论文部分内容阅读
摘 要：为了提高工作效率并降低生产成本，需要实现生产运输过程的自动化，而运输过程的自动化通常使用自动导引车来实现。自动导引车不仅能够减少人工数量，还能提高工作效率，从而降低生产成本，提高企业利润，增强企业生存竞争力。文中通过比较几种常用的导航方式，最终确定使用激光导航与红外导航的组合导航方式导引本项目的火工品运输AGV行驶。试验结果表明，组合导航方式相对于其他单独的导航方式可以提高导航精度。
关键词：AGV；导航方法；组合导航；自动化
中图分类号：TP242.2 文献标识码：A 文章编号：2095-1302（2016）09-0058-05
0 引 言
自动导引车（Automatic Guided Vehicle， AGV）是一种利用电磁或者光学等技术的自动导航设备，能够沿着规定的路径行驶，具有安全保护的无人驾驶物流运输设备。而AGV在运行过程中主要完成路径规划、定位、导航、避障等任务，所以，导航是AGV运输过程的基本环节之一。导航主要研究在有障碍物的环境条件下，AGV如何实现从开始地到目标地之间的行驶，即导航问题。文中以一种实用型火工品运输自动导引车为研究对象，主要阐述对其导航方法的研究[1]。
1 AGV常见的导航方法
导航方法就是已知初始节点和目标节点，导引AGV从初始节点到目标节点运输过程所使用的方法。目前常用的导航方法有电磁导航方式、磁带导航方式、激光导航方式、超声波导航方式、红外线导航方式、光学导航方式、惯性导航方式及组合导航。
1.1 电磁导航方式
电磁导航是较为传统的导航方式之一，电磁导航在AGV的行驶路径上埋设金属线，并在金属线上加载固定导航频率的电流，通过对导航频率的识别来实现AGV导航。其优点是导线隐蔽，不易污染和破损，导航原理简单、可靠，对声音光线无干扰且成本较低。但电磁导航具有路径难以更改、扩展，不适合现代工业柔性制造流程的需要，对复杂路径的局限性大，并且电磁导航线路埋设需要破坏地面，不易施工和维护。
1.2 磁带导航方式
磁带导航与电磁导航相近，通过在工作场地的路面上贴磁带代替在地面下埋设金属线，通过磁感应传感器信号实现精确定位导航，相对于电磁导航，其灵活性好，无需破坏地面，改变或扩充路径比较容易。虽然磁带铺设简单易行，但是行业内目前使用的传统的磁带导航方式易受环路周围金属物质的干扰，磁带易受机械损伤而致使可靠性降低。
1.3 激光导航方式
激光导航是在AGV行驶路径的周围安装位置精确的激光反射板（至少三块以上），AGV通过激光扫描器发射激光束，同时采集由反射板反射的激光束来确定其当前的位置和航向，并通过连续的三角几何运算来实现AGV导航。该技术最大的优点是AGV定位精确，地面无需其他定位设施，行驶路径灵活多变，能够适合多种现场环境，是目前国外许多AGV生产厂家优先采用的先进导航方式。然而其缺点也同样突出。激光导航方式的制造成本高，对环境的要求较为苛刻（外界光线、地面要求、能见度要求等），不适合使用于室外（易受雨、雪、雾的影响）环境。
1.4 超声波导航方式
超声波导航在AGV上安装超声波发射器，某两个固定位置安装超声波接收器，取此两点连线的中点为原点，通过三点法确定AGV坐标位置从而实现导航。超声波导航的优点是具有安装使用方便、成本低、抗电磁干扰能力强、不受光线烟雾影响、时间信息直观等优点，但是超声波导航精度低、距离短、稳定性差、不适合复杂环境导航。
1.5 红外线导航方式
红外线导航是AGV利用与中心线前部方向左右两侧分别成450°夹角的两路红外接收器来采集机器人所处环境中的红外信号而实现导航的方式[2]。红外导航的优点为定位精确、成本低，但易受外界光线影响，所以非常适合室内短距离导航。
1.6 光学导航方式
光学导航也称为色带导航，是在AGV的行驶路径上涂漆或者粘贴色带，通过对摄像机采入的色带图像信号进行简单处理（一般包括阈值处理、边缘提取、滤波等步骤）而实现导航。其优点是灵活性比较好，地面路线设置简单易行，但是对色带的污染和机械损伤十分敏感，对环境要求较高，导航可靠性、安全性极差，定位精度低，而且需要经常维护。
1.7 惯性导航方式
惯性导航在AGV上安装陀螺仪，在行驶区域的地面上安装定位块，AGV可通过对陀螺仪偏差信号（角速率）的计算及地面定位块信号的采集来确定自身的位置和航向，从而实现导航。此项技术较早运用于军方，其主要优点是技术先进，较之有线导航，地面处理工作量小，路径灵活性强。其缺点是制造成本较高，导航的精度和可靠性与陀螺仪的制造精度及其后续信号处理密切相关。
上述导航方式的优缺点分析见表1所列。
表1 导航方式比较表
特点 电磁
导航 磁带
导航 激光
导航 光学
导航 惯性
导航 红外
导航 超声波导航
维护成本 低 高 低 高 高 低 中等
灵活性 无 低 高 低 中等 高 中等
耐腐蚀性 有 中等 有 无 有 有 有
