基于人工神经网络多传感器融合技术的机器人研制

项目类别学科代码项目编号图象处理510.8050南京工程学院科研基金项目项目申请书学科门类：电子、通信与自动控制技术项目名称：基于人工神经网络多传感器信息融合技术的机器人研制项目负责人：陈巍所在部门：工程基础实验与训练中心填表日期：2011年9月10日南京工程学院制填表说明1.申请书为南京工程学院科研基金项目的主要文件，一经批复，即作为立项依据。各项内容须认真填写，表内栏目不能空缺，无此项内容时填“/”或“0”。2.申请书各项内容应实事求是，表达要明确、严谨。外来语要同时用原文和中文表达，第一次出现的缩写词，须注出全称。“项目名称”字数不超过25个字。3．“学科代码”，请使用国家技术监督局于1992年11月1日发布的《学科分类与代码》（GB/T13745-92）。4.封面上的学科门类填该项目所属的一级学科，项目基本信息表上所属学科填该项目所属的学科领域，即三级学科，没有三级学科的填到二级学科。封面右上角的项目类别和学科代码与项目基本信息表相同。封面右上角的项目类别和学科代码由申请者填写。5.人才计划指获得校级及以上人才工程培养计划者。6.申请书及附件等书面材料均用A4纸双面打印，左侧2钉装订，封面装订为纸质，请勿用其它封面及装订形式。一、项目基本信息：项目概况项目名称基于人工神经网络多传感器信息融合技术的机器人研制项目类别AA.创新基金项目B.青年基金重点项目C.青年基金一般项目D引进人才科研启动基金项目研究类别BA.基础研究B.应用基础申请经费6.9万元学科代码510.8050学科名称机器人控制起止年限2011年10月至2013年10月项目负责人姓名陈巍性别男出生年月1970年9月身份证号32012119690914003x学位硕士学位授予学校/时间复旦大学/2006年职称副教授人才计划联系电话（手机）[e-mail]所在学科/研究方向电子技术/自动控制技术所在单位所在部门工程基础实验与训练中心参加单位工程基础实验与训练中心/项目组总人数高级中级初级博士生硕士生参加单位数8260171主要参加人员姓名职称学位学科专业工作单位项目分工签名殷埝生副教授硕士自动化实训中心系统设计优化王善华讲师硕士自动化实训中心视觉图像处理童桂讲师博士机电技术实训中心模板匹配算法冯虎高工硕士机电技术实训中心机械本体设计钱厚亮讲师硕士自动化实训中心视觉定位算法陈国军实验师硕士自动化实训中心实验调试陆欣云讲师硕士电子技术实训中心场地构图卢松玉讲师硕士电工技术实训中心人机交互系统设计与制作主要研究内容及技术指标本项目拟研制一台应用人工神经网络的多传感器信息融合技术的自主导航移动机器人，该机器人通过基于全景摄像头的视觉系统提供大量的场景信息，其它传感器(如激光雷达，红外测距，超声波阵列等)提供大量的距离、范围及障碍物信息，通过采用人工神经网络算法将信息融合处理后给出更可靠的环境识别信息，完成自主导航从而实现动态决策与规划、行为控制与执行等一系列的功能。该机器人使用上下位机结构，上位机为ARM9，下位机为AVR单片机，上下位机通过UART通讯。主题词（不超过3个）神经网络信息融合自主导航二、立项依据（包括项目研究意义，国内外研究现状、水平和发展趋势，并附主要参考文献及出处）研究意义：动态决策与规划、行为控制与执行等一系列能力是自主导航机器人正常工作所必须具备的能力，而自主导航功能依赖于机器人对外部环境信息的获取，传统自主导航机器人一般通过摄像头或者激光传感器等单一传感器获得机器人环境识别信息。随着机器人应用领域的不断变化，机器人所工作的环境与外部自然环境越来越接近，环境干扰越来越多，单一传感器获得的信息量不足已经给机器人自主导航造成了极大的困难，而随着各种各样传感器在机器人领域的运用，各传感器获得的信息量巨大，所包含的信息类型丰富，但是却难于有效提取，处理速度慢，噪声信息多，常常不得不降低处理的精度和可靠性，处理过程本身是非线性的而用线性逼近的方法存在很多困难，例如在图像复原处理上存在很多的病态逆矩阵。