基于多源異構(gòu)信息融合的采摘機械臂驅(qū)動控制研究

摘要：［目的］為了準確感知采摘機械臂的作業(yè)信息，提高驅(qū)動控制精度，需要對多自由度采摘機械臂的驅(qū)動控制模塊進行優(yōu)化設計。［方法］本研究將采摘機械臂各關節(jié)自由度、運動學以及動力學原理融合到設備結(jié)構(gòu)中，完成了多自由度采摘機械臂等效模型的構(gòu)建?；跇?gòu)建的等效模型，確定多源傳感器設備的安裝位置，利用內(nèi)部安裝的傳感器設備對機械臂的實時運行信息進行采集，獲取位姿信息。同時，根據(jù)傳感器的空間位置及其相互之間的作用進行信息分群，得出信息級融合結(jié)果，以此作為特征級信息融合結(jié)果的輸入值，提取多源異構(gòu)信息特征，并通過特征匹配完成融合操作，由此得出任意時刻采摘機械臂運行參數(shù)的檢測結(jié)果。［結(jié)果］結(jié)合給定的采摘任務，計算采摘機械臂所需的驅(qū)動動力以及位姿數(shù)據(jù)，通過與當前數(shù)據(jù)的比對確定驅(qū)動控制量，利用裝設的驅(qū)動控制器生成可執(zhí)行的控制指令，完成驅(qū)動控制。與2 種對照方法進行的對比試驗顯示，基于多源異構(gòu)信息融合的驅(qū)動控制方法采摘機械臂的位置控制誤差降低約25 mm，姿態(tài)角與驅(qū)動力控制誤差分別降低了0. 22°和6. 32 mm，得出的控制數(shù)據(jù)更精準。［結(jié)論］由于多源異構(gòu)信息融合技術能夠發(fā)揮多種數(shù)據(jù)的優(yōu)勢，獲取到更全面、更準確的位姿信息和控制數(shù)據(jù)，能夠?qū)崿F(xiàn)對目標果實的精準采摘，從而降低了采摘工作對果實的傷害，具有明顯的對比優(yōu)勢和應用價值。

關鍵詞：多源異構(gòu)信息融合； 多自由度采摘機械臂； 位姿數(shù)據(jù)； 驅(qū)動控制； 控制精度

中圖分類號：S225；TP241 文獻標識碼：A 文章編號：1671-8151（2024）01-0111-09

采摘工作具有空間運動的自由度大、作業(yè)速度快、采摘精度要求高等特點，為了降低人工采摘的難度與工作量，機械作業(yè)中多采用多自由度采摘機械臂。采摘機械臂是一種融合機械、電子、控制等多學科技術的新器械，是農(nóng)業(yè)現(xiàn)代化發(fā)展過程中重要的標志性產(chǎn)物。其能夠在室外環(huán)境下，模擬人類采摘動作，機械臂自由度越高，采摘作業(yè)的靈活程度也越高，控制工作難度亦越大。多自由度采摘機械臂能根據(jù)執(zhí)行任務和當前運行狀態(tài)，確定機械臂所需的動力值，通過驅(qū)動控制指令完成相應的采摘任務。因此，驅(qū)動控制方法顯得尤為重要。當前較為成熟的機械臂驅(qū)動控制方法包括：粒子群、時延估計、自適應模糊滑?？刂坪虳DPG-PID 等［1-3］，然而上述控制方法在實際運行過程中存在動力不足、控制誤差大等問題，究其原因是機械臂內(nèi)部的信息系統(tǒng)無法對多源異構(gòu)信息進行處理，致使機械臂在執(zhí)行采摘任務過程中，無法準確獲取實時位姿數(shù)據(jù)及周圍環(huán)境信息。