抗干扰性 低 中等 高 低 高 中等 高
室外工作 可以 可以 不可以 不可以 可以 不可以 不可以
安装成本 中等 低 高 中等 高 低 中等
通过相互比较与分析评价，红外导航和激光导航非常适合在室内导航，而本课题的AGV主要工作于室内，又因为单种导航方式稳定性较差，所以本课题选择红外导航和激光导航的组合导航方式。
1.8 组合导航
在组合导航方式下，为了保证AGV的定位精度，我们选择以激光导航坐标为基准建立基准坐标系，在这个坐标系中，选择红外导航和激光导航的交汇点作为切换基点，避免某些区域受障碍物、过道等因素的影响，在激光导航不能到达的区域选择红外导航，进而达到红外导航和激光导航两者坐标系的优化融合，使得组合导航的定位精度、导航效果满足本课题的项目要求，保障组合导航方式下AGV的安全运行。 AGV组合导航系统主要由检测单元、数据融合单元、运动控制单元组成。其中检测单元用来检测AGV运动信息或环境信息；数据融合单元可对检测数据进行处理并判断AGV的运动情况；运动控制单元则根据AGV的运动情况对其进行运动校正。
2 信息融合技术
信息融合技术是利用传感器按时序获取若干环境信息，并在某个规则下利用计算机加以自动分析、综合，以完成所需决策和评估任务而进行的信息处理技术。信息融合技术简单来说就是在利用计算机将采集的信息通过某种算法综合分析并作出决策的过程中所用到的信息处理技术[3，4]。而组合导航方式是信息融合的重要应用之一，在组合导航方式中，我们选取激光导航与红外导航相结合的方式。虽然单独的激光导航和红外导航等都是独立完整的导航体系，其定位精度也相对准确，但为了得到更为准确的导航体系，我们选取激光导航与红外导航的组合导航方式，其组合导航方式首先需要解决激光导航和红外导航两者坐标系的优化融合问题，而此问题也是组合导航的关键问题之一。
2.1 信息融合的算法
信息融合算法一般分为人工智能算法和概率统计算法，其中概率统计算法有时也称为随机类算法。人工智能算法包括模糊逻辑理论算法、神经网络算法、D-S证据推理算法和专家系统算法等；而概率统计算法主要有加权平均法、贝叶斯算法、卡尔曼滤波算法、产生式规则、统计决策理论算法和假设检验算法等[5，6]。
2.1.1 模糊逻辑算法
模糊逻辑算法其实是一种多值逻辑理论算法，一般选择0和1之间的实数表示真实度，相当于隐含算子的前提，允许将多个传感器信息融合过程中的不确定性直接表示在逻辑推理过程中。如果采用某种系统化的算法对融合过程中的不确定性进行逻辑推理建模，则可以产生一个一致性的模糊逻辑推理。与概率统计类方法相比，逻辑推理有许多优点，其在一定程度上克服了概率论所面临的问题，即它对信息的表示和处理更加接近人类的思维方式，比较适合高层次应用（如决策），但是逻辑推理本身还不够成熟和系统化。此外，因为逻辑推理对信息的描述存在很大的主观因素，所以信息的表示和处理缺乏客观性。模糊集合理论对于数据信息融合的实际价值在于它能够外延到模糊逻辑。同时，模糊逻辑是一种多值逻辑，隶属度可视为一个数据真值的不精确表示[7-9]。在多传感器融合（Multiple Sensor Fusion， MSF）的过程中，存在的不确定性可以直接用模糊逻辑表示，然后使用多值逻辑推理，根据模糊集合理论的各种演算对命题进行融合，进而实现数据融合，但其精度不高。
2.1.2 人工神经网络算法
神经网络具有很强的容错性以及自学习、自组织及自适应性，能够模拟复杂的非线性映射。神经网络的这些特性和强大的非线性处理能力恰好满足了多传感器信息融合技术处理的要求。在多传感器系统中，各信息源所提供的环境信息都具有一定程度的不确定性，而这些不确定信息的融合过程实际上是一个不确定性推理过程。神经网络根据当前系统所接受的样本相似性确定分类的标准，此种确定方法主要表现在网络的权值分布上。同时，可以采用神经网络特定的学习算法来获取知识，得到不确定性推理机制。利用神经网络的信号处理能力和自动推理功能实现多传感器信息融合[4，7-9]。
2.1.3 专家系统算法
专家系统（Expert System，ES）是随着人工智能技术的发展而逐渐成长起来的一门新兴学科，与自然语言理解和机器人一样，成为人工智能研究的三大领域之一。
至今，专家系统还没有提出一个统一完整的定义，一般是指一种问题求解的智能计算机程序系统，它利用存储在计算机里的从某个领域专家那里获取的权威性知识和丰富经验来解决该领域中具有相当于专家水平的问题[10]。
2.1.4 加权平均算法
加权平均法是最简单、最直观的信号级融合方法，此方法将一组传感器提供的冗余信息进行加权平均处理，结果作为融合值，也是一种直接对数据源进行操作的算法[7]。
2.1.5 贝叶斯估计算法
