專利名稱：基于信息融合的煤礦救災(zāi)機(jī)器人導(dǎo)航系統(tǒng)及方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種機(jī)器人導(dǎo)航系統(tǒng)及方法，具體是應(yīng)用于煤礦救災(zāi)機(jī)器人的，采用多傳感器信息融合技術(shù)的導(dǎo)航系統(tǒng)及方法。
背景技術(shù)：
我國是煤炭生產(chǎn)和消費(fèi)大國，在我國能源工業(yè)中，煤炭在我國一次能源生產(chǎn)和消費(fèi)結(jié)構(gòu)中占70%左右。據(jù)全國能源工作會(huì)議預(yù)測，到“十二五”末，我國煤炭消費(fèi)總量將超過40億噸，其中國內(nèi)產(chǎn)量將超過38億噸，我國煤炭產(chǎn)量將占全球總產(chǎn)量的50%。煤炭產(chǎn)量的不斷加大，加上煤礦自然條件差，技術(shù)相對(duì)落后和管理欠缺等方面的原因，造成礦井災(zāi)害事故頻發(fā)，人員傷亡慘重。煤礦瓦斯、煤塵等爆炸事故發(fā)生后，如果存在著火點(diǎn)，極易發(fā)生二次爆炸等事故，搶險(xiǎn)人員很難在第一時(shí)間進(jìn)入災(zāi)區(qū)，延誤了救援工作的開展。如果由煤礦救災(zāi)機(jī)器人先行進(jìn)入井下，探測事故破壞和環(huán)境情況，將瓦斯?jié)舛取⒂泻怏w含量、被困或者遇難人員的情況、現(xiàn)場坍塌情況等信息反饋到控制中心，這樣可以提高應(yīng)急搶險(xiǎn)能力，并對(duì)井上決策提供建議。目前，常用的導(dǎo)航方式有GPS、同時(shí)定位與地圖構(gòu)建(simultaneous localization and mapping, SLAM)、路標(biāo)導(dǎo)航、慣性導(dǎo)航、羅盤導(dǎo)航、紅外線導(dǎo)航、超聲波導(dǎo)航、視覺導(dǎo)航寸。(I)GPS導(dǎo)航GPS導(dǎo)航是適用于室外機(jī)器人的一種全局導(dǎo)航系統(tǒng)，由于煤礦救災(zāi)機(jī)器人多工作在井下環(huán)境中，煤礦井下救災(zāi)機(jī)器人無法采用GPS進(jìn)行導(dǎo)航。(2)同時(shí)定位與地圖構(gòu)建是在未知環(huán)境中依靠傳感器所獲取的信息進(jìn)行環(huán)境建模，利用所創(chuàng)建的環(huán)境地圖估計(jì)位姿，但是這種方法在如何控制機(jī)器人的運(yùn)動(dòng)問題還沒有得到很好的解決。(3)路標(biāo)導(dǎo)航利用預(yù)先設(shè)置的路標(biāo)進(jìn)行導(dǎo)航，由于煤礦井下一旦發(fā)生爆炸事故后，預(yù)先設(shè)置的路標(biāo)極可能受到破壞，該方法在煤礦井下使用受到限制。(4)慣性導(dǎo)航是一種不依賴于任何外界環(huán)境進(jìn)行的自主式導(dǎo)航，通過累積獲得位置信息的，因此存在累積誤差。(5)羅盤導(dǎo)航利用磁羅盤能夠測量移動(dòng)機(jī)器人的絕對(duì)方向，但在移動(dòng)機(jī)器人靠近鐵磁物質(zhì)時(shí)誤差較大，同時(shí)還存在測量精度和響應(yīng)速度低的問題。(6)紅外線導(dǎo)航、超聲波導(dǎo)航都是利用發(fā)射脈沖進(jìn)行導(dǎo)航的，由于煤層對(duì)脈沖的吸收比較大，發(fā)射信號(hào)的傳輸損耗大，發(fā)射功率易受到影響。(7)視覺導(dǎo)航具有獲取信息完整，探測范圍寬等優(yōu)點(diǎn)，在機(jī)器人導(dǎo)航中占有重要地位，缺點(diǎn)是由于視覺圖像處理時(shí)間長，實(shí)時(shí)性較差。在煤礦井下，由于巷道環(huán)境復(fù)雜，單一傳感器采集到的導(dǎo)航信號(hào)具有局部性和片面性，難以保證信息的準(zhǔn)確性和可靠性，導(dǎo)致機(jī)器人無法對(duì)環(huán)境信息做出準(zhǔn)確的判斷，而采用多傳感器信息融合的導(dǎo)航技術(shù)可以同時(shí)提供煤礦井下受災(zāi)環(huán)境特征的冗余信息、互補(bǔ)信息，多種信息可快速分析當(dāng)前場景，從而保證救災(zāi)機(jī)器人準(zhǔn)確、快速地完成導(dǎo)航任務(wù)。