專(zhuān)利名稱(chēng)：使用傳感器融合的操縱無(wú)人駕駛運(yùn)載工具的方法和裝置的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種導(dǎo)航無(wú)人駕駛運(yùn)載工具的方法和裝置，尤其涉及一種執(zhí)行傳感器融合(sensor fusion)的方法和系統(tǒng)，用于無(wú)人駕駛運(yùn)載工具的導(dǎo)航。
背景技術(shù)：
當(dāng)前，傳感器數(shù)據(jù)融合技術(shù)(sensor data fusion)不能對(duì)所確定的問(wèn)題提供精確的解決方案。當(dāng)確定使用數(shù)據(jù)融合的解決方案時(shí)，盡管可以利用眾所周知的內(nèi)核(例如卡爾曼(Kalman)濾波器方案)，但是研究人員通常仍需要建立一種定制的方法。實(shí)現(xiàn)使用這種方法來(lái)組合數(shù)據(jù)的系統(tǒng)，有時(shí)會(huì)大大增加計(jì)算的復(fù)雜度，從而使系統(tǒng)的實(shí)現(xiàn)變得非重困難和昂貴。已提出一系列的估算器，然而僅僅其中的少部分可以在實(shí)際情形下被應(yīng)用，并且具有限制，這是因?yàn)楣浪闫鞅仨殞?shí)時(shí)地運(yùn)行。傳感器數(shù)據(jù)融合中的主要方法使用普通KF(KalmanFiltering，卡爾曼濾波)技術(shù)、EKF(Extended Kalman Filtering，擴(kuò)展卡爾曼濾波)技術(shù)、CI(Covariance Intersection，協(xié)方差交叉)、HMM(Hidden MarkovModel，隱馬爾可夫模型)、POMDP(Partially Observable Markov DecisionProcess，部分可觀測(cè)的馬爾可夫判定過(guò)程)、或利用貝葉斯判決規(guī)則的網(wǎng)絡(luò)(Bayesian Network)解決方案。上述的任何一種技術(shù)都存在其自身限制和使用范圍。一個(gè)主要的限制在于必須使用依賴(lài)于分布的模型。在EKF的情況下，必須計(jì)算互相關(guān)的結(jié)果。在POMDP的情況下，必須分析一些過(guò)程的先前和當(dāng)前狀態(tài)(情況)之間的弱連接(low link)。相應(yīng)的，存在幾種眾所周知的建立傳感器結(jié)構(gòu)的方法。最常見(jiàn)的傳感器結(jié)構(gòu)是分散化融合結(jié)構(gòu)(decentralized fusionstructure)、分布式融合結(jié)構(gòu)(distributed fusion structure)、聯(lián)合融合結(jié)構(gòu)(federated fusion structure)和分層融合結(jié)構(gòu)(hierarchical fusion structure)。這些結(jié)構(gòu)的每一種都有若干優(yōu)點(diǎn)和缺點(diǎn)。
分散化和分布式融合結(jié)構(gòu)是可擴(kuò)展的、生存力強(qiáng)的以及模塊化的。但是，這些結(jié)構(gòu)具有一個(gè)缺點(diǎn)，就是誤差估計(jì)依賴(lài)于融合信道。
聯(lián)合和分層融合結(jié)構(gòu)具有一些優(yōu)點(diǎn)，就是對(duì)于每個(gè)融合級(jí)(fusion cascade)，遞歸誤差估計(jì)(recursive error estimation)是可能的，以及模塊化是可能的。然而，這些融合結(jié)構(gòu)是不可擴(kuò)展的、并且生存力低。
在移動(dòng)機(jī)器人領(lǐng)域中的傳感器數(shù)據(jù)融合是通過(guò)使用兩種或三種主要方法來(lái)完成的。到目前為止，EKF毫無(wú)疑問(wèn)是主要的狀態(tài)估計(jì)技術(shù)。EKF是基于與所估計(jì)的狀態(tài)軌跡(state trajectory)相關(guān)的觀測(cè)方程(observation equation)和狀態(tài)轉(zhuǎn)變(state transition)的一階泰勒近似。因此EKF的應(yīng)用是依照所需要的導(dǎo)數(shù)存在的假定而定的，并且可以采用合理的努力來(lái)獲得。泰勒線(xiàn)性化在很多情形下不能提供一種足夠精確的表示，并且由于過(guò)于粗略的近似而常常會(huì)遇到顯著的偏移，甚至收斂問(wèn)題。
可以利用幾種比EKF更完善的估計(jì)技術(shù)，例如，重復(fù)迭代、高階濾波、和統(tǒng)計(jì)線(xiàn)性化。這些更先進(jìn)的技術(shù)通常提高了估計(jì)的精確性，但是這些改進(jìn)的出現(xiàn)是以實(shí)施中的進(jìn)一步復(fù)雜化和計(jì)算量的增加為代價(jià)的。

發(fā)明內(nèi)容
本發(fā)明提供一種使用傳感器融合系統(tǒng)來(lái)導(dǎo)航無(wú)人駕駛運(yùn)載工具的方法和裝置，該傳感器融合系統(tǒng)是可擴(kuò)展的、生存力強(qiáng)的和模塊化的。