贝叶斯估计算法不仅为数据融合提供了一种手段，同时还是融合静态环境中多传感器高层信息的常用方法之一，使传感器信息依据概率原则进行组合。测量不确定性时以条件概率表示，当传感器组观测的坐标一致时，可以直接对传感器数据进行融合，但在大多数情况下，传感器的测量数据信息要以间接方式采用贝叶斯估计算法进行数据信息融合。多贝叶斯估计将每一个传感器作为一个贝叶斯估计，然后将各个单独物体的关联概率分布合成一个联合的后验概率分布函数，使联合分布函数的似然函数为最小，提供多个传感器数据信息的最终融合值，融合数据信息与环境的一个先验模型提供了整个环境的特征性描述[11，12]。
2.1.6 卡尔曼滤波算法
卡尔曼滤波（Kalman Filter，KF）算法是一种主要用于融合低层次实时动态的多传感器冗余数据的算法，也是一种高效率的递归滤波算法。该算法用测量模型的统计特性进行递推，决定统计意义下的最优融合和数据估计。如果系统具有线性动力学模型，且系统与传感器的误差符合高斯白噪声模型，即简单的卡尔曼滤波必须应用在符合高斯分布的系统中，那么卡尔曼滤波算法将为融合数据提供唯一统计意义下的最优估计[13]。卡尔曼滤波算法的递推特性使系统处理不需要大量的数据存储和计算。但采用单一的卡尔曼滤波器对多传感器组合系统进行数据统计时，存在很多严重的问题，比如在组合信息大量冗余的情况下，计算量将以滤波器维数的三次方剧增，实时性不能满足；传感器的子系统增加时，其故障也随之增加，在某一系统出现故障而没有被及时检测出来时，故障将会污染整个系统，使其可靠性降低[14]。
2.1.7 产生式规则
产生式规则算法采用符号表示目标特征和相应传感器信息间的联系，与每一个规则相联系的置信因子表示其不确定性程度。当在同一个逻辑推理过程中，2个或2个以上规则形成一个联合规则时，产生信息融合。采用产生式规则进行信息融合的主要问题是，每个规则置信因子的定义与系统中其它规则的置信因子相关，如果系统中加入新的传感器，需要引入与之相应的附加规则[14，15]。 2.2 单种信息融合技术的扩展或多种信息融合技术组合
在信息融合技术的多传感器系统中，各信息源所提供的环境信息都具有一定程度的不确定性，对这些不确定信息的融合过程实际上是一个不确定的推理过程。在实际应用中，为了获得更加准确的信息，可以将多种方法组合或者对一种方法进行扩展优化。
2.2.1 模糊神经网络
模糊神经网络是神经网络与模糊理论的组合算法，是一种基于if-then模糊规则的网络结构，具有融合推理和自学习能力。同时，模糊神经网络一般采用误差反向传播（Back Propagation， BP）的算法，用于局部信息融合。
2.2.2 证据推理
证据理论是Dempster于1967年首先提出的，由他的学生Shafer于1976年进一步发展起来的一种不精确的推理理论，也被称为Dempster/Shafer 证据理论（D-S证据理论）。D-S证据理论最早应用在专家系统中，具有处理不确定信息的能力。作为一种不确定推理方法，D-S证据理论的主要特点为满足比贝叶斯概率论更弱的条件；具有直接表达“不确定”和“不知道”的能力[16]。同时，D-S证据理论是贝叶斯推理的一种扩充，其具有基本概率赋值函数、信任函数和似然函数这3个基本要素。D-S证据理论算法拥有自上而下的推理结构，共分为目标合成级、推断级、更新级三级。
（1）第1级：目标合成级，其作用是把来自各独立传感器的观测结果合成为一个总的输出结果；
（2）第2级：推断级，其作用是获得各传感器的观测结果并进行推断，将各传感器的观测结果扩展成一个目标报告；
（3）第3级：更新级，由于各传感器一般都存在随机误差，所以在时间上充分独立的来自同一传感器的一组连续的报告比任何单一的报告更可靠。因此，在推理和多传感器融合之前，首先要更新传感器的观测数据[17，18]。
2.2.3 遗传算法
遗传算法（Genetic Algorithm，GA）是一种自适应全局优化概率类的搜索算法，不依赖具体的问题，其求解过程就是一组解迭代到另一组解的过程，降低了陷入局部最优化解的可能性。
2.2.4 扩展的卡尔曼滤波算法
卡尔曼最初提出的滤波理论只适用于线性系统，对于非线性领域，Bucy，Sunahara等人提出了扩展的卡尔曼滤波（Extended Kalman Filter，EKF）理论，使得卡尔曼滤波理论进一步应用到非线性领域[19]。E-Kalman滤波和卡尔曼滤波一样，也是最小方差下的一种最优估计，此中估计通过递进的方法逐渐推进，形成一个稳定的估计滤波系统。E-Kalman滤波系统在运行过程中存在两种误差（或者称为噪声），即原始数据来源传感器的测量误差和系统模型在运行过程中出现的误差，如Taytor展开式删去二阶及以上项误差等，称为过程误差。过程误差在系统建立后就不能再改变，所以为了估计的准确性必须对传感器的测量量滤波，即减小误差。扩展的卡尔曼滤波的目的是对那些实际需要但又无法测量的状态量进行估计，并且使得上述两种误差对估计值的影响最小，即估计误差最小。E-Kalman滤波的基本思想是首先将非线性系统线性化，然后进行卡尔曼滤波，因此EKF是一种次优滤波。其后，多种二阶广义卡尔曼滤波方法的提出及应用虽然进一步提高了卡尔曼滤波对非线性系统的估计性能，但大大增加了运算量。如由于二阶滤波法考虑了Taylor级数展开的二次项，所以减少了由于线性化所引起的估计误差。因此，在实际应用中，二阶EKF反而没有一阶EKF应用广泛。
