论文部分内容阅读
摘 要：本文重点对异质多传感器数据融合技术进行探讨，包含在特征提取阶段根据各传感器特性分别采用效能最高的特征提取技术，采用模糊神经网络算法进行融合，实现快速、准确的异质多传感数据的融合。
关键词：工业机器人 多传感器 数据融合 技术路径
工业机器人是一种包括机械、电子、控制、计算机、传感器、人工智能、数据处理等多学科先进技术，并将其应用于一体的现代制造业重要的自动化设备。随着工业发展的需求，机器人中的传感器作用日益凸显，诸如位移、速度、加速度、角速度、力、温度、磁场、光等物理量，将机器人监测到的物理量用多传感器的融合技术来进行环境建模、決策、控制及反馈，对整个自动化生产线的控制起着至关重要的作用，因此探讨研究多传感器的数据融合技术很有必要。
一、异质传感数据融合算法
多传感器的数据融合是指对多个传感器从不同信号源采集的数据进行融合，以实现系统更有效地控制被控对象。异质传感数据融合算法研究和多个异质传感器融合的实质是多源不确定性信息的协同处理，深入研究数据融合算法，提高融合精度，以最优方式对传感数据进行融合。其主要任务是对异质传感器数据的建模、协同与解释。异质传感数据的建模是如何建立一个通用的信息处理模式，从而为多个异质传感器建立一种高效的融合架构的呢？
在异质多传感数据融合的研究中，高精度、快速的融合算法研究非常重要，而多传感数据融合的集成模式与框架是数据融合算法处理的基础。因此，建立在高效率的数据融合框架上的高精度融合算法研究是研究重点。从融合结构层入手，选取高效率的融合结构，并在此基础上应用快速、准确率高的融合算法实现多传感数据融合。
数据融合结构可分为三层：决策层、特征层、数据层。决策层融合是在收到每个传感器对物理对象做出识别的信号后，直接将识别的结果进行有效融合，虽然其对通信带宽要求较低，但其对结果准确率预测也较低。特征层融合是从每个传感器对物理对象做出识别的信号中提取出特征向量，并有效融合特征向量，采用融合算法对融合结果进行识别判断，其不但可适用于异质传感器的融合，而且对通信带宽要求较低。数据层融合是将全部传感器对物理对象做出识别后产生的全部信号数据进行融合形成总的信号数据，并将特征向量从总信号数据中提取出来识别判断，但这种方法只适用于同质多传
感器。
采用特征层融合结构来进行异质多传感数据融合，减少了大量的干扰数据，可提高运算速度，并且在保持较高准确度的前提下，易于实现实时处理。在特征层融合结构中将根据传感器数据处理类型分别采用小波分析、主成分分析、信息熵法、贝叶斯等相应的特征提取技术提取各传感器特征。当各传感器特征向量提取出之后，采用多数据融合算法对其进行融合。
采用将模糊理论与神经网络理论相结合的算法对特征向量进行融合处理，能够避免采用二值逻辑进行判断时不适应系统数据融合时存在的各种不确定性。采用多值逻辑方法的模糊逻辑，在推理过程中它能够直接表示多传感器信息融合过程中的不确定性，但在自动生成和调整模糊规则及隶属度函数方面仍存在困难。神经网络理论具有大规模并行处理能力、自学习能力和自适应能力，其仿生特性使之能更有效地利用本身的信息。但其知识表达比较困难，学习速度慢。将模块理论与神经网络理论相结合作为融合算法，其以神经网络为基础，利用模糊逻辑较强的结构性知识表达能力，其具有两者所具有的特点，可有效并快速地在算法层面实现融合。自适应模糊神经推理系统以模糊规则的逻辑推理过程为基础，对输入信号进行模糊化处理、相乘处理、归一化可信度处理，最终按模糊化、推理和清晰化过程产生输出。
二、多传感器数据管理技术
随着多传感器数据融合技术的不断发展，多传感器的管理已经成为数据融合系统的一个必不可少的组成部分。多传感器的管理就是将数据融合的结果反馈到融合处理的过程中，多传感器管理在满足各个具体特性最优值的前提下，充分利用已有的传感器资源，对传感器的资源进行合理科学的分配。从而将数据融合处理过程构成闭环反馈结构，提高融合的性能。为了提高数据融合的性能及对传感器的利用效率，针对多传感器管理是在这样一个不确定的、动态环境中的管理过程，协调管理多个传感器的传感器管理系统的结构是十分重要的技术。传感器体系结构是实现传感器管理的基础，合理的结构体系不仅可以保证传感器高效地工作，还可以减轻数据融合系统的工作负担。传感器管理是一个跨学科的研究领域，涉及诸多领域的技术。如何实现传感器管理的简化决策过程、合理调度、协同工作高效是传感器管理方法研究的重要技术指标。