為了充分利用各種傳感器的信息，改善導(dǎo)航精度，需要采用融合算法對(duì)傳感器信息進(jìn)行融合處理。多傳感器是信息融合的硬件基礎(chǔ)，多傳感器采集到的信息數(shù)據(jù)是融合的處理對(duì)象。 常用的信息融合方法有，適用于動(dòng)態(tài)環(huán)境的加權(quán)平均法、擴(kuò)展卡爾曼濾波(EKF =Extended Kalman Filter)法，適用于靜態(tài)環(huán)境的貝葉斯估計(jì)法、D-S論證推理法、神經(jīng)網(wǎng)絡(luò)與模糊推
理法等。中國專利申請(qǐng)?zhí)?00910087237. 7，
公開日2009年11月11日，公開了一種基于視
覺信息校正的室內(nèi)移動(dòng)機(jī)器人實(shí)時(shí)導(dǎo)航方法，該方法采用里程計(jì)和視覺傳感器采集信息， 構(gòu)造卡爾曼濾波器進(jìn)行數(shù)據(jù)融合，進(jìn)行導(dǎo)航。煤礦井下災(zāi)后環(huán)境不確定性信息較多，光線昏暗，里程計(jì)和視覺傳感器采集到的信息量有限，同時(shí)卡爾曼濾波器存在信息融合不匹配的問題。中國專利申請(qǐng)?zhí)?008101431 . 3，
公開日2009年1月觀日，公開了一種未知環(huán)境下移動(dòng)機(jī)器人多行為融合自動(dòng)導(dǎo)航方法，該方法根據(jù)目標(biāo)和移動(dòng)機(jī)器人的相對(duì)位置實(shí)時(shí)獲取當(dāng)前的方位角，根據(jù)障礙物狀況獲取距離參數(shù)，利用模糊控制器和環(huán)境辨識(shí)控制器分析數(shù)據(jù)，進(jìn)行導(dǎo)航。該方法自適應(yīng)強(qiáng)，導(dǎo)航可靠性高，由于煤礦井下的非結(jié)構(gòu)化環(huán)境中，不確定性信息種類多、數(shù)據(jù)量大，模糊控制的導(dǎo)航系統(tǒng)應(yīng)用在煤礦救災(zāi)機(jī)器人中，收斂性能較差。中國礦業(yè)大學(xué)研究的CUMT-II號(hào)煤礦救災(zāi)機(jī)器人，采用雙目視覺和陣列超聲傳感器進(jìn)行路徑規(guī)劃，結(jié)合紅外傳感器對(duì)突發(fā)障礙物緊急剎車。這種導(dǎo)航方式的可靠性能滿足煤礦井下的要求。但是，如何對(duì)多個(gè)傳感器的信息的不一致性進(jìn)行融合，以及減少觀測誤差和融合誤差是煤礦救災(zāi)機(jī)器人導(dǎo)航系統(tǒng)及方法需要解決的一個(gè)關(guān)鍵問題?？梢姮F(xiàn)有的導(dǎo)航技術(shù)在煤礦井下非結(jié)構(gòu)化環(huán)境中應(yīng)用還需改進(jìn)，因此，研究適合煤礦井下救災(zāi)機(jī)器人的導(dǎo)航系統(tǒng)及方法具有重要的意義。

發(fā)明內(nèi)容
為了滿足煤礦井下非結(jié)構(gòu)化環(huán)境的需求，本發(fā)明提供了一種基于信息融合的煤礦救災(zāi)機(jī)器人導(dǎo)航系統(tǒng)及方法。本發(fā)明與以往的導(dǎo)航系統(tǒng)及方法相比，采用超聲波導(dǎo)航、視覺導(dǎo)航和慣性導(dǎo)航設(shè)計(jì)了適用于煤礦救災(zāi)機(jī)器人的多傳感器融合的導(dǎo)航系統(tǒng)及方法，提出了改進(jìn)的神經(jīng)網(wǎng)絡(luò)-擴(kuò)展卡爾曼濾波法(NNEKF :Neural network Extended Kalman Filter), 該算法能有效地解決信息融合不匹配的問題，提高了系統(tǒng)的收斂性和實(shí)時(shí)性，減少了誤差。以下對(duì)本發(fā)明的方法加以論述?