根據(jù)本發(fā)明的一個(gè)方面，提供一種導(dǎo)航無(wú)人駕駛運(yùn)載工具的方法，包括使用至少兩個(gè)感測(cè)無(wú)人駕駛運(yùn)載工具的位置估計(jì)的結(jié)果的傳感器來(lái)測(cè)量多個(gè)參數(shù)；選擇性地組合所測(cè)量的參數(shù)；在預(yù)定范圍內(nèi)檢測(cè)所述參數(shù)的變化；利用估計(jì)值和誤差分布來(lái)估計(jì)由傳感器數(shù)據(jù)和期望的數(shù)據(jù)偏差所表示的無(wú)人駕駛運(yùn)載工具的位置。在參數(shù)的測(cè)量中，首先接收源信號(hào)。然后，利用快速傅立葉變換將源信號(hào)轉(zhuǎn)換成頻域信號(hào)，并且計(jì)算頻譜密度函數(shù)。然后，多項(xiàng)式被擬合到頻譜相關(guān)的表達(dá)和信號(hào)相關(guān)的表達(dá)，以及計(jì)算相應(yīng)的相關(guān)函數(shù)和相應(yīng)的系數(shù)。
根據(jù)本發(fā)明的另一方面，提供一種利用傳感器融合來(lái)導(dǎo)航無(wú)人駕駛運(yùn)載工具的裝置，該裝置包括傳感器信道單元，包括傳感器和控制信號(hào)序列，它從傳感器提取原始數(shù)據(jù)，并發(fā)送該原始數(shù)據(jù)到預(yù)處理層；交叉信道模型計(jì)算/反饋支持單元，它計(jì)算包括互相關(guān)和自相關(guān)信道的相關(guān)結(jié)果，以執(zhí)行融合算法，支持信道參數(shù)的誤差反饋，并獲得對(duì)信號(hào)處理表達(dá)的誤差估計(jì)；估算分解單元，它生成正交權(quán)函數(shù)的線(xiàn)性組合，生成一組用于對(duì)應(yīng)于信號(hào)關(guān)鍵特性的估計(jì)信號(hào)表達(dá)的權(quán)函數(shù)，并獲得根據(jù)誤差估計(jì)方程的誤差補(bǔ)償?shù)囊?guī)則；估計(jì)迭加單元，將估計(jì)分解單元生成的權(quán)函數(shù)迭加到一組分解權(quán)系數(shù)上，將對(duì)應(yīng)的一組分布的隨機(jī)值的估計(jì)迭加到所測(cè)量的信號(hào)值上；最終結(jié)果計(jì)算單元，它提取與最終結(jié)果計(jì)算相關(guān)的必要信息，根據(jù)無(wú)人駕駛運(yùn)載工具的位置和當(dāng)前狀態(tài)來(lái)提取與定位相關(guān)的關(guān)鍵特征，將最終結(jié)果和環(huán)境狀態(tài)相互關(guān)聯(lián)，并獲得關(guān)于無(wú)人駕駛運(yùn)載工具位置的未換算和未校正的信息。傳感器信道單元通過(guò)利用快速傅立葉變換處理信號(hào)數(shù)據(jù)來(lái)分析頻域信號(hào)。傳感器信道單元跟蹤頻譜函數(shù)的狀態(tài)，預(yù)測(cè)并分析傳感器信道單元的狀態(tài)，利用自回歸方法和最小均方誤差方法來(lái)將多項(xiàng)式擬合到頻譜函數(shù)，使用傳感器信道的抽象模型獲得傳感器信道的關(guān)鍵參數(shù)，并根據(jù)環(huán)境條件在某些時(shí)候調(diào)諧傳感器信道。交叉信道模型計(jì)算/反饋支持單元根據(jù)通過(guò)積分卷積得到的原始信號(hào)變換來(lái)計(jì)算相關(guān)函數(shù)，或者通過(guò)使用頻譜函數(shù)和功率譜函數(shù)來(lái)計(jì)算相關(guān)函數(shù)。當(dāng)使用頻譜函數(shù)和功率鋪函數(shù)計(jì)算相關(guān)函數(shù)時(shí)，交叉信道模型計(jì)算/反饋支持單元利用頻譜函數(shù)和功率譜函數(shù)來(lái)確定信號(hào)信道中的交叉噪聲加權(quán)，分析信號(hào)頻譜函數(shù)，提取關(guān)于早期階段的環(huán)境信息，獲得互相關(guān)結(jié)果、誤差最小化反饋支持和傳感器信道的關(guān)鍵頻率。
本發(fā)明也提供一種計(jì)算機(jī)可讀記錄介質(zhì)，其中記錄有執(zhí)行上面描述的方法的計(jì)算機(jī)程序。


通過(guò)參照附圖詳細(xì)描述本發(fā)明的示例性實(shí)施例，本發(fā)明的上述和其他特征及優(yōu)點(diǎn)將更加明顯，其中圖1是根據(jù)本發(fā)明實(shí)施例的通過(guò)使用傳感器融合操縱無(wú)人駕駛運(yùn)載工具的裝置的方框圖；圖2是圖1的裝置的詳細(xì)方框圖；圖3是圖1的裝置的構(gòu)造的方框圖；圖4說(shuō)明運(yùn)載工具的位置信息(X，Y，和θ)；和圖5說(shuō)明包含關(guān)于運(yùn)載工具的信息的原始信號(hào)。
具體實(shí)施例方式
現(xiàn)在將對(duì)本發(fā)明進(jìn)行詳細(xì)描述。
1.簡(jiǎn)介本發(fā)明提供一種新的傳感器數(shù)據(jù)融合技術(shù)，它利用類(lèi)似對(duì)象分層的結(jié)構(gòu)(object-like layered structure)的方法。傳感器數(shù)據(jù)融合技術(shù)基于由卡南-絡(luò)維分解(Karhunen-Loewe decomposition)方法的多維擴(kuò)展(multi-dimensionalextension)所獲得的非線(xiàn)性變換(non-linear transformation)的近似。這種方法的原理不同于傳統(tǒng)的濾波技術(shù)。由于卡南-絡(luò)維分解方法，所以不需要用于內(nèi)插(interpolation)的導(dǎo)數(shù)。因?yàn)榛趶膫鞲行盘?hào)所計(jì)算的頻譜方程的自回歸多項(xiàng)式擬合(auto-regression polynomial fitting)的原理，甚至不需要預(yù)定義的方程。當(dāng)然，多項(xiàng)式的階數(shù)必須有一個(gè)上限。盡管多傳感器數(shù)據(jù)融合技術(shù)的實(shí)施與基于泰勒近似的過(guò)濾相比一樣復(fù)雜，但計(jì)算量可以大大降低。而且，在關(guān)于估計(jì)誤差分布的特定假設(shè)情況下，多傳感器數(shù)據(jù)融合技術(shù)(multi-sensor datafusion technique)提供更加精確的誤差計(jì)算，以便使誤差得到補(bǔ)償。由于根據(jù)到多傳感器數(shù)據(jù)融合技術(shù)中的入口點(diǎn)(entry point)的深度反饋(deep feedback)的最小化，所以可以獲得比其他濾波技術(shù)(包括泰勒近似)精度更高的誤差估計(jì)。
