CN101413806B - 一种实时数据融合的移动机器人栅格地图创建方法 - Google Patents

Abstract

本发明提出一种实时数据融合的移动机器人栅格地图创建方法，首先人为将环境划分为若干个等大小的栅格，通过安装在移动机器人前端的声纳传感器得到距离信息；提取与当前计算栅格单元距离最近的三个声纳传感器在同一时刻的测量值，分别采用模糊逻辑和概率理论解释单个声纳数据，由此可得到一组特征向量，并作为神经网络的输入向量进行数据融合，神经网络的输出值为栅格空闲、被占用和不确定状态。最后采用贝叶斯规则更新栅格的状态。本发明移动机器人利用声纳测距仪获取环境信息，完成环境建模，从而为移动机器人后续的自主导航提供可靠的依据。

Description

一种实时数据融合的移动机器人栅格地图创建方法 

技术领域

本发明属于机器人和人工智能技术领域，涉及一种实时数据融合的移动机器人栅格地图创建方法。 

背景技术

近20年来，人工智能技术和计算机技术的飞速发展，自主智能移动机器人研究取得了重大关注。它要求能通过自身所载的传感器如测距仪、摄像机、红外等自动获取周围环境信息，建立空间环境模型和识别自身当前位置，沿自动规划的有效路径移动，从而完成特定任务。目前智能移动机器人广泛应用于工农业、交通运输、军事、医疗卫生等行业，解决危险环境下工作问题和取代人类繁重工作。为提高移动机器人在未知环境下的工作能力和应用范围，把环境表示为适合机器人“理解”的地图，即地图创建是急需解决的关键难题。 

移动机器人的工作环境一般可以简化为二维模型，并用占用栅格加以描述。该模型将机器人所在空间环境划分为若干规则栅格，通过提取每个栅格单元的状态(障碍物、空闲、未知)来确定环境表示。该模型表示直观，易于创建和维护。在未知环境中，机器人不了解任何先验信息，例如环境规模和障碍物的大小、形状、位置等，且环境中不存在诸如路标、灯塔等人为设定的参照物。机器人创建地图只能依赖于其传感器所获得的信息，如里程仪、声纳、激光等等。建立地图的过程，实际上就是机器人根据传感器的感知自主地对其活动环境建模的过程。由于传感器自身的限制，感知信息存在不同程度的不确定性，通常需要对感知信息再处理。地图创建中的信息处理可归纳为以下三个问题： 

(1)如何描述感知信息的不确定性； 

(2)如何依据对信息的不确定性描述创建地图，地图中不仅要反映感知信息，还要反映信息的不确定性； 

(3)当对同一目标地点有了新的感知信息时，如何处理旧信息与新信息 的，即更新地图。 

在移动机器人导航中，声纳传感器由于其廉价、简单易用、数据处理方便等特点，因此在移动机器人领域取得广泛应用，但声纳传感器本身也存在多重反射、镜面反射、角精度低等缺陷，其感知信息存在较大的不确定性。目前在地图创建的研究中，模糊逻辑和概率理论是具有代表性的两种用于描述和处理不确定信息的方法。前者通过定义模糊集表示环境中的空、非空区域与状态不确定，对各栅格单元根据测量结果计算相应的隶属度；后者对各栅格单元给出其为障碍物占有的概率，根据贝叶斯法则进行信息融合。分析与实验表明，基于概率的方法产生的地图精度较高，轮廓清楚，但对错误信息过于敏感，误判率高；而模糊逻辑方法则具有较高的鲁棒性，在信息不确定程度高时仍然稳定，但精度低，产生的地图不清晰。 

发明内容

本发明的所要解决的技术问题是提供一种实时数据融合的移动机器人栅格地图创建方法，本发明移动机器人利用声纳测距仪获取环境信息，完成环境建模，从而为移动机器人后续的自主导航提供可靠的依据。 