在状态方程或测量方程为非线性时，通常采用扩展卡尔曼滤波（EKF）。EKF对非线性函数的Taylor展开式进行一阶线性化截断，忽略其余高阶项，从而将非线性问题转化为线性，所以可以将卡尔曼线性滤波算法应用于非线性系统中。EKF虽然可以应用于非线性状态估计系统中，但是该方法也有两个缺点：
（1）当非线性很强时，EKF违背了局部线性假设，Taylor展开式中被忽略的高阶项带来了较大的误差时，EKF算法会使滤波发散；
（2）由于EKF在线性化处理时需要用到雅克比（Jacobian）矩阵，其大量的计算过程将导致该方法实现相对困难。
所以当高斯白噪声、线性系统、所有随机变量服从高斯（Gaussian）分布时，扩展卡尔曼滤波是最小方差准则下的次优滤波算法，其性能依赖于局部非线性度。
公式（1）为传感器观测模型，公式（2）为系统状态模型。
yk=h（xk） vk （1）
xk 1=f（xk） ωk （2）
其中，yk为传感器观测者，xk为k时刻的估计值，vk 为测量误差，ωk为系统误差。通过对观测量yk 的更新可获得对状态量xk的估计。
2.3 激光/红外的E-Kalman滤波数据融合
激光/红外组合导航数据处理系统的核心是E-Kalman滤波数据融合算法。此数据处理系统主要分成激光导航数据预处理、红外导航数据预处理和数据融合处理三个部分。
数据融合处理将激光和红外各自得到的车体位姿及其方差数据进行融合，得到可靠性高的，满足一定精度的稳定的位姿数据。在融合处理算法中，依据红外得到的位姿数据在短距离范围内有较高可靠性的特点，判断激光的导航定位数据和方向角的可靠性，对激光导航数据进行取舍，取舍后的激光导航数与红外得到的位姿数据按照各自的方差按比例融合。得到满足要求的AGV位姿数据。
3 导航试验
在门口、过道、拐角等地方试验时导航效果差异相对较大。组合导航横纵向误差如图5（a）与图5（b）所示。误差比较见表2所列。
4 结 语
通过文章论述可以得出，基于EKF的组合导航曲线相较于激光导航曲线和红外导航曲线更拟合路径规划曲线，所以基于EKF的组合导航均值误差相对激光均值误差和红外均值误差较小，说明相对单独的导航方式，组合导航方式提高了导航精度。 参考文献
[1]马新露，赵林度，（德）鲁德·舒尔兹.AGVS在中国的应用与发展[J].物流技术，2006（12）：27-30.
[2]崔志恒，韩红玲.红外导航自主充电室内移动机器人设计[J].实验室研究与探索，2012，31 （10）：33-36.
[3]吴陈.数据融合系统图形界面的设计[J].造船技术，1998（11）：25-31.
[4]邹永祥.基于神经网络的信息融合技术与应用[D].成都：成都理工大学，2008.
[5]肖本贤，刘海霞，张松灿，等.基于多传感器行为融合基础上的AGV导航研究[J].系统仿真学报，2005，17（8）：1939-1943.
[6]侯立梅.基于多传感器数据融合智能导航车的算法研究[D].秦皇岛：燕山大学，2013.
[7]严怀成，黄心汉，王敏.多传感器数据融合技术及其应用[J].传感器技术，2005，24（10）：1-4.
[8]沈大威.无线传感器网络分布式监测研究与应用[D].成都：电子科技大学，2008.
[9]雷海霞.网络化传感器与多传感器数据融合技术的应用研究[D].重庆：重庆大学，2008.
[10]樊亚文.多源监测信息集成与融合专家系统的研究应用[D].南京：河海大学，2006.
[11]王在涛.混合交通自适应控制系统虚拟监测器技术研究[D].长春：吉林大学，2008.
[12]唐晓茜.多传感器螺栓预紧检测方法研究[D].杭州：浙江工业大学，2009.
[13]华鑫鹏，张辉宜，张岚.多传感器数据融合技术及其研究进展[J].中国仪器仪表，2008（5）：40-43.
[14]邹玉凤.在用车操纵稳定性快速测量方法研究[D].长春：吉林大学交通学院，2009.
[15]万孟森.多传感器数据融合技术在区间估计中的应用[D].赣州：江西理工大学，2009.
[16]李琦，吴军军，梁炎明，等.基于红外阵列传感器的数据融合技术[J].传感技术学报，2011，24（4）：548-553.
[17]刘亚雄.基于数据融合的无线传感器执行器网络数据可靠传输[D].上海：上海交通大学，2012.