為此，引入多源異構(gòu)信息融合技術，將各種不同類型和結(jié)構(gòu)的數(shù)據(jù)信息進行融合，在保證數(shù)據(jù)準確性的前提下，豐富信息內(nèi)容，提高控制的精度。即采取網(wǎng)絡信息體系中的信息融合方式，將網(wǎng)絡環(huán)境中的多源信息進行融合，得出反映同一事物更為完整的數(shù)據(jù)信息［4-9］。將該理論應用到多自由度采摘機械臂驅(qū)動控制器的優(yōu)化設計工作中，用以提升采摘機械臂的驅(qū)動控制效果。

1 多自由度采摘機械臂建模分析

將多源傳感器設備安裝在機械臂上，通過實時數(shù)據(jù)采集與多源異構(gòu)信息融合，確定任意時刻機械臂中各個組成元件的位置和姿態(tài)角。

1. 1 等效模型

多自由度采摘機械臂采用關節(jié)式結(jié)構(gòu)，由底座、關節(jié)、連桿和電柜等部分組成，如圖1 所示。其中，底座是用來固定機械臂的基座，關節(jié)和連桿是用來執(zhí)行采摘任務的操作元件，而電柜中包含電源、開關等元件。各個關節(jié)之間由連桿連接，采摘執(zhí)行終端元件上有2 個自由度，允許自由開合，機械臂上的所有關節(jié)都具有至少2 個自由度，能夠執(zhí)行旋轉(zhuǎn)和擺動任務。根據(jù)多自由度采摘機械臂組成結(jié)構(gòu)，考慮各個元件之間的連接方式，構(gòu)建相應的結(jié)構(gòu)模型。

多自由度采摘機械臂中任意2 個關節(jié)之間存在如下關系：

式中H1 和H2 分別為2 關節(jié)的高度參數(shù)（mm），L1為2 關節(jié)之間連桿的長度值（mm），d 為關節(jié)到連桿中心線的垂直距離（mm），θ1 和θ2 對應的是2 關節(jié)姿態(tài)角（°）［2-5］。同理可以得出采摘機械臂上任意2 個關節(jié)的運動學模型構(gòu)建結(jié)果。

另外，多自由度采摘機械臂動力學模型的構(gòu)建結(jié)果可以量化表示為：

式中G、Ji 和Ci 分別為重力力矩（N·m）向量、慣性量陣和哥氏及離心力矩（N·m）向量，公式2 的計算結(jié)果TF 為機械臂控制力矩（N·m）向量。最終將采摘機械臂各關節(jié)自由度、運動學以及動力學原理融合到設備結(jié)構(gòu)中，構(gòu)建了采摘機械臂的等效模型。

1. 2 實時位姿

根據(jù)多自由度采摘機械臂等效模型的構(gòu)建結(jié)果，確定多源傳感器設備的安裝位置，具體安裝位置包括機械臂上的各個關節(jié)位置以及機械臂的執(zhí)行終端位置，安裝的傳感器類型包括位置傳感器、姿態(tài)角傳感器、速度傳感器以及電流傳感器等，利用多自由度采摘機械臂內(nèi)部安裝的傳感器設備，對機械的實時運行信息進行采集［6-8］。利用信息融合技術對將實時采集的多源異構(gòu)信息進行處理，具體的處理過程如圖2 所示。

從圖2 可以看出，多源異構(gòu)信息融合技術分別從信息級、特征級和決策級3 個方面進行融合處理，從分布在不同位置的傳感器獲取的傳感器元信息經(jīng)過信息獲取之后進入信息級信息融合階段，該階段的主要工作內(nèi)容包括2 個方面：信息預處理和信息分群。多源異構(gòu)初始信息的預處理過程可以量化表示為：

