基于多数据融合的智能定位传感器避障方法研究

针对传统小车定位传感器控制效果差,导致小车避障能力不佳的问题。提出基于T-S模型模糊神经网络多数据融合的智能定位传感器避障方法。首先设计一个智能小车控制系统;然后将超声波传感器和红外传感器相结合应用于小车避障控制中,采用基于T-S模型神经网络信息融合算法对避障控制器的数据进行融合处理,以此提升智能小车避障控制效果。实验结果表明,对比于单一传感器,提出的多数据融合传感器的探测距离更加接近真实障碍物。基于T-S模型的模糊神经网络控制器的避障控制精度最高可达97.6%,避障精度较高,说明提出方法具备较好的控制效果,设计的智能小车能够准确安全地避开障碍物,具有一定的有效性和可靠性。     

基于多传感器信息融合的智能小车避障

针对智能小车在不确定坏境下自主避障的情况,采用超声波传感器和红外传感器相结合来感知外界环境信息。将传感器采集到的各种数据利用T-S模糊神经网络进行融合．通过实验仿真表明：此方法能够使智能小车对障碍物灵活避障．     

基于激光和单目相机信息融合的智能轮椅避障策略研究

针对智能轮椅使用环境复杂多变,障碍物形状各异,单一传感器无法获得完整的环境信息的问题,提出一种基于激光传感器和单目视觉传感器信息融合的障碍物检测方法。通过单目相机和激光雷达传感器感知智能轮椅周围环境,得到障碍物的形状、距离分布状况等信息;在此基础上提出两种传感器信息的融合策略,建立局部障碍物地图,进一步采用模糊神经网络完成整体避障算法,实现智能轮椅安全、快速避障等功能。实验结果验证了文中所提避障算法的可行性及有效性。     

基于多超声波信息融合的小车避障算法实现

智能小车根据不同传感器的传感信号,按照一定的规则来调整小车的方位角和速度,实现自主导航。成功避障是提高非结构化环境中智能小车自主能力的关键问题之一,本文提出了一种基于模糊控制的多超声波测距传感器信息融合智能小车避障算法,该算法不仅融合了多个超声波测距传感器的测量数据,对障碍物的距离和空间方位提供准确、可靠的信息,很好的实现避障行为决策,而且不依赖于对象的数学模型,具有较好的鲁棒性。     

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.     

基于多传感器融合的智能电动轮椅模糊测距控制

传统电动轮椅在复杂的外界环境及技术误差下,避障方法存在着误判率高,检测精准度低的问题。为了提高智能轮椅自动避障的安全性,设计基于多传感器融合技术,对智能轮椅实现模糊测距控制的智能控制器。能够根据电动轮椅配置的传感器数量和类型,可靠获取障碍物与轮椅之间的数据信息,并利用多传感器信息融合技术,分析预测障碍物相关的具体信息数据。在给定值的基础上,计算需要的多种控制变量,并进行模糊量化处理。根据模糊控制规则,在智能轮椅与障碍物模糊语言描述之间的关系下进行模糊决策,非模糊化处理,确保智能轮椅运行更加安全、稳定。     

模糊神经网络信息融合方法在机器人避障中的应用

基于Takagi—Sugeno(T—S)模型的模糊神经网络不但具有模糊逻辑和神经网络两者的优点，又具有很好的学习能力。将基于T—S模型的模糊神经网络的信息融合算法应用在移动机器人的避障运动中，采用了多个超声测距传感器探测障碍物的距离和方向，经过模糊神经网络信息融合后，实现了机器人对障碍物和环境类型的识别以及无冲突的运动。实验表明：此方法能够使机器人安全避障。     

两级传感器信息融合的移动机器人避障研究

针对移动机器人的避障问题,以AS-R移动机器人为研究平台,提出了一种将神经网络和模糊神经网络相结合的两级融合方法。采用BP神经网络对多超声波传感器信息进行融合,以减少传感器信息的不确定,提高对障碍物识别的准确率;采用模糊神经网络实现移动机器人的避障决策控制,使之更适合系统的避障要求。该方法使移动机器人在避障中具有较好的灵活性和鲁棒性。机器人避障实验验证了所提方法的有效性。     

基于模糊神经网络在智能轮椅避障中的应用

针对机器人在未知环境中的避障问题,提出了一种多传感器信息融合的避障方法.利用多传感器(声纳、摄像头)来采集外部环境信息,使得智能轮椅在移动过程中可以得到更充分的外部环境信息;使用基于Takagi-Sugeno (T-S)模型的模糊神经网络来对环境信息进行融合;通过融合的结果来控制轮椅的避障行为.通过模拟实验验证和分析,表明了该方法在解决轮椅避障问题方面有很好的效果,同时优化了轮椅避障的路径,提高了智能轮椅使用的安全性和方便性.     

