自主移动机器人路径规划及轨迹跟踪的研究(3)

分层式体系结构（ＨｉｅｒａｒｃｈｉｃａｌＡｒｃｈｉｔｅｃｔｕｒｅ）是基于认知的人工智ｆｌＥ（ＡｒｔｉｆｉｃｉａｌＩｎｔｅｌｌｉｇｅｎｃｅ，ＡＩ）模型，因此，也称之为基于知识的体系结构。这类结构中，最有代表性的是有Ｓａｒｉｄｉｓ提出的三层模型［Ｓａｒｌ９７９］。Ｓａｒｉｄｉｓ认为随着控制精度的增加，智能能力减弱，即：层次向上，智能增加，但精度降低；层次向下则相反。遵从这一原则，他把整个结构按功能分为三个层次，从下而上分别是执行级、协调级和组织级。其中，执行级以控制理论为理论基础，实现高精度的控制要求，执行确定的动作；协调级的上层和下层的智能接口，以人工智能和运筹学实现对下一层的协调，确定执行的序列和条件；组织级是系统的“头脑”，以人工智能实现在任务组织中的认知、表达、规划和决策。当然，该模型仅仅是一个概念模型，实际的物理结构可以少于或多于三级，但是从功能上说，只有三个层次。分层式结构能够较好地解决智能与控制精度的关系，创造一种良好的自主式控制方式。然而，由于环境模型的误差、环境的不确定性、传感器的误差以及机器人控制系统的复杂性等，使得该结构在可靠性、灵活性和实时性等方面存有缺陷。４

第一章绪论

Ｂｒｏｏｋ从研究移动机器人控制系统结构的角度出发，提出了基于行为的体系结构一一包容式体系结构（ＳｕｂｓｕｍｐｔｉｏｎＡｒｃｈｉｔｅｃｔｕｒｅ）［Ｂｒ０１９８６］。包容式体系结构是一种完全的反应式体系结构，是基于感知与行为（Ｓｅｎｓｅ．Ａｃｔｉｏｎ，ＳＡ）之间映射关系的并行结构。在该结构中，每个控制层直接基于传感器的输入进行决策，在其内部不维护外界环境模型，可以在完全陌生的环境中进行操作，模块之间信息流的表示也很简单，反应性非常好，其灵活的反应行为体现了一定的智能特征。包容式结构不存在中心控制，各层间的通信量极小，可扩充性好。多传感信息各层独自处理，增加了系统的鲁棒性，同时起到了稳定可靠的作用．但包容结构过分强调单元的独立、平行工作，缺少全局的指导和协调，虽然在局部行动上可显示出很灵活的反应能力和鲁棒性，但是对于长远的全局性的目标跟踪显得缺少主动性，目的性较差【刘海波等２００３］。

混合式体系结构综合了上述两种结构的优点，它既吸取了分层式结构中高层规划的智能性，又保持了包容式结构中低层反应的灵活性．以这种体系结构为基础的机器人系统，首先按照分层的认知过程进行行为初始化，然后执行反应式的控制行为，被描述为规划与感知行）白（Ｐｌａｎ，Ｓｅｎｓｅ．Ａｃｔ）的混合。混合结构不仅具有解决复杂问题的能力，还具备较好的实时响应能力。目前，混合式体系结构是移动机器人体系结构的重要发展趋势，尤其是在未知环境下移动机器人导航中得到了广泛的应用。

除了上述体系结构，近年来，国内外学者又提出了一些新的体系结构，如Ｒｏｓｅｎｂｌａｔｔ提出了自组织结构［Ｒｏｓｌ９９７］、Ｇｅｓ／ｌ提出了分布式结构［Ｇｅｓ２０００】以及蔡自兴提出的先进控制结构【蔡自兴２０００］等。

１．４．２多传感器信息融合

融合的概念最初出现于２０世纪７０年代的美国，当时称之为多源相关、多传感器混合和数据融合，并最早应用于军事的Ｃ３Ｉ（ｃｏｍｍａｎｄ、ｃｏｎｔｒｏｌ、ｃｏｍｍｕｎｉｃａｔｉｏｎａｎｄｉｎｆｏｒｍａｔｉｏｎ）系统．大家知道，传感器获得的信息有３类：冗余信息、互补信息和协同信息。冗余信息是指由多个独立传感器提供的关于环５