为解决上述技术问题，本发明所采用的技术方案为： 

一种实时数据融合的移动机器人栅格地图创建方法，其特征在于，包括以下步骤： 

1)将局部栅格地图坐标(i，j)初始化，并通过移动机器人上的多个传感器获取的障碍物与移动机器人之间的距离值； 

2)将所述的距离值中的数值最小的3个距离值用模糊逻辑及概率理论解释排列为一维数组；即对每一个距离值建立3个模糊集{O、E、U}来表示地图中栅格的占用、空闲和未知状态；定义模糊向量T＝{μ_O，μ_E，μ_U}表示每个栅格处于3种状态的可信度，栅格属于3种状态的隶属度和为1； 

μ_o(r，s)，μ_E(r，s)为栅格g(i，j)距传感器距离r在不同区域的栅格占用隶属度函数和空闲隶属度函数；μ_o，E(α，β)表示不同的波束轴线角的隶属度函数，μ_O，E(r)表示不同测量距离的隶属度函数； 

每个栅格单元被占用的隶属度函数μ_o(r，α)，栅格空闲隶属度函数μ_E(r，α)以及栅 格状态不确定隶属度函数μ_U(r，α)按以下计算所得： 

${\mathrm{\μ}}_E(r,s)=\left\{\begin{array}{cc}1& 0\≤r\≤s-\mathrm{\Δs}\\ \left|\frac{s-r}{\mathrm{\Δs}}\right|,& s-\mathrm{\Δs}\≤r\≤s\\ 0& r\≥s\end{array}\right.;$

${\mathrm{\μ}}_{o,E}(\mathrm{\α},\mathrm{\β})=\left\{\begin{array}{cc}1-\left|\frac{\mathrm{\α}-\mathrm{\β}}{\mathrm{\β}}\right|,& \left|\mathrm{\α}\right|\≤\mathrm{\β}\\ 0& \left|\mathrm{\α}\right|>\mathrm{\β}\end{array}\right.;$

${\mathrm{\&mu;}}_{O,E}\left(r\right)=\left\{\begin{array}{cc}1& r\&le;\frac{R}{3}\\ \frac{3(R-r)}{2R},& \frac{R}{3}<r\&le;R\end{array}\right.;$

μ_o(r，α)＝M₀[μ_o(r，s)+μ_o，E(α，β)+μ_o，E(r)]/3； 

μ_E(r，α)＝[μ_E(r，s)+μ_O，E(α，β)+μ_O，E(r)]/3； 

μ_U(r，α)＝1-μ_O(r，α)-μ_E(r，α)； 

其中，M₀表示栅格单元被占用的最大可能性，取值为小于1；其中s为传感器距离测量值，Δs是对障碍物距离S的误差估计范围，α为r相对于波束中轴线的夹角；β表示波束的锥形宽度半角；R表示传感器的最大探测距离； 

栅格g(i，j)是被占用或空闲的概率分别用P(占用)和P(空闲)表示，计算方法如下： 

P(占用)＝1-P(空闲)； 

每一个距离值对应5个元素{μ_o(r，α)，μ_E(r，α)，μ_U(r，α)，P(占用)；P(空 闲)}，对于3个距离值，则所述的一维数组具有15个元素。 

3)将所述的一维数组经神经网络处理，输出为条件概率向量O＝[O_occ，O_emp，O_uce]，分别表示栅格单元g(x，y)对应三种可能状态(障碍物，空区域，不确定)的概率值。 

4)根据坐标变换，将栅格单元g(i，j)从局部坐标系投影到全局坐标系对应的栅格单元g(x，y)；然后利用贝叶斯概率方法分别实现三种可能状态的概率更新，根据最大值法则，取可能状态的最大值为当前栅格的置信度。 

5)坐标更新到下一个栅格单元，如果栅格状态没有更新完，返回步骤1)；如果栅格状态更新完，则栅格地图创建已经完成。 

所述的神经网络解释模型共包括三层：输入层、隐含层和输出层；其中输入层的输入向量为所述的一维数组；所述的隐含层神经元的传递函数采用S型正切函数；所述的输出层采用的传递函数为S型对数函数，节点输出为[0，1]范围的概率值。 

所述的贝叶斯概率方法为： 

对于栅格单元m_i，j的三种可能状态的初始概率均为1/3，则经过测量数据序列S＝(s⁽¹⁾，…，s^(T))后，其中s⁽ⁿ⁾表示三个与当前计算栅格最相关的传感器测量值序列，对应集成概率分别如下： 