[18]杨胜利.老虎台煤矿冲击地压多指标信息融合预警技术研究[D].北京：中国矿业大学，2015.
[19]张宗.基于蒙特卡洛方法的改进粒子滤波算法[D].北京：北京交通大学，2011.
关键词：AGV；导航方法；组合导航；自动化
中图分类号：TP242.2 文献标识码：A 文章编号：2095-1302（2016）09-0058-05
0 引 言
自动导引车（Automatic Guided Vehicle， AGV）是一种利用电磁或者光学等技术的自动导航设备，能够沿着规定的路径行驶，具有安全保护的无人驾驶物流运输设备。而AGV在运行过程中主要完成路径规划、定位、导航、避障等任务，所以，导航是AGV运输过程的基本环节之一。导航主要研究在有障碍物的环境条件下，AGV如何实现从开始地到目标地之间的行驶，即导航问题。文中以一种实用型火工品运输自动导引车为研究对象，主要阐述对其导航方法的研究[1]。
1 AGV常见的导航方法
导航方法就是已知初始节点和目标节点，导引AGV从初始节点到目标节点运输过程所使用的方法。目前常用的导航方法有电磁导航方式、磁带导航方式、激光导航方式、超声波导航方式、红外线导航方式、光学导航方式、惯性导航方式及组合导航。
1.1 电磁导航方式
电磁导航是较为传统的导航方式之一，电磁导航在AGV的行驶路径上埋设金属线，并在金属线上加载固定导航频率的电流，通过对导航频率的识别来实现AGV导航。其优点是导线隐蔽，不易污染和破损，导航原理简单、可靠，对声音光线无干扰且成本较低。但电磁导航具有路径难以更改、扩展，不适合现代工业柔性制造流程的需要，对复杂路径的局限性大，并且电磁导航线路埋设需要破坏地面，不易施工和维护。
1.2 磁带导航方式
磁带导航与电磁导航相近，通过在工作场地的路面上贴磁带代替在地面下埋设金属线，通过磁感应传感器信号实现精确定位导航，相对于电磁导航，其灵活性好，无需破坏地面，改变或扩充路径比较容易。虽然磁带铺设简单易行，但是行业内目前使用的传统的磁带导航方式易受环路周围金属物质的干扰，磁带易受机械损伤而致使可靠性降低。
1.3 激光导航方式
激光导航是在AGV行驶路径的周围安装位置精确的激光反射板（至少三块以上），AGV通过激光扫描器发射激光束，同时采集由反射板反射的激光束来确定其当前的位置和航向，并通过连续的三角几何运算来实现AGV导航。该技术最大的优点是AGV定位精确，地面无需其他定位设施，行驶路径灵活多变，能够适合多种现场环境，是目前国外许多AGV生产厂家优先采用的先进导航方式。然而其缺点也同样突出。激光导航方式的制造成本高，对环境的要求较为苛刻（外界光线、地面要求、能见度要求等），不适合使用于室外（易受雨、雪、雾的影响）环境。
1.4 超声波导航方式
超声波导航在AGV上安装超声波发射器，某两个固定位置安装超声波接收器，取此两点连线的中点为原点，通过三点法确定AGV坐标位置从而实现导航。超声波导航的优点是具有安装使用方便、成本低、抗电磁干扰能力强、不受光线烟雾影响、时间信息直观等优点，但是超声波导航精度低、距离短、稳定性差、不适合复杂环境导航。
1.5 红外线导航方式
红外线导航是AGV利用与中心线前部方向左右两侧分别成450°夹角的两路红外接收器来采集机器人所处环境中的红外信号而实现导航的方式[2]。红外导航的优点为定位精确、成本低，但易受外界光线影响，所以非常适合室内短距离导航。
1.6 光学导航方式
光学导航也称为色带导航，是在AGV的行驶路径上涂漆或者粘贴色带，通过对摄像机采入的色带图像信号进行简单处理（一般包括阈值处理、边缘提取、滤波等步骤）而实现导航。其优点是灵活性比较好，地面路线设置简单易行，但是对色带的污染和机械损伤十分敏感，对环境要求较高，导航可靠性、安全性极差，定位精度低，而且需要经常维护。
1.7 惯性导航方式
惯性导航在AGV上安装陀螺仪，在行驶区域的地面上安装定位块，AGV可通过对陀螺仪偏差信号（角速率）的计算及地面定位块信号的采集来确定自身的位置和航向，从而实现导航。此项技术较早运用于军方，其主要优点是技术先进，较之有线导航，地面处理工作量小，路径灵活性强。其缺点是制造成本较高，导航的精度和可靠性与陀螺仪的制造精度及其后续信号处理密切相关。
上述导航方式的优缺点分析见表1所列。
表1 导航方式比较表
特点 电磁
导航 磁带
导航 激光
导航 光学
导航 惯性
导航 红外
导航 超声波导航
维护成本 低 高 低 高 高 低 中等
灵活性 无 低 高 低 中等 高 中等
耐腐蚀性 有 中等 有 无 有 有 有
抗干扰性 低 中等 高 低 高 中等 高
室外工作 可以 可以 不可以 不可以 可以 不可以 不可以
安装成本 中等 低 高 中等 高 低 中等