多传感器管理技术研究包括体系结构研究与管理方法研究，体系结构采用宏观/微观（Macro/Micro）式双层结构。宏观层动态配置有效分配每个传感器的任务，实现多传感器间的信号交接与引导，实现传感器间的协调与交互。微观层则通过对各个传感器进行模式选取或参数设置，针对控制各个传感器给定的具体工作任务来执行，通过这种设计，由负责宏观传感器管理的宏观传感器管理器根据数据融合与最终判决的反馈结果合理分配各个传感器的工作模式与参数，调度传感器并进行目标优先级排序等。在微观层次，每个传感器小系统在采集数据的过程的同时也接受来之宏观传感器管理器的命令，并根据命令设置工作模式，通过两层的交互实现最终的动态配置。
合理有效地利用来自多传感器数据，并能解决多传感器组成的系统中，存在异质传感器的互斥性及部分传感器有功能和工作条件的限制问题，实现多传感器管理有效管理这一控制过程，需要按最优准则建立一个目标函数，目标函数要易于量化，通过对目标函数进行的优化，配置传感器工作模式与参数等。
传感器管理方法以数学规划中的线性规划为基础，采用效能函数建立目标函数的，建立传感器分配的效能函数是通过求目标优先级函数和传感器——目标配对函数的加权平均值，以“效能函数最大”为准则，并结合浪费率函数对目标覆盖范围约束和传感器最大跟踪能力约束，利用线性规划技术求解最优分配方案。
三、小结
异质多传感器数据融合技术利用模糊神经网络算法，融合基于特征层的异质多传感数据、效能最优的管理方法以及双层结构多传感器管理结构，并且在特征提取阶段分别根据各传感器特性，采用效能最高的特征提取技术进行数据融合，从而减少通信带宽的需求，并实现快速、准确的异质多传感数据的融合，有利于工业机器人的系统控制。
（作者单位：广东省机械技师学院）
关键词：工业机器人 多传感器 数据融合 技术路径
工业机器人是一种包括机械、电子、控制、计算机、传感器、人工智能、数据处理等多学科先进技术，并将其应用于一体的现代制造业重要的自动化设备。随着工业发展的需求，机器人中的传感器作用日益凸显，诸如位移、速度、加速度、角速度、力、温度、磁场、光等物理量，将机器人监测到的物理量用多传感器的融合技术来进行环境建模、決策、控制及反馈，对整个自动化生产线的控制起着至关重要的作用，因此探讨研究多传感器的数据融合技术很有必要。
一、异质传感数据融合算法
多传感器的数据融合是指对多个传感器从不同信号源采集的数据进行融合，以实现系统更有效地控制被控对象。异质传感数据融合算法研究和多个异质传感器融合的实质是多源不确定性信息的协同处理，深入研究数据融合算法，提高融合精度，以最优方式对传感数据进行融合。其主要任务是对异质传感器数据的建模、协同与解释。异质传感数据的建模是如何建立一个通用的信息处理模式，从而为多个异质传感器建立一种高效的融合架构的呢？
在异质多传感数据融合的研究中，高精度、快速的融合算法研究非常重要，而多传感数据融合的集成模式与框架是数据融合算法处理的基础。因此，建立在高效率的数据融合框架上的高精度融合算法研究是研究重点。从融合结构层入手，选取高效率的融合结构，并在此基础上应用快速、准确率高的融合算法实现多传感数据融合。
数据融合结构可分为三层：决策层、特征层、数据层。决策层融合是在收到每个传感器对物理对象做出识别的信号后，直接将识别的结果进行有效融合，虽然其对通信带宽要求较低，但其对结果准确率预测也较低。特征层融合是从每个传感器对物理对象做出识别的信号中提取出特征向量，并有效融合特征向量，采用融合算法对融合结果进行识别判断，其不但可适用于异质传感器的融合，而且对通信带宽要求较低。数据层融合是将全部传感器对物理对象做出识别后产生的全部信号数据进行融合形成总的信号数据，并将特征向量从总信号数据中提取出来识别判断，但这种方法只适用于同质多传
