CN102288176B - 基于信息融合的煤矿救灾机器人导航系统及方法 - Google Patents

Abstract

本发明公开了一种基于信息融合的煤矿救灾机器人导航系统及方法，由超声波模块1、视觉模块2和惯性模块3组成信息采集模块，信息采集模块采集的信息经过信息处理模块的处理，实现路径规划，提出了改进的神经网络-扩展卡尔曼滤波法(NNEKF)，该算法能有效地解决信息融合不匹配的问题，改善了算法的收敛性和实时性，并通过反馈环节的设计，减少了导航系统及方法的误差，该导航系统及方法能有效地提高煤矿救灾机器人的导航能力。

Description

基于信息融合的煤矿救灾机器人导航系统及方法

技术领域

本发明涉及一种机器人导航系统及方法，具体是应用于煤矿救灾机器人的，采用多传感器信息融合技术的导航系统及方法。

背景技术

我国是煤炭生产和消费大国，在我国能源工业中，煤炭在我国一次能源生产和消费结构中占70％左右。据全国能源工作会议预测，到“十二五”末，我国煤炭消费总量将超过40亿吨，其中国内产量将超过38亿吨，我国煤炭产量将占全球总产量的50％。煤炭产量的不断加大，加上煤矿自然条件差，技术相对落后和管理欠缺等方面的原因，造成矿井灾害事故频发，人员伤亡惨重。煤矿瓦斯、煤尘等爆炸事故发生后，如果存在着火点，极易发生二次爆炸等事故，抢险人员很难在第一时间进入灾区，延误了救援工作的开展。如果由煤矿救灾机器人先行进入井下，探测事故破坏和环境情况，将瓦斯浓度、有害气体含量、被困或者遇难人员的情况、现场坍塌情况等信息反馈到控制中心，这样可以提高应急抢险能力，并对井上决策提供建议。

目前，常用的导航方式有GPS、同时定位与地图构建(simultaneouslocalization and mapping，SLAM)、路标导航、惯性导航、罗盘导航、红外线导航、超声波导航、视觉导航等。

(1)GPS导航：GPS导航是适用于室外机器人的一种全局导航系统，由于煤矿救灾机器人多工作在井下环境中，煤矿井下救灾机器人无法采用GPS进行导航。

(2)同时定位与地图构建：是在未知环境中依靠传感器所获取的信息进行环境建模，利用所创建的环境地图估计位姿，但是这种方法在如何控制机器人的运动问题还没有得到很好的解决。

(3)路标导航：利用预先设置的路标进行导航，由于煤矿井下一旦发生爆炸事故后，预先设置的路标极可能受到破坏，该方法在煤矿井下使用受到限制。

(4)惯性导航：是一种不依赖于任何外界环境进行的自主式导航，通过累积获得位置信息的，因此存在累积误差。

(5)罗盘导航：利用磁罗盘能够测量移动机器人的绝对方向，但在移动机器人靠近铁磁物质时误差较大，同时还存在测量精度和响应速度低的问题。

(6)红外线导航、超声波导航：都是利用发射脉冲进行导航的，由于煤层对脉冲的吸收比较大，发射信号的传输损耗大，发射功率易受到影响。

(7)视觉导航：具有获取信息完整，探测范围宽等优点，在机器人导航中占有重要地位，缺点是由于视觉图像处理时间长，实时性较差。

在煤矿井下，由于巷道环境复杂，单一传感器采集到的导航信号具有局部性和片面性，难以保证信息的准确性和可靠性，导致机器人无法对环境信息做出准确的判断，而采用多传感器信息融合的导航技术可以同时提供煤矿井下受灾环境特征的冗余信息、互补信息，多种信息可快速分析当前场景，从而保证救灾机器人准确、快速地完成导航任务。为了充分利用各种传感器的信息，改善导航精度，需要采用融合算法对传感器信息进行融合处理。多传感器是信息融合的硬件基础，多传感器采集到的信息数据是融合的处理对象。常用的信息融合方法有，适用于动态环境的加权平均法、扩展卡尔曼滤波(EKF：ExtendedKalman Filter)法，适用于静态环境的贝叶斯估计法、D-S论证推理法、神经网络与模糊推理法等。