式中，xmax 和xmin 分別為初始采集多源異構(gòu)信息中的最大值和最小值（mm），x （i） 為第i 個信息采集結(jié)果（mm），xg （i） 為信息歸一化的處理結(jié)果（mm），通過歸一化處理解決信息之間的異構(gòu)問題。另外x （ j - 1） 和x （ j + 1） 為缺失信息x （ j） 的前后相鄰信息，xcompensate （ j） 為缺失信息的補償結(jié)果（mm）。在此基礎上，根據(jù)傳感器的空間位置及其相互之間的作用進行信息分群，得出信息級融合結(jié)果，并以此作為特征級信息融合結(jié)果的輸入值［10-13］。特征級信息融合的主要原理是提取多源異構(gòu)信息特征，通過特征匹配完成融合操作。多源異構(gòu)信息部分特征的提取結(jié)果如下：

式中Nisomerism 為融合處理的多源異構(gòu)信息量，σ、xˉ 和χ 對應的是均值（mm）、絕對平均值（mm）和方根幅值（mm），最終提取特征ψj、ψmargin 和ψq 和為均方根值（mm）、裕度因子和峭度。同理可以得出多源異構(gòu)信息其它特征向量的提取結(jié)果，并將任意信息i的綜合特征向量標記為ψcon （i）。依照特征向量的提取結(jié)果，利用如下公式對提取特征進行匹配：

若計算結(jié)果的匹配度s （i，j ） 高于匹配閾值，則執(zhí)行特征級融合處理，否則執(zhí)行下一組信息特征匹配工作。將滿足匹配要求的信息代入到如下公式中，得出特征級多源異構(gòu)信息的融合結(jié)果：

式中xs 為滿足特征匹配要求的多源異構(gòu)信息。最終進入決策級信息融合階段，該階段可以從特征級數(shù)據(jù)融合階段接收到態(tài)勢報告，利用全局狀態(tài)本體描述對態(tài)勢進行評價，根據(jù)態(tài)勢評價的結(jié)果，實現(xiàn)對信息的決策融合。根據(jù)多自由度采摘機械臂實時運行數(shù)據(jù)的多源異構(gòu)信息融合處理，實現(xiàn)對當前機械運動參數(shù)的量化描述，描述結(jié)果為：

式中W0 和Wt 分別為采摘機械臂的初始位姿和變換結(jié)果，AY 和Aθ 對應的是機械臂的移動矩陣和旋轉(zhuǎn)矩陣，I 為機械臂臂通過電流（A），nextremely 為極對數(shù)，Ie 和φ 對應的額定供電電流（A）和磁通量（Wb）。按照上述流程可以得出任意時刻采摘機械臂運行參數(shù)的檢測結(jié)果，并對機械臂位姿信息進行實時更新。

2 多自由度采摘機械臂驅(qū)動控制

計算完成采摘任務所需的驅(qū)動動力以及采摘機械臂的位姿數(shù)據(jù)，生成并執(zhí)行控制指令，完成驅(qū)動控制任務。

2. 1 驅(qū)動力控制量

采摘機械臂的采摘過程可以分為3 個環(huán)節(jié)，分別為操作終端移動至采摘位置、采摘和采摘果實的回收，采摘環(huán)節(jié)機械臂的受力情況如圖3 所示。

同理可得移動環(huán)節(jié)與回收環(huán)節(jié)機械各個組成元件的受力情況。以采摘環(huán)節(jié)為例，機械臂進行采摘時所施加的驅(qū)動力應是施加在操作終端上的力以及摩擦力的和，目標驅(qū)動力的計算公式如下：

式中nContact 為機械臂操作終端與采摘果實之間的接觸點數(shù)量，fi 和ftran 分別表示接觸點位置上操作端與果實之間的摩擦力以及機械內(nèi)部的傳動摩擦力（N），fpressure 表示末端執(zhí)行器對采摘果實施加的壓力（N），mfruit 為采摘果實重量（kg），g 和? 分別為重力加速度（m·s-2）和機械采摘角度（°）［14-17］。按照上述方式可以得出機械臂在采摘過程中各個環(huán)節(jié)所需的實際驅(qū)動力，計算結(jié)果即為驅(qū)動力控制量。