人工神经网络（artificialneuralnetwork，ANN）是由大量简单神经元广泛相互连接而成的非线性映射或自适应动力系统，是在神经及脑科学的研究成果指导下建立起来的从结构上模拟人脑运行机理的物理模型，将此模型应用到进行机器人自主导航多传感器信息融合算法中不失为一个很好的选择。同时这种基于人工神经网络的导航技术将会催生具有高实时性匹配算法，该算法可用于其他实时性要求较高的应用场合，如卫星遥感图像特征匹配、行人人脸识别，网络重点特性图像识别，无人驾驶智能车，无人机等领域。国内外研究现状：当前机器人多是基于电子罗盘、超声波测距仪，红外传感器，里程计等提供的方向及位移等特征信息从而完成自身位置及环境信息的采集，该方法的优点是实时性好，易于处理但缺点是涉及的传感器多，噪声信息大，各传感器信息孤立，机器人不能自主学习，出现错误后无法自己修正。所以近年来，国外部分研究机构开始尝试多传感器信息融合技术的研究，进而实现机器人错误的自我修正和自主导航。水平和发展趋势：移动机器人全景视觉的出现为机器人的自主导航开辟一条新路，但是全景视觉的分辨率不够和顶部的圆锥形反射镜采集远处物体的图像会有畸变等问题给机器视觉的实现带来了极大的难度基于全景视觉的机器人导航技术尚处于逐渐成熟与完善当中，在国内该技术尚未运用于实际的机器人的导航，同时由于计算机运算能力的局限及可视信息的不完整，目前多传感器融合技术还存在计算耗时较长和鲁棒性欠佳的情况。此项研究的进行，将注重于导航的实时性及神经网络算法多传感器信息融合技术研究。参考文献：[1]杨晶东杨敬辉洪炳镕移动机器人视觉图像特征提取与匹配算法第26卷第9期计算机应用研究[2]HARRISC,STEPHENSM.Acombinedcornerandedgedetector[C]//Procofthe4thAlveyVisionConference.Manchester,UK:[s.n],1988:1472151.[3]CROWLEYJL,PARKERAC.Arepresentationforshapebasedonpeaksandridgesinthedifferenceoflow2passtransform[J].IEEETransonPatternAnalysisandMachineIntelligence,1984,6(2):1562170.[4]LOWEDG.Districtiveimagefeaturesfromscale2invariantkeypoints[J].InternationalJournalofComputerVision,2004,60(2):912110.[5]MUTCHJ,LOWEDG.Objectclassrecognitionandlocalizationusingsparsefeatureswithlimitedreceptivefields[J].InternationalJournalofComputerVision,2008,80(1):45257.[6]LOWEDG.Objectrecognitionfromlocalscale2invariantfeatures[C]//ProcofInternationalConferenceonComputerVision.Wa2shingtonDC:IEEEComputerSociety,1999:115021157.三、研究目标、研究内容和拟解决的关键问题研究目标：（1）分析不确定环境中各种地理变化（轨道弯曲度，坡度变化，各种障碍物的形状变化），以此为基础完成识别上述变化的传感器的选择；（2）定量分析各传感器数据并建立数据库同时进行动态误差分析，其中着重研究机器人视觉系统，对全景视觉系统非线性全景畸变图像进行矫正，建立动态不确定环境下机器人的控制系统模型；（3）根据智能控制系统要求和传感器信息融合的形式，选择其拓扑结构；完成移动机器人的机械本体和电路的设计；（4）将各传感器的输入信息综合处理为一总体的输入函数，并将此函数映射定义为相关单元的映射函数，积极寻找相匹配的函数关系；（5）通过神经网络与环境的交互作用把环境的统计规律反映网络本身结构；对传感器输出信息进行学习，理解，确定权值的分配，完成知识的获取信息融合，进而对输入模式做出解释，将输入数据向量转换成高层逻辑符号概念，完成实际不确定环境下机器人的自主导航。