基于内部传感器的轮式移动机器人运动速度估计

讨论了在无速度传感器的情况下轮式移动机器人的速度估计问题, 采用了加速度传感器和位置传感器的输出实时估计轮式移动机器人速度, 并用一种按加速度扰动调整权值的方法融合来自不同传感器的数据. 实验验证了方法的有效性.     

一种基于移动机器人AIM的改进的MSIF技术

多传感器信息融合技术在移动机器人领域中有着重要的地位。本文针对AIM移动机器人的多种传感器分布．提出一种改进的信息融合算法。该算法回避了对障碍物进行直接的估计，通过融合红外传感器和超声波传感器提供的冗余、互补的信息．得到机器人能够前进的方向。仿真试验结果表明算法效果良好，可在AIM移动机器人躲避障碍物和路径规划中得到有效的应用。     

基于T-S型模糊神经网络的轮式机器人避障方法研究

针对超声波传感器产生的不确定信息,研究了一种基于Takagi-Sugeno(T-S)模型的模糊神经网络信息融合避障方法;对超声波传感器所获得的数据进行融合,建立控制器输入信号和机器人速度输出之间的模式映射关系;在MATLAB环境下对模糊神经网络避障算法进行了仿真,最后在实际环境中进行避障实验;实验结果表明,该算法具有较好的准确性和鲁棒性,能够适用于移动机器人的导航需要.     

运用异质传感器信息融合的移动机器人自定位

采用单类、单一传感器很难获得移动机器人的准确定位.为此,运用异质传感器信息融合来提高定位精度.首先,建立机器人运动方程和CCD摄像机观测模型.然后,利用扩展卡尔曼滤波器进行状态估计,选择Q,R矩阵抑制系统的模型噪声和量测噪声,并实现移动机器人的自定位.接着,建立超声波传感器的观测模型,获得机器人的自定位信息.最后,运用BP神经网络,将两种自定位信息进行融合,实现两类传感器的优缺点互补.仿真实验表明,运用异质传感器信息融合能明显地提高移动机器人的自定位精度.     

室内移动机器人自主避障研究

为了解决移动机器人在室内环境中的定位问题,设计航迹推测算法实时获取机器人的位姿信息。针对未知环境下的实时避障问题,提出基于多传感器信息融合的算法,用超声波、红外传感器对移动机器人周围的环境信息进行探测,进行数据融合,获得有效的距离信息。根据目标点信息和传感器测距信息,设计模糊控制器来实现实时避障行为。为了验证算法的可行性和有效性,在AS－R室内移动机器人平台上进行实物实验。实验结果表明：该方法能够引导机器人避开多个障碍物,到达目标点。     

基于多传感器信息融合的移动机器人导航系统

介绍了多传感器信息融合的基本原理,给出了基于多传感器信息融合的移动机器人导航系统结构。建立了移动机器人数学模型,运用基于扩展卡尔曼滤波的信息融合方法实现了移动机器人导航算法。通过实验验证了基于多传感器信息融合的移动机器人导航系统和导航算法的有效性。     

一种多传感器信息融合软件系统的实现

利用Java语言来实现多传感器信息融合的软件系统的设计,并利用模拟数据对程序进行仿真实验.结果表明:对于地面目标的运动状态的融合,其结果比原始信息报数据更加接近真实数据;对于目标属性的信息融合,其结果可极大地减小数据的波动性,因此该系统具有一定的有效性.     

移动机器人多传感器信息融合技术述评

多传感器信息融合技术是目前移动机器人领域的研究热点。详细阐述了多传感器信息融合技术在移动机器人领域中的应用与研究进展,尤其对多传感器信息融合实现方法进行了深入的探讨。指明了移动机器人领域中多传感器信息融合技术未来的发展方向。     

基于激光测距与双目视觉信息融合的移动机器人SLAM研究

未知复杂环境中不规则的障碍物使传感数据具有不确定性,单依靠激光测距仪进行移动机器人的定位与自主导航可靠性不足;针对此问题,提出了一种基于激光测距仪和双目视觉传感器信息融合的精确定位方法,利用加权最小二乘拟合方法和尺度不变特征变换(SIFT)算法分别从对激光信息与视觉信息中提取直线和点特征,进行特征级的信息融合。通过对实验结果和数据分析,多传感器信息融合可以有效提高移动机器人SLAM(即时定位与地图构建)的精度和鲁棒性。     

时滞多变量过程信息融合解耦控制

针对工业过程中时滞多变量线性系统各回路问存在的强耦合问题,提出一种基于信息融合估计的解耦控制方法.通过融合主通道和相应耦合通道的期望输出软约束信息和控制能量软约束信息,估计出二次性能指标下的最优自适应解耦控制律.进一步对无限预见期望输出信息进行一步预见等效处理,获得计算更简单的近似最优解耦控制律.实例仿真结果表明了该解耦控制器具有计算量小、解耦程度可调以及控制品质好等优点.     

