基于多傳感器信息融合工業(yè)機器人的應用研究

錢程，劉興德，陳大光

（1.吉林化工學院 信息與控制工程學院，吉林吉林，132022；2.吉林化工學院 機電工程學院，吉林吉林，132022）

0 引言

工業(yè)機器人在現(xiàn)代制造業(yè)中扮演著重要的角色，多傳感器信息融合的工業(yè)機器人應用具有廣泛的應用前景[1]。通過多傳感器的使用來提高工業(yè)機器人在復雜環(huán)境下的感知和決策能力，使其能夠應對更多樣化和復雜的生產(chǎn)任務。

多傳感器信息融合是指將來自不同傳感器的信息進行整合和分析，以獲取更準確、全面和可靠的環(huán)境模型。通過融合多種傳感器的信息，工業(yè)機器人能夠獲取更多維度的環(huán)境信息，從而更好地理解和適應復雜的工作環(huán)境。例如，通過融合視覺傳感器、紅外傳感器和激光雷達等傳感器的信息，工業(yè)機器人可以實現(xiàn)更精確的目標檢測和定位，以及更高效的路徑規(guī)劃和運動控制[2]。

本文通過自適應加權算法融合多種傳感器的信息，提高工業(yè)機器人在復雜環(huán)境下的感知和決策能力。我們將選擇適合工業(yè)機器人應用的傳感器，并設計相應的信息融合算法，以實現(xiàn)更準確、全面和可靠的環(huán)境感知和決策，為工業(yè)自動化領域的發(fā)展提供有力支持[3]。

1 工業(yè)機器人多傳感器信息融合獲取

多傳感器信息融合的基本原理是通過整合不同類型的傳感器數(shù)據(jù)，利用互補性、冗余性和一致性來提高信息的全面性和可靠性，同時處理不確定性，分配合適的權重，并采用合適的數(shù)據(jù)融合方法，以實現(xiàn)更準確、實時和可適應性的感知和決策[4]。

工業(yè)機器人通過紅外測距傳感器、激光傳感器、定位傳感器、視覺傳感器獲取環(huán)境信息，將所測得的環(huán)境信息傳入數(shù)據(jù)層中，在數(shù)據(jù)層中傳感器數(shù)據(jù)進行初步處理，以確保數(shù)據(jù)的可用性和一致性[5]。再將數(shù)據(jù)層信息傳到特征層，在特征層提取有用的特征或屬性。這些特征可以包括目標的位置、速度等信息，以幫助后續(xù)的數(shù)據(jù)融合和分析，最后通過數(shù)據(jù)融合計算，傳到?jīng)Q策層，根據(jù)信息融合的信息作出決策。多信息融合的過程如圖1 所示。

圖1 多傳感器信息融合過程

2 自適應加權融合算法

根據(jù)自適應加權算法的基本原理，自適應加權算法基于動態(tài)調(diào)整權重的原理，通過收集相關數(shù)據(jù)和信息，計算每個權重的值，并根據(jù)權重的大小評估算法的效果，從而實現(xiàn)根據(jù)不同條件和情況自動調(diào)整權重，以達到更好的效果?；诿總€傳感器特性，通過實驗者的工程經(jīng)驗以及相關領域的專家知識區(qū)分每個傳感器所得到的數(shù)據(jù)對融合結果的影響程度，對傳感探測系統(tǒng)中的每個傳感器的輸出數(shù)據(jù)賦予一定的權值[6]。假設系統(tǒng)中存在n 個傳感器同時測量一個目標同一特征，依據(jù)每個傳感器所輸出數(shù)據(jù)的離散程度決定每個傳感器的融合權值。利用系統(tǒng)一次輸出的所有數(shù)據(jù)的加權融合結果總方差大小評價算法的可靠程度。融合算法結構如圖2所示。

圖2 融合算法結構圖

■2.1 自適應加權算法

如圖2 所示，傳感器進行環(huán)境數(shù)據(jù)采集，傳感器測量系統(tǒng)的目標特征量的實際值為X，在實際測量中，各傳感器的實際輸出值分別為{X1，X2，……Xn}，傳感器設定的權值為{Q1，Q2，……Qn}，各傳感器的測量方差為{σ1，σ2，……σn}，根據(jù)融合模型結構對測量的數(shù)據(jù)進行融合計算出融合結果滿足公式如下[7]：

根據(jù)公式(1)的計算可以推出總方差為σ2：

經(jīng)過計算可得：

設X1，X2，……Xn 相互獨立，且為X 的無偏估計，則有：

根據(jù)多元函數(shù)的求極值原理，當方差取最小時，可計算出總方差最小時的權值：

總方差的最小值為σmin2：

通過傳感器在某一時刻的測量值進行估計，當估計值為X 時，根據(jù)傳感器系統(tǒng)的數(shù)據(jù)計算均值來進行估計，則傳感器系統(tǒng)中n 個傳感器第K 次的輸出結果的計算平均值如下(k)：

第i 個傳感器K 次采樣中的方差估值計算公式為σie2(k)：

求第K 次與第K-1 次的方差平均值：

式中σi2(k)是第i個傳感器第K次的測量方差。將式(10)所得的σi2(k)代入式(6)通過計算出傳感器的權值，再將權值帶入(1)中，求得傳感器融合結果X[8]。