2. 2 位姿控制量

以機械臂定位到的采摘果實位置作為控制目標，結(jié)合當前位姿信息的獲取結(jié)果，利用公式9 得出機械位姿的控制量。

式中（ xt，yt，zt ） 和（ xtarget，ytarget，ztarget ） 分別為當前機械位置和控制目標位置，θt 和θtarget 對應的是當前和控制目標姿態(tài)角（°）。根據(jù)公式9 的計算結(jié)果，若控制量計算結(jié)果為負值，則控制方向為當前移動方向的反方向，否則與當前移動方向一致。

2. 3 驅(qū)動控制器

多自由度采摘機械臂采用電機驅(qū)動方式，因此控制器生成的控制指令主要作用在驅(qū)動電機上。裝設的采摘機械臂驅(qū)動控制器工作原理如圖4 所示。

為保證機械臂的采摘效率，在驅(qū)動電機的型號選擇中選擇的是帶螺桿的步進電機。控制采摘機器移動方向的旋轉(zhuǎn)軸通過無刷直流電動機與減速器共同組成了主體構(gòu)成，無刷直流電動機與減速器的減速比率約為1∶50。在采摘機械臂作業(yè)過程中，運動方面主要對定位和速度進行控制，內(nèi)部數(shù)據(jù)則主要對流經(jīng)的電流進行控制［12-15］。工作過程中，經(jīng)過采摘機械臂的電流波形主要為正弦電流，此時為了對機械臂進行控制，需要將電流狀態(tài)上傳。此過程中，為確保電流波形不發(fā)生畸變，一般會裝設PWM 逆變器作為中轉(zhuǎn)，與機械臂內(nèi)部電流傳感器之間進行數(shù)據(jù)交互，永磁同步電動機在工作過程中，不斷的向PWM 逆變器發(fā)出信號，并接收到來自采摘機械臂內(nèi)部傳感器的指令反饋。

2. 4 驅(qū)動控制

在裝設的機械臂驅(qū)動控制器的支持下，通過驅(qū)動電機PWM 調(diào)速實現(xiàn)對多自由度采摘機械臂的驅(qū)動控制。采摘機械臂的驅(qū)動控制原理是根據(jù)控制量計算結(jié)果確定對應的驅(qū)動脈沖量，并將驅(qū)動脈沖作用在各個關節(jié)位置上。PWM 技術用于無刷電動機，它是一種具有一定振幅和可調(diào)節(jié)的工作周期的脈沖，通過對功率管的開關進行控制。最終通過生成驅(qū)動控制指令的執(zhí)行，實現(xiàn)多自由度采摘機械臂的驅(qū)動控制。

3 測試試驗分析

為測試優(yōu)化設計多源異構(gòu)信息融合的多自由度采摘機械臂驅(qū)動控制方法的控制效果，采用白盒測試的方式設計測試實驗，即在確定控制目標的情況下，利用驅(qū)動控制方法執(zhí)行控制任務，觀察采摘機械臂樣機的驅(qū)動力、位姿是否與控制目標一致，從而驗證優(yōu)化設計方法的驅(qū)動控制效果。為了體現(xiàn)出優(yōu)化設計方法在控制效果方面的優(yōu)勢，設置2 個傳統(tǒng)驅(qū)動控制方法作為實驗對比。

3. 1 樣機

此次實驗選擇4 自由度的采摘機械臂作為驅(qū)動控制對象，可承載1 kg 以內(nèi)果實，樣機底盤直徑和高度分別為200 mm 和50 mm，工作電壓為6 V，機械臂的操作長度為400 mm。采摘機械臂內(nèi)置電機質(zhì)量為52 g，額定運行速度和輸出力矩分別為50 mm·s-1和137. 2 N·m。