Improved Sensor Selection Technique by Integrating Sensor Fusion in Robot Position Estimation

Modelling and reducing uncertainty are two essential problems with mobile robot localisation. Previously we developed a robot localisation system, namely, the Gaussian Mixture of Bayes with Regularised Expectation Maximisation (GMB-REM), which introduced the sensor selection technique. GMB-REM allows a robot"s position to be modelled as a probability distribution and uses Bayes" theorem to reduce the uncertainty of its location. A new sensor selection technique incorporated with sensor fusion is introduced in this paper. Actually the new technique is realised by incorporating with the sensor fusion scheme. Empirical results show that the new system outperforms the previous GMB-REM with sensor selection alone. More specifically, we illustrate that the new technique is able to considerably constrain the error of a robot"s position.     

Particle filter robot localisation through robust fusion of laser,WiFi, compass,and a network of external cameras

In this paper, we propose a multi-sensor fusion algorithm based on particle filters for mobile robot localisation in crowded environments. Our system is able to fuse the information provided by sensors placed on-board, and sensors external to the robot (off-board). We also propose a methodology for fast system deployment, map construction, and sensor calibration with a limited number of training samples. We validated our proposal experimentally with a laser range-finder, a WiFi card, a magnetic compass, and an external multi-camera network. We have carried out experiments that validate our deployment and calibration methodology. Moreover, we performed localisation experiments in controlled situations and real robot operation in social events. We obtained the best results from the fusion of all the sensors available: the precision and stability was sufficient for mobile robot localisation. No single sensor is reliable in every situation, but nevertheless our algorithm works with any subset of sensors: if a sensor is not available, the performance just degrades gracefully.     

基于多传感器数据融合的环境理解及障碍物检测算法

本文研究了移动机器人中基于Ｄｅｍｐｓｔｅｒ－Ｓｈａｆｅｒ证据推理理论的多传感器数据融合技术．通过融合由ＣＣＤ彩色摄像机获取的２Ｄ彩色图像及由激光测距成像雷达获取的３Ｄ距离图像，移动机器人的环境理解及障碍物检测的可靠性与精度比在任何单一传感器所获得的信息的基础上有了很大的提高．文中探讨了移动机器人中视觉信息融合的许多具有较大难度的实际问题，取得了有意义的结果．     

移动机器人的一种室内自然路标定位法

实时定位是移动机器人导航的一个基本前提。该文提出了一种利用墙棱边及墙平面(EdgeandPlane,EP)路标或者广义EP路标进行定位的方法,使用了异步数据融合的方法对移动机器人进行了定位。仅利用传感器对墙平面的距离数据进行测量就实现了机器人的定位。仿真显示这些方法能减少机器人的定位时间,提高对传感器测量数据的利用效率。     

基于ROS与Kinect的移动机器人同时定位与地图构建

同时定位与地图构建(SLAM)技术一直以来都是移动机器人实现自主导航和避障的核心问题,移动机器人需要借助传感器来探测周围的物体同时构建出相应区域的地图。由于传统的1D和2D传感器,如超声波传感器、声呐和激光测距仪等在建图过程中无法检测出Z轴(垂直方向)上的信息,易增加机器人发生碰撞的概率,同时影响建图结果的精确度。本文利用Kinect作为机器人SLAM的传感器,将其采集到的三维信息转化成二维的激光数据进行地图构建,同时借助机器人操作系统(robot operating system,ROS)进行仿真分析和实际测试。结果表明Kinect可以弥补1D和2D传感器采集信息的不足,同时能够较好的保持建图的完整性和可靠性,适用于室内的移动机器人SLAM实现。     

基于GPS/INS的机载三维激光测控系统的设计

设计并实现了一种机载激光测控系统的软硬件方案,系统的GPS/INS传感平台,使得系统可以不依赖于姿态和位置的精确控制.应用高阶次的扩展Kalman滤波算法进行传感器数据的融合.利用数据融合得到的信息,通过解算获得激光三维点云数据.实验结果表明:设计的激光测量系统具有良好的可行性,所设计的高阶扩展Kalman融合算法对G...     

机器人多传感器信息融合研究综述

多传感器信息融合是一门新兴的技术,在机器人领域有着广阔的应用前景。综述并分析了多传感器信息融合技术在工业机器人、机器手爪、飞行机器人、移动机器人、爬行机器人和水下机器人中应用的研究现状,从机器人传感器的研制、融合算法、多传感器管理和信息融合仿生机理等方面总结了机器人多传感器信息融合的发展趋势。     

基于多传感器信息融合的移动机器人快速精确自定位

通过分析全向视觉、电子罗盘和里程计等传感器的感知模型,设计并实现了一种给定环境模型下移动机器人全局自定位算法.该算法利用蒙特卡罗粒子滤波,融合多个传感器在不同观测点获取的观测数据完成机器人自定位.与传统的、采用单一传感器自定位的方法相比,它把多个同质或异质传感器所提供的不完整测量及相关联数据库中的信息加以综合,降低单个...