式中，P(占用_t)、P(空闲_t)、P(不确定_t)为考虑历史信息与当前信息后的最终栅格状态值，O_occ，O_emp，O_uce为当前神经网络数据融合输出，P(占用_t-1)、P(空闲_t-1)、P(不确定_t-1)为上一时刻最终栅格状态值，即先验概率，当t＝1时，P(占用_t-1)、P(空闲_t-1)、P(不确定_t-1)的值即为约定的初始概率1/3； 

最后对P(占用_t)、P(空闲_t)、P(不确定_t)取最大值，即为当前栅格的置信度。

所述的传感器为8个。 

8个传感器的相对于机器人前向的位置为：±10°、±30°、±50°和±90°。 

作为改进，取M₀＝0.95。 

本发明所具有的有益效果： 

本发明提出一种实时数据融合的移动机器人栅格地图创建方法，用于描述移动机器人所处环境的空与非空区域。首先人为将环境划分为若干个等大小的栅格，通过安装在移动机器人前端的声纳传感器得到距离信息；提取与当前计算栅格单元距离最近的三个声纳传感器在同一时刻的测量值，分别采用模糊逻辑和概率理论解释单个声纳数据，即根据距离信息用模糊逻辑表示某个栅格的占用、空和不确定，用概率理论表示某个栅格中出现障碍物占有的概率和空的概率。由此可得到一组特征向量，并作为神经网络的输入向量进行数据融合，神经网络的输出值为栅格空闲、被占用或不确定状态。最后采用贝叶斯规则更新栅格的状态。本发明移动机器人利用声纳测距仪获取环境信息，完成环境建模，从而为移动机器人后续的自主导航提供可靠的依据。 

与现有技术相比，本发明的优点就在于： 

①由于神经网络的训练基于样本，对新环境具有很快地自适应性； 

②对模糊逻辑、概率理论分别解释声纳数据的结果进行融合，有效结合了模糊逻辑解释模型鲁棒性高、概率理论解释模型精度高的优势； 

③可同时处理多个传感器信息，考虑了多个传感器对同一栅格的测量结果的影响，联合周围传感器信息可生成更为精确的结果，可很好地解决镜面反射以及其它不确定性问题。 

附图说明

图1本发明栅格地图创建方法原理图； 

图2移动机器人前向声纳环配置； 

图3声纳传感器模型； 

图4神经网络数据融合创建栅格地图； 

图5训练样本环境；

图6占用栅格获取样本样例。 

具体实施方式

以下结合附图对本发明作进一步说明。 

实施例1： 

本发明提出一种实时数据融合的移动机器人栅格地图创建方法，其系统原理图如图1所示。采用神经网络对概率理论、模糊逻辑解释的声纳数据不确定性进行信息融合，并考虑了多个声纳的空间相关性对同一栅格状态的影响，以建立环境栅格地图。 

图1中S0、S1、…、S7为安装在移动机器人前端的声纳传感器测距值，O_emp{x，y}、O_occ{x，y}、O_uce{x，y}分别为当前计算的栅格空闲概率、障碍物概率和不确定状态概率。 

移动机器人采用超声波测距传感器来完成环境建模，其前端安装有八个声纳测距传感器。图2中移动机器人声纳传感器的位置为：±10°、±30°、±50°和±90°，用于探测各自方向上障碍物的信息。 

当移动机器人在环境探索遍历过程中，一次采集声纳传感器测量数据序列和对应的机器人全局位置信息。然后以机器人为中心建立局部参考坐标系，基于声纳传感器测量数据创建局部地图。在局部地图创建中，对局部地图的某一特定栅格单元cell(i，j)，首先根据相应的该几何单元对应的空间位置信息选择方向最为相关的三个连续声纳传感器，以三个声纳传感器测距信息分别用模糊逻辑(模糊集{占用，空，不确定}描述)和概率理论(概率{障碍物，空}描述)解释可以得到15个解释数据，以此作为神经网络的输入。经过神经网络的解释处理后(如图4所示)，其对应神经网络的输出为条件概率向量O＝[O_occ，O_emp，O_uce]，分别表示栅格单元g(x，y)对应三种可能状态(障碍物，空区域，不确定)的概率值。在此基础上，根据坐标变换，将栅格单元g(i，j)从局部坐标系投影到全局坐标系对应得栅格单元g(x，y)。然后利用Bayesian概率模型分别实现三种可能状态的概率更新。 

