(tài)的測量值。結(jié)合預測值和測量值，我們可以得到現(xiàn)在狀態(tài)(k)的最優(yōu)化估算值X(k|k)：
X(k|k)= X(k|k-1)+Kk(k)(Z(k)-H X(k|k-1))………(3)其中Kk為卡爾曼增益(Kalman Gain)：
Kk(k)= P(k|k-1)H’ /(H P(k|k-1)H’ + R)………(4)
到現(xiàn)在為止，我們已經(jīng)得到了k狀態(tài)下最優(yōu)的估算值X(k|k)。但是為了要卡爾曼濾波器不斷的運行下去直到系統(tǒng)過程結(jié)束，我們還要更新k狀態(tài)下X(k|k)的方差：
P(k|k)=（I-Kk(k)H）P(k|k-1)………(5)
其中I 為單位陣。當系統(tǒng)進入k+1狀態(tài)時，P(k|k)就是式子(2)的P(k-1|k-1)。這樣，算法就可以自回歸的運算下去。
式子(1)、(2)、(3)、(4)和(5)就是卡爾曼濾波的5 個基本公式。2）貝葉斯理論
考查一個隨機試驗，在這個實驗中，n個互不相容的事件A1、A2、?、An必發(fā)生一個，且只能發(fā)生一個，用P（Ai）表示Ai的概率，則有：
?P(A)?
1(6)ii?1n設B為任意事件，則根據(jù)條件概率的定義及全概率公式，有
P?AiB??P?BAi?P?Ai??P?BA?P?A?jjj?1n
i=1,2,?,n
(7)
這就是貝葉斯公式。
在(7)中，P(A1)、P(A2)、?、P(An)表示A1、A2、?、An出現(xiàn)的可能性，這是在做試驗前就已知道的事實，這種知識叫做先驗信息，這種先驗信息以一個概率分布的形式給出，常稱為先驗分布。
現(xiàn)假設在試驗中觀察到B發(fā)生了，由于這個新情況的出現(xiàn)，對事件A1、A2、?、An的可能性有了新的估計，此處也已一個概率分布P?A1B?、?、P?A2B?、P?AnB?的形式給出，因此有：
P?AiB?≥0
(8)?P?AB?=1
(9)
ii?1n這稱為“后驗分布”。它綜合了先驗信息和試驗提供的新信息，形成了關(guān)于Ai出現(xiàn)的可能性大小的當前認識。這個由先驗信息到后驗信息的轉(zhuǎn)化過程就是貝葉斯統(tǒng)計的特征。
3）D-S證據(jù)理論
D-S證據(jù)理論是經(jīng)典概率理論的擴展，當先驗概率難以獲得時，證據(jù)理論就比概率論合適。
D-S方法與其他方法的區(qū)別在于：它具有兩個值，即對每個命題指派兩個不確定性度量（類似但不等于概率）；存在一個證據(jù)屬于一個命題的不確定性測度，使得這個命題似乎可能成立，但使用這個證據(jù)又不直接支持或拒絕它。下面先給出幾個基本定義：
設Ω是樣本空間，Ω由一互不相容的陳述集合組的冪集2?構(gòu)成命題集合。定義1 基本概率分配函數(shù)M 設函數(shù)M是滿足下列條件的映射：
M：2?→[0，1](1)不可能事件的基本概率是0，即M(Φ)=0；(2)對于A??,則有：
0≤M(A)≤1
(3)2?中全部元素的基本概率之和為1，即
A???M?A?=1 則稱M是2?上的概率分配函數(shù)，M(A)稱為A的基本概率函數(shù)，表示對A 的精確信任。
定義2 命題的信任函數(shù)Bel 對于任意假設而言，其信任度Bel(A)定義為A中全部子集對應的基本概率 之和，即
Bel：2?→[0，1]
Bel(A)=?M?B?，對所有的A??
B?ADou(A)=Bel(-A)Bel函數(shù)也稱為下限函數(shù)，表示對A的全部信任。由概率分配函數(shù)的定義容 易得到：
Bel(Φ)=0 Bel(Ω)=?M(B)
B??定義3 命題的似然函數(shù)Pl Pl：2?→[0，1]
Pl(A)=1-Bel(-A)，對所有的A??
Pl函數(shù)也稱為上限函數(shù)，表示對A非假的信任程度。信任函數(shù)和似然函數(shù)有如下關(guān)系：
Pl(A)≥Bel(A), 對所有的A??
