基于时延传感器网络的预测融合算法研究*

现有的基于网络时延的融合算法大都直接套用传统的同步数据融合方法,因此会产生信息等待、资源闲置以及差的实时性能等问题.针对上述问题,在现有工作基础上,结合预测估计以及顺序加权融合技术,设计出了一种新的能适应网络时延的多传感器预测加权融合算法.该算法不仅能很好地解决现有基于时延的数据融合算法存在的诸多弊端,同时获得了良好的实时预测功能,并给出了新的基于网络时延的预测加权融合算法的推导过程,通过计算机仿真算例和理论分析来显示新算法的实用性和优越性.     

噪声相关的一步滞后无序量测递推融合算法

因传感器网络特殊的通信方式,以及传感器节点预处理量测的时间也各有不同,常会出现源于同一目标有序的测量数据却经网络传输后无序地到达融合中心的现象,即无序量测问题.加之,现有的相关融合算法大都是在各量测数据间噪声独立情况下建立的.为此,针对一个由多个子系统组成的传感器网络无序量测系统;其中假定每个子系统均是由两个分别与融合中心同步与异步且采样率相同的传感器组成;并在考虑各传感器测量噪声相关条件下,利用顺序加权融合技术,在融合中心建立一个能实现对目标状态实时估计且在线性最小均方误差意义下最优的递推加权融合算法.理论分析与计算机仿真表明,与现有方法相比,新算法在适用范围、实时处理能力、存储量和融合估计精度等方面均有显著的优势.     

基于Internet的实时机器人系统时延预测研究及算法

针对基于Internet实时机器人系统，提出了多尺度的时延预测算法，该算法是在线和实时的。基于网络结构分析了网络时延的主要组成及其时延特性。不同于传统的网络往返时延的预测，该算法预测的是能真实反映端对端数据包传递的单程时延，而且还提出了预测单向时延所需的时钟同步算法。理论分析和多点之间的网络实验验证了该算法的高效性。     

无线传感器网络数据融合算法综述

数据融合技术是无线传感器网络的关键技术之一,它通过合并相似数据、预测未来数据等方式减少节点间数据的传输量,对冗余数据进行精简,从而明显提高网络生命周期以及数据准确性。本文对近年来数据融合算法的研究现状进行了全面深入分析,同时从融合过程中采用的融合算法与融合规则出发,将现有的无线传感器网络数据融合技术分为了基于统计学、基于人工智能、基于信息论与基于拓扑学的四大类,对这四类技术从原理上进行了综述,对其中涉及到的不同融合算法从性能、时延、复杂度以及能耗方面进行了详细分析与比较。最后介绍了自动融合、融合评估等未来数据融合的研究重点。     

均衡能耗和时延的无线传感器网络组内融合机制研究

主要研究实时监测无线传感器网络系统中的数据传输时延及网络的能量效率的均衡优化,提出了一种基于博弈论的无线传感器网络组内数据融合(GA-G)模型.该机制采用逐级分层的融合架构,可以最小化网络的原始数据输出量并通过建立博弈模型均衡了节点的能耗及数据传输的时延.仿真结果表明该融合机制能提高网络数据融合的实时可靠性.     

基于模糊距离和DS证据融合的清洁机器人定位设计

针对现有清洁机器人定位算法具有的定位精度不高且难以保证在线定位的实时性问题,设计了一种基于模糊距离和DS(DEMPSTER-SHAFER)证据融合的清洁机器人自定位算法;首先,对清洁机器人的总体结构进行了建模和分析,并对其进行硬件设计,为了实现清洁机器人的实时精确定位,采用DS证据数据融合方法对多传感器采集的数据进行有效数据融合,为了进一步提高其精确性,引入了模糊距离,定义当前传感器采集数据与理想结果之间的距离,根据距模糊距离的大小自适应地调大或减少传感器采集数据分配信度的权重,将加权信度作为新的信度进行融合得到最终的融合结果;在不同的场地中进行实际试验,对文中设计的清洁机器人进行实际定位,实验结果表明文中方法能有效地进行定位,较经典的DS证据融合和其它方法具有较高的定位精度,且具有较小的时间复杂度和空间复杂度,具有较大的优越性。     

基于多传感融合的自主发育网络场景识别方法

现有的场景识别方法准确率低,适应能力不强.为此,将自主发育神经网络应用于机器人场景识别任务,提出了2种将自主发育网络与多传感器融合技术相结合的场景识别方法,即基于加权贝叶斯融合的机器人场景识别方法,以及基于同一自主发育网络架构数据融合的场景识别方法,分别在决策层以及数据层对多传感器信息进行融合,提高了场景识别的准确度,而自主发育网络则提升了识别方法针对各种复杂场景的适应能力.对于所提出的场景识别方法进行了实验测试与分析,证实了其有效性及实用性.此外,由于在同一网络架构下进行数据融合可更高效地利用数据,因此这种方法在场景识别的准确度方面具有更为优越的性能.     