2.通用方法現(xiàn)在將說(shuō)明信號(hào)處理的分解方法和這種處理方法的優(yōu)點(diǎn)。在一種常見(jiàn)的信號(hào)處理的方法中，信號(hào)被表示為一組使用系數(shù)明確定義的周期函數(shù)。這種方法的最大優(yōu)點(diǎn)是可以使用定性和定量參數(shù)來(lái)說(shuō)明信號(hào)。同時(shí)眾所周知，在這種方法的幫助下，可以在頻域(頻譜表達(dá))中研究信號(hào)。
在本發(fā)明中，在頻域中的信號(hào)表達(dá)示出了主要頻率和傳感器信道的概要圖(general picture)。分析傳感器融合技術(shù)中的最常見(jiàn)結(jié)構(gòu)，很明顯沒(méi)有使用信號(hào)預(yù)分析(signal pre-analysis)的方法或結(jié)構(gòu)。盡管這樣的技術(shù)被廣泛地采用到工業(yè)應(yīng)用中，但它并不經(jīng)常被應(yīng)用在移動(dòng)機(jī)器人的應(yīng)用中。由于源質(zhì)量分析(source quality analyzing)，當(dāng)前這種方法(信號(hào)表達(dá)方法)的可實(shí)現(xiàn)性是眾所周知的。使用源質(zhì)量分析，就可以檢測(cè)和診斷信道狀態(tài)預(yù)測(cè)(channel stateprediction)。
關(guān)于同步定位和映射(SLAM)或自導(dǎo)航技術(shù)，機(jī)器人系統(tǒng)的感知裝置(perception appparatus)中的一個(gè)主要問(wèn)題是傳感器信號(hào)處理以及由此引起的傳感器數(shù)據(jù)融合。但是，如果信號(hào)被噪聲降低或干擾，很顯然，輸入到傳感器數(shù)據(jù)融合的值將被干擾，從而將從傳感器數(shù)據(jù)融合中輸出被干擾的判定結(jié)果，并將在數(shù)據(jù)處理的最后階段產(chǎn)生錯(cuò)誤的位置和/或方向信息。因此，就必須使用一種容易實(shí)施對(duì)源信號(hào)的檢測(cè)和診斷的輕便和穩(wěn)固(robust)的技術(shù)。因而，提出一種用于傳感器數(shù)據(jù)融合的組合或混合方法。
在根據(jù)本發(fā)明的方法中，存在(實(shí)時(shí)地)處理源信號(hào)的預(yù)處理和數(shù)據(jù)融合的適當(dāng)?shù)娜舾蓪?。為了更清楚地理解，就必須提供?duì)根據(jù)本發(fā)明的方法的說(shuō)明。
提出下列的源信號(hào)預(yù)處理的概要結(jié)構(gòu)(1)接收源信號(hào)；(2)使用快速傅立葉變換將源信號(hào)變換成為頻域信號(hào)；(3)計(jì)算頻譜密度函數(shù)；(4)將多項(xiàng)式擬合為頻譜相關(guān)和信號(hào)相關(guān)的表達(dá)(過(guò)程信號(hào)分析-信道穩(wěn)定性和質(zhì)量)(5)計(jì)算對(duì)應(yīng)的相關(guān)(共變)函數(shù)和相應(yīng)的系數(shù)；(6)執(zhí)行分解方法，該方法是本發(fā)明的方法的核心；(7)計(jì)算預(yù)測(cè)和誤差估計(jì)模型。
將說(shuō)明上述步驟的每一步。首先，典型多項(xiàng)式被擬合為頻譜函數(shù)。
然后，可以使用在T-R域中的典型多項(xiàng)式的根的分布來(lái)分析信號(hào)質(zhì)量。當(dāng)主要需求是獲取能夠描述過(guò)程的情況和狀態(tài)(或該過(guò)程的典型信號(hào))的變換函數(shù)時(shí)，這種方法是非常有用的。可以獲取主要頻率(過(guò)程的主要的、特征頻率)，并分析硬件設(shè)備的哪一部分影響信號(hào)處理。
然后，可以采取兩種方式計(jì)算相關(guān)(共變)函數(shù)從提供源的原始寫(xiě)照(nativepicture)的源、原始信號(hào)；和提供來(lái)自頻域的相關(guān)寫(xiě)照(correlation picture)的頻譜方程。
現(xiàn)在將完成本發(fā)明數(shù)學(xué)背景中的幾個(gè)關(guān)鍵的概述。
3.本發(fā)明的定義和描述現(xiàn)在將定義根據(jù)本發(fā)明實(shí)施例的傳感器數(shù)據(jù)融合方法的核心。為了簡(jiǎn)單地表述這種方法，考慮一維空間的情況。這種方法很容易被擴(kuò)展到N維的情況。由維的含義來(lái)假定獨(dú)立信道的數(shù)量。
本發(fā)明的基礎(chǔ)是一種用于表示可觀測(cè)過(guò)程，如在某些明確定義的限制之內(nèi)的隨機(jī)(無(wú)規(guī)則)過(guò)程的算法。所提出的方法的主要原理是將非周期的隨機(jī)過(guò)程分解成一系列具有非相關(guān)系數(shù)的正交函數(shù)。同時(shí)，在分解的過(guò)程中，執(zhí)行誤差最小化方法。這種誤差最小化提供了減小交叉信道(cross-channel)和同相信道(In-channel)的噪聲和誤差的魯棒性(robust)技術(shù)。結(jié)果，這種方法的所得結(jié)果可以被容易地用于提取必要的信息。數(shù)據(jù)分析的附加特性被用于觀察上述頻譜函數(shù)?，F(xiàn)在將一步一步地說(shuō)明該方法。