感器。
采用特征层融合结构来进行异质多传感数据融合，减少了大量的干扰数据，可提高运算速度，并且在保持较高准确度的前提下，易于实现实时处理。在特征层融合结构中将根据传感器数据处理类型分别采用小波分析、主成分分析、信息熵法、贝叶斯等相应的特征提取技术提取各传感器特征。当各传感器特征向量提取出之后，采用多数据融合算法对其进行融合。
采用将模糊理论与神经网络理论相结合的算法对特征向量进行融合处理，能够避免采用二值逻辑进行判断时不适应系统数据融合时存在的各种不确定性。采用多值逻辑方法的模糊逻辑，在推理过程中它能够直接表示多传感器信息融合过程中的不确定性，但在自动生成和调整模糊规则及隶属度函数方面仍存在困难。神经网络理论具有大规模并行处理能力、自学习能力和自适应能力，其仿生特性使之能更有效地利用本身的信息。但其知识表达比较困难，学习速度慢。将模块理论与神经网络理论相结合作为融合算法，其以神经网络为基础，利用模糊逻辑较强的结构性知识表达能力，其具有两者所具有的特点，可有效并快速地在算法层面实现融合。自适应模糊神经推理系统以模糊规则的逻辑推理过程为基础，对输入信号进行模糊化处理、相乘处理、归一化可信度处理，最终按模糊化、推理和清晰化过程产生输出。
二、多传感器数据管理技术
随着多传感器数据融合技术的不断发展，多传感器的管理已经成为数据融合系统的一个必不可少的组成部分。多传感器的管理就是将数据融合的结果反馈到融合处理的过程中，多传感器管理在满足各个具体特性最优值的前提下，充分利用已有的传感器资源，对传感器的资源进行合理科学的分配。从而将数据融合处理过程构成闭环反馈结构，提高融合的性能。为了提高数据融合的性能及对传感器的利用效率，针对多传感器管理是在这样一个不确定的、动态环境中的管理过程，协调管理多个传感器的传感器管理系统的结构是十分重要的技术。传感器体系结构是实现传感器管理的基础，合理的结构体系不仅可以保证传感器高效地工作，还可以减轻数据融合系统的工作负担。传感器管理是一个跨学科的研究领域，涉及诸多领域的技术。如何实现传感器管理的简化决策过程、合理调度、协同工作高效是传感器管理方法研究的重要技术指标。
多传感器管理技术研究包括体系结构研究与管理方法研究，体系结构采用宏观/微观（Macro/Micro）式双层结构。宏观层动态配置有效分配每个传感器的任务，实现多传感器间的信号交接与引导，实现传感器间的协调与交互。微观层则通过对各个传感器进行模式选取或参数设置，针对控制各个传感器给定的具体工作任务来执行，通过这种设计，由负责宏观传感器管理的宏观传感器管理器根据数据融合与最终判决的反馈结果合理分配各个传感器的工作模式与参数，调度传感器并进行目标优先级排序等。在微观层次，每个传感器小系统在采集数据的过程的同时也接受来之宏观传感器管理器的命令，并根据命令设置工作模式，通过两层的交互实现最终的动态配置。
合理有效地利用来自多传感器数据，并能解决多传感器组成的系统中，存在异质传感器的互斥性及部分传感器有功能和工作条件的限制问题，实现多传感器管理有效管理这一控制过程，需要按最优准则建立一个目标函数，目标函数要易于量化，通过对目标函数进行的优化，配置传感器工作模式与参数等。
传感器管理方法以数学规划中的线性规划为基础，采用效能函数建立目标函数的，建立传感器分配的效能函数是通过求目标优先级函数和传感器——目标配对函数的加权平均值，以“效能函数最大”为准则，并结合浪费率函数对目标覆盖范围约束和传感器最大跟踪能力约束，利用线性规划技术求解最优分配方案。
三、小结
异质多传感器数据融合技术利用模糊神经网络算法，融合基于特征层的异质多传感数据、效能最优的管理方法以及双层结构多传感器管理结构，并且在特征提取阶段分别根据各传感器特性，采用效能最高的特征提取技术进行数据融合，从而减少通信带宽的需求，并实现快速、准确的异质多传感数据的融合，有利于工业机器人的系统控制。
（作者单位：广东省机械技师学院）