声纳传感器模型、模糊逻辑解释声纳不确定性模型、概率理论解释声纳不确定性模型、神经网络融合创建栅格地图算法和贝叶斯更新栅格分别在1、2、3、4、5小节中阐述。 

1、声纳传感器模型 

说明：单束声纳基本模型视野由β和R确定，β表示锥形宽度半角，R表示最大探测距离。视野可以投影到一个正则网格上，由于网格每个单元都记录有对应的空间位置是空闲还是被占用信息，故叫做占用网格，也称占用栅格。如图3所示，视野可以分为三个区域。 

区域I：相关元素可能被占用； 

区域II：相关元素可能是空； 

区域III：相关元素情况未知； 

对于给定的距离读数，区域II的“空闲”比区域I“被占用”具有更大的可能性。无论是“空闲”还是“被占用”，沿着声波轴线方向的数据比朝着两边方向的数据更准确，部分原因是沿障碍物的一个边可能对声束产生镜面反射或者造成其他距离感知错误。 

虽然图3中的传感器模型是一种普遍选择，但在如何把模型转换为置信度数据方面却有很大的不同，下面分别介绍模糊逻辑、概率理论进行相关转换过程，便于后续神经网络进行数据融合。 

2、模糊逻辑解释声纳不确定性模型 

说明：模糊逻辑解释声纳不确定性模型的基本思想是建立3个模糊集{O、E、U}来表示地图中所有栅格的占用、空闲和未知状态。定义模糊向量T＝{μ_O，μ_E，μ_U}表示每个栅格处于3种状态的信度，栅格属于3种状态的隶属度和为1。 

算法： 

对于图3中，设声纳距离测量值为s，Δs是对障碍物距离s的误差估计范围。对于波束覆盖范围内的任一栅格单元g(i，j)到传感器的距离用r表示，相对于波束中轴线的夹角为α。以下公式(1)～(4)中，μ_o(r，s)，μ_E(r，s)为距传感器距离r在不同区域的栅格占用隶属度函数和空闲隶属度函数。μ_o，E(α，β)表示不同的波束轴线角的隶属度函数，μ_O，E(r)表示不同测量距离的隶属度函数。 

每个栅格单元被占用的隶属度函数μ_o(r，α)，栅格空闲隶属度函数μ_E(r，α)以及栅 格状态不确定隶属度函数μ_U(r，α)可由公式(5)～(7)计算所得。 

${\mathrm{\&mu;}}_o(r,s)=\left\{\begin{array}{cc}1-\left|\frac{s-r}{\mathrm{\&Delta;s}}\right|,& s-\mathrm{\&Delta;s}\&le;r\&le;s+\mathrm{\&Delta;s}\\ 0& \mathrm{others}\end{array}\right.---\left(1\right)$

${\mathrm{\&mu;}}_E(r,s)=\left\{\begin{array}{cc}1& 0\&le;r\&le;s-\mathrm{\&Delta;s}\\ \left|\frac{s-r}{\mathrm{\&Delta;s}}\right|,& s-\mathrm{\&Delta;s}\&le;r\&le;s\\ 0& r\&GreaterEqual;s\end{array}\right.---\left(2\right)$

${\mathrm{\&mu;}}_{o,E}(\mathrm{\&alpha;},\mathrm{\&beta;})=\left\{\begin{array}{cc}1-\left|\frac{\mathrm{\&alpha;}-\mathrm{\&beta;}}{\mathrm{\&beta;}}\right|,& \left|\mathrm{\&alpha;}\right|\&le;\mathrm{\&beta;}\\ 0& \left|\mathrm{\&alpha;}\right|>\mathrm{\&beta;}\end{array}\right.---\left(3\right)$