3.1估計(jì)的定義源信號(hào)的定義被考慮為與時(shí)間相關(guān)的函數(shù)。在本發(fā)明中，必須確定清楚地和穩(wěn)定(robustly)地描述環(huán)境狀態(tài)的合成函數(shù)(resultant function)。所以，信號(hào)系統(tǒng)(SS)的統(tǒng)計(jì)估計(jì)值 可以通過(guò)確定算子F(X(t))的參數(shù)而獲得。統(tǒng)計(jì)估計(jì)值 如下獲得使用物理測(cè)量的狀態(tài)坐標(biāo)SSX(t)∈Rq的一些指示符Y∈Rp的Y^=F‾(X(t:0≤t≤T)).]]>現(xiàn)在考慮一維的情況(p＝q＝1)，現(xiàn)在將說(shuō)明建立和應(yīng)用線(xiàn)性估計(jì)的方面。統(tǒng)計(jì)估計(jì)值如下給出Y^=(a,X)+b=∫0Ta(t)X(t)dt+b...(1)]]>其中a＝a(t)表示通過(guò)分析源信號(hào)而獲得的函數(shù)，X＝X(t)表示當(dāng)t∈
時(shí)發(fā)生的隨機(jī)過(guò)程的連續(xù)平均值的平方，這可以被表示為類(lèi)似源信號(hào)的偏差，b表示自由參數(shù)，
表示SS函數(shù)的時(shí)間段，T∈
表示所確定的測(cè)量時(shí)間。
對(duì)t∈
的隨機(jī)值集合Y和X(t)的所有有限維分布，是均勻(正態(tài))分布，方程1線(xiàn)性估計(jì)的參數(shù)a和b是從誤差傳播的最小值中獲得，ϵ=Y-Y^,]]>這表示方程2的最小值J=J(a,b)=E[ϵ2]=E[(Y-Y^)2]=E[(Y-(a,X)-b)2]...(2)]]>根據(jù)方程2，權(quán)函數(shù)通常屬于一類(lèi)定義在t∈
的函數(shù)，這類(lèi)函數(shù)可以通過(guò)預(yù)定義來(lái)選擇或者基于對(duì)t∈
的隨機(jī)值集合Y和X(t)的預(yù)分析來(lái)選擇。
當(dāng)L2
被固定時(shí)，方程2變成方程3J＝E[(Y-(a，X))2]-2bE[(Y-(a，X))]+b2...(3)從方程3中可見(jiàn)，當(dāng)b＝b0且b∈R時(shí)，J被最小化。這里，b＝b0(a)如下給出b0=E[(Y-(a,X))]=E[Y]-∫0Ta(t)E[X(t)]dt...(4)]]>在使用E(估計(jì))使隨機(jī)值Y和X(t)居中(centre)后，獲得y＝Y(jié)-E[Y]，x(t)＝X(t)-E[X(t)] ...(5)
方程6將考慮如下
把方程4代入方程1和2并考慮方程5和6，可以獲得方程7，8和9Y^=E[Y]+∫0Ta(t)(X(t)-E[X(t)])dt=E[Y]+∫0Ta(t)x(t)dt=E[Y]+y...(7)]]>ϵ=Y-Y^=Y-E[Y]-y=y-y...(8)]]>J=E[ϵ2]=E[(Y-Y^)2]=E[(y-y)2]=E[(y-(a,x))2]...(9)]]>由方程7和8，Y的估計(jì)和誤差估計(jì)ε如下給出E[Y]＝E[Y]，E[ε]＝0 ...(10)方程10描述了當(dāng)b＝b0時(shí)方程1的無(wú)偏估計(jì)(non-biased estimation)的特性。
方程9的函數(shù)被考慮為J＝J(a)，它僅僅取決于a。在這一點(diǎn)上，獲得在誤差最小化函數(shù)和確定函數(shù)之間的定義明確的關(guān)系。如上所述，很明顯在誤差估計(jì)系統(tǒng)與常數(shù)定義之間的相關(guān)性可以被忽略和避免。
3.2分解從對(duì)相關(guān)和互相關(guān)函數(shù)的經(jīng)典方法中，可以獲得方程11和12r(t)＝E[(Y-E[Y])(X(t)-E[X(t)])]＝E[yx(t)] ...(11)R(t，s)＝E[(X(t)-E[X(t)])(X(s)-E[X(s)])]＝Ex(t)x(s))] ...(12)方程9可以被重寫(xiě)成方程13J=J(a)=E[y2]-∫0Ta(t)r(t)dt+∫0T∫0TR(t,s)a(t)a(s)dtds...(13)]]>為了確定參數(shù)α，考慮到權(quán)函數(shù)的突出類(lèi)(highlighted class)，需要說(shuō)明權(quán)函數(shù)的突出類(lèi)和J＝J(a)的有效最小化算法。
從根本上，為了解決這樣的任務(wù)(如在技術(shù)控制領(lǐng)域中的所有任務(wù))，就需要使用專(zhuān)用相關(guān)函數(shù)R(t，s)在
上的函數(shù){i1≤i≤∞}的正交系統(tǒng)，它被定義如下 卡南-絡(luò)維(Karhunen-Loeve)正交分解如下給出 當(dāng)ξ是一個(gè)實(shí)數(shù)或復(fù)數(shù)時(shí)，它可以定義如下
非周期性的隨機(jī)過(guò)程不能表示為具有非相關(guān)隨機(jī)系數(shù)的傅立葉級(jí)數(shù)，但是它可以擴(kuò)展為具有非相關(guān)系數(shù)的一系列正交函數(shù){i1≤i≤∞}。
方程15收斂于在
上的均方值，正交系統(tǒng){i1≤i≤∞}的取值范圍是L2
。因此，每一權(quán)函數(shù)α∈L2
可以獲得任意的精度(具有L2
的空間維數(shù))，以使用于i函數(shù)的有限集的線(xiàn)性組合來(lái)近似。