基于无线传感器网络的移动机器人智能导航算法

结合了无线传感器技术和群集智能技术两者的优势,提出一种新的基于无线传感器网络的移动机器人智能导航控制算法,并考虑了能量消耗的问题。算法利用基于多传感器信息融合的全局概率地图构建技术、使用群集仿生智能的基于微粒群算法的实时在线路径规划以及避障策略,提高了智能导航的整体性能,满足了在复杂环境和未知障碍物下导航的实时要求。最后设计并构造出了实际的无线传感器网络和实际的机器人系统,验证了算法成功实现机器人导航的有效性和准确性。     

基于开放式多智能体结构的分布式自主机器人系统

针对多机器人系统的分布式自主控制,本文首先提出了一种开放式的多智能体结构,给出了 设计原则和技术特点．然后面向真实世界的多机器人实时协作任务,采用多台自主移动机器 人构造了一个多机器人系统, 该系统集成了包括机器人视觉、传感器融合、无线通讯网络 以及基于行为控制等多项技术．最后采用基于行为融合的加权方法,实现了多机器人的编队 控制,实验结果表明了上述体系结构与方案的有效性．     

基于多数据融合的智能定位传感器避障算法研究

在智能定位传感器内增加避障算法，可使机器人拥有自动躲避障碍的能力，该文基于多数据融合设计智能定位传感器避障算法。设置激光雷达测距和超声波测距作为多传感器障碍检测的方法，获取机器人当前位置与障碍点坐标的相对几何关系，计算机器人与障碍点位置的距离，定位路面障碍点，对2种传感器收集到的数据进行多元障碍定位信息的加权融合。设置智能机器人避障轨迹目标函数以及约束条件，设计机器人避障算法，得到基于定位传感器的机器人避障方法。实验结果表明，在简单环境及复杂环境下机器人均未与障碍物相撞。在运行轨迹中随机放置障碍物，机器人能够及时完成运行轨迹的变化。由此可见，该避障算法具备较好的应用前景，可应用于各种智能机器人中。     

一种新的动态多尺度系统最优估计算法

给出了一类动态多尺度系统基于Haar小波的序贯式最优估计算法，该算法具有较低的计算复杂度和较高的实时性，为多传感器信息融合提供了一种新的方法。仿真结果验证了这种方法的有效性。     

Robust fusion steady‐state filtering for multisensor networked systems with one‐step random delay,missing measurements,and uncertain‐variance multiplicative and additive white noises

The robust fusion steady‐state filtering problem is investigated for a class of multisensor networked systems with mixed uncertainties including multiplicative noises, one‐step random delay, missing measurements, and uncertain noise variances, the phenomena of one‐step random delay and missing measurements occur in a random way, and are described by two Bernoulli distributed random variables with known conditional probabilities. Using a model transformation approach, which consists of augmented approach, derandomization approach, and fictitious noise approach, the original multisensor system under study is converted into a multimodel multisensor system with only uncertain noise variances. According to the minimax robust estimation principle, based on the worst‐case subsystems with conservative upper bounds of uncertain noise variances, the robust local steady‐state Kalman estimators (predictor, filter, and smoother) are presented in a unified framework. Applying the optimal fusion algorithm weighted by matrices, the robust distributed weighted state fusion steady‐state Kalman estimators are derived for the considered system. In addition, by using the proposed model transformation approach, the centralized fusion system is obtained, furthermore the robust centralized fusion steady‐state Kalman estimators are proposed. The robustness of the proposed estimators is proved by using a combination method consisting of augmented noise approach, decomposition approach of nonnegative definite matrix, matrix representation approach of quadratic form, and Lyapunov equation approach, such that for all admissible uncertainties, the actual steady‐state estimation error variances of the estimators are guaranteed to have the corresponding minimal upper bounds. The accuracy relations among the robust local and fused steady‐state Kalman estimators are proved. An example with application to autoregressive signal processing is proposed, which shows that the robust local and fusion signal estimation problems can be solved by the state estimation problems. Simulation example verifies the effectiveness and correctness of the proposed results.     