研究内容：（1）建模通过分析环境的各种地理变化信息类型进行传感器的选择，并为各传感器建立动态数据库同时进行误差分析，研究机器人视觉系统，对全景视觉系统进行图像校正，在上述基础上建立不确定环境下的控制系统模型。（2）控制系统理论模型的研究根据控制系统模型控制要求和传感器信息融合的形式，研究拓扑结构，进行实际的机械本体和电路结构设计。（3）自主导航算法的研究将各传感器的输入信息综合处理为一总体的输入函数，积极寻找相匹配的函数关系；通过神经网络对传感器输出信息进行学习，理解，确定权值的分配，完成知识的获取信息融合，从而确立具体算法完成实际不确定环境下机器人的自主导航。（4）实际物理研究在自主导航算法的研究基础上，在完成机械本体和电路结构设计的基础上进行实际机器人的导航实验。研究各种不同的外部环境对机器人的影响。拟解决的关键问题：（1）全景图像处理：对非线性畸变的全景视觉图像进行矫正；对全景视觉里特征信息的提取；干扰噪声对图像影响的分析并采用一定算法进行噪声的去除，上述研究为机器人视觉实现的基础。（2）多传感器信息量大：多传感器采集的信息数据量是巨大的，与实时处理和微处理器速度过慢产生了极大的矛盾；处理好上述矛盾成为设计的关键所在。（3）多传感器噪声处理算法：环境的不确定性和环境噪声对传感器的影响极大，各传感器如何预先除去环境噪声是神经网络算法的基础，各传感器输入综合处理的映射函数关系是否相互匹配也成为自主导航的关键。（4）神经网络的算法选择：人工神经网络模型主要考虑网络连接的拓扑结构、神经元的特征、学习规则等。目前，已有近40种神经网络模型，其中有反传网络、感知器、自组织映射、Hopfield网络、波耳兹曼机、适应谐振理论等。进行人工神经网络算法的合理选择也是成功的基础。四、课题的研究方法、技术路线、实验方案及可行性分析研究方法及技术路线：总体上采取理论分析，仿真检验及实际实验相结合的研究方法。在技术路线上由简单到复杂。个体模型由简单动力学方程到复杂动力学方程，由无物理尺寸到有物理尺寸；个体之间的作用由全部两两相互影响到只受部分临近个体影响，通讯结构由固定拓扑到动态拓扑，环境模型由静态到动态，由只有单一要素到多种要素并存。具体如下：（1）以控制系统理论作为研究的主要理论工具之一。目前已经有国内外学者应用了控制系统模型完成机器人控制系统的设计，取得了丰富的成果，但一般都局限在分析方面。申请者本人在以往的研究成果中已经积累了相当丰富的系统分析的成果。（2）针对多传感器信息融合问题。先研究单一传感器信息处理问题，再研究多传感器信息信息处理问题；先研究质点模型，再研究刚体模型。（3）针对环境建模问题，先研究环境和所有个体传感器全局同步相互作用的情形，再研究环境和个体局部地异步相互作用的情形；先研究静态要素，例如固定环境情形，再研究动态要素如变化环境情形；先研究只有单一要素的情形，再研究同时包含多种要素，比如环境弯曲度和坡度变化情形。（4）针对物理实验研究，在实验室原有机器人的技术基础上改进外观设计，并编写适当的机器人控制算法进行实际物理实验的研究，以上方案是基于项目组以往积累的复杂动态系统研究成果，以及研发的智能机器人成果，并结合本项目的文献调研和先期初步工作结果的启示所形成的。实验方案：开始环境分析和传感器选择全景图像处理和其他传感器信息采集及误差分析预处理建立各种传感器信息数据库建立控制系统模型多传感器信息融合技术的研究机器人机械本体和电路设计神经网络算法的选择及研究机器人不确定环境下的