關于工業機器人多傳感器數據融合技術路徑的探討

李胡

摘 要：本文重點對異質多傳感器數據融合技術進行探討，包含在特征提取階段根據各傳感器特性分別采用效能最高的特征提取技術，采用模糊神經網絡算法進行融合，實現快速、準確的異質多傳感數據的融合。

關鍵詞：工業機器人 多傳感器 數據融合 技術路徑

工業機器人是一種包括機械、電子、控制、計算機、傳感器、人工智能、數據處理等多學科先進技術，并將其應用于一體的現代制造業重要的自動化設備。隨著工業發展的需求，機器人中的傳感器作用日益凸顯，諸如位移、速度、加速度、角速度、力、溫度、磁場、光等物理量，將機器人監測到的物理量用多傳感器的融合技術來進行環境建模、決策、控制及反饋，對整個自動化生產線的控制起著至關重要的作用，因此探討研究多傳感器的數據融合技術很有必要。

一、異質傳感數據融合算法

多傳感器的數據融合是指對多個傳感器從不同信號源采集的數據進行融合，以實現系統更有效地控制被控對象。異質傳感數據融合算法研究和多個異質傳感器融合的實質是多源不確定性信息的協同處理，深入研究數據融合算法，提高融合精度，以最優方式對傳感數據進行融合。其主要任務是對異質傳感器數據的建模、協同與解釋。異質傳感數據的建模是如何建立一個通用的信息處理模式，從而為多個異質傳感器建立一種高效的融合架構的呢？

在異質多傳感數據融合的研究中，高精度、快速的融合算法研究非常重要，而多傳感數據融合的集成模式與框架是數據融合算法處理的基礎。因此，建立在高效率的數據融合框架上的高精度融合算法研究是研究重點。從融合結構層入手，選取高效率的融合結構，并在此基礎上應用快速、準確率高的融合算法實現多傳感數據融合。

數據融合結構可分為三層：決策層、特征層、數據層。決策層融合是在收到每個傳感器對物理對象做出識別的信號后，直接將識別的結果進行有效融合，雖然其對通信帶寬要求較低，但其對結果準確率預測也較低。特征層融合是從每個傳感器對物理對象做出識別的信號中提取出特征向量，并有效融合特征向量，采用融合算法對融合結果進行識別判斷，其不但可適用于異質傳感器的融合，而且對通信帶寬要求較低。數據層融合是將全部傳感器對物理對象做出識別后產生的全部信號數據進行融合形成總的信號數據，并將特征向量從總信號數據中提取出來識別判斷，但這種方法只適用于同質多傳

感器。

采用特征層融合結構來進行異質多傳感數據融合，減少了大量的干擾數據，可提高運算速度，并且在保持較高準確度的前提下，易于實現實時處理。在特征層融合結構中將根據傳感器數據處理類型分別采用小波分析、主成分分析、信息熵法、貝葉斯等相應的特征提取技術提取各傳感器特征。當各傳感器特征向量提取出之后，采用多數據融合算法對其進行融合。

采用將模糊理論與神經網絡理論相結合的算法對特征向量進行融合處理，能夠避免采用二值邏輯進行判斷時不適應系統數據融合時存在的各種不確定性。采用多值邏輯方法的模糊邏輯，在推理過程中它能夠直接表示多傳感器信息融合過程中的不確定性，但在自動生成和調整模糊規則及隸屬度函數方面仍存在困難。神經網絡理論具有大規模并行處理能力、自學習能力和自適應能力，其仿生特性使之能更有效地利用本身的信息。但其知識表達比較困難，學習速度慢。將模塊理論與神經網絡理論相結合作為融合算法，其以神經網絡為基礎，利用模糊邏輯較強的結構性知識表達能力，其具有兩者所具有的特點，可有效并快速地在算法層面實現融合。自適應模糊神經推理系統以模糊規則的邏輯推理過程為基礎，對輸入信號進行模糊化處理、相乘處理、歸一化可信度處理，最終按模糊化、推理和清晰化過程產生輸出。

二、多傳感器數據管理技術

隨著多傳感器數據融合技術的不斷發展，多傳感器的管理已經成為數據融合系統的一個必不可少的組成部分。多傳感器的管理就是將數據融合的結果反饋到融合處理的過程中，多傳感器管理在滿足各個具體特性最優值的前提下，充分利用已有的傳感器資源，對傳感器的資源進行合理科學的分配。從而將數據融合處理過程構成閉環反饋結構，提高融合的性能。為了提高數據融合的性能及對傳感器的利用效率，針對多傳感器管理是在這樣一個不確定的、動態環境中的管理過程，協調管理多個傳感器的傳感器管理系統的結構是十分重要的技術。傳感器體系結構是實現傳感器管理的基礎，合理的結構體系不僅可以保證傳感器高效地工作，還可以減輕數據融合系統的工作負擔。傳感器管理是一個跨學科的研究領域，涉及諸多領域的技術。如何實現傳感器管理的簡化決策過程、合理調度、協同工作高效是傳感器管理方法研究的重要技術指標。

多傳感器管理技術研究包括體系結構研究與管理方法研究，體系結構采用宏觀/微觀（Macro/Micro）式雙層結構。宏觀層動態配置有效分配每個傳感器的任務，實現多傳感器間的信號交接與引導，實現傳感器間的協調與交互。微觀層則通過對各個傳感器進行模式選取或參數設置，針對控制各個傳感器給定的具體工作任務來執行，通過這種設計，由負責宏觀傳感器管理的宏觀傳感器管理器根據數據融合與最終判決的反饋結果合理分配各個傳感器的工作模式與參數，調度傳感器并進行目標優先級排序等。在微觀層次，每個傳感器小系統在采集數據的過程的同時也接受來之宏觀傳感器管理器的命令，并根據命令設置工作模式，通過兩層的交互實現最終的動態配置。

合理有效地利用來自多傳感器數據，并能解決多傳感器組成的系統中，存在異質傳感器的互斥性及部分傳感器有功能和工作條件的限制問題，實現多傳感器管理有效管理這一控制過程，需要按最優準則建立一個目標函數，目標函數要易于量化，通過對目標函數進行的優化，配置傳感器工作模式與參數等。

傳感器管理方法以數學規劃中的線性規劃為基礎，采用效能函數建立目標函數的，建立傳感器分配的效能函數是通過求目標優先級函數和傳感器——目標配對函數的加權平均值，以“效能函數最大”為準則，并結合浪費率函數對目標覆蓋范圍約束和傳感器最大跟蹤能力約束，利用線性規劃技術求解最優分配方案。

三、小結

異質多傳感器數據融合技術利用模糊神經網絡算法，融合基于特征層的異質多傳感數據、效能最優的管理方法以及雙層結構多傳感器管理結構，并且在特征提取階段分別根據各傳感器特性，采用效能最高的特征提取技術進行數據融合，從而減少通信帶寬的需求，并實現快速、準確的異質多傳感數據的融合，有利于工業機器人的系統控制。

（作者單位：廣東省機械技師學院）endprint