New approach to information fusion steady-state Kalman filtering

By the modern time series analysis method, based on the autoregressive moving average (ARMA) innovation model, a unified and general information fusion steady-state Kalman filtering approach is presented for the general multisensor systems with different local dynamic models and correlated noises. It can handle the filtering, smoothing, and prediction fusion problems for state or signal. The optimal fusion rule weighted by matrices is re-derived as a weighted least squares (WLS) fuser, and is reviewed. An optimal fusion rule weighted by diagonal matrices is presented, which is equivalent to the optimal fusion rule weighted by scalars for components, and it realizes a decoupled fusion. The new algorithms of the steady-state Kalman estimator gains are presented. In order to compute the optimal weights, the formulas of computing the cross-covariances among local estimation errors by Lyapunov equations are presented. The exponential convergence of the iterative solution of Lyapunov equation is proved. It is proved that the optimal fusion estimators under three weighted fusion rules are locally optimal, but are globally suboptimal. The proposed steady-state Kalman fusers can reduce the on-line computational burden, and are suitable for real-time applications. A simulation example for the 3-sensor steady-state Kalman tracking fusion estimators shows their effectiveness and correctness, and gives the accuracy comparison of the fusion rules.     

基于D2S 证据理论的移动机器人 多传感器信息融合方法研究与应用

针对全自主式移动机器人，以首届CCTV全国机器人电视大赛为背景，提出了通过D-S证据理论和模糊集合理论相结合的方法，对多传感器信息进行融合，较好地解决了机器人在复杂环境下运动的多传感器信息融合问题，实现了移动机器人的准确定位。     

D-S证据理论的多传感信息融合方法研究与应用

针对全自主式移动机器人，以首届CCTV全国机器人电视大赛为背景，提出了通过D—S证据理论和模糊集合理论相结合的方法，对多传感器信息进行融合，较好地解决了机器人在复杂环境下运动的多传感器信息融合问题，实现了移动机器人的准确定位。     

Multisensor-Based Human Detection and Tracking for Mobile Service Robots

One of fundamental issues for service robots is human-robot interaction. In order to perform such a task and provide the desired services, these robots need to detect and track people in the surroundings. In this paper, we propose a solution for human tracking with a mobile robot that implements multisensor data fusion techniques. The system utilizes a new algorithm for laser-based leg detection using the onboard laser range finder (LRF). The approach is based on the recognition of typical leg patterns extracted from laser scans, which are shown to also be very discriminative in cluttered environments. These patterns can be used to localize both static and walking persons, even when the robot moves. Furthermore, faces are detected using the robot's camera, and the information is fused to the legs' position using a sequential implementation of unscented Kalman filter. The proposed solution is feasible for service robots with a similar device configuration and has been successfully implemented on two different mobile platforms. Several experiments illustrate the effectiveness of our approach, showing that robust human tracking can be performed within complex indoor environments.     

基于修订矩阵的最小二乘法多传感器融合障碍物位置估计

在障碍物位置检测时,由于传感器测量误差等不确定因素的存在,希望通过多传感器融合降低不确定性使得位置估计值更为可靠.提出了一种基于修订矩阵的最小二乘法多传感器融合估计新方法.根据红外传感器得出的先验信息建立修订矩阵,再由最小二乘法的原理得出线性可信度加权方程.分别对加入和不加入修订矩阵进行仿真和"未来之星"移动机器人实验...     

基于双移动信标的多机器人编队控制算法

针对多机器人在未知环境下的编队控制问题,提出了一种基于双移动信标的多机器人编队算法.该方法在以两个移动信标机器人为领航机器人的基础之上,设计了基于超宽带测距技术的多机器人定位模型,通过摔制从机器人的位姿状态,实现多机器人编队控制,并且设计了多传感器数据融合算法,有效提高多机器人编队的精度.该方法解决了多机器人在未知环境中的编队控制问题,提高了多机器人编队控制的精度.仿真结果表明了该方法的可行性和有效性.     

基于信道丢包补偿技术的多源信息融合研究

在多传感器融合网络中,由于网络本身的内在特性以及受实际应用环境的影响,在数据传输过程中丢包现象经常发生,大量有用的信息丢失直接影响了融合算法的正常运行.现有的一些处理网络丢包现象的方法都是直接将丢包的传感器排除在融合操作之外,因此整个系统的融合精确度大大降低.针对上述问题,提出利用基于最小二乘的多项式拟合技术,对丢失的传感器信息进行近似补偿,从而提出一种基于信道丢包补偿技术的数据融合算法.另外,考虑到集中式融合存在的高计算复杂度的特性,基于信息更新的分布式融合算法被用来融合所有传感器的信息,性能分析和计算机仿真显示了新算法的有效性.