${\mathrm{\&mu;}}_{O,E}\left(r\right)=\left\{\begin{array}{cc}1& r\&le;\frac{R}{3}\\ \frac{3(R-r)}{2R},& \frac{R}{3}<r\&le;R\end{array}\right.---\left(4\right)$

μ_o(r，α)＝M₀[μ_o(r，s)+μ_o，E(α，β)+μ_o，E(r)]/3  (5) 

μ_E(r，α)＝[μ_E(r，s)+μ_o，E(α，β)+μ_O，E(r)]/3       (6) 

μ_U(r，α)＝1-μ_O(r，α)-μ_E(r，α)         (7) 

式(5)中的M₀表示栅格单元被占用的最大可能性，由于栅格被占用的可能性不会为100％，因此取M₀＝0.95。 

3、概率理论解释声纳不确定性模型 

说明：用概率函数来表示栅格被占用或空闲状态。 

算法： 

声纳只能观察一个事件：元素g(i，j)是被占用或空闲。这可以写为H＝{占用，空闲}。H事件真实发生的概率用P(H)表示： 

0≤P(H)≤1 

概率的一个重要性质是：如果知道P(H)，那么H没有发生概率P(-H)也就知道了，这可以表示为：

1-P(H)＝P(-H) 

P(H)和P(-H)形式的概率叫做无条件概率，仅仅提供一个先验信息，而没有考虑传感器读数s。对机器人来说，能根据传感器读数计算区域g(i，j)空闲或被占用概率的函数更加有用，这种概率叫条件概率。P(H|s)就是给定传感器具体读数s时，H事件实际发生的概率。条件概率也有这样的性质：P(H|s)+P(-H|s)＝1。 

对于图3区域I中每一个栅格单元： 

P(空闲)＝1-P(占用)          (9) 

r、α的含义与模糊逻辑解释声纳不确定性模型中的一致，M₁表示被占用单元读数永远不会使占用置信度为100％，取M₁＝0.98。 

对于图3区域II中每一个栅格单元： 

P(占用)＝1-P(空闲)           (10) 

与区域I栅格单元不同，区域II元素空闲概率可达到1。 

4、神经网络数据融合创建栅格地图 

说明：在栅格地图创建中，声纳传感器的测量数据必须解释映射为相关位置单元g(x，y)的置信度。然而，声纳传感器存在多重反射、镜面反射、角精度低等问题，很难建立精确的数学模型用于解释声纳数据。由于训练后的多层神经网络可逼近任何概率分布，因此可利用训练后的神经网络实现声纳测量数据到栅格概率的映射。 

算法： 

1)神经网络结构 

如图4所示，本发明提出的神经网络解释模型共包括三层：输入层、一个隐含层和输出层。以下详细讨论各层的设计与实现。

(1)输入层 

神经网络的输入向量包含15个元素。对于给定栅格单元g(i，j)，选择以机器人中心与栅格单元中心线方向最相关的左右共三个声纳传感器同一时刻获取到的3个声纳测量数据。然后，按照单声纳传感器的模糊逻辑解释模型计算每个声纳测量数据对栅格单元g(i，j)的解释，共三组模糊集表示栅格的状态，即T₁＝{μ_O1，μ_E1，μ_U1}、 

T₂＝{μ_O2，μ_E2，μ_U3}、T₃＝{μ_O3，μ_E3，μ_U3}；按照单声纳传感器的概率理论解释模型计算每个声纳测量数据对栅格单元g(i，j)的状态，共三组概率值表示栅格的状态，即P₁＝{P_O1，P_E1}、P₂＝{P_O2，P_E2}、P₃＝{P_O3，P_E3}。将这六组数据共15个元素作为神经网络的输入，如下： 