；谛畔⑷诤系拿旱V救災(zāi)機(jī)器人導(dǎo)航系統(tǒng)及方法，包括以下模塊信息采集模塊，采集煤礦救災(zāi)機(jī)器人的導(dǎo)航信息，其中所述導(dǎo)航信息包括障礙物識(shí)別信息、路標(biāo)識(shí)別信息、景物識(shí)別信息、機(jī)器人的位置速度信息和機(jī)器人的姿態(tài)信息；信息處理模塊，將所述信息采集模塊采集到的障礙物識(shí)別信息、路標(biāo)識(shí)別信息、機(jī)器人的位置速度信息經(jīng)過融合、定位，和機(jī)器人的姿態(tài)信息共同進(jìn)行局部路徑規(guī)劃，獲得局部路徑規(guī)劃信息，景物識(shí)別信息經(jīng)過環(huán)境建模進(jìn)行全局路徑規(guī)劃，獲得全局路徑規(guī)劃信息；機(jī)器人控制模塊，局部路徑規(guī)劃信息和全局路徑規(guī)劃信息通過機(jī)器人控制模塊的處理，控制機(jī)器人進(jìn)行自主導(dǎo)航。所述的導(dǎo)航系統(tǒng)，進(jìn)一步包括防爆模塊，防爆模塊采用正壓兼本質(zhì)安全型的混合
6防爆方式。所述的導(dǎo)航系統(tǒng)，所述信息采集模塊進(jìn)一步包括超聲波模塊、視覺模塊和慣性模塊，障礙物識(shí)別信息和路標(biāo)識(shí)別信息由超聲波模塊和視覺模塊采集，景物識(shí)別信息由視覺模塊采集，位置速度信息由慣性模塊的加速度計(jì)采集，姿態(tài)信息由慣性模塊的光纖陀螺采集。所述的導(dǎo)航系統(tǒng)，超聲波模塊和視覺模塊采集的導(dǎo)航信息對(duì)慣性模塊采集的導(dǎo)航信息進(jìn)行修正。所述的導(dǎo)航系統(tǒng)，所述信息處理模塊中的所述融合采用改進(jìn)的神經(jīng)網(wǎng)絡(luò)-擴(kuò)展卡爾曼濾波法(NNEKF)，其步驟為步驟一利用輸入樣本數(shù)據(jù)庫訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)A，利用學(xué)習(xí)樣本的輸入為預(yù)測狀態(tài)與當(dāng)前狀態(tài)擴(kuò)展卡爾曼濾波器(EKF)的增益，輸出為期望數(shù)據(jù)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)B;步驟二 將信息采集模塊采集到的煤礦救災(zāi)機(jī)器人導(dǎo)航信息作為輸入信號(hào)，由BP 神經(jīng)網(wǎng)絡(luò)A進(jìn)行學(xué)習(xí)推理，BP神經(jīng)網(wǎng)絡(luò)A的輸出信號(hào)作為擴(kuò)展卡爾曼濾波器(EKF)的輸入
信號(hào)；步驟三系統(tǒng)的狀態(tài)方程和輸出方程為非線性信號(hào)，通過泰勒公式展開變換成線性信號(hào)；步驟四經(jīng)過擴(kuò)展卡爾曼濾波器(EKF)的時(shí)間更新和測試更新，得到系統(tǒng)的狀態(tài)方程X(k+1)的線性估計(jì)+ ψ +步驟五線性估計(jì)對(duì)& + 1|& + 1)經(jīng)過BP神經(jīng)網(wǎng)絡(luò)B處理后，得到修正的線性估計(jì) X(k + l\k + l)，作為系統(tǒng)的輸出信號(hào)；步驟六把修正的誤差信號(hào)1’0 + ψ + 1)輸入到BP神經(jīng)網(wǎng)絡(luò)Α，對(duì)其進(jìn)行再訓(xùn)練。所述的導(dǎo)航系統(tǒng)，改進(jìn)的神經(jīng)網(wǎng)絡(luò)-擴(kuò)展卡爾曼濾波法(NNEKF)利用BP神經(jīng)網(wǎng)絡(luò) A對(duì)信息采集模塊采集的導(dǎo)航信息進(jìn)行特征層匹配融合。
