徐美清 劉洞波

摘? 要：該文主要研究未知環(huán)境下移動機器人柵格地圖的創(chuàng)建方法。針對聲納傳感器感知數(shù)據(jù)的不確定性，首先根據(jù)模糊邏輯和概率理論解釋多個聲納的測距信息，然后使用模糊隸屬度及概率表示柵格占用狀態(tài)。通過神經(jīng)網(wǎng)絡(luò)在特征級的信息融合來減弱聲納傳感器測量數(shù)據(jù)的測量誤差，得到一個對環(huán)境的整體表示。仿真結(jié)果表明，這種方法通過多個不同傳感器的測量值對同一柵格的解釋，可以有效增加數(shù)據(jù)可靠性、提高數(shù)據(jù)精度、減小噪聲干擾。總之，這個方法有著很好的健壯性以及準(zhǔn)確性。

關(guān)鍵詞：移動機器人? 柵格地圖? 地圖創(chuàng)建? 神經(jīng)網(wǎng)絡(luò)? 信息融合

中圖分類號：TP183 ? ?文獻(xiàn)標(biāo)識碼：A 文章編號：1672-3791（2019）07（c）-0011-02

為實現(xiàn)移動機器人的自主動作和行為，必須利用機器人的感知信息來建立未知工作環(huán)境的模型。柵格地圖是移動機器人環(huán)境地圖創(chuàng)建的一種重要表示模型，由Moravec H.P和Elfes.A提出[1]，這個模型把機器人所在的工作空間環(huán)境劃成了幾個整齊的柵格，利用提取每個柵格單元的狀態(tài)來確定環(huán)境問題。

通常，移動機器人利用激光測距儀、紅外探測器、聲納等測距類傳感器感知環(huán)境信息并創(chuàng)建柵格地圖[2]。其中，聲納傳感裝置的優(yōu)點很多，比如售價便宜、操作簡潔、信息處理容易等，因此它在移動機器人設(shè)計行業(yè)中的使用較為頻繁。但是它也存在一些弊端，例如精度低、多重反射等，對于信息的感知也極不穩(wěn)定。為了能夠更好地解決上述缺陷，綜合考量多個傳感器空間的相關(guān)性，該文將神經(jīng)網(wǎng)絡(luò)對使用概率、模糊邏輯知識的解釋多個聲納獲取到的數(shù)據(jù)進(jìn)行相應(yīng)的信息融合，獲得表示柵格狀態(tài){障礙物，不確定，空閑}的新概率值，最后采用貝葉斯更新模型更新柵格，以建立表示環(huán)境的柵格地圖。實驗結(jié)果表明，利用該文提出的方法所創(chuàng)建的地圖準(zhǔn)確度高、魯棒性好。

1? 神經(jīng)網(wǎng)絡(luò)信息融合創(chuàng)建柵格地圖

對于單個聲納數(shù)據(jù)分別采用模糊邏輯和概率理論進(jìn)行解釋，然后輸入到神經(jīng)網(wǎng)絡(luò)，采用這種方法，一方面，能充分結(jié)合模糊邏輯、概率理論聲納解釋模型的優(yōu)勢;另一方面，把一維數(shù)據(jù)映射到高維特征空間。這一操作的目是為了降低問題的非線性，將其盡可能地轉(zhuǎn)變成高維空間中的線性問題。因為一個柵格可以同時被多個傳感器所探測到，所以使用多個傳感裝置在空間上進(jìn)行相互補充，將所有的測量值用于描述同一個柵格，增加數(shù)據(jù)可靠性、提高數(shù)據(jù)精度。下面介紹該文提出的獲取柵格當(dāng)前狀態(tài)值的神經(jīng)網(wǎng)絡(luò)信息融合結(jié)構(gòu)，如圖1所示。在輸入層和隱含層之間加入了一個特征化層，將每一個輸入變量擴展成為5個輸入變量。