■2.2 固定權值分配

固定權值分配是一種在算法中使用固定權值的方法，即在算法的執(zhí)行過程中，不對權值進行動態(tài)調(diào)整，而是使用預先設定好的固定權值。這種方法適用于那些在不同條件和情況下，權值的相對重要性保持不變的情況下。通過固定權值，算法可以按照預先設定的權值分配方案進行計算和決策，從而實現(xiàn)一致性和可預測性。

通過對實測最優(yōu)權值和固定最優(yōu)權值進行整合，求得最優(yōu)的融合權值?。

式中：p 為實測最優(yōu)權值所占比重；q 為固定權值所占比重。將最終權值以及融合數(shù)據(jù)代入式(1)和式(6)，即可得出最后的融合結果。

3 工業(yè)機器人路徑規(guī)劃

■3.1 人工勢場函數(shù)建立

基于工業(yè)機器人機械臂是多自由度，通過構建工業(yè)機器人機械臂在人工勢場的關節(jié)空間和笛卡爾空間勢場函數(shù)來實現(xiàn)工業(yè)機器人機械臂的避障路徑規(guī)劃。首先在關節(jié)空間內(nèi)建立引力勢場和斥力勢場，公式如下[10]：

由于人工勢場法容易陷入局部最小值，即當機器人或物體接近障礙物時，勢場會將其吸引到障礙物附近，導致無法找到全局最優(yōu)路徑，因此在人工勢場中加入快速隨機樹算法來解決人工勢場所存在的問題，因此采用基于人工勢場引導的RRT 算法進行工業(yè)機器人機械臂的路徑規(guī)劃。

■3.2 基于人工勢場引導的RRT 算法

基于人工勢場引導的RRT 算法，它是在RRT 的基礎上，通過在每次擴展節(jié)點時考慮周圍障礙物的勢場信息，調(diào)整節(jié)點的生長方向，以避免碰撞并更有效地朝向目標位置。這樣，算法能夠在復雜的環(huán)境中快速生成可行路徑，并在需要時通過勢場信息進行路徑調(diào)整，有確保安全路徑。這種方法使得工業(yè)機器人能夠動態(tài)環(huán)境中進行路徑規(guī)劃和避障。基于人工勢場引導RRT 算法對工業(yè)機器人展開路徑規(guī)劃的主要步驟為：

步驟1：初始化RRT 樹，將起始點作為樹的根節(jié)點，初始化步長為L；

步驟2：根據(jù)初始化步長隨機采樣，計算該節(jié)點到隨機點的路徑；

步驟3：檢查路徑是否與障礙物相交，如果相交則返回步驟2，

步驟4：若不相交則計算該路徑的人工勢場引導力，將調(diào)整后的路徑添加到RRT 樹中，并將新節(jié)點與最近節(jié)點相連。

步驟5：檢查新節(jié)點是否接近目標點，如果接近，則生成從新節(jié)點到目標點的路徑。檢查路徑是否與障礙物相交，若相交，則返回步驟2；

步驟6：如果路徑與障礙物不相交，則將該路徑添加到RRT 樹中，將新節(jié)點與目標點連接起來。

步驟7：重復步驟2 至8，知道找到一條從起始點到目標點的路徑。

在基于人工勢場引導的RRT 路徑規(guī)劃中，人工勢場被用來引導路徑的生成和優(yōu)化，使得路徑能夠避開障礙物并盡可能接近目標點。通過計算勢場引導力，可以調(diào)整路徑上的節(jié)點位置，使其受到勢場的引導，從而得到更優(yōu)的路徑[11]。

4 仿真驗證

為了驗證算法的可行性，使用MATLAB 2022a，在二維環(huán)境中定義起始點（20，20），目標點（700，700），步長L 為20，最大迭代次數(shù)為1500，將傳統(tǒng)RRT 算法與基于人工勢場引導的RRT 算法在同一環(huán)境中進行路徑規(guī)劃，每種算法重復進行60 次實驗，得出數(shù)據(jù)的平均結果。搜索路徑對比圖見圖3 所示，實驗數(shù)據(jù)對比結果見表1 所示。

表1 實驗數(shù)據(jù)對比結果

圖3 搜索路徑對比圖

從搜索路徑對比圖和實驗數(shù)據(jù)對比結果可以看出，本文采用的基于人工勢場引導的RRT 算法相對于傳統(tǒng)的RRT 算法，在搜索路徑長度和使用時間都有大幅提高。

5 結語

針對多傳感器信息融合的工業(yè)機器人的應用研究，通過多傳感器信息采集，數(shù)據(jù)處理，使用自適應加權算法進行信息融合，通過將實測最優(yōu)值權比重與固定權值融合，得出方差最小的數(shù)據(jù)融合值，提高數(shù)據(jù)的準確率。針對工業(yè)機器人的避障路徑規(guī)劃問題，構建工業(yè)機器人在人工勢場的關節(jié)空間和笛卡爾空間勢場函數(shù)，由人工勢場引導快速隨機樹（RRT）算法進行路徑規(guī)劃，通過仿真實驗證明，本文所提路徑規(guī)劃方法較傳統(tǒng)的路徑規(guī)劃方法，用時更短，速率更高。