通过相互比较与分析评价，红外导航和激光导航非常适合在室内导航，而本课题的AGV主要工作于室内，又因为单种导航方式稳定性较差，所以本课题选择红外导航和激光导航的组合导航方式。
1.8 组合导航
在组合导航方式下，为了保证AGV的定位精度，我们选择以激光导航坐标为基准建立基准坐标系，在这个坐标系中，选择红外导航和激光导航的交汇点作为切换基点，避免某些区域受障碍物、过道等因素的影响，在激光导航不能到达的区域选择红外导航，进而达到红外导航和激光导航两者坐标系的优化融合，使得组合导航的定位精度、导航效果满足本课题的项目要求，保障组合导航方式下AGV的安全运行。 AGV组合导航系统主要由检测单元、数据融合单元、运动控制单元组成。其中检测单元用来检测AGV运动信息或环境信息；数据融合单元可对检测数据进行处理并判断AGV的运动情况；运动控制单元则根据AGV的运动情况对其进行运动校正。
2 信息融合技术
信息融合技术是利用传感器按时序获取若干环境信息，并在某个规则下利用计算机加以自动分析、综合，以完成所需决策和评估任务而进行的信息处理技术。信息融合技术简单来说就是在利用计算机将采集的信息通过某种算法综合分析并作出决策的过程中所用到的信息处理技术[3，4]。而组合导航方式是信息融合的重要应用之一，在组合导航方式中，我们选取激光导航与红外导航相结合的方式。虽然单独的激光导航和红外导航等都是独立完整的导航体系，其定位精度也相对准确，但为了得到更为准确的导航体系，我们选取激光导航与红外导航的组合导航方式，其组合导航方式首先需要解决激光导航和红外导航两者坐标系的优化融合问题，而此问题也是组合导航的关键问题之一。
2.1 信息融合的算法
信息融合算法一般分为人工智能算法和概率统计算法，其中概率统计算法有时也称为随机类算法。人工智能算法包括模糊逻辑理论算法、神经网络算法、D-S证据推理算法和专家系统算法等；而概率统计算法主要有加权平均法、贝叶斯算法、卡尔曼滤波算法、产生式规则、统计决策理论算法和假设检验算法等[5，6]。
2.1.1 模糊逻辑算法
模糊逻辑算法其实是一种多值逻辑理论算法，一般选择0和1之间的实数表示真实度，相当于隐含算子的前提，允许将多个传感器信息融合过程中的不确定性直接表示在逻辑推理过程中。如果采用某种系统化的算法对融合过程中的不确定性进行逻辑推理建模，则可以产生一个一致性的模糊逻辑推理。与概率统计类方法相比，逻辑推理有许多优点，其在一定程度上克服了概率论所面临的问题，即它对信息的表示和处理更加接近人类的思维方式，比较适合高层次应用（如决策），但是逻辑推理本身还不够成熟和系统化。此外，因为逻辑推理对信息的描述存在很大的主观因素，所以信息的表示和处理缺乏客观性。模糊集合理论对于数据信息融合的实际价值在于它能够外延到模糊逻辑。同时，模糊逻辑是一种多值逻辑，隶属度可视为一个数据真值的不精确表示[7-9]。在多传感器融合（Multiple Sensor Fusion， MSF）的过程中，存在的不确定性可以直接用模糊逻辑表示，然后使用多值逻辑推理，根据模糊集合理论的各种演算对命题进行融合，进而实现数据融合，但其精度不高。
2.1.2 人工神经网络算法
神经网络具有很强的容错性以及自学习、自组织及自适应性，能够模拟复杂的非线性映射。神经网络的这些特性和强大的非线性处理能力恰好满足了多传感器信息融合技术处理的要求。在多传感器系统中，各信息源所提供的环境信息都具有一定程度的不确定性，而这些不确定信息的融合过程实际上是一个不确定性推理过程。神经网络根据当前系统所接受的样本相似性确定分类的标准，此种确定方法主要表现在网络的权值分布上。同时，可以采用神经网络特定的学习算法来获取知识，得到不确定性推理机制。利用神经网络的信号处理能力和自动推理功能实现多传感器信息融合[4，7-9]。
2.1.3 专家系统算法
专家系统（Expert System，ES）是随着人工智能技术的发展而逐渐成长起来的一门新兴学科，与自然语言理解和机器人一样，成为人工智能研究的三大领域之一。
至今，专家系统还没有提出一个统一完整的定义，一般是指一种问题求解的智能计算机程序系统，它利用存储在计算机里的从某个领域专家那里获取的权威性知识和丰富经验来解决该领域中具有相当于专家水平的问题[10]。
2.1.4 加权平均算法
加权平均法是最简单、最直观的信号级融合方法，此方法将一组传感器提供的冗余信息进行加权平均处理，结果作为融合值，也是一种直接对数据源进行操作的算法[7]。
2.1.5 贝叶斯估计算法
贝叶斯估计算法不仅为数据融合提供了一种手段，同时还是融合静态环境中多传感器高层信息的常用方法之一，使传感器信息依据概率原则进行组合。测量不确定性时以条件概率表示，当传感器组观测的坐标一致时，可以直接对传感器数据进行融合，但在大多数情况下，传感器的测量数据信息要以间接方式采用贝叶斯估计算法进行数据信息融合。多贝叶斯估计将每一个传感器作为一个贝叶斯估计，然后将各个单独物体的关联概率分布合成一个联合的后验概率分布函数，使联合分布函数的似然函数为最小，提供多个传感器数据信息的最终融合值，融合数据信息与环境的一个先验模型提供了整个环境的特征性描述[11，12]。