3. 2 裝設傳感器

為實現(xiàn)多源異構(gòu)信息融合技術，需在準備的采摘機械臂樣機上設置多個測點，部分測點的設置情況如圖5 所示。

按照上述方式可以得出樣機中所有測點的設置結(jié)果，并分別在測點位置上安裝傳感器設備，由于圖5 中測點4 和測點7 不為關節(jié)節(jié)點，而其余測點均設置在機械臂的關節(jié)位置上，因此在測點4 和測點7 位置上安裝的是電流傳感器，其余測點均安裝位置傳感器、速度傳感器和姿態(tài)角傳感器，其關鍵參數(shù)如表1 所示。

3. 3 采摘對象與驅(qū)動控制任務

試驗選擇某農(nóng)業(yè)生產(chǎn)基地的蘋果種植園區(qū)，以區(qū)域內(nèi)所有成熟的蘋果為采摘對象，采用人工測量的方式確定各個采摘對象的實際位置和重量信息，以期作為采摘機械臂的驅(qū)動控制目標?？紤]機械臂執(zhí)行采摘任務時的所處位置，計算機械姿態(tài)角控制目標。根據(jù)采摘對象的位置信息生成相應的驅(qū)動控制任務，其中部分任務的生成情況如表2 所示。

試驗共生成50 個驅(qū)動控制任務，每個驅(qū)動控制任務對應1 個目標果實。

3. 4 測試試驗過程

將樣機安裝到采摘環(huán)境中，同時啟動機械臂內(nèi)置的傳感器和優(yōu)化設計的驅(qū)動控制器，通過初步調(diào)試保證驅(qū)動控制方法中使用的硬件設備均能在實驗環(huán)境中正常運行，且硬件設備之間存在較高的適配性。利用裝設在機械臂測點上的傳感器設備，按照公式3 的設置方式確定傳感器的數(shù)據(jù)采集頻率，獲取機械臂中各個測點位置上的工作參數(shù)，在此基礎上對獲取的工作參數(shù)進行融合處理［18-20］，將信息融合結(jié)果顯示在輸出的控制界面上，以測點1 為例，其數(shù)據(jù)采集結(jié)果如圖6 所示。

將生成的驅(qū)動控制任務逐一輸入到采摘機械臂的運行程序中，通過實時位姿描述、驅(qū)動控制量計算等步驟，生成驅(qū)動控制指令，并在控制指令的約束下完成相應的控制任務。圖7 表示的是多自由度采摘機械臂在優(yōu)化設計驅(qū)動控制方法下對1號控制任務的執(zhí)行結(jié)果。

按照上述方式可以得出其它驅(qū)動控制任務的執(zhí)行結(jié)果，并記錄控制對象的實時運動參數(shù)。進行對比驗證實驗，設置基于PLC 和粒子群算法的控制方法（對照控制方法1）基于時間延時估計和自適應模糊滑?？刂破鞯目刂品椒ǎ▽φ湛刂品椒?）作為對比控制方法，按照相同方式實現(xiàn)控制方法的開發(fā)，并執(zhí)行相同的驅(qū)動控制任務，在保證實驗變量唯一的情況下，得出測試結(jié)果數(shù)據(jù)。

3. 5 測試指標

控制任務包括位置、姿態(tài)角和驅(qū)動力3 個方面，為了實現(xiàn)對控制效果的量化測試，從上述3 個方面設置控制誤差，其中位置控制誤差的測試結(jié)果如下：

式中（ xcontrol，ycontrol，zcontrol ）為控制方法作用下采摘機械臂的實際位置。另外采摘姿態(tài)角控制誤差和驅(qū)動力控制誤差的數(shù)值結(jié)果為：

式中Ftarget 為驅(qū)動力（N）控制目標，θcontrol 為驅(qū)動控制方法作用下的采摘姿態(tài)角（°）。最終計算得出位置和姿態(tài)角，驅(qū)動力控制誤差越小，說明對應方法的驅(qū)動控制效果越好。