ρ＝{μ_O1，μ_E1，μ_U1，μ_O2，μ_E2，μ_U2，μ_O3，μ_E3，μ_U3，P_O1，P_E1，P_O2，P_E2P_O3P_E3}^T

(2)隐含层 

隐含层的神经元个数设计为31个，隐含层的神经元个数并不是固定的，在实际训练中根据需要调整。隐含层神经元的传递函数采用S型正切函数。 

(3)输出层 

输出层有3个节点，输出值分别为O＝[O_occ，O_emp，O_uce]，表示栅格单元对应的三种可能状态。其中第一个输出节点表示栅格单元为占用状态的概率值为O_occ，第二个输出节点表示栅格单元为空闲状态的概率值为O_emp，第三个输出节点表示栅格单元为不确定状态的概率值为O_uce。该网络层所采用的传递函数为S型对数函数，节点输出仍为[0，1]范围的概率值。 

2)神经网络训练 

神经网络训练是神经网络的非常重要的步骤，一旦网络训练完成，由于神经网络自身的鲁棒性和自适应性，即可用于多种不同的环境中。以下详细介绍关于声纳解释网络所涉及的训练样本和训练算法。 

(1)训练样本 

根据图4所示的神经网络模型，训练数据样本的形式如下： 

<μ_O1，μ_E1，μ_U1，μ_O2，μ_E2，μ_U2，μ_O3，μ_E3，μ_U3，P_O1，P_E1，P_O2，P_E2，P_O3，P_E3，O_occ，O_emp，O_uce>

其中<μ_O1，μ_E1，μ_U1>、<μ_O2，μ_E2，μ_U2>、<μ_O3，μ_E3，μ_U3>分别表示机器人中心与栅格单元中心线方向最相关的左右共三个声纳传感器同一时刻获取的3个声纳测量数据，按照单声纳传感器的模糊逻辑解释模型计算每个声纳测量数据对栅格单元g(i，j)的解释；<P_O1，P_E1>、<P_O2，P_E2>、<P_O3，P_E3>分别表述用概率理论对上述三个传感器同一时刻获取到的3个声纳测量数据的解释；栅格单元g(i，j)的期望输出用<O_occ，O_emp，O_uce>表示，分别对应于占用、空闲与不确定状态的输出，其可能输出值为[1，0，0]，[0，1，0]，[0，0，1]。 

训练样本的采集过程如下。将机器人放入已知室内环境下(即机器人位置、周围障碍物位置已知)，通过机器人直线运动、旋转运动，随机连续多次采集机器人位姿和声纳传感器测量数据，而<O_occ，O_emp，O_uce>为考虑到栅格单元与障碍物空间信息计算所得cell(i，j)的真实空间状态对应输出。 

图5为实际训练环境表示。采用的声纳测距范围为R＝300cm，波束角β＝15°，公差为15cm，栅格大小定为10cm×10cm。 

下面通过例子说明样本的获取。 

如图6所示占用栅格覆盖了一个30×24单位的区域，也就可以表示为一个30×24的二维数组，考虑特定栅格g[7][11](图中黑圆点所示)，机器人位置在g[27][11](图中黑方点所示)，即r＝200cm。同一时刻获取8个声纳的测量数据，与特定栅格g[7][11]位置最相关的声纳数据为图2中位于±10°、30°的声纳数据(也可以用位置在-30°的声纳数据替换位置在30°的声纳所获取数据，因为此时栅格与这两个传感器等距)。 

●对于位置为10°的声纳，所得到距离信息为s＝210cm，α＝-10°，其中|α|≤|β|，r≤s±公差，栅格单元在声纳模型夹角的区域内，同时在距离读数上限范围内，属于测量值影响范围内。 

套用公式(1)～(7)可得到对此声纳数据用模糊逻辑表示的该栅格状态为T₁＝{0.367，0.475，0.158}；因为处于区域I，套用公式(8)～(9)用概率理论表示的该 栅格状态为P₁＝{0.327，0.673}。 

●对于位置为-10°的声纳，所得到距离信息为205cm，α＝10°，其中|α|≤|β|，r≤s±公差，栅格单元在声纳模型夹角的区域内，同时在距离读数上限范围内，属于测量值影响范围内。套用公式(1)～(7)可得到对此声纳数据用模糊逻辑表示的该栅格状态为T₂＝{0.475，0.367，0.158}；因为处于区域I，套用公式(8)～(9)用概率理论表示的该栅格状态为P₂＝{0.327，0.673}。 