2.1.6 卡尔曼滤波算法
卡尔曼滤波（Kalman Filter，KF）算法是一种主要用于融合低层次实时动态的多传感器冗余数据的算法，也是一种高效率的递归滤波算法。该算法用测量模型的统计特性进行递推，决定统计意义下的最优融合和数据估计。如果系统具有线性动力学模型，且系统与传感器的误差符合高斯白噪声模型，即简单的卡尔曼滤波必须应用在符合高斯分布的系统中，那么卡尔曼滤波算法将为融合数据提供唯一统计意义下的最优估计[13]。卡尔曼滤波算法的递推特性使系统处理不需要大量的数据存储和计算。但采用单一的卡尔曼滤波器对多传感器组合系统进行数据统计时，存在很多严重的问题，比如在组合信息大量冗余的情况下，计算量将以滤波器维数的三次方剧增，实时性不能满足；传感器的子系统增加时，其故障也随之增加，在某一系统出现故障而没有被及时检测出来时，故障将会污染整个系统，使其可靠性降低[14]。
2.1.7 产生式规则
产生式规则算法采用符号表示目标特征和相应传感器信息间的联系，与每一个规则相联系的置信因子表示其不确定性程度。当在同一个逻辑推理过程中，2个或2个以上规则形成一个联合规则时，产生信息融合。采用产生式规则进行信息融合的主要问题是，每个规则置信因子的定义与系统中其它规则的置信因子相关，如果系统中加入新的传感器，需要引入与之相应的附加规则[14，15]。 2.2 单种信息融合技术的扩展或多种信息融合技术组合
在信息融合技术的多传感器系统中，各信息源所提供的环境信息都具有一定程度的不确定性，对这些不确定信息的融合过程实际上是一个不确定的推理过程。在实际应用中，为了获得更加准确的信息，可以将多种方法组合或者对一种方法进行扩展优化。
2.2.1 模糊神经网络
模糊神经网络是神经网络与模糊理论的组合算法，是一种基于if-then模糊规则的网络结构，具有融合推理和自学习能力。同时，模糊神经网络一般采用误差反向传播（Back Propagation， BP）的算法，用于局部信息融合。
2.2.2 证据推理
证据理论是Dempster于1967年首先提出的，由他的学生Shafer于1976年进一步发展起来的一种不精确的推理理论，也被称为Dempster/Shafer 证据理论（D-S证据理论）。D-S证据理论最早应用在专家系统中，具有处理不确定信息的能力。作为一种不确定推理方法，D-S证据理论的主要特点为满足比贝叶斯概率论更弱的条件；具有直接表达“不确定”和“不知道”的能力[16]。同时，D-S证据理论是贝叶斯推理的一种扩充，其具有基本概率赋值函数、信任函数和似然函数这3个基本要素。D-S证据理论算法拥有自上而下的推理结构，共分为目标合成级、推断级、更新级三级。
（1）第1级：目标合成级，其作用是把来自各独立传感器的观测结果合成为一个总的输出结果；
（2）第2级：推断级，其作用是获得各传感器的观测结果并进行推断，将各传感器的观测结果扩展成一个目标报告；
（3）第3级：更新级，由于各传感器一般都存在随机误差，所以在时间上充分独立的来自同一传感器的一组连续的报告比任何单一的报告更可靠。因此，在推理和多传感器融合之前，首先要更新传感器的观测数据[17，18]。
2.2.3 遗传算法
遗传算法（Genetic Algorithm，GA）是一种自适应全局优化概率类的搜索算法，不依赖具体的问题，其求解过程就是一组解迭代到另一组解的过程，降低了陷入局部最优化解的可能性。
2.2.4 扩展的卡尔曼滤波算法
卡尔曼最初提出的滤波理论只适用于线性系统，对于非线性领域，Bucy，Sunahara等人提出了扩展的卡尔曼滤波（Extended Kalman Filter，EKF）理论，使得卡尔曼滤波理论进一步应用到非线性领域[19]。E-Kalman滤波和卡尔曼滤波一样，也是最小方差下的一种最优估计，此中估计通过递进的方法逐渐推进，形成一个稳定的估计滤波系统。E-Kalman滤波系统在运行过程中存在两种误差（或者称为噪声），即原始数据来源传感器的测量误差和系统模型在运行过程中出现的误差，如Taytor展开式删去二阶及以上项误差等，称为过程误差。过程误差在系统建立后就不能再改变，所以为了估计的准确性必须对传感器的测量量滤波，即减小误差。扩展的卡尔曼滤波的目的是对那些实际需要但又无法测量的状态量进行估计，并且使得上述两种误差对估计值的影响最小，即估计误差最小。E-Kalman滤波的基本思想是首先将非线性系统线性化，然后进行卡尔曼滤波，因此EKF是一种次优滤波。其后，多种二阶广义卡尔曼滤波方法的提出及应用虽然进一步提高了卡尔曼滤波对非线性系统的估计性能，但大大增加了运算量。如由于二阶滤波法考虑了Taylor级数展开的二次项，所以减少了由于线性化所引起的估计误差。因此，在实际应用中，二阶EKF反而没有一阶EKF应用广泛。