3. 6 試驗結(jié)果與分析

收集3 種不同驅(qū)動控制方法作用下，多自由度采摘機械臂的實時位置數(shù)據(jù)，經(jīng)過公式11 計算，得出控制位置誤差的測試結(jié)果，如圖8 所示。

從圖8 中可以直觀的看出，2 種對照控制方法的平均位置控制誤差分別為40 mm 和30 mm，而在本文控制方法作用下，采摘機械臂位置控制誤差的平均值為10 mm。顯然，優(yōu)化設計方法的位置控制誤差更小。

另外采摘機械臂的姿態(tài)角與驅(qū)動力控制誤差的測試結(jié)果，如表3 所示。

將表3 得出的姿態(tài)角與驅(qū)動力控制結(jié)果數(shù)據(jù)與表1 中設置的控制目標數(shù)據(jù)代入到公式11 中，計算得出2 種對照控制方法的平均姿態(tài)角控制誤差分別為0. 32°和0. 22°，驅(qū)動力控制誤差的平均值分別為9. 0 N 和5. 3 N。按照相同的計算方式，得出在優(yōu)化設計驅(qū)動控制方法下姿態(tài)角控制誤差和驅(qū)動力控制誤差的平均值僅為0. 05°和0. 83 N，優(yōu)勢明顯。

對比試驗顯示采摘機械臂位置、姿態(tài)角以及驅(qū)動力控制誤差的明顯減小，究其原因，在于多源異構(gòu)信息融合技術能夠有效融合多源異構(gòu)數(shù)據(jù)，融合后的傳感器誤差取所有傳感器中的最小值，利用異構(gòu)信息也能消除基于單一數(shù)據(jù)跟蹤定位錯誤和異常，從而得出的采摘機械臂運行參數(shù)和位姿信息更為準確，驅(qū)動力控制也更精確。

4 結(jié)論

為了準確感知機械臂作業(yè)信息，基于多源異構(gòu)信息融合技術，對多自由度采摘機械臂驅(qū)動控制方法進行了優(yōu)化設計，解決了傳統(tǒng)控制方法下采摘機械臂驅(qū)動控制精度較低的問題。

（1）考慮組成結(jié)構(gòu)、運動學與動力學原理，構(gòu)建了多自由度采摘機械臂等效模型。在該模型下，利用多源異構(gòu)信息融合技術，描述機械臂實時位姿信息。根據(jù)果實采摘任務，從位姿和驅(qū)動力2個方面計算驅(qū)動控制量，在裝設驅(qū)動控制器的支持下，實現(xiàn)了多自由度采摘機械臂的驅(qū)動控制。

（2）為了驗證優(yōu)化設計的驅(qū)動控制方法的有效性，與基于PLC 和粒子群算法的控制方法、基于模型預測的控制方法2 種常規(guī)控制方法進行了對比試驗。試驗結(jié)果顯示：在執(zhí)行相同的驅(qū)動控制任務，并在保證試驗變量唯一的情況下，優(yōu)化設計的方法優(yōu)勢突出，其采摘機械臂位置、姿態(tài)角以及驅(qū)動力控制誤差的明顯減小。究其原因在于多源異構(gòu)信息融合技術能夠發(fā)揮每種數(shù)據(jù)的優(yōu)勢，獲取更全面的信息，從而得到更加精準的控制數(shù)據(jù)，使得驅(qū)動控制精度能夠有效地提高，從而減少了采摘過程中對果實的傷害，對促進果農(nóng)增收具有積極意義。

參考文獻

［1］朱文琦. 基于PLC 和粒子群算法的采摘機械手電氣控制系統(tǒng)［J］. 農(nóng)機化研究，2021，43（12）：238-241，246.

Zhu W Q. Electric control system of picking manipulator basedon PLC and PSO［J］. Journal of Agricultural MechanizationResearch， 2021， 43（12）：238-241，246.

［2］李德昀，徐德剛，桂衛(wèi)華. 基于時間延時估計和自適應模糊滑模控制器的雙機械臂協(xié)同阻抗控制［J］. 控制與決策，2021，36（6）：1311-1323.

