四足机器人中多传感器信息融合的应用

　　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( constant velocity，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

　　基于双目视觉传感器和超声测距传感器，在CV模型下应用卡尔曼滤波算法，可以得到两组状态向量的估计值和，以及相应的协方差矩阵P1和P2，由于以上两组数据来自两个不同的传感器系统，故满足P12 = P21T≈0这一条件，可以使用STF融合算法得到整个系统的状态向量和协方差矩阵的最佳估计值和P.为此，需要确定以下参数，系统的过程噪声标准差σw，双目视觉传感器的量测噪声标准差σv1，超声测距传感器的量测噪声标准差σv2和卡尔曼滤波算法的初始值。下面结合仿生四足机器人的实际情况，确定以上参数。

　　3.1确定系统的过程噪声标准差

　　由于在机械结构设计和装配过程中产生的误差，使得仿生四足机器人在Walk步态下行走时，并不是理论上以0.4 m/s的速度做匀速直线运动，而是在做变速直线运动，系统的过程噪声标准差是机器人在Walk步态下行走时的加速度值。下面介绍获取该加速度值的方法。