中国专利申请号200910087237.7，公开日2009年11月11日，公开了一种基于视觉信息校正的室内移动机器人实时导航方法，该方法采用里程计和视觉传感器采集信息，构造卡尔曼滤波器进行数据融合，进行导航。煤矿井下灾后环境不确定性信息较多，光线昏暗，里程计和视觉传感器采集到的信息量有限，同时卡尔曼滤波器存在信息融合不匹配的问题。

中国专利申请号200810143134.3，公开日2009年1月28日，公开了一种未知环境下移动机器人多行为融合自动导航方法，该方法根据目标和移动机器人的相对位置实时获取当前的方位角，根据障碍物状况获取距离参数，利用模糊控制器和环境辨识控制器分析数据，进行导航。该方法自适应强，导航可靠性高，由于煤矿井下的非结构化环境中，不确定性信息种类多、数据量大，模糊控制的导航系统应用在煤矿救灾机器人中，收敛性能较差。

中国矿业大学研究的CUMT-II号煤矿救灾机器人，采用双目视觉和阵列超声传感器进行路径规划，结合红外传感器对突发障碍物紧急刹车。这种导航方式的可靠性能满足煤矿井下的要求。但是，如何对多个传感器的信息的不一致性进行融合，以及减少观测误差和融合误差是煤矿救灾机器人导航系统及方法需要解决的一个关键问题。

可见现有的导航技术在煤矿井下非结构化环境中应用还需改进，因此，研究适合煤矿井下救灾机器人的导航系统及方法具有重要的意义。

发明内容

为了满足煤矿井下非结构化环境的需求，本发明提供了一种基于信息融合的煤矿救灾机器人导航系统及方法。本发明与以往的导航系统及方法相比，采用超声波导航、视觉导航和惯性导航设计了适用于煤矿救灾机器人的多传感器融合的导航系统及方法，提出了改进的神经网络-扩展卡尔曼滤波法(NNEKF：Neural network Extended Kalman Filter)，该算法能有效地解决信息融合不匹配的问题，提高了系统的收敛性和实时性，减少了误差。

以下对本发明的方法加以论述。

基于信息融合的煤矿救灾机器人导航系统及方法，包括以下模块：

信息采集模块，采集煤矿救灾机器人的导航信息，其中所述导航信息包括障碍物识别信息、路标识别信息、景物识别信息、机器人的位置速度信息和机器人的姿态信息；

信息处理模块，将所述信息采集模块采集到的障碍物识别信息、路标识别信息、机器人的位置速度信息经过融合、定位，和机器人的姿态信息共同进行局部路径规划，获得局部路径规划信息，景物识别信息经过环境建模进行全局路径规划，获得全局路径规划信息；

机器人控制模块，局部路径规划信息和全局路径规划信息通过机器人控制模块的处理，控制机器人进行自主导航。

所述的导航系统，进一步包括防爆模块，防爆模块采用正压兼本质安全型的混合防爆方式。

所述的导航系统，所述信息采集模块进一步包括超声波模块、视觉模块和惯性模块，障碍物识别信息和路标识别信息由超声波模块和视觉模块采集，景物识别信息由视觉模块采集，位置速度信息由惯性模块的加速度计采集，姿态信息由惯性模块的光纤陀螺采集。

所述的导航系统，超声波模块和视觉模块采集的导航信息对惯性模块采集的导航信息进行修正。

所述的导航系统，所述信息处理模块中的所述融合采用改进的神经网络-扩展卡尔曼滤波法(NNEKF)，其步骤为：

步骤一：利用输入样本数据库训练BP神经网络A，利用学习样本的输入为预测状态与当前状态扩展卡尔曼滤波器(EKF)的增益，输出为期望数据训练BP神经网络B；

步骤二：将信息采集模块采集到的煤矿救灾机器人导航信息作为输入信号，由BP神经网络A进行学习推理，BP神经网络A的输出信号作为扩展卡尔曼滤波器(EKF)的输入信号；