因?yàn)檎幌到y(tǒng){i1≤i≤∞}是在L2
上正交的，就保持 其中δij是克羅內(nèi)克爾增量(Kronecker delta)。
把方程15到17與方程12組合，可以得到方程18 所有專(zhuān)用值(λi≥0)都從專(zhuān)用自相關(guān)函數(shù)R(t，s)的非負(fù)判定(non-negativedetermination)來(lái)考慮。從上述的方程和方程17中，方程18可以改寫(xiě)成E[ξiξj]=λiλiδij...(19)]]>方程17和18反映方程15中正交分解的特性。因?yàn)槭沟秒S機(jī)過(guò)程x＝x(t)居中，方程19簡(jiǎn)化為E[ξi]=0:varξi=E[ξi2]=λi...(20)]]>如上所述，考慮均勻過(guò)程X＝X(t)，它包含于方程16、19和20中，方程15的系數(shù)ζi是獨(dú)立于均勻分布隨機(jī)值，且ξi∈N(0，λi)。很清楚在方程15的分解中只有對(duì)應(yīng)于正λi的分量才是重要的。
3.3組合和迭加通過(guò)對(duì)輸出函數(shù)的估計(jì)和誤差估計(jì)求和而得出分解的最終結(jié)果-對(duì)系統(tǒng)質(zhì)量判決的最小化函數(shù)。假定對(duì)于固定的m a(t)＝α11(t)+...+αmm(t)；α1，...，αm∈R...(21)并且ρi＝E[ξiy]...(22)，可以利用方程15、17和19從方程6和9中獲得
J=J(a)=E[(y-y^)2]=E[(y-Σi=1∞αiξi)2]=E[y2]-2Σi=1∞αiρi+Σi=1∞αi2λi...(24)]]>從方程21和22中，很清楚如果對(duì)某些i的λi＝0，那么ρi＝0。因此，方程24是獨(dú)立于權(quán)函數(shù)α的參數(shù)αi。這樣，所有的值λi(1≤i≤m)都是正的?？紤]權(quán)函數(shù)α的系數(shù)λi0，可以獲得方程25a0(t)＝α011(t)+...+α0mm(t)...(25)方程25提供在α(t)是方程21中所示形式的情況下對(duì)J＝J(a)的最小化，αi可以被寫(xiě)成如下形式α0i=ρiλi(1≤i≤m)...(26)]]>把方程26代入方程24中，可以獲得方程27J(a0)=E[y2]-Σ1≤i≤mρi2λi...(27)]]>參考方程21，可以獲得方程28J(a0)=(1-Σ1≤i≤mcos2(ξi,y))E[y2]...(28)]]>其中cos(ξi，y)表示隨機(jī)值ξi和y之間相關(guān)性的系數(shù)。
根據(jù)方程23和26，根據(jù)方程24的a0，統(tǒng)計(jì)估側(cè)值 如下給出Y^=E[Y]+y^]]>y^=Σ1≤i≤mξiρi2λi...(29)]]>可以從方程27和28中獲得誤差傳播ϵ=Y-Y^]]>的分散σs2＝J(a0)。
可以注意到在實(shí)際情況下隨機(jī)值Y和相關(guān)函數(shù)r(t)以及R(t，s)的特征μγ＝E[Y]，σγ2＝varY＝E[y2]并不總是預(yù)定義的。
方程30、31、32和33如下給出μ^r=Y^=[1n]Σ1≤v≤nYv...(30)]]>
σ^r2=[1n-1]Σ1≤v≤n(Yv-Y‾)2...(31)]]>r^(t)=[1n-1]Σ1≤v≤n(Yv-Y‾)(Xv(t)-X‾(t)),]]>(X‾(t)=[1n]Σ1≤v≤nXv(t))...(32)]]>R^(t,s)=[1n-1]Σ1≤v≤n(Xv(t)-X(t))(Xv(s)-X(s))...(33)]]>其中n是觀測(cè)的數(shù)量，Yv和Xv(t)表示Y和X(t)的隨機(jī)值，它對(duì)應(yīng)于觀測(cè)v(1≤v≤n)。
3.4分析上述方程是用于傳播和估計(jì)系統(tǒng)的數(shù)學(xué)工具的一部分，它們用于根據(jù)SS來(lái)估計(jì)移動(dòng)裝置的當(dāng)前位置和方向。
這些結(jié)果可以很容易地?cái)U(kuò)展到多維的情況，多維情況在考慮到各種估計(jì)值的參數(shù)的情況下提供對(duì)過(guò)程的幾個(gè)特性的互相關(guān)和互函數(shù)分析的考慮。
4.完整的分解算法根據(jù)本發(fā)明實(shí)施例的多傳感器融合方法如下執(zhí)行。首先，初始化該方法的過(guò)程。然后，分散和居中(center)源信號(hào)。然后，根據(jù)離散的情況執(zhí)行卡南-絡(luò)維(Karhunen-Loeve)分解(存在兩種方法在模擬合數(shù)字的情況下，它表示固態(tài)(solid)和離散數(shù)據(jù))。然后，計(jì)算 和 然后，使用J(a0)(28)計(jì)算誤差估計(jì)。然后，在預(yù)定的周期之內(nèi)，更新估計(jì)，并且計(jì)算誤差估計(jì)的最小化函數(shù)。然后，從源信號(hào)的居中和分散重復(fù)過(guò)程。
上面描述的操作提供了用于融合信號(hào)處理和預(yù)測(cè)的閉環(huán)序列。
5.類(lèi)似對(duì)象的半級(jí)別信息融合(object-like semi-level information fusion)根據(jù)上面的所有描述，可以構(gòu)造融合系統(tǒng)(如圖1和2所示)，它是可擴(kuò)展、生存力強(qiáng)的和模塊化的，并執(zhí)行對(duì)每個(gè)融合信道的誤差估計(jì)和輸出較正。由于具有可擴(kuò)展特性，所述融合系統(tǒng)在某些環(huán)境條件下能夠很容易地被擴(kuò)展和壓縮。由于生存力強(qiáng)特性，如果一個(gè)傳感器源被丟失或者出現(xiàn)故障，對(duì)整個(gè)系統(tǒng)也不是災(zāi)難性的，它僅僅減少相關(guān)指數(shù)的誤差估計(jì)(exponential-relatederror estimation)。由于模塊化特性，融合系統(tǒng)容易地知道何種傳感器負(fù)責(zé)何種感應(yīng)。融合系統(tǒng)可以執(zhí)行對(duì)每個(gè)融合信道的誤差估計(jì)和輸出較正。這樣，每一傳感器源具有其自身的非遞歸誤差估計(jì)和對(duì)下一級(jí)別數(shù)據(jù)融合的告警能力。