基于神经网络进化学习的两轮小车避障控制

本文提出了基于神经网络的两轮小车的避障控制，通过进化学习实现了小车在非结构化环境中的避障行为。这种神经网络控制结构同时完成传感器数据融合功能，具有一定的传感器容错能力。     

基于T-S模糊神经网络的智能轮椅避障控制策略

针对传统智能轮椅避障策略的路径规划效率差、功耗高等缺点,提出一种基于模糊神经网络的环境深度分区控制策略;利用红外、超声波和激光传感器的测量信息将待识别环境分为3个不同的深度区间,同时,利用T-S模糊神经网路算法融合异质传感器的测量信息,然后设计模糊控制规则,实现智能轮椅避障动作;最后建立智能轮椅的运动学模型和测量模型,并进行Simulink仿真测试;经仿真可知,该方法控制可靠,可快速无碰撞地通过障碍区,并能减少功耗,提高续航能力。     

一种基于模糊径向基神经网络的图像融合方法

传统的基于区域特征图像融合方法的一个难点是各源图像最佳权值的分配问题。该文利用径向基神经网络与T-S模糊推理模型具有函数等价性的特点,设计了一种模糊推理神经网络实现基于区域特征的图像融合,并用遗传算法优化网络参数。该网络能够自适应地动态获取优化的图像融合权值参数。仿真实验表明该算法有效可行,通过与传统的基于区域特征的图像融合算法相比,融合性能得到明显改善。     

基于信息融合原理的智能故障诊断模型

针对传统设备故障诊断方法中存在的局限性,文章在对设备智能故障原理和方法初步探索和研究的基础上,提出了基于信息融合原理的智能故障诊断方法。该方法利用多源异质传感器采集设备的各种特征信息,并采用模糊神经网络融合诊断中心作为诊断判决的执行机构,从而实现准确诊断设备故障诊断原因以及对设备运行工况进行态势评估的过程。并且通过对单传感器与多传感器信息融合诊断结果的对比表明多传感器信息融合诊断比单个传感器具有更高的准确性。     

基于数据融合的自适应神经网络模糊控制系统设计

基于数据融合的思想，提出一种非线性系统的自适应神经网络模糊控制器的设计方法。该方法利用数据融合技术降低了模糊控制器的输入维数，简化了模糊控制器的设计。用自适应神经模糊推理系统的神经网络自学习功能完成模糊控制器的设计。仿真结果表明，自适应神经网络模糊控制系统性能优于采用普通的模糊控制器的情况，为数据融合与智能系统技术在非线性系统中的应用作了有益的探索.     

Sensor fusion

Sensor fusion is a method of integrating signals from multiple sources. It allows extracting information from several different sources to integrate them into single signal or information. In many cases sources of information are sensors or other devices that allow for perception or measurement of changing environment. Information received from multiple-sensors is processed using “sensor fusion” or “data fusion” algorithms. These algorithms can be classified into three different groups. First, fusion based on probabilistic models, second, fusion based on least-squares techniques and third, intelligent fusion. The probabilistic model methods are Bayesian reasoning, evidence theory, robust statistics, recursive operators. The least-squares techniques are Kalman filtering, optimal theory, regularization and uncertainty ellipsoids. The intelligent fusion methods are fuzzy logic, neural networks and genetic algorithms. This paper will present three different methods of intelligent information fusion for different engineering applications. Chapter 2 is based on Sasiadek and Wang (2001) paper and presents an application of adaptive Kalman filtering to the problem of information fusion for guidance, navigation, and control. Chapter 3 is based on Sasiadek and Hartana (2000) and Chapter 4 on Sasiadek and Khe (2001) paper.     

模糊神经网络在移动机器人信息融合中的应用

针对移动机器人所用的传感器,提出了一种用于多传感器信息融合的方法,将模糊逻辑和神经网络结合起来,构建了模糊神经网络,并建立了网络的计算模型.通过建立的模糊神经网络对移动机器人的多传感器信息进行融合,实现了移动机器人对动态环境中障碍和环境类型的实时识别以及无冲突运动.网络的训练和试验表明该方法在移动机器人躲避运动物体中是可行的.