论文部分内容阅读
现今,关于智能移动机器人的研究和应用领域逐渐扩大,机器人的作业环境也越来越复杂多样。为了获得更好的对环境的学习能力,在现代智能机器人环境感知系统中,依靠单一传感器提供信息已无法满足机器人完成复杂作业任务的需求,须利用多种传感器采集到充足的环境观测数据,进行实时地处理、优化和综合,来实现状态估计、环境探测、目标识别与追踪、行为意图分析、态势评估等功能。为此,自20世纪70年代,多传感器数据融合技术迅速崛起,随后便逐步发展成为一个被多个学科和领域共同关注的关键技术。对存在复杂非线性关系的多传感器信息进行数据关联是机器人环境感知系统中较为棘手的问题之一,本文引入了核方法技巧来解决这一难题。论文将针对如何利用核方法进行多传感器信息融合,进而实现机器人环境感知问题展开研究,主要做了如下几方面的工作：1、提出将核方法的模式识别用于多传感器信息融合的新思路。深入研究了核方法应用于多传感器信息融合中的两种模式：在传感器信息特征提取环节的应用模式和在SVM多类判别器设计环节的应用模式。针对核方法在应用中的关键问题——核函数及其参数的选取,从理论角度,分析比较了几种常用核函数的性能,并给出了选取最优核参数及惩罚因子的方法。2、根据核方法理论和标准的SVM分类器原理,设计出基于核方法的多类判别器,将多传感器信息在判别器中进行特征级融合。并依托AS-RF型机器人为实验平台在真实环境中进行实验,完成对机器人可能位姿的预测和判别。实验结果表明,在结构简单且较为理想的环境中,机器人能达到90%左右甚至更高的判别精度。3、将核方法与典型的特征提取算法结合,实现用核主成分分析(KPCA)特征提取方法从多传感器数据中提取出环境的主要特征。并结合粒子滤波算法,根据提取出的环境特征,进行机器人自定位实验。实验结果表明,当粒子数目较多(比如2000或2500个粒子)时能达到80%左右的定位成功率。对比同类实验可知,本实验确实提供了较好的实际参考价值。