融合數(shù)據(jù)信號(hào)的方法包括動(dòng)態(tài)地觀測(cè)具有多個(gè)模型參數(shù)的數(shù)據(jù)，這些參數(shù)感應(yīng)機(jī)器人的位置估計(jì)結(jié)果；選擇性地組合多個(gè)模型參數(shù)的結(jié)果；檢測(cè)在由觀測(cè)所影響的多個(gè)模型參數(shù)的所預(yù)期的可靠性中的變化；在由未知狀態(tài)的傳感數(shù)據(jù)和理論推斷(desired inference)所表示的實(shí)際情況上(ground truth)，生成估計(jì)值和誤差分布的綜合評(píng)估。
在動(dòng)態(tài)觀測(cè)具有多個(gè)模型參數(shù)的數(shù)據(jù)的步驟中，動(dòng)態(tài)觀測(cè)數(shù)據(jù)是來(lái)自傳感器的實(shí)時(shí)信息。根據(jù)傳感器我們可以將其構(gòu)造成均等的動(dòng)態(tài)模型(表示為分解模式分量的傳感器變換函數(shù))。利用傳感器變換函數(shù)，我們可以確定哪些參數(shù)是更加重要的。為了實(shí)現(xiàn)這個(gè)步驟，就必須計(jì)算每一參數(shù)的輸入。這可以通過(guò)計(jì)算每一參數(shù)的權(quán)系數(shù)來(lái)實(shí)現(xiàn)。為了計(jì)算權(quán)系數(shù)，我們可以使用自回歸分析過(guò)程(auto-regression analysis procedure)。方程14到19信道(傳感器)表示分解模型。
在選擇性地組合(互相關(guān))多個(gè)模型參數(shù)的結(jié)果的步驟中，如同前面提及的內(nèi)容，我們可以確定哪個(gè)參數(shù)具有哪個(gè)輸入(權(quán))。為了適當(dāng)?shù)赜?jì)算感應(yīng)融合方法我們需要確定傳感器參數(shù)模型之間的關(guān)系。為此我們需要計(jì)算傳感器信道之間的互相關(guān)并確定信道(傳感器)的分解模型。確定模型的自由度和整個(gè)模型不同部分之間的關(guān)系是標(biāo)準(zhǔn)過(guò)程。在分析之后，我們可以判定哪個(gè)信道(傳感器模式)在位置和誤差估計(jì)過(guò)程中能更加有效地使用。
我們也可以使用這些結(jié)果以分析誤差分布和對(duì)應(yīng)的信道誤差補(bǔ)償。方程9、13、24和28表示誤差估計(jì)，方程14到19表示分解模型，方程21到24和27表示誤差估計(jì)和分解模式之間的連接。
在檢測(cè)多個(gè)模型參數(shù)的預(yù)期可靠性中的變化的步驟中，為了獲得適當(dāng)?shù)哪Ｐ托阅苄枰櫺诺赖?傳感器的)模型和對(duì)應(yīng)的參數(shù)。為此就需要實(shí)時(shí)的跟蹤J(a)。如同其在專(zhuān)利說(shuō)明中所提出的，有時(shí)候因?yàn)榫薮蟮臄?shù)據(jù)陣列和流量而使它的實(shí)現(xiàn)很困難。但是，當(dāng)前方法最主要的不同在于使用分解模式來(lái)代替信道的(傳感器的)模式的線(xiàn)性組合。這就是我們可以完成實(shí)時(shí)計(jì)算能力的原因。所以，我們能夠使用方程28來(lái)實(shí)時(shí)跟蹤這些變化。
在生成估計(jì)值和誤差分布的綜合評(píng)估的步驟中，算法的最終方程，即方程28到33，可以在構(gòu)造信道的(傳感器的)模型、分解模型和互相關(guān)分析之后生成。
這些方程是獲得估計(jì)和誤差分布的主要結(jié)果。
圖3是圖1所示的系統(tǒng)的構(gòu)造的方框圖。該系統(tǒng)包括傳感器信道單元300、交叉信道模型計(jì)算/反饋支持單元320、估計(jì)分解單元340、估計(jì)迭加單元360和最終結(jié)果計(jì)算單元380。
傳感器信道單元300包括傳感器硬件層和對(duì)應(yīng)于此傳感器硬件層的軟件層。軟件層向傳感器供應(yīng)電源和控制信號(hào)序列，從傳感器提取原始數(shù)據(jù)，并把所提取的原始數(shù)據(jù)提供給預(yù)處理層。此時(shí)，使用以下方法構(gòu)造相關(guān)信號(hào)的模型(1)通過(guò)快速傅立葉變換(FFT)處理信號(hào)數(shù)據(jù)，在頻域上執(zhí)行信號(hào)分析?？梢愿欘l譜函數(shù)的狀態(tài)和預(yù)測(cè)或者分析傳感器信道的狀態(tài)。也可以利用自回歸方法(使用最小均方誤差方法)將多項(xiàng)式擬合到頻譜函數(shù)。這種方法的主要優(yōu)點(diǎn)是過(guò)程中的信號(hào)監(jiān)控和分析可以在相關(guān)信號(hào)模型的幫助下很容易地實(shí)現(xiàn)。因此，可以實(shí)現(xiàn)類(lèi)似診斷信號(hào)信道的處理。
