多传感器集成与态融合方法的研究.pdfVIP

多传感器集成与动态融合方法的研究’ 摘要 近年来，多传感器集成与融合技术已经成为智能机器与系统领域一个重要的研究方向。 它涉及信息科学的多个研究领域，其应用范围已经从军事领域扩展到其他诸多领域，如机 器人等。随着工作环境和任务的复杂化，这一领域的研究面临一些新的问题，其中一个重 要的课题就是动态与未知环境下多传感器集成与融合的研究。本文从集成框架和融合方法 ● 两个方面对这一课题进行了研究，取得了一些重要的研究成果。同时，利用这些成果集成 了一个多传感器智能机器人实验平台，并在此基础上实现了两摄像机联合标定系统和动态 ／ 融合实验。f本文的主要贡献包括以下几个方面： 、 1．集成框架： 首先介绍了多传感器集成框架的研究现状，并且对目前多传感器系统集成中存在的需 求进行了深入的分析。然后，结合软件工程领域最新的技术，即三层构架和组件技术，提 出了一种通用的多传感器集成框架一基于组件的集成框架。最后，利用当前主流的组件技 ● Model)技术，以基于组件的集成框架为基础，得到一个基于 术--COM(ComponentObject COM的软件结构，并且实现了一个多传感器集成的具体实例一智能机器人视觉系统。 2． 动态融合方法： 本文将动态融合方法的研究分解为三个基本问题的研究，即融合结构、不确定系统的 建模和融合算法。 · 首先讨论了动态环境下影响系统的不确定因素，并且在此基础上定义了一般不确定系 统的模型。然后，介绍了一种通用的静态融合结构，其开环结构难以满足动态融合的要求。 最后，结合静态融合结构和反馈思想，提出一种新的融合结构一基于双重反馈的动态融合 结构，而且通过具体的实例验证了这种结构在动态融合中的有效性。 · 学习算法是动态融合中不确定系统建模的有力工具，其性能将会直接影响到动态融合 Field WeightedRegression—r冲VCR) 的效果。本文介绍了一种名为接受域加权回归(Receptive 的渐进式学习算法，它是局部学习和渐进学习两者的结合，并且具有一些良好的特性，如 鲁棒性等。然而，RFWR算法在实际应用中存在一些问题，尤其是计算的复杂性。针对这 ’国家自然科学基金资助项目(批准号 ‘ ／ 一问题，提出了两种改进方案，最后得到了一个改进后的RFWR算法。仿真结果表明，改 进后的算法不仅保留原算法的特点，而且大大降低了算法的计算复杂性，从而提高了整个 t t 算法的性能。 · 针对不确定系统的建模，介绍了几种已有的不确定系统建模方法，并且结合摄像机模 型的标定对这类方法进行了讨论，同时指出这些方法在动态融合中存在的问题。目前，在 多传感器融合的研究中，神经网络已经受到一些学者的关注，并且已经被成功地应用于不 确定系统的建模。由于BP神经网络的特点和广泛的应用，本文重点介绍了BP神经网络和 基于BP神经网络的建模方法，同时还讨论了这种方法在动态融合中存在的问题。结合改 进后的RFWR算法。本文得到了一种基于RFWR的建模方法，仿真结果表明这种方法更 适合于动态融合中不确定系统的建模。 · 针对动态融合方法，首先介绍了基于神经网络的