●对于位置为30°的声纳，所得到距离信息为110cm，α＝-30°。其中|α|>|β|，r<s+公差，虽然在距离读数上限范围内，但栅格单元在声纳模型夹角的区域外，故不属于测量值影响范围内，对于此声纳数据用模糊逻辑表示的该网格状态为T₃＝{0，0，1}，用概率理论表示的该栅格状态为P₃＝{0，1}。 

●实际中此栅格为占用，故有O＝[1，0，0]。 

这样得到一个样本数据，由T₁、T₂、T₃、P₁、P₂、P₃、O组成，如下所示： 

<0.367，0.475，0.158，0.475，0.367，0.158.0，0，1，0.327，0.673，0.327，0.673，0，1，1，0，0>其余样本可以由相同方法产生。 

(2)神经网络训练算法 

在本文神经网络训练中，采用经典的Levenberg-Marquardt算法对神经网络进行训练，学习率为0.01，选用通用的近似均方差函数作为性能指标函数，当误差为2.5×10^-5时训练结束。 

5、贝叶斯更新栅格 

当神经网络训练结束后，移动机器人在空间环境中沿障碍物边缘行走遍历，获取空间环境信息，并利用神经网络对所采集的传感器阵列进行解释。因此对同一栅格单元，可能存在不同时刻的多个解释。为获得更为准确的解释，需要对这些数据进行集成。为避免计算的复杂性，保证地图创建算法的增进式处理，集成方式仍采用Bayesian(贝叶斯)集成模型。 

由于本神经网络模型同时输出关于栅格单元三种状态的概率，因此在地图创建过程 中，分别对栅格单元的三种状态概率历史数据进行集成。对于栅格单元m_i，j的三种可能状态的初始概率均为1/3，则经过测量数据序列S＝(s⁽¹⁾，…，s^(T))后(其中s⁽ⁿ⁾表示三个与当前计算栅格最相关的传感器测量值序列)，对应集成概率分别如下： 

式中，P(占用_t)、P(空闲_t)、P(不确定_t)考虑历史信息与当前信息后的最终栅格状态值，O_occ，O_emp，O_uce为当前神经网络数据融合输出，P(占用_t-1)、P(空闲_t-1)、P(不确定_t-1)为上一时刻最终栅格状态值，即先验概率，当t＝1时(第一次计算)，P(占用_t-1)、P(空闲_t-1)、P(不确定_t-1)的值即为约定的初始概率1/3。 

最后对P(占用_t)、P(空闲_t)、P(不确定_t)取最大值，即为当前栅格的置信度。

Claims (5)

1.一种实时数据融合的移动机器人栅格地图创建方法，其特征在于，包括以下步骤：

1)将局部栅格地图坐标(i，j)初始化，并通过移动机器人上的多个传感器获取的障碍物与移动机器人之间的距离值；

2)将所述的距离值中的数值最小的3个距离值用模糊逻辑及概率理论解释排列为一维数组；即对每一个距离值建立3个模糊集{O、E、U}来表示地图中栅格的占用、空闲和未知状态；定义模糊向量T＝{μ_O，μ_E，μ_U}表示每个栅格处于3种状态的可信度，栅格属于3种状态的隶属度和为1；

μ_o(r，s)，μ_E(r，s)为栅格g(i，j)距传感器距离r在不同区域的栅格占用隶属度函数和空闲隶属度函数；μ_o，E(α，β)表示不同的波束轴线角的隶属度函数，μ_O，E(r)表示不同测量距离的隶属度函数；

每个栅格单元被占用的隶属度函数μ_o(r，α)，栅格空闲隶属度函数μ_E(r，α)以及栅格状态不确定隶属度函数μ_U(r，α)按以下计算所得：

${\mathrm{\&mu;}}_E(r,s)=\left\{\begin{array}{c}1\\ \left|\frac{s-r}{\mathrm{\&Delta;s}}\right|\\ 0\end{array}\right.,\begin{array}{c}0\&le;r\&le;s-\mathrm{\&Delta;s}\\ s-\mathrm{\&Delta;s}\&le;r\&le;s\\ r\&GreaterEqual;s\end{array}$