Li D Y， Xu D G， Gui W H. Coordinated impedance control fordual-arm robots based on time delay estimation and adaptivefuzzy sliding mode controller［J］. Control and Decision， 2021，36（6）：1311-1323.

［3］劉勇，李祥，蔣沛陽，等. 基于DDPG-PID 的機器人動態(tài)目標跟蹤與避障控制研究［J］. 南京航空航天大學學報，2022，54（1）：41-50.

Liu Y， Li X， Jiang P Y， et al. Research on robot dynamic targettracking and obstacle avoidance control based on DDPG-PID［J］. Journal of Nanjing University of Aeronautics amp;Astronautics， 2022， 54（1）：41-50.

［4］肖剛，冶平，張星辰，等. 多源異構(gòu)圖像融合跟蹤研究現(xiàn)狀與展望［J］. 指揮控制與仿真，2020，42（2）：1-6， 11.

Xiao G，Ye P， Zhang X C， et al. Status and prospect of multisourceheterogeneous image fusion tracking ［J］. CommandControl amp; Simulation， 2020， 42（2）：1-6， 11.

［5］劉海峰，張超，羅江，等. 網(wǎng)絡信息體系中的信息融合與挖掘技術研究［J］. 指揮與控制學報，2016，2（4）：329-337.

Liu H F， Zhang C， Luo J， et al. Information fusion and miningtechnology in networking information-centric system of systems［J］. Journal of Command and Control， 2016，2（4）：329-337.

［6］曾安里，楊春雷，張健康，等. 地面防天組網(wǎng)異構(gòu)多源目標信息融合［J］. 飛行器測控學報，2010，29（5）：46-50.

Zeng A L， Yang C L， Zhang J K， et al. Data stream systemspatio-temporal match ［J］. Journal of Spacecraft TTamp;CTechnology， 2010， 29（5）：46-50.

［7］段禮祥，李濤，唐瑜，等. 基于多源異構(gòu)信息融合的機械故障診斷方法［J］. 石油機械，2021，49（2）：60-67，80.

Duan L X， Li T， Tang Y， et al. Mechanical fault diagnosismethod based on multi-source heterogeneous information fusion［J］. China Petroleum Machinery， 2021，49（2）：60-67，80.

［8］隗寒冰，白林. 基于多源異構(gòu)信息融合的智能汽車目標檢測算法［J］. 重慶交通大學學報（自然科學版），2021，40（8）：140-149.

Wei H B， Bai L. Intelligent vehicle target detection algorithmbased on multi-source heterogeneous information fusion［J］.Journal of Chongqing Jiaotong University（Natural Science），2021， 40（8）：140-149.

［9］胡永利，樸星霖，孫艷豐，等. 多源異構(gòu)感知數(shù)據(jù)融合方法及其在目標定位跟蹤中的應用［J］. 中國科學：信息科學，2013，43（10）：1288-1306.

Hu Y L， Piao X L， Sun Y F， et al. Multi-source heterogeneousdata fusion method and its application in object positioning andtracking［J］. Scientia Sinica（Informationis） ，2013，43（10）：1288-1306.

［10］彭樂樂，張亞飛，張瑋東，等. 多源異構(gòu)信息融合光伏組件輸出特性動態(tài)建模［J］. 太陽能學報，2023，44（3）：425-434.

Peng L L， Zhang Y F， Zhang W D， et al. Dynamic modelingof output characteristics of photovoltaic cells using multi-sourceheterogeneous information fusion［J］. Acta Energiae SolarisSinica， 2023， 44（3）： 425-434.

［11］丁萌，余鑫，武海雷，等. 多段線纜驅(qū)動連續(xù)型空間機械臂建模與控制［J］. 南京理工大學學報，2022，46（3）：253-261.