所述的導(dǎo)航系統(tǒng)，改進(jìn)的神經(jīng)網(wǎng)絡(luò)-擴(kuò)展卡爾曼濾波法(NNEKF)利用擴(kuò)展卡爾曼濾波法和BP神經(jīng)網(wǎng)絡(luò)結(jié)合的算法對(duì)信息采集模塊采集的導(dǎo)航信息進(jìn)行決策層融合。與現(xiàn)有技術(shù)相比，本發(fā)明的優(yōu)點(diǎn)在于(1)本發(fā)明采用了基于超聲波導(dǎo)航、視覺導(dǎo)航和慣性導(dǎo)航的多傳感器融合的煤礦救災(zāi)機(jī)器人導(dǎo)航系統(tǒng)及方法，充分融合了超聲波導(dǎo)航、視覺導(dǎo)航和慣性導(dǎo)航的各自優(yōu)點(diǎn)，提高了導(dǎo)航系統(tǒng)的可靠性，增強(qiáng)了數(shù)據(jù)的可信度以及系統(tǒng)的分辨力。(2)本發(fā)明采用了正壓兼本質(zhì)安全型的混合防爆設(shè)計(jì)，混合防爆設(shè)計(jì)的質(zhì)量輕，既保證了導(dǎo)航系統(tǒng)的安全，又使機(jī)器人具有良好的運(yùn)動(dòng)性能。(3)本發(fā)明采用了改進(jìn)的NNEKF算法，提高了算法的收斂性和信息融合的匹配性， 同時(shí)彌補(bǔ)了當(dāng)數(shù)據(jù)量增大時(shí)EKF算法的實(shí)時(shí)性差的缺點(diǎn)。(4)本發(fā)明在改進(jìn)的NNEKF算法中，利用BP神經(jīng)網(wǎng)絡(luò)A進(jìn)行特征層匹配融合，提高了數(shù)據(jù)融合的匹配度。(5)本發(fā)明在改進(jìn)的NNEKF算法中，把修正的估計(jì)誤差薌(yt + l|yt + lM乍為輸入值， 返回BP神經(jīng)網(wǎng)絡(luò)A中，進(jìn)行修正，可以提高算法的收斂速度。


圖1是煤礦救災(zāi)機(jī)器人多傳感器融合導(dǎo)航系統(tǒng)及方法結(jié)構(gòu)框圖
圖2是改進(jìn)的NNEKF算法組成框3是三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)4是改進(jìn)的NNEKF算法實(shí)現(xiàn)框5是EKF算法仿真結(jié)果6是改進(jìn)的NNEKF算法仿真結(jié)果中，1、超聲波模塊；2、視覺模塊；3、慣性模塊；4、加速度計(jì)；5、光纖陀螺；6、障礙物識(shí)別信息；7、路標(biāo)識(shí)別信息；8、景物識(shí)別信息；9、位置速度信息；10、姿態(tài)信息；11、融合； 12、定位；13、局部路徑規(guī)劃；14、環(huán)境建模；15、全局路徑規(guī)劃；16、機(jī)器人控制模塊；17、輸入；18、BP神經(jīng)網(wǎng)絡(luò)A ;19、擴(kuò)展卡爾曼濾波器(EKF) ；20、BP神經(jīng)網(wǎng)絡(luò)B ;21、輸出；22、輸入層；23、隱含層；24、輸出層。
具體實(shí)施例方式下列實(shí)施實(shí)例將進(jìn)一步說明本發(fā)明，實(shí)施實(shí)例不應(yīng)被視為限制本發(fā)明的范圍。下面結(jié)合附圖和實(shí)施實(shí)例對(duì)本發(fā)明的工作方式做詳細(xì)說明。如圖1所示，是煤礦救災(zāi)機(jī)器人多傳感器融合導(dǎo)航系統(tǒng)及方法結(jié)構(gòu)框圖。超聲波模塊1是利用發(fā)射波和接收波之間的時(shí)間差進(jìn)行測距。測量公式為W = 。其中，d為機(jī)器人與被測障礙物的距離，C為聲波在介質(zhì)中的傳播速度，T為發(fā)射波和接收波之間的時(shí)間差。采用三對(duì)超聲換能器，分別安置在機(jī)器人的正前方、左前方、右前方。超聲波導(dǎo)航的優(yōu)點(diǎn)是測距方式原理簡單，測距范圍寬，可以從幾厘米到幾十米，信息處理速度快，易做到實(shí)時(shí)控制。缺點(diǎn)是波束較寬，其分辨力受到嚴(yán)重的限制，而且只能采集到距離信息，不能得到邊界、形狀細(xì)節(jié)等信息，同時(shí)由于發(fā)射的沖擊電流，易引起煤礦井內(nèi)瓦斯二次爆炸，因此對(duì)傳感器的防爆設(shè)計(jì)要求較高。視覺模塊2采用三目視覺導(dǎo)航。