步骤三：系统的状态方程和输出方程为非线性信号，通过泰勒公式展开变换成线性信号；

步骤四：经过扩展卡尔曼滤波器(EKF)的时间更新和测试更新，得到系统的状态方程X(k+1)的线性估计

步骤五：线性估计

经过BP神经网络B处理后，得到修正的线性估计

作为系统的输出信号；

步骤六：把修正的误差信号输入到BP神经网络A，对其进行再训练。

所述的导航系统，改进的神经网络-扩展卡尔曼滤波法(NNEKF)利用BP神经网络A对信息采集模块采集的导航信息进行特征层匹配融合。

所述的导航系统，改进的神经网络-扩展卡尔曼滤波法(NNEKF)利用扩展卡尔曼滤波法和BP神经网络结合的算法对信息采集模块采集的导航信息进行决策层融合。

与现有技术相比，本发明的优点在于：

(1)本发明采用了基于超声波导航、视觉导航和惯性导航的多传感器融合的煤矿救灾机器人导航系统及方法，充分融合了超声波导航、视觉导航和惯性导航的各自优点，提高了导航系统的可靠性，增强了数据的可信度以及系统的分辨力。

(2)本发明采用了正压兼本质安全型的混合防爆设计，混合防爆设计的质量轻，既保证了导航系统的安全，又使机器人具有良好的运动性能。

(3)本发明采用了改进的NNEKF算法，提高了算法的收敛性和信息融合的匹配性，同时弥补了当数据量增大时EKF算法的实时性差的缺点。

(4)本发明在改进的NNEKF算法中，利用BP神经网络A进行特征层匹配融合，提高了数据融合的匹配度。

(5)本发明在改进的NNEKF算法中，把修正的估计误差

作为输入值，返回BP神经网络A中，进行修正，可以提高算法的收敛速度。

附图说明

图1是煤矿救灾机器人多传感器融合导航系统及方法结构框图

图2是改进的NNEKF算法组成框图

图3是三层BP神经网络结构图

图4是改进的NNEKF算法实现框图

图5是EKF算法仿真结果图

图6是改进的NNEKF算法仿真结果图

图中，1、超声波模块；2、视觉模块；3、惯性模块；4、加速度计；5、光纤陀螺；6、障碍物识别信息；7、路标识别信息；8、景物识别信息；9、位置速度信息；10、姿态信息；11、融合；12、定位；13、局部路径规划；14、环境建模；15、全局路径规划；16、机器人控制模块；17、输入；18、BP神经网络A；19、扩展卡尔曼滤波器(EKF)；20、BP神经网络B；21、输出；22、输入层；23、隐含层；24、输出层。

具体实施方式

下列实施实例将进一步说明本发明，实施实例不应被视为限制本发明的范围。下面结合附图和实施实例对本发明的工作方式做详细说明。

如图1所示，是煤矿救灾机器人多传感器融合导航系统及方法结构框图。

超声波模块1是利用发射波和接收波之间的时间差进行测距。

测量公式为：其中，d为机器人与被测障碍物的距离，C为声波在介质中的传播速度，T为发射波和接收波之间的时间差。

采用三对超声换能器，分别安置在机器人的正前方、左前方、右前方。超声波导航的优点是测距方式原理简单，测距范围宽，可以从几厘米到几十米，信息处理速度快，易做到实时控制。缺点是波束较宽，其分辨力受到严重的限制，而且只能采集到距离信息，不能得到边界、形状细节等信息，同时由于发射的冲击电流，易引起煤矿井内瓦斯二次爆炸，因此对传感器的防爆设计要求较高。

视觉模块2采用三目视觉导航。三目视觉导航可以根据同一景物在三个CCD摄像机上的成像的视差可以计算出环境的深度，得到立体信息。在煤矿井下救灾机器人导航中，视觉传感器在煤矿井下光线暗的地方使图像的质量下降，可以采用矿灯照明等方法来弥补其不足。

惯性模块3完全依靠自身的机载设备完成自主导航，不依赖于任何外部的信息，隐蔽性好，适用于煤矿井下灾后恶劣的工作环境。惯性导航通过惯性器件测量机器人在惯性坐标系的线加速度和角加速度，将其对时间进行积分，可以在时间坐标系中得到机器人的速度、偏移角和位置信息等。由于惯性导航是通过累积获得位置和方向信息的，在工作过程中测量的精度会下降，累积误差不断增加。加速度计4和光纤陀螺5惯性器件，适用于煤矿井下作业环境。

障碍物识别信息6和路标识别信息7由超声波模块1和视觉模块2采集，景物识别信息8由视觉模块2采集，位置速度信息9由惯性模块3的加速度计4采集，姿态信息10由惯性模块3的光纤陀螺5采集。

信息处理模块把障碍物识别信息6、路标识别信息7、位置速度信息9经过融合11、定位12，和反映机器人当前状况的姿态信息10共同实现局部路径规划13，景物识别信息8经过环境建模14实现全局路径规划15。

