探讨多传感器在智能小车安全区域中的应用.docVIP

精品论文 参考文献 探讨多传感器在智能小车安全区域中的应用 中南大学信息科学与工程学院 张甜甜 　　摘要：传感器为智能小车提供多种信号，帮助智能小车确定前进的速度和方向，以此实现智能导航，在非结构化环境中，要有效提高智能小车的自主能力，就需要加强其成功避障的能力。本文提出了一种多传感器信息处理方法，这种方法主要是实时收集并处理多个传感器发送的数据，根据处理结果确定安全区域。相对于其他确定运动空间安全区域的方法，这种方法更加简单有效。 　　关键词：多传感器；智能小车；运动空间安全区域引言智能小车能根据传感器发送的数据判断周围的环境，在碰到障碍物前避开，以此实现自主控制，现在普遍使用的传感器有很多种，例如红外线传感器、超声波传感器和激光传感器等，其中超声波传感器有成本低、分辨力强、数据处理效率高等优点，因此使用比较广泛，但是在面对情况比较复杂的障碍物时，就很难保证智能小车能够有效避开障碍物。笔者提出了一种基于多传感器确定安全区域的方法，这种方法不论障碍物复杂情况如何，都能够保证小车处于安全区域。 　　1、多传感器测距系统下面针对多传感器（多超声波传感器）的测距系统设计展开探讨。 　　1.1 测距原理主要是利用了声波反射原理，超声波传感器发射一束频率约为45kHz 的声波，发射开始的时候计时，超声波在遇到障碍物后会反射回传感器，一旦传感器接收到返回的声波就立即停止计时。我们约定在空气中超声波的传播速度为c，发射声波和接收返回声波之间的时差为t，可以用如下公式计算障碍物和传感器之间的距离：cmiddot;t/2=s。 　　1.2 测距方案我们选择的实验用智能小车依靠驱动轮驱动，共有两个，步进电机控制驱动轮，智能小车能够有以此进行前进、停止和转弯等动作，选择Arduino 控制器作为核心控制器，能够收集小车的实时信息并控制小车移动。选择型号为HCSR04 的超声波模块作为传感器，这种传感器的优点是准确、稳定。在智能小车的运动过程中，障碍物的数量和大小都是不可知的，因此我们采用了总共6个超声波传感器，为了保证收集信息的完全，6 个传感器之间按照相邻20deg;角的位置放置。但是如果采用这种放置方法，由于传感器波束角和相邻传感器放置角度的关系，可能产生干扰现象；如果采用一个传感器发射声波另一个传感器接收声波的“轮循”方式，虽然不会产生干扰，但是由于声波发射和接收有时间间隔，因此周期较长，采样频率不高。为了不产生干扰同时保证采样频率，我们将6 个传感器分为了两组，每组传感器按照相邻40deg;角放置并且同时工作，同时两组传感器按照轮循方式工作，以此实现提高采样频率和消除干扰的目的。 　　2、预处理数据2.1 建立输出模型我们假定超声波传感器输出模型为：n[k]+x[k-1]=x[k]；w[k]+x[k]=z[k]。其中w[k]为电压测量误差，z[k]为噪音污染，n[k]是系统扰动的噪音，而x[k]是我们需要测量的参数。 　　2.2 卡尔曼滤波我们知道，传感器测量值和输出电压之间存在线性关系，对于超声波传感器，其卡尔曼滤波为：取某时刻采样值并给定误差方差；建立当前距离预测值，采用的是上一时刻最优估计值；计算卡尔曼增益；校正上一时刻预测值，得到最优估计和方差；不断重复，使得估计值方差不断向0 趋近。 　　在卡尔曼滤波前需要初始化若干参数，分别是初始值估计方差、测量方差以及过程方差，笔者分别取三个值为4、0.2 和0.0004，经过卡尔曼滤波处理，我们能够得到更加准确的、和真实值更加接近的数值。 　　3、数据处理本文中的数据处理是基于神经网络的，由于避障数据处理无法直接利用传感器得到的测量值，所以需要进行变换，我们采用的是BP 神经网络算法，这是一种典型的学习算法，结构为一个输入层和一个输出层以及若干个隐含层，学习过程分为两个部分，即误差反向传播和信息的正向传播过程，在上述两个过程中不断校正数值，减小误差，直到数据精度和要求的精度相符。由于本文中的6 个传感器比较相似，因此我们只针对其中一个传感器进行神经网络处理。分析得到传感器神经网络共有1 个输入层和一个输出层以及2 个隐含层，节点个数为输出层和输入层各一个，而每个隐含点有十个节点，神经元活化函数如下：f（x）=（1-e-x）/（2+e-x）。 　　然后我们需要获取样本，在坐标纸上放置实验用智能小车，坐标原点和小车中心重合，使用一小体积物体作为障碍物，获取多组障碍物坐标数据和传感器读数数据，以此作为训练样本，本次实验一共获取了150 组样本数据。 　　4、确定安全区域4.1 建立智能小车数学模型本次实验使用的超声波模块精度为0.2 厘米左右，测量范围在[2，450]厘米，波束角15deg;，本文中将障碍物距离大于150厘米的情况作为距离为150 厘米处理，简化智能小车数学模型可以得到： 　　其