三目視覺導(dǎo)航可以根據(jù)同一景物在三個(gè)CXD攝像機(jī)上的成像的視差可以計(jì)算出環(huán)境的深度，得到立體信息。在煤礦井下救災(zāi)機(jī)器人導(dǎo)航中， 視覺傳感器在煤礦井下光線暗的地方使圖像的質(zhì)量下降，可以采用礦燈照明等方法來彌補(bǔ)其不足。慣性模塊3完全依靠自身的機(jī)載設(shè)備完成自主導(dǎo)航，不依賴于任何外部的信息， 隱蔽性好，適用于煤礦井下災(zāi)后惡劣的工作環(huán)境。慣性導(dǎo)航通過慣性器件測量機(jī)器人在慣性坐標(biāo)系的線加速度和角加速度，將其對(duì)時(shí)間進(jìn)行積分，可以在時(shí)間坐標(biāo)系中得到機(jī)器人的速度、偏移角和位置信息等。由于慣性導(dǎo)航是通過累積獲得位置和方向信息的，在工作過程中測量的精度會(huì)下降，累積誤差不斷增加。加速度計(jì)4和光纖陀螺5慣性器件，適用于煤礦井下作業(yè)環(huán)境。障礙物識(shí)別信息6和路標(biāo)識(shí)別信息7由超聲波模塊1和視覺模塊2采集，景物識(shí)別信息8由視覺模塊2采集，位置速度信息9由慣性模塊3的加速度計(jì)4采集，姿態(tài)信息10由慣性模塊3的光纖陀螺5采集。信息處理模塊把障礙物識(shí)別信息6、路標(biāo)識(shí)別信息7、位置速度信息9經(jīng)過融合11、 定位12，和反映機(jī)器人當(dāng)前狀況的姿態(tài)信息10共同實(shí)現(xiàn)局部路徑規(guī)劃13，景物識(shí)別信息8 經(jīng)過環(huán)境建模14實(shí)現(xiàn)全局路徑規(guī)劃15。局部路徑規(guī)劃13和全局路徑規(guī)劃15信息通過機(jī)器人控制模塊16的處理，控制機(jī)器人進(jìn)行自主導(dǎo)航。同時(shí)超聲波模塊1和視覺模塊2采集的導(dǎo)航信息對(duì)慣性模塊3采集的導(dǎo)航信息進(jìn)行修正?；诔暡▽?dǎo)航、視覺導(dǎo)航和慣性導(dǎo)航的多傳感器融合技術(shù)充分融合了超聲波導(dǎo)航、視覺導(dǎo)航和慣性導(dǎo)航的各自優(yōu)點(diǎn)，提高了導(dǎo)航系統(tǒng)的可靠性，增強(qiáng)了數(shù)據(jù)的可信度以及系統(tǒng)的分辨力。煤礦救災(zāi)機(jī)器人導(dǎo)航系統(tǒng)的防爆模塊設(shè)計(jì)盡量達(dá)到體積小、質(zhì)量輕的特點(diǎn)，這樣機(jī)器人才具有良好的運(yùn)動(dòng)性能。綜合考慮以上因素，采用正壓兼本質(zhì)安全型防爆設(shè)計(jì)。具體實(shí)施方案如下(1)超聲波模塊1的超聲波接收傳感器、超聲波發(fā)射傳感器，視覺模塊2的CCD攝像頭，慣性模塊3的加速度計(jì)4、光纖陀螺5，這些環(huán)境探測設(shè)備與外界環(huán)境直接接觸，設(shè)計(jì)成本質(zhì)安全型防爆方式。(2)其他的電路處理模塊、機(jī)器人控制模塊16，布置在正壓外殼內(nèi)，由壓縮機(jī)向正壓外殼內(nèi)提供保護(hù)氣，保持內(nèi)部氣壓大于外界環(huán)境氣壓，阻止外界環(huán)境中爆炸性氣體進(jìn)入正壓外殼內(nèi)。如圖2所示，是改進(jìn)的NNEKF算法組成框圖。結(jié)合煤礦井下非結(jié)構(gòu)化環(huán)境下，不確定性信息種類多、數(shù)據(jù)量大的特點(diǎn)，采用反向傳播網(wǎng)絡(luò)(BP :back propagation network)與EKF法相結(jié)合的算法，并對(duì)算法進(jìn)行改進(jìn)，提出了改進(jìn)的NNEKF算法。信息融合主要在數(shù)據(jù)層、特征層和決策層三個(gè)不同的層次上進(jìn)行融合。由于數(shù)據(jù)層存在數(shù)據(jù)處理量大的缺點(diǎn)，不進(jìn)行數(shù)據(jù)層的融合，而采用將特征層和決策層結(jié)合的融合方式。