多传感器数据融合在煤矿救援蛇形机器人环境建模中的研究
下面的数学论文——多传感器数据融合在煤矿救援蛇形机器人环境建模中的研究由YJBYS为您提供，欢迎阅读！
摘要：针对煤矿事故发生后，救援蛇形机器人如何在恶劣的井下进行环境识别和建模， 提出了一种基于改进的BP神经网络多传感器数据融合算法。首先分析了机器人在靠近障碍物时的五类典型环境标志，然后利用超声波传感器、红外传感器和激光雷达传感器获得周围物体的距离信息, 对这些距离数据进行归一化处理之后再利用改进的BP神经网络来识别出物体的形状, 完成环境的建模。给出了系统的数据融合模型、改进的BP神经网络算法。并对实验获得的一组数据进行了仿真, 结果表明这种算法对于煤矿救援蛇形机器人环境识别和建模是一种有效的方法。
关键词： 煤矿救援蛇形机器人; 多传感器数据融合;环境建模; 改进的BP神经网络;
1 引言
环境模型是机器人通过自身的相应传感器感知局部环境信息而建立起来的地图模型[1~3]，对于煤矿救援蛇形机器人来说，只有在了解矿难发生后井下环境才能进行路径规划、导航和避障。所以环境建模是蛇形机器人能否顺利完成救援任务的前提和重要环节，环境建模精确程度直接影响到蛇形机器人后续的工作状态。
传统的传感器数据融合方法包括最小二乘法、Bayes估计理论和卡尔曼滤波等方法，但在一个多传感器系统中, 各个传感器所获得的的环境信息是局部的、片面的，具有不同程度的不确定性, 融合这些不确定信息的过程实质上是一个不确定的推理过程。所以, 单一的传感器数据融合方法都有各自的优点和不足[4~7]。神经网络是人工智能的一个重要分支[8], 它具有的信息分布存储、容错性, 自学习、自组织和自适应等特征使得其在处理未知环境、环境信息复杂、知识背景不清楚以及推理规则不明确的问题时，显得非常优越。本文采用改进的BP神经网络多传感器数据融合算法完成对矿难发生后井下环境的建模, 通过实验和仿真可以得出该算法用于煤矿救援蛇形机器人的环境建模是一种切实、有效的方法。
2 改进的BP神经网络数据融合算法
为使移动机器人能够实时、准确地避开障碍物，救援蛇形机器人必须获得障碍物的基本信息，如距离、位置等[9~11]。本文主要采用超声波传感器、红外测距传感器、激光雷达传感器来探测障碍物距离位置信息以获得救援机器人所需的外部环境信息，利用改进的BP神经网络多传感器数据融合算法处理这些信息，对救援机器人的运动空间进行分析，建立机器人行走的环境拓扑结构。结合煤矿井下的特殊环境，本系统采用的多传感器数据融合模型如图1所示。由超声传感器、红外测距传感器、激光雷达传感器来获取障碍物的.距离信息，通过归一化处理后，作为改进的BP神经网络的输入，网络输出为五类典型环境标志，通过环境类型标志建立救援蛇形机器人行走的环境拓扑结构，为救援蛇形机器人路径规划提供依据。
Figure 1 improved BP neural network data fusion model
一个典型的3层前馈型BP网络的拓扑结构如图2所示[12]，网络有 个输入节点，输入层节点的输出等于其输入，隐含层有 个节点，输出层有 个节点。输入层和隐含层节点之间的连接权值为 。隐含层和输出层节点之间的连接权值为 ，隐含层和输出层节点的输入是前一层节点的输出的加权和，每个节点的激励程度由它的激发函数来决定。
Figure 2 The topology of BP network
隐含层的第 个节点的输入为
其中， 表示输入层节点的输出。
第 个节点的输出为
其中， 为激发函数
其中， 表示偏置或阈值， 调节函数的形状。
输出层第 个节点的总输出为
其中， 为隐含层的节点数。输出层第 个节点的实际网络输出为
若网络输出与期望输出值 不一致，则将其误差信号从输出端反向传播，并在传播过程中不断修正网络权值，改进的BP算法就体现在网络权值的修正上。
1)隐含层权值的修正
采用自适应调整学习率并附加动量因子的梯度下降反向传播算法，即在梯度下降法的基础上引入动量因子 (0< <1)，因此，隐含层节点的权值修正为 其中， 表示第 步， 为学习率， 为动量因子， 表示输入层节点的输出， ， 为反传误差信号， ， 为平均误差代价函数， 。 2)输出层权值的修正 3 实验与仿真 根据上述理论, 本文采集超声波传感器、红外传感器、激光雷达传感器所测得的距离数据如表1所示，分析机器人在接近障碍物时，3种传感器距离信息的差异性，可以总结出环境中存在5类典型的标志如图3所示。利用BP神经网络来识别对应环境的特征标志，完成机器人对环境的感知和识别，并给出了仿真结果。 Figure 3 the five typical environment mark 3组传感器距离信息作为BP神经网络输入，5类典型环境标志作为神经网络的输出，5类典型环境标志神经元理想输出分别为：(1, 0, 0, 0, 0)，( 0, 1, 0, 0,0)，( 0, 0, 1, 0, 0)，( 0, 0, 0, 1, 0)，(0, 0,0, 0, 1)，隐含层神经元数目为12，该BP神经网络结构为3—12—5。由于神经元激励函数值域范围一般在(0，1)或(- 1，+ 1)，所以要对表1中的数据样本进行归一化处理后作为网络输入，网络训练函数采用自适应调整学习率并附加动量因子的梯度下降反向传播算法训练函数，即traingdx函数。学习率 为0.01，动量因子 为0.7，最大学习步长为1000步。学习函数采用附加动量因子的梯度下降权值/阈值学习函数，即learngdm函数。网络训练的均方误差曲线如图4所示：图中横坐标k表示学习步长，纵坐标e表示均方误差系数，其中，10-6为网络性能目标，图中曲线为训练误差变化曲线，均方误差达到9.6692 10-7。通过仿真实验表明，采用改进的BP神经网络数据融合算法可以建立救援蛇形机器人所处的井下环境的建模。 Figure 4 change curve of the network training error 4 结语 提出了一种基于改进的BP神经网络多传感器数据融合方法，并给出了系统的计算模型。通过实验表明，该方法不依赖于系统的明确数学模型且适用于复杂的煤矿井下和过程，尤其是在环境信息融合过程中，通过对传感器数据的处理能够得到救援机器人所处的井下环境的拓扑结构，机器人可据此就可以进行路径规划和避障，从而顺利完成救援任务。
【多传感器数据融合在煤矿救援蛇形机器人环境建模中的研究】相关文章：
多网融合在通信工程中的应用12-10
多传感器信息融合技术论文12-31
大数据环境下网络信息安全研究论文10-29
市场经济管理中的数学建模论文03-13
智能终端中的应用软件设计中的光传感器05-22
大数据方向研究生体系研究论文03-15
多酚氧化酶的研究现状01-18