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。Figure1improvedBPneuralnetworkdatafusionmodel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。Figure2ThetopologyofBPnetwork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。Figure3thefivetypicalenvironmentmark3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(-