首先利用BP神經(jīng)網(wǎng)絡(luò)在學(xué)習(xí)、分類和優(yōu)化上的巨大優(yōu)勢，可將煤礦井下不確定環(huán)境的非線性信息，經(jīng)過BP神經(jīng)網(wǎng)絡(luò)A18學(xué)習(xí)推理，進(jìn)行特征層匹配融合；再利用擴(kuò)展卡爾曼濾波器(EKF) 19和BP神經(jīng)網(wǎng)絡(luò)A18、BP神經(jīng)網(wǎng)絡(luò)B20結(jié)合的算法進(jìn)行決策層融合，得到輸出結(jié)果。BP神經(jīng)網(wǎng)絡(luò)的引用，不僅可以提高算法的收斂性和信息融合的匹配性，同時(shí)彌補(bǔ)了當(dāng)數(shù)據(jù)量增大時(shí)EKF算法的實(shí)時(shí)性差的缺點(diǎn)。如圖3所示，是三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖。BP神經(jīng)網(wǎng)絡(luò)是前饋型神經(jīng)網(wǎng)絡(luò)，通過最速下降法來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值，使誤差平方和最小。目前，應(yīng)用中最典型的是三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，包括輸入層22、隱含層23、輸出層24。設(shè)系統(tǒng)輸入向量為X= [xi; X2,…，xn]T，經(jīng)過隱含層23的輸出向量為T = [t1 t2，…，tm]T，系統(tǒng)輸出向量為Y= [yi，y2，…，yi]T，期望輸出為D =(屯，屯，…，CQt，輸入層22與隱含層23之間的權(quán)值矩陣為a = La1, a2,…，am]T,隱含層23與輸出層M之間的權(quán)值矩陣為b = [bi;b2,…，1^]τ。在煤礦救災(zāi)機(jī)器人的動(dòng)態(tài)導(dǎo)航過程中，隨著CXD的運(yùn)動(dòng)，特征點(diǎn)在CXD坐標(biāo)系中的
權(quán)利要求
1.一種基于信息融合的煤礦救災(zāi)機(jī)器人導(dǎo)航系統(tǒng)，其特征在于，包括以下模塊信息采集模塊，采集煤礦救災(zāi)機(jī)器人的導(dǎo)航信息，其中所述導(dǎo)航信息包括障礙物識(shí)別信息、路標(biāo)識(shí)別信息、景物識(shí)別信息、機(jī)器人的位置速度信息和機(jī)器人的姿態(tài)信息；信息處理模塊，將所述信息采集模塊采集到的障礙物識(shí)別信息、路標(biāo)識(shí)別信息、機(jī)器人的位置速度信息經(jīng)過融合、定位，和機(jī)器人的姿態(tài)信息共同進(jìn)行局部路徑規(guī)劃，獲得局部路徑規(guī)劃信息，景物識(shí)別信息經(jīng)過環(huán)境建模進(jìn)行全局路徑規(guī)劃，獲得全局路徑規(guī)劃信息；機(jī)器人控制模塊，局部路徑規(guī)劃信息和全局路徑規(guī)劃信息通過機(jī)器人控制模塊的處理，控制機(jī)器人進(jìn)行自主導(dǎo)航。
2.根據(jù)權(quán)利要求1所述的導(dǎo)航系統(tǒng)，其特征在于，進(jìn)一步包括防爆模塊，防爆模塊采用正壓兼本質(zhì)安全型的混合防爆方式。
3.根據(jù)權(quán)利要求1所述的導(dǎo)航系統(tǒng)，其特征在于，所述信息采集模塊進(jìn)一步包括超聲波模塊、視覺模塊和慣性模塊，障礙物識(shí)別信息和路標(biāo)識(shí)別信息由超聲波模塊和視覺模塊采集，景物識(shí)別信息由視覺模塊采集，位置速度信息由慣性模塊的加速度計(jì)采集，姿態(tài)信息由慣性模塊的光纖陀螺采集。
4.根據(jù)權(quán)利要求3所述的導(dǎo)航系統(tǒng)，其特征在于，超聲波模塊和視覺模塊采集的導(dǎo)航信息對(duì)慣性模塊采集的導(dǎo)航信息進(jìn)行修正。