Ding M， Yu X， Wu H L， et al. Modeling and control of multisegmentcable-driven continuum space manipulator［J］. Journalof Nanjing University of Science and Technology， 2022， 46（3）：253-261.

［12］張新英，王焱春，梁芬. 基于目標跟蹤的信息反饋融合方法研究［J］. 創(chuàng)新科技，2018，18（5）：71-74.

Zhang X Y， Wang Y C， Liang F. Research on informationfeedback fusion method based on target tracking［J］. InnovationScience and Technology， 2018， 18（5）：71-74.

［13］李軍，劉繼勇. 基于模糊自適應無跡卡爾曼濾波的多源異構(gòu)信息融合彈道目標跟蹤測量系統(tǒng)［J］. 安陽師范學院學報，2013（5）：44-48.

Li J， Liu J Y. The multi-source heterogeneous data fusion ofballistic target tracking system based on fuzzy theory and UKF［J］. Journal of Anyang Normal University， 2013（5）：44-48.

［14］叢佩超，馮新杰，劉俊杰. 一種低驅(qū)動自由度高越障能力的輪腿式機器人設計［J］. 機械設計，2021，38（12）：89-97.

Cong P C， Feng X J， Liu J J.Design of the wheel-legged robotwith low-driven degree of freedom and strong obstacle-crossingability［J］. Journal of Machine Design， 2021， 38（12）：89-97.

［15］曾慶山，周亞帥，陶長春，等. 電驅(qū)動機械臂的自抗擾魯棒哈密頓跟蹤控制［J］. 鄭州大學學報（工學版），2022，43（4）：1-7，15.

Zeng Q S， Zhou Y S， Tao C C， et al. Active disturbancerejection robust Hamiltonian tracking control of electricallydriven manipulator ［J］. Journal of Zhengzhou University（Engineering Science）， 2022， 43（4）：1-7，15.

［16］李勇斌，董鵬，朱惠芳. 改進粒子濾波交互多模型算法在機械臂跟蹤定位中的應用［J］. 機床與液壓，2020，48（19）：8-15.

Li Y B， Dong P， Zhu H F. Application of improved particlefilter interactive multi-model algorithm in the manipulatortracking and positioning［J］. Machine Tool amp; Hydraulics，2020， 48（19）：8-15.

［17］王曉雪，劉傳凱，王保豐，等. 空間機械臂抓捕動態(tài)目標快速穩(wěn)定跟蹤方法［J］. 中國空間科學技術，2018，38（1）：18-28.

Wang X X， Liu C K， Wang B F， et al. Fast and stabletracking method for space manipulator capturing dynamic target［J］. Chinese Space Science and Technology， 2018， 38（1）：18-28.

［18］姚祖威，劉宇，郭俊啟，等. 基于因子圖的自主導航多源異構(gòu)信息融合算法［J］. 電子測量技術，2021，44（1）：130-134.

Yao Z W， Liu Y， Guo J Q， et al. Multi-source heterogeneousinformation fusion algorithm for autonomous navigation basedon factor graph［J］. Electronic Measurement Technology，2021， 44（1）：130-134.

［19］陳丹敏，周福娜，王清賢. 基于多源異構(gòu)信息遷移學習的融合故障診斷方法［J］. 信息工程大學學報，2020，21（2）：153-158.

Chen D M， Zhou F N， Wang Q X. Fusion fault diagnosismethod based on multi-source heterogeneous informationtransfer learning ［J］. Journal of Information EngineeringUniversity， 2020， 21（2）：153-158.

［20］范富博，王然風，付翔. 基于多源異構(gòu)信息融合的浮選精煤灰分在線檢測技術研究與應用［J］. 煤炭技術，2023，42（2）：233-238.

Fan F B， Wang R F， Fu X. Research and application of onlinedetection technology of flotation cleaned coal ash based onmulti-source heterogeneous information fusion ［J］. CoalTechnology， 2023， 42（2）：233-238.

（編輯：韓志強）