網(wǎng)絡(luò)框架整體涉及4個層級。最關(guān)鍵的一層也就是輸出層包括了3個神經(jīng)元，分別為3個與當(dāng)前計算柵格最相關(guān)的傳感器的測量值（d1、d2、d3）。然后，利用概率理論和模糊邏輯，將輸入神經(jīng)元轉(zhuǎn)化為5個特征神經(jīng)元，即{障礙物，空閑，占用，不確定，空}。隱含層的神經(jīng)元個數(shù)設(shè)計為31個，傳遞函數(shù)采用S型正切函數(shù)。輸出層有3個節(jié)點，輸出值分別為O=[Oocc，Oemp，Ouce]，其中第1個代表柵格部分被占用狀態(tài)的可能性大小，第2個代表柵格部分為空閑狀態(tài)的可能性大小，第3個表示柵格單元為不確定狀態(tài)的概率值。整個網(wǎng)絡(luò)結(jié)構(gòu)為3∶15∶31∶3，除輸入層到特征化層的連接權(quán)值為1外，其余各層之間的連接權(quán)值均可調(diào)。

該種樣本的獲取流程：把機器人安置在已探明的室內(nèi)環(huán)境當(dāng)中，指示其進(jìn)行直線運動、旋轉(zhuǎn)運動，隨機連續(xù)多次采集機器人位姿和聲納傳感器測量數(shù)據(jù)，隨后使用典型的Levenberg-Mar quardt算法對神經(jīng)網(wǎng)絡(luò)做出訓(xùn)練，其學(xué)習(xí)率只有0.01，選擇通用近似均方差函數(shù)作為性能指標(biāo)函數(shù)，若誤差是2.5×10-5的時候訓(xùn)練終止。

針對相同柵格單元，能夠包含多個時間段的多種解釋，要想獲得更加精準(zhǔn)的解釋，應(yīng)當(dāng)對這些信息進(jìn)行集成。要想防止計算變得復(fù)雜，確保地圖創(chuàng)建算法的增進(jìn)式處理，集成模式使用Bayesian集成模型，其更新手段為：對于柵格單元mi，j的3個可能狀態(tài)在一開始可能均為1/3，利用測量數(shù)據(jù)序列S=（S（1），…，S（T））后，這里面的S（n）代表3個與現(xiàn)在計算柵格關(guān)聯(lián)最密切的傳感裝置測量值序列，對應(yīng)相關(guān)集成的概率高低依次為：

2? 仿真實驗研究

為了驗證該文提出地圖創(chuàng)建方法，在AS_R型機器人上開展實驗。圖2（a）為實驗環(huán)境的理想表示，機器人通過傳感器獲得的環(huán)境信息使用該文的融合算法建立的走廊和教室的環(huán)境地圖如圖2（b）所示，可以看出，該文算法所創(chuàng)建的地圖均能較好地反映真實環(huán)境。

利用式（1）計算不同算法的誤差綜合，結(jié)果如表1所示，可見該文算法具有更高的精度。

3? 結(jié)語

該文提出的方法與其他方法相比有如下優(yōu)點：（1）使用模糊邏輯方式、概率相關(guān)理論依次解釋聲納數(shù)據(jù)資料的結(jié)果并做出相應(yīng)結(jié)合，具體可以結(jié)合相關(guān)模型健壯性以及精度的問題;（2）基于多個傳感裝置對相同柵格的測量結(jié)果的作用，結(jié)合附近傳感裝置信息生成更加精確的相關(guān)問題，可大幅減少噪聲干擾、鏡面反射及多次反射的影響。

參考文獻(xiàn)

[1] Siciliano B，Khatib O.Springer handbook of robotics[M]. Springer，2016.

[2] 劉丹，段建民，于宏嘯.基于自適應(yīng)漸消EKF的Fast SLAM算法[J].系統(tǒng)工程與電子技術(shù)，2016（3）：644-651.

[3] 余洪山.移動機器人地圖創(chuàng)建和自主探索方法研究[D].湖南大學(xué)，2007.