(2)信道參數(shù)塊的模型在信號(hào)信道中被引入。這為信道參數(shù)調(diào)諧(channelparameter tuning)提供了靈活的反饋支持，這是因?yàn)樾枰诿總€(gè)設(shè)備的操作周期中執(zhí)行用于正常功能的某些過(guò)程中(in-process)或離線(xiàn)(off-line)的調(diào)諧。這樣，如果可以獲得信道的抽象模型，則可以獲得信道的關(guān)鍵參數(shù)。當(dāng)隨后的一段時(shí)間中，可以根據(jù)環(huán)境條件來(lái)執(zhí)行信道調(diào)諧。
交叉信道模型計(jì)算/反饋支持單元320為進(jìn)一步執(zhí)行融合算法而計(jì)算交叉結(jié)果。為此，需要互相關(guān)結(jié)果，如信道的互相關(guān)和自相關(guān)結(jié)果。提供對(duì)信道參數(shù)調(diào)諧的誤差反饋支持，這是因?yàn)樾枰鶕?jù)信號(hào)處理方法獲得對(duì)整個(gè)信號(hào)處理圖表示(signal processing picture representation)的誤差估計(jì)。需要規(guī)定幾點(diǎn)。第一，存在可用于計(jì)算相關(guān)函數(shù)的兩種方法使用通過(guò)積分卷積(integralconvolution)的普通原始信號(hào)變換的方法；使用頻譜函數(shù)和功率譜函數(shù)的方法。第二，這些方法不僅提供簡(jiǎn)單的相關(guān)函數(shù)的計(jì)算，也提供在信號(hào)信道中的交叉噪聲權(quán)值的判決。通過(guò)分析信號(hào)頻譜函數(shù)，能夠在早期階段提取關(guān)于環(huán)境的關(guān)鍵特征的信息。因此，交叉信道模型計(jì)算/反饋支持單元320可以獲得互相關(guān)結(jié)果、誤差最小化反饋支持和傳感器信道的關(guān)鍵頻率。
估計(jì)分解單元340生成正交權(quán)函數(shù)的線(xiàn)性組合。通過(guò)使用信號(hào)關(guān)鍵特征和相應(yīng)的數(shù)學(xué)背景，生成用于估計(jì)信號(hào)表示的一組權(quán)函數(shù)。誤差估計(jì)方程也必須被考慮。使用誤差估計(jì)方程，可以正確地獲得由傳感器信道單元300執(zhí)行的誤差補(bǔ)償?shù)囊?guī)則。估計(jì)迭加單元360執(zhí)行估計(jì)計(jì)算，并使用用于最佳信號(hào)處理的最小化方程。
估計(jì)迭加單元360在一組分解權(quán)系數(shù)上迭加用于分解估計(jì)的一組權(quán)函數(shù)，并在所測(cè)量的信號(hào)值上迭加對(duì)應(yīng)的一組分布的隨機(jī)值的估計(jì)。相應(yīng)的，可以獲得所融合的信號(hào)估計(jì)的最終結(jié)果。也需要估計(jì)誤差最小化函數(shù)。
最終結(jié)果計(jì)算單元380提取關(guān)于移動(dòng)設(shè)備的位置信息，分析與誤差相關(guān)的數(shù)據(jù)，并提取與最終結(jié)果計(jì)算有關(guān)的必要信息。最終結(jié)果計(jì)算單元380也根據(jù)移動(dòng)設(shè)備的位置和當(dāng)前狀態(tài)來(lái)提取與定位相關(guān)的關(guān)鍵信息。其后，最終結(jié)果與環(huán)境狀態(tài)相互關(guān)聯(lián)。因此，如圖4所示，就獲得關(guān)于移動(dòng)設(shè)備位置的未換算(unscaled)和未校正(uncalibrated)的信息。
下面的步驟可以用于傳感器信號(hào)處理。第一，如圖5所示，原始信號(hào)被接收(具有時(shí)間偏移Ts≤40ms的實(shí)時(shí)緩沖器)并通過(guò)系統(tǒng)的權(quán)函數(shù)進(jìn)行處理。第二，信號(hào)經(jīng)過(guò)快速傅立葉變換以獲得信號(hào)的頻譜函數(shù)。第三，在頻譜函數(shù)內(nèi)，可以對(duì)信號(hào)的品質(zhì)屬性進(jìn)行分析，這包括權(quán)頻率、頻譜范圍、信號(hào)的形式和種類(lèi)，并且可以分析系統(tǒng)的什么部分負(fù)責(zé)頻譜中的頻率的限定部分。第四，可以獲得自回歸模型，然后使用T-R域中的根分布來(lái)分析頻譜函數(shù)的頻譜特性。這種分布的類(lèi)型和種類(lèi)可以描述模型分解層。在這些分析的幫助下，就可以獲得在整個(gè)系統(tǒng)的幾個(gè)參數(shù)之間的關(guān)系(例如，在差動(dòng)驅(qū)動(dòng)式機(jī)器人的運(yùn)動(dòng)學(xué)模型中的速度和方向參數(shù)之間的關(guān)系)。第五，通過(guò)對(duì)每個(gè)感應(yīng)信道執(zhí)行實(shí)時(shí)監(jiān)控和診斷，可以制造緊密、通用的數(shù)學(xué)和軟件裝置。
根據(jù)本發(fā)明的融合系統(tǒng)是可擴(kuò)展的，所以在任何環(huán)境條件下它能夠容易地被擴(kuò)展和壓縮。融合系統(tǒng)也是生存力強(qiáng)的，所以即使一個(gè)傳感器源發(fā)生丟失或者出現(xiàn)故障，對(duì)整個(gè)系統(tǒng)也不是造成災(zāi)難性的，而僅僅減少相關(guān)指數(shù)的誤差估計(jì)。融合系統(tǒng)同時(shí)也是模塊化的，因此它可以容易地確定何種傳感器負(fù)責(zé)何種感應(yīng)。更進(jìn)一步的說(shuō)，融合系統(tǒng)可以執(zhí)行對(duì)每個(gè)融合信道的誤差估計(jì)和輸出較正。因此，每個(gè)傳感器源具有其自身的非遞歸誤差估計(jì)和對(duì)下一級(jí)別數(shù)據(jù)融合的告警能力。
權(quán)利要求