5.根據(jù)權(quán)利要求1所述的導(dǎo)航系統(tǒng)，其特征在于，所述信息處理模塊中的所述融合采用改進(jìn)的神經(jīng)網(wǎng)絡(luò)-擴(kuò)展卡爾曼濾波法(NNEKF)，其步驟為步驟一利用輸入樣本數(shù)據(jù)庫訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)A，利用學(xué)習(xí)樣本的輸入為預(yù)測狀態(tài)與當(dāng)前狀態(tài)擴(kuò)展卡爾曼濾波器(EKF)的增益，輸出為期望數(shù)據(jù)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)B;步驟二 將信息采集模塊采集到的煤礦救災(zāi)機(jī)器人導(dǎo)航信息作為輸入信號(hào)，由BP神經(jīng)網(wǎng)絡(luò)A進(jìn)行學(xué)習(xí)推理，BP神經(jīng)網(wǎng)絡(luò)A的輸出信號(hào)作為擴(kuò)展卡爾曼濾波器(EKF)的輸入信號(hào)；步驟三系統(tǒng)的狀態(tài)方程和輸出方程為非線性信號(hào)，通過泰勒公式展開變換成線性信號(hào)；步驟四經(jīng)過擴(kuò)展卡爾曼濾波器(EKF)的時(shí)間更新和測試更新，得到系統(tǒng)的狀態(tài)方程 X(k+1)的線性估計(jì)+ ψ +步驟五線性估計(jì)文(Α: + μ + 1)經(jīng)過BP神經(jīng)網(wǎng)絡(luò)B處理后，得到修正的線性估計(jì) 2 + + ，作為系統(tǒng)的輸出信號(hào)；步驟六把修正的誤差信號(hào)薌(Ατ + μ + l)輸入到BP神經(jīng)網(wǎng)絡(luò)Α，對(duì)其進(jìn)行再訓(xùn)練。
6.根據(jù)權(quán)利要求5所述的導(dǎo)航系統(tǒng)，其特征在于，改進(jìn)的神經(jīng)網(wǎng)絡(luò)-擴(kuò)展卡爾曼濾波法 (NNEKF)利用BP神經(jīng)網(wǎng)絡(luò)A對(duì)信息采集模塊采集的導(dǎo)航信息進(jìn)行特征層匹配融合。
7.根據(jù)權(quán)利要求5所述的導(dǎo)航系統(tǒng)，其特征在于，改進(jìn)的神經(jīng)網(wǎng)絡(luò)-擴(kuò)展卡爾曼濾波法(NNEKF)利用擴(kuò)展卡爾曼濾波法和BP神經(jīng)網(wǎng)絡(luò)結(jié)合的算法對(duì)信息采集模塊采集的導(dǎo)航信息進(jìn)行決策層融合。
8.一種基于信息融合的煤礦救災(zāi)機(jī)器人導(dǎo)航方法，其特征在于，所述導(dǎo)航方法包含以下步驟步驟一信息采集模塊采集煤礦救災(zāi)機(jī)器人的導(dǎo)航信息；信息采集模塊包括超聲波模塊、視覺模塊和慣性模塊，導(dǎo)航信息包括障礙物識(shí)別信息、 路標(biāo)識(shí)別信息、景物識(shí)別信息、機(jī)器人的位置速度信息和機(jī)器人的姿態(tài)信息； 步驟二 信息采集模塊采集到的信息由信息處理模塊進(jìn)行處理； 障礙物識(shí)別信息、路標(biāo)識(shí)別信息、位置速度信息經(jīng)過融合、定位，和姿態(tài)信息共同進(jìn)行局部路徑規(guī)劃，獲得局部路徑規(guī)劃信息，景物識(shí)別信息經(jīng)過環(huán)境建模進(jìn)行全局路徑規(guī)劃，獲得全局路徑規(guī)劃信息，所述融合采用改進(jìn)的神經(jīng)網(wǎng)絡(luò)-擴(kuò)展卡爾曼濾波法(NNEKF)，所述改進(jìn)的神經(jīng)網(wǎng)絡(luò)-擴(kuò)展卡爾曼濾波法(NNEKF)為(1)利用輸入樣本數(shù)據(jù)庫訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)A，利用學(xué)習(xí)樣本的輸入為預(yù)測狀態(tài)與當(dāng)前狀態(tài)擴(kuò)展卡爾曼濾波器(EKF)的增益，輸出為期望數(shù)據(jù)