浙江大学博士学位论文

境信息中同一特征的多个信息，也可以是某一传感器在一段时间内多次测量得到的信息。在一个多传感器系统中，如果每个传感器提供的环境特征是彼此独立的，即感知的是环境各个不同侧面的信息，那么这些信息称为互补信息；如果一个传感器信息的获得必须依赖于另一个传感器的信息，或者一个传感器必须与另一个传感器配合工作才能获得所需的信息，那么这两个传感器提供的信息称为协同信息。

多传感器信息融合指的是对不同知识源和多个传感器所获得的信息进行综合处理，消除多传感器信息之间可能存在的冗余和矛盾，利用信息互补，降低不确定性，以形成对系统环境相对完整一致的理解，从而提高智能系统决策和规划的科学性、反应的快速性和正确性，进而降低决策风险过程［陈文辉等２００６１。概括地说，多传感器信息融合系统具有下面几个优点［罗志增等２００２］：①提高精度。在用传感器进行测量时，不可避免地存在各种噪声，而同时使用描述同一特征的多个信息，可减少由测量不精确所引起的不确定性，明显地提高系统的精度。②提高对环境描述的能力。多种传感器可以描述环境中的多个不同特征，利用来自不同传感器的信息进行互补，并通过融合，可以更全面、准确地描述环境对象，减少识别时的不确定性，提高环境描述的正确性和全面性。③当系统中有一个甚至几个传感器出现故障时，可以利用其他传感器获取环境信息，以维持系统的正常运行。④提高了系统的运行效率。在同等数量的传感器下，由于多传感器信息融合中使用了并行结构，采用了分布式系统并行算法，使得与用各单传感器的串行结构相比，显著地提高了信息处理速度，增强了系统的实时性。⑤降低信息获取的成本。信息融合提高了信息的利用效率，可以用多个较廉价的传感器获得与昂贵的单一高精度传感器同样甚至更好的性能，因而可大大降低系统的成本．

移动机器人多传感器信息融合技术的研究始于２０世纪８０年代，已形成了很多方法，其中较为常用的有以下几种：①贝叶斯估计［Ｖａｒｌ９９６］。贝叶斯估计是融合静态环境中多传感器低层数据的一种常用方法，其原理是根据已发生的６

第一章绪论

事实对未发生的事件进行概率的判断，首先去除可能有错的传感信息，然后对剩下的“一致传感器”提供的冗余信息进行融合处理，适用于具有高斯白噪声的不确定性传感信息融合，一般只能对相同特征的信息进行合理的数据融合．②多贝叶斯方法。在多贝叶斯方法中，将所有传感器视为一个由多个决策者组成的小组，这些传感器必须确定该小组一致的结果，适用于静态环境。③加权平均法。加权平均法对来自不同传感器的冗余信息进行加权平均，是一种最简单、最直观的多传感器低层数据融合方法，一般用于对动态低层数据进行处理，但结果不是统计上的最优估计。④Ｄ．Ｓ证据推理［Ｂ０９１９８７，Ｓｈａｌ９７６，ＺＷＭ＋２００６］。Ｄ—Ｓ证据推理是贝叶斯估计法的扩展，它将局部成立的前提与全局成立的前提分离开来，以处理前提条件不完整的信息融合。⑤产生式规则。产生式规则采用符号表示目标特征和相应传感器信息之间的联系，与每个规则相联系的置信因子表示信息的不确定程度。这种不直接基于传感器信息的方法很容易与基于传感器信息的规则相结合，从而作为整个高层推理系统的一部分，如专家系统。⑥卡尔曼滤波１ＳＤ２００４］。卡尔曼滤波（ＫＦ）用于实时融合动态的低层次冗余传感器数据。当噪声为高斯分布的白噪声时，卡尔曼滤波提供信息融合的统计意义下的最优递推估计。卡尔曼滤波具有计算速度快，所需存储空间较小的优点，因而在多传感器信息融合领域应用得非常成功。对于非线性系统模型的信息融合，可采用扩展卡尔曼滤波（ＥＫＦ）【ＬＧＬ＋２００４］或分散卡尔曼滤波（ＤＫＦ）。⑦模糊推理＂法［ｒｒＲＺ＋２００３，ＶＭＢ＋２００３］。模糊逻辑推理实际上是一个不确定推理过程，多 …… 此处隐藏：2597字，全部文档内容请下载后查看。喜欢就下载吧 ……