1.一種導(dǎo)航無(wú)人駕駛運(yùn)載工具的方法，包括使用至少兩個(gè)傳感器來(lái)測(cè)量多個(gè)參數(shù)，其中所述傳感器感測(cè)所述無(wú)人駕駛運(yùn)載工具的位置估計(jì)的結(jié)果；選擇性地組合所測(cè)量的參數(shù)；在期望范圍內(nèi)檢測(cè)所述參數(shù)的變化；利用估計(jì)和誤差分布來(lái)估計(jì)由傳感器數(shù)據(jù)和期望的數(shù)據(jù)偏差所表示的無(wú)人駕駛運(yùn)載工具的位置。
2.如權(quán)利要求所述1的方法，其中參數(shù)的測(cè)量包括接收源信號(hào)；利用快速傅立葉變換將所述源信號(hào)轉(zhuǎn)換成頻域信號(hào)，并且計(jì)算頻譜密度函數(shù)；和將多項(xiàng)式擬合到頻譜相關(guān)的表達(dá)和信號(hào)相關(guān)的表達(dá)，并計(jì)算相對(duì)應(yīng)的相關(guān)函數(shù)和相對(duì)應(yīng)的系數(shù)。
3.一種利用傳感器融合來(lái)導(dǎo)航無(wú)人駕駛運(yùn)載工具的裝置，該裝置包括傳感器信道單元，所述傳感器信道單元包括傳感器和控制信號(hào)序列，用于從傳感器提取原始數(shù)據(jù)，并發(fā)送所述原始數(shù)據(jù)到預(yù)處理層；交叉信道模型計(jì)算/反饋支持單元，用于計(jì)算包括互相關(guān)和自相關(guān)信道的相關(guān)結(jié)果以執(zhí)行融合算法，支持信道參數(shù)的誤差反饋，并獲得用于信號(hào)處理表示的誤差估計(jì)；估算分解單元，用于生成正交權(quán)函數(shù)的線(xiàn)形組合，生成一組用于對(duì)應(yīng)于信號(hào)關(guān)鍵特征的估計(jì)信號(hào)表達(dá)的權(quán)函數(shù)，并獲得根據(jù)誤差估計(jì)方程的誤差補(bǔ)償?shù)囊?guī)則；估計(jì)迭加單元，用于將由所述估計(jì)分解單元所生成的權(quán)函數(shù)迭加到一組分解權(quán)系數(shù)上，并將對(duì)應(yīng)的一組分布的隨機(jī)值的估計(jì)迭加到所測(cè)量的信號(hào)值上；和最終結(jié)果計(jì)算單元，用于提取與最終結(jié)果計(jì)算相關(guān)的必要信息，根據(jù)無(wú)人駕駛運(yùn)載工具的位置和當(dāng)前狀態(tài)來(lái)提取與定位相關(guān)的關(guān)鍵特征，將最終結(jié)果和環(huán)境狀態(tài)相互關(guān)聯(lián)，并獲得關(guān)于無(wú)人駕駛運(yùn)載工具的位置的未換算和未校正的信息。
4.如權(quán)利要求3所述的裝置，其中，所述傳感器信道單元通過(guò)利用快速傅立葉變換處理信號(hào)數(shù)據(jù)來(lái)分析頻域中的信號(hào)。
5.如權(quán)利要求4所述的裝置，其中，所述傳感器信道單元跟蹤頻譜函數(shù)的狀態(tài)，預(yù)測(cè)并分析傳感器信道單元的狀態(tài)，利用自回歸方法和最小均方誤差的方法來(lái)將多項(xiàng)式擬合到頻譜函數(shù)，使用傳感器信道的抽象模型獲得傳感器信道的關(guān)鍵參數(shù)，以及根據(jù)環(huán)境條件來(lái)在某些時(shí)候調(diào)諧傳感器信道。
6.如權(quán)利要求3所述的裝置，其中，所述交叉信道模型計(jì)算/反饋支持單元使用通過(guò)積分卷積的原始信號(hào)變換、頻譜函數(shù)和功率譜函數(shù)來(lái)計(jì)算相關(guān)函數(shù)，利用頻譜函數(shù)和功率譜函數(shù)來(lái)確定信號(hào)信道中的交叉噪聲加權(quán)，分析信號(hào)頻譜函數(shù)，提取關(guān)于早期階段的環(huán)境信息，以及獲得互相關(guān)結(jié)果、誤差最小化反饋支持和傳感器信道的關(guān)鍵頻率。
7.一種計(jì)算機(jī)可讀記錄介質(zhì)，其中記錄用于執(zhí)行權(quán)利要求1的方法的計(jì)算機(jī)程序。
全文摘要
提供一種使用傳感器融合來(lái)導(dǎo)航無(wú)人駕駛運(yùn)載工具的方法和裝置。這種方法包括使用至少兩個(gè)傳感器來(lái)測(cè)量多個(gè)參數(shù)，這些傳感器感測(cè)無(wú)人駕駛運(yùn)載工具的位置估計(jì)發(fā)結(jié)果；選擇性地組合所測(cè)得的參數(shù)；在預(yù)定范圍內(nèi)檢測(cè)所述參數(shù)的變化；利用估計(jì)和誤差分布來(lái)估計(jì)由傳感器數(shù)據(jù)的未知狀態(tài)和期望數(shù)據(jù)偏差所表示的無(wú)人駕駛運(yùn)載工具的位置。該裝置是可擴(kuò)展的，所以在任何環(huán)境條件下它能夠容易地被擴(kuò)展和壓縮。該裝置也是生存力強(qiáng)的，所以如果一個(gè)傳感器源丟失或者出現(xiàn)故障，對(duì)整個(gè)系統(tǒng)來(lái)說(shuō)不是災(zāi)難性的，而僅僅減低相關(guān)指數(shù)的誤差估計(jì)。該裝置也是模塊化的，因此它能夠容易地確定何種傳感器負(fù)責(zé)何種感測(cè)。
文檔編號(hào)G05D1/02GK1645283SQ20041009950
公開(kāi)日2005年7月27日 申請(qǐng)日期2004年9月24日 優(yōu)先權(quán)日2003年9月30日
發(fā)明者博爾戴里夫·瑟古艾, 沈俊錫, 盧慶植, 韓宇燮, 權(quán)雄 申請(qǐng)人:三星電子株式會(huì)社