${\mathrm{\&mu;}}_{o,E}(\mathrm{\&alpha;},\mathrm{\&beta;})=\left\{\begin{array}{c}1-\left|\frac{\mathrm{\&alpha;}-\mathrm{\&beta;}}{\mathrm{\&beta;}}\right|\\ 0\end{array}\right.,\begin{array}{c}\left|\mathrm{\&alpha;}\right|\&le;\mathrm{\&beta;}\\ \left|\mathrm{\&alpha;}\right|>\mathrm{\&beta;}\end{array};$

${\mathrm{\&mu;}}_{O,E}\left(r\right)=\left\{\begin{array}{c}1\\ \frac{3(R-r)}{2R}\end{array}\right.,\begin{array}{c}r\&le;\frac{R}{3}\\ \frac{R}{3}<r\&le;R\end{array}$

μ₀(r，α)＝M₀[μ₀(r，s)+μ_0，E(α，β)+μ_0，E(r)]/3；

μ_E(r，α)＝[μ_E(r，s)+μ_O，E(α，β)+μ_O，E(r)]/3；

μ_U(r，α)＝1-μ_O(r，α)-μ_E(r，α)；

其中，M₀表示栅格单元被占用的最大可能性，取值为小于1；其中s为传感器距离测量值，Δs是对障碍物距离S的误差估计范围，α为r相对于波束中轴线的夹角；β表示波束的锥形宽度半角；R表示传感器的最大探测距离；

栅格g(i，j)是被占用或空闲的概率分别用P(占用)和P(空闲)表示，计算方法如下：

P(占用)＝1-P(空闲)；

每一个距离值对应5个元素{μ_o(r，α)，μ_E(r，α)，μ_U(r，α)，P(占用)；P(空闲)}，对于3个距离值，则所述的一维数组具有15个元素；

3)将所述的一维数组经神经网络处理，输出为条件概率向量O＝[O_occ，O_emp，O_uce]，分别表示栅格单元g(i，j)对应障碍物、空区域、不确定这三种可能状态的概率值；

4)根据坐标变换，将栅格单元g(i，j)从局部坐标系投影到全局坐标系对应的栅格单元g(x，y)；然后利用贝叶斯概率方法分别实现三种可能状态的概率更新，根据最大值法则，取可能状态的最大值为当前栅格的置信度；

5)坐标更新到下一个栅格单元，如果栅格状态没有更新完，返回步骤1)；如果栅格状态更新完，则栅格地图创建已经完成；

所述的神经网络共包括三层：输入层、隐含层和输出层；其中输入层的输入向量为一维数组；隐含层神经元的传递函数采用S型正切函数；输出层采用的传递函数为S型对数函数，节点输出为[0，1]范围的概率值。

2.根据权利要求1所述的实时数据融合的移动机器人栅格地图创建方法，其特征在于，所述的贝叶斯概率方法为：

对于栅格单元m_i，j的三种可能状态的初始概率均为1/3，则经过测量数据序列S＝(s⁽¹⁾，…，s^(T))后，其中s⁽ⁿ⁾表示三个与当前计算栅格最相关的传感器测量值序列，对应集成概率分别如下：

式中，P(占用_t)、P(空闲_t)、P(不确定_t)为考虑历史信息与当前信息后的最终栅格状态值，O_occ，O_emp，O_uce为当前神经网络数据融合输出，P(占用_t-1)、P(空闲_t-1)、P(不确定_t-1)为上一时刻最终栅格状态值，即先验概率，当t＝1时，P(占用_t-1)、P(空闲_t-1)、P(不确定_t-1)的值即为约定的初始概率1/3；

最后对P(占用_t)、P(空闲_t)、P(不确定_t)取最大值，即为当前栅格的置信度。

3.根据权利要求1所述的实时数据融合的移动机器人栅格地图创建方法，其特征在于，所述的传感器为8个。

4.根据权利要求3所述的实时数据融合的移动机器人栅格地图创建方法，其特征在于，所述8个传感器的相对于机器人前向的位置为：±10°、±30°、±50°和±90°。

5.根据权利要求1至4任一项所述的实时数据融合的移动机器人栅格地图创建方法，其特征在于，取M₀＝0.95。

Images