在状态方程或测量方程为非线性时，通常采用扩展卡尔曼滤波（EKF）。EKF对非线性函数的Taylor展开式进行一阶线性化截断，忽略其余高阶项，从而将非线性问题转化为线性，所以可以将卡尔曼线性滤波算法应用于非线性系统中。EKF虽然可以应用于非线性状态估计系统中，但是该方法也有两个缺点：
（1）当非线性很强时，EKF违背了局部线性假设，Taylor展开式中被忽略的高阶项带来了较大的误差时，EKF算法会使滤波发散；
（2）由于EKF在线性化处理时需要用到雅克比（Jacobian）矩阵，其大量的计算过程将导致该方法实现相对困难。
所以当高斯白噪声、线性系统、所有随机变量服从高斯（Gaussian）分布时，扩展卡尔曼滤波是最小方差准则下的次优滤波算法，其性能依赖于局部非线性度。
公式（1）为传感器观测模型，公式（2）为系统状态模型。
yk=h（xk） vk （1）
xk 1=f（xk） ωk （2）
其中，yk为传感器观测者，xk为k时刻的估计值，vk 为测量误差，ωk为系统误差。通过对观测量yk 的更新可获得对状态量xk的估计。
2.3 激光/红外的E-Kalman滤波数据融合
激光/红外组合导航数据处理系统的核心是E-Kalman滤波数据融合算法。此数据处理系统主要分成激光导航数据预处理、红外导航数据预处理和数据融合处理三个部分。
数据融合处理将激光和红外各自得到的车体位姿及其方差数据进行融合，得到可靠性高的，满足一定精度的稳定的位姿数据。在融合处理算法中，依据红外得到的位姿数据在短距离范围内有较高可靠性的特点，判断激光的导航定位数据和方向角的可靠性，对激光导航数据进行取舍，取舍后的激光导航数与红外得到的位姿数据按照各自的方差按比例融合。得到满足要求的AGV位姿数据。
3 导航试验
在门口、过道、拐角等地方试验时导航效果差异相对较大。组合导航横纵向误差如图5（a）与图5（b）所示。误差比较见表2所列。
4 结 语
通过文章论述可以得出，基于EKF的组合导航曲线相较于激光导航曲线和红外导航曲线更拟合路径规划曲线，所以基于EKF的组合导航均值误差相对激光均值误差和红外均值误差较小，说明相对单独的导航方式，组合导航方式提高了导航精度。 参考文献
[1]马新露，赵林度，（德）鲁德·舒尔兹.AGVS在中国的应用与发展[J].物流技术，2006（12）：27-30.
[2]崔志恒，韩红玲.红外导航自主充电室内移动机器人设计[J].实验室研究与探索，2012，31 （10）：33-36.
[3]吴陈.数据融合系统图形界面的设计[J].造船技术，1998（11）：25-31.
[4]邹永祥.基于神经网络的信息融合技术与应用[D].成都：成都理工大学，2008.
[5]肖本贤，刘海霞，张松灿，等.基于多传感器行为融合基础上的AGV导航研究[J].系统仿真学报，2005，17（8）：1939-1943.
[6]侯立梅.基于多传感器数据融合智能导航车的算法研究[D].秦皇岛：燕山大学，2013.
[7]严怀成，黄心汉，王敏.多传感器数据融合技术及其应用[J].传感器技术，2005，24（10）：1-4.
[8]沈大威.无线传感器网络分布式监测研究与应用[D].成都：电子科技大学，2008.
[9]雷海霞.网络化传感器与多传感器数据融合技术的应用研究[D].重庆：重庆大学，2008.
[10]樊亚文.多源监测信息集成与融合专家系统的研究应用[D].南京：河海大学，2006.
[11]王在涛.混合交通自适应控制系统虚拟监测器技术研究[D].长春：吉林大学，2008.
[12]唐晓茜.多传感器螺栓预紧检测方法研究[D].杭州：浙江工业大学，2009.
[13]华鑫鹏，张辉宜，张岚.多传感器数据融合技术及其研究进展[J].中国仪器仪表，2008（5）：40-43.
[14]邹玉凤.在用车操纵稳定性快速测量方法研究[D].长春：吉林大学交通学院，2009.
[15]万孟森.多传感器数据融合技术在区间估计中的应用[D].赣州：江西理工大学，2009.
[16]李琦，吴军军，梁炎明，等.基于红外阵列传感器的数据融合技术[J].传感技术学报，2011，24（4）：548-553.
[17]刘亚雄.基于数据融合的无线传感器执行器网络数据可靠传输[D].上海：上海交通大学，2012.
[18]杨胜利.老虎台煤矿冲击地压多指标信息融合预警技术研究[D].北京：中国矿业大学，2015.
[19]张宗.基于蒙特卡洛方法的改进粒子滤波算法[D].北京：北京交通大学，2011.