而（Bel(A),Pl(A)）稱為信任空間。
三、多傳感器信息融合的應用
隨著多傳感器信息融合技術(shù)的迅速發(fā)展，除了在軍事領域的應用，近年來在許多民用領域也得到了快速的應用，例如：圖像融合、智能機器人、故障診斷、智能交通系統(tǒng)等。
1．軍事應用
隨著信息技術(shù)的發(fā)展和近幾場局部戰(zhàn)爭的實踐，網(wǎng)絡中心戰(zhàn)將成為未來信息化作戰(zhàn)的主要模式，因此信息融合將成為發(fā)展各分系統(tǒng)的最基本要求。
信息融合技術(shù)是隨著信息處理和指揮自動化系統(tǒng)的發(fā)展而形成的，它的優(yōu)越性來源于系統(tǒng)的“組合效應”?，F(xiàn)代戰(zhàn)爭要求各作戰(zhàn)平臺能相互支援、通力協(xié)作，以形成一個緊密結(jié)合的整體，最大限度的發(fā)揮整體合力。因此，在信息化技術(shù)的幫助下，不同武器裝備實現(xiàn)了效能的互補，不同軍種之間實現(xiàn)了功能的互補，具備了互聯(lián)、互通、互操作的能力，從而使不同軍種的不同武器系統(tǒng)在技術(shù)上融為一體，在作戰(zhàn)時空上融為一體，進而使體系對抗成為聯(lián)合作戰(zhàn)的主體。
2．交通系統(tǒng)
由于交通檢測器獲取信息的局限性，無法全面掌握整個路網(wǎng)的交通信息，因此，通過信息融合技術(shù)在交通領域中的應用，提高交通管理中的效率。
信息融合技術(shù)在交通領域中主要用于車輛定位、車輛身份識別、車輛跟蹤、車輛導航及交通管理。這其中關(guān)鍵的就是對交通數(shù)據(jù)進行融合。因此，監(jiān)控中心必須對各個數(shù)據(jù)源的數(shù)據(jù)進行校驗，避免單個信息源失效而導致的判斷失誤。
3．圖像融合
隨著數(shù)字圖像處理技術(shù)的迅速發(fā)展，人們獲取圖像的途徑越來越多，因此圖像融合成為一個熱門研究領域。
多傳感器圖像融合可進一步提高圖像分析、理解與目標識別能力。圖像融合就是充分利用多幅圖像資源，通過對觀測信息的合理支配和使用，把多幅圖像在空間或時間上的互補信息依據(jù)某種準則融合，獲得對場景的一致性解釋或描述，使融合后的圖像比參加融合的任意一幅圖像更優(yōu)越，更精確的反映客觀實際。
總之，隨著新型傳感器的不斷出現(xiàn)，以及現(xiàn)代信號處理技術(shù)、計算機技術(shù)、網(wǎng)絡通信技術(shù)、人工智能技術(shù)、并行計算的軟件和硬件技術(shù)等相關(guān)技術(shù)的飛速發(fā)展，多傳感器信息融合將成為未來軍用和民用高科技系統(tǒng)的重要技術(shù)手段。
第五篇：智能機器人心得體會
智能機器人心得體會
這學期我們在研究性學習課上學習了智能機器人。我對此非常感興趣。我們的課程主要為對智能機器人進行了解與它在實際應用的領域。我們對它并不是很了解，但是經(jīng)過了這一學期的課程后，對它有了一定的認識。智能機器人無論是在工業(yè)領域，還是娛樂領域，都是當今社會補課缺少的元素。智能機器人并非是一定要有實體，它可以是在計算機上的某種程序，例如：智能聊天工具……等一切得到人類指令并進行人性化判斷和回復的，在我認為都可稱作只能機器人。
人類對智能機器人的開發(fā)還有著一段距離，但我相信這是我們可以達到的！在課上我們觀看了《鐵甲鋼拳》、《復仇者聯(lián)盟2：奧創(chuàng)紀元》這兩部影片。這里主要為我們展現(xiàn)出人們對智能機器人的想象，想象是科學事業(yè)的發(fā)展前提。在中國古代，人們的飛天夢，這就是一種想象，再有了想象之后，才有了目標和人們?nèi)崿F(xiàn)他的動力，這才成就了那些偉大的科學家。
在《鐵甲鋼拳》中，男主角在垃圾場拾到早在很久的只能拳擊機器人，他有一個非常bug的一個功能就是模仿人類的動作，因此在最后的拳王爭霸賽上男主角的父親親自上場開啟模仿功能機型比賽，雖敗猶榮。這就是智能機器人可以對人累的動作進行判別與模仿。
在《復仇者聯(lián)盟2：奧創(chuàng)紀元》中鋼鐵俠的科技對人們留下了深刻的印象，在此之中鋼鐵俠的鎧甲和智能化的系統(tǒng)賈維斯都是人工智能的表現(xiàn)。
在我們生活中智能機氣人也無處不再，比如掃地機器人等等…… 我們接觸了機器人，機器人的程序沒有太多的難點，我們并沒有學習過C語言，可以說零基礎基礎，我們目前并沒有實際操作。我們主要學習簡單的指令來進行LED燈的控制，說起來只要兩個字，做起來真的不是那么簡單。
我看那些對機器人進行編程和操控感覺特別的炫。我個人對機器人也有這濃厚的興趣。我也一直想著學好英語在將來可能進行編程之類的工作，但突然發(fā)現(xiàn)我的英語著實是有點差，不過雖然如此我也要努力去實現(xiàn)自己的夢想，現(xiàn)如今我學習美術(shù)并不代表不能從事這個事業(yè)，我相信在將來我可以自己進行編程和設計一個屬于自己的智能機器人。
點擊咨詢 