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)B;(2)將信息采集模塊采集到的煤礦救災(zāi)機(jī)器人導(dǎo)航信息作為輸入信號(hào)，由BP神經(jīng)網(wǎng)絡(luò) A進(jìn)行學(xué)習(xí)推理，BP神經(jīng)網(wǎng)絡(luò)A的輸出信號(hào)作為擴(kuò)展卡爾曼濾波器(EKF)的輸入信號(hào)；(3)系統(tǒng)的狀態(tài)方程和輸出方程為非線性信號(hào)，通過泰勒公式展開變換成線性信號(hào)；(4)經(jīng)過擴(kuò)展卡爾曼濾波器(EKF)的時(shí)間更新和測試更新，得到系統(tǒng)的狀態(tài)方程 X(k+1)的線性估計(jì)+ ψ +(5)線性估計(jì)玄(Α+ μ + 1)經(jīng)過BP神經(jīng)網(wǎng)絡(luò)B處理后，得到修正的線性估計(jì) + ψ + = + ψ + —無(眾 + ψ + Ι)，作為系統(tǒng)的輸出信號(hào)；(6)把修正的誤差信號(hào)薌(A:+ l|yt + l)輸入到BP神經(jīng)網(wǎng)絡(luò)Α，對(duì)其進(jìn)行再訓(xùn)練； 步驟三由機(jī)器人控制模塊進(jìn)行自主導(dǎo)航；局部路徑規(guī)劃信息和全局路徑規(guī)劃信息通過機(jī)器人控制模塊的處理，控制機(jī)器人進(jìn)行自主導(dǎo)航。
9.根據(jù)權(quán)利要求8所述的導(dǎo)航方法，其特征在于，步驟二中(3)的具體方法為 輸入的信號(hào)經(jīng)過BP神經(jīng)網(wǎng)絡(luò)A處理后，設(shè)系統(tǒng)的狀態(tài)方程X(k+1)和輸出方程Y(k)為 X(k + 1) = A [x(Ar), k] + B [x(A), k]W{k)) 其中A為13維可微向量方程，表示系統(tǒng)的狀態(tài)矩陣；B為13維可微向量方程，表示噪聲到系統(tǒng)的映射矩陣；C為13維可微向量方程，表示系統(tǒng)輸出矩陣；W和V為相對(duì)獨(dú)立的、均值為零的高斯白噪聲向量，分別描述系統(tǒng)噪聲和測量噪聲；A和C為非線性矩陣，擴(kuò)展卡爾曼濾波器(EKF)就是把非線性矩陣A和C分別圍繞濾波值和預(yù)測值展開成泰勒級(jí)數(shù)，只保留二次以下的項(xiàng)，得到線性化模型； 把狀態(tài)方程中的A圍繞濾波值進(jìn)行泰勒展開，得 把輸出方程中的c圍繞預(yù)測值文進(jìn)行泰勒展開，得
10.根據(jù)權(quán)利要求8所述的導(dǎo)航方法，其特征在于，步驟二中(4)的具體方法為 最優(yōu)卡爾曼濾波問題是已知輸出序列Y(O)，Y(1)， YGc+l)，要求找出X(k+1)的線性 i^X(k +1 +1)+ l\k + l) = X(k + l\k + l)-X(k + \\k +1)的方差最/]、，艮口
全文摘要
本發(fā)明公開了一種基于信息融合的煤礦救災(zāi)機(jī)器人導(dǎo)航系統(tǒng)及方法，由超聲波模塊1、視覺模塊2和慣性模塊3組成信息采集模塊，信息采集模塊采集的信息經(jīng)過信息處理模塊的處理，實(shí)現(xiàn)路徑規(guī)劃，提出了改進(jìn)的神經(jīng)網(wǎng)絡(luò)-擴(kuò)展卡爾曼濾波法(NNEKF)，該算法能有效地解決信息融合不匹配的問題，改善了算法的收斂性和實(shí)時(shí)性，并通過反饋環(huán)節(jié)的設(shè)計(jì)，減少了導(dǎo)航系統(tǒng)及方法的誤差，該導(dǎo)航系統(tǒng)及方法能有效地提高煤礦救災(zāi)機(jī)器人的導(dǎo)航能力。
文檔編號(hào)G06N3/02GK102288176SQ20111018904
公開日2011年12月21日 申請(qǐng)日期2011年7月7日 優(yōu)先權(quán)日2011年7月7日
發(fā)明者張立亞, 田子建 申請(qǐng)人:中國礦業(yè)大學(xué)(北京)