局部路径规划13和全局路径规划15信息通过机器人控制模块16的处理，控制机器人进行自主导航。同时超声波模块1和视觉模块2采集的导航信息对惯性模块3采集的导航信息进行修正。

基于超声波导航、视觉导航和惯性导航的多传感器融合技术充分融合了超声波导航、视觉导航和惯性导航的各自优点，提高了导航系统的可靠性，增强了数据的可信度以及系统的分辨力。

煤矿救灾机器人导航系统的防爆模块设计尽量达到体积小、质量轻的特点，这样机器人才具有良好的运动性能。综合考虑以上因素，采用正压兼本质安全型防爆设计。具体实施方案如下：

(1)超声波模块1的超声波接收传感器、超声波发射传感器，视觉模块2的CCD摄像头，惯性模块3的加速度计4、光纤陀螺5，这些环境探测设备与外界环境直接接触，设计成本质安全型防爆方式。

(2)其他的电路处理模块、机器人控制模块16，布置在正压外壳内，由压缩机向正压外壳内提供保护气，保持内部气压大于外界环境气压，阻止外界环境中爆炸性气体进入正压外壳内。

如图2所示，是改进的NNEKF算法组成框图。

结合煤矿井下非结构化环境下，不确定性信息种类多、数据量大的特点，采用反向传播网络(BP：back propagation network)与EKF法相结合的算法，并对算法进行改进，提出了改进的NNEKF算法。信息融合主要在数据层、特征层和决策层三个不同的层次上进行融合。由于数据层存在数据处理量大的缺点，不进行数据层的融合，而采用将特征层和决策层结合的融合方式。

首先利用BP神经网络在学习、分类和优化上的巨大优势，可将煤矿井下不确定环境的非线性信息，经过BP神经网络A18学习推理，进行特征层匹配融合；再利用扩展卡尔曼滤波器(EKF)19和BP神经网络A18、BP神经网络B20结合的算法进行决策层融合，得到输出结果。BP神经网络的引用，不仅可以提高算法的收敛性和信息融合的匹配性，同时弥补了当数据量增大时EKF算法的实时性差的缺点。

如图3所示，是三层BP神经网络结构图。

BP神经网络是前馈型神经网络，通过最速下降法来不断调整网络的权值，使误差平方和最小。目前，应用中最典型的是三层BP神经网络结构，包括输入层22、隐含层23、输出层24。

设系统输入向量为X＝[x₁，x₂，…，x_n]^T，经过隐含层23的输出向量为T＝[t₁，t₂，…，t_m]^T，系统输出向量为Y＝[y₁，y₂，…，y_l]^T，期望输出为D＝(d₁，d₂，…，d_l)^T，输入层22与隐含层23之间的权值矩阵为a＝[a₁，a₂，…，a_m]^T，隐含层23与输出层24之间的权值矩阵为b＝[b₁，b₂，…，b_l]^T。

在煤矿救灾机器人的动态导航过程中，随着CCD的运动，特征点在CCD坐标系中的运动速度表示为

其中：x′、y′、z′分别表示由超声波测得的特征点沿坐标轴X、Y、Z轴方向的线速度；

θ′_f、φ′_f分别表示CCD绕X、Y、Z轴的角速度，由陀螺仪测出机器人的角速度

θ′、φ′经变换得到；x′_f、y′_f、z′_f分别表示CCD沿X、Y、Z轴方向的线速度；(x，y，z)表示特征点在坐标系中的位置。

对于具有超声波导航、视觉导航和惯性导航系统的煤矿救灾机器人，定义系统状态X为16维向量，输出状态Y为导航系统的测量值构成的13维向量。

其中：x″、y″、z″分别表示特征点沿坐标轴X、Y、Z轴方向的加速度，q₁、q₂、q₃、q₄分别表示描述移动机器人方向的四元数。

BP神经网络的目的就是求误差能量的最小值，

$E=\mathrm{\Σ}\frac{1}{2}{(Y-D)}^2---\left(3\right)$

即使(3)式的值最小。BP神经网络的学习过程包括正向传播和误差反向传播两部分。正向传播是指输入信号经输入层22、隐含层23的处理，到输出层24输出。输出信号Y与期望输出D不符的话，则转入反向传播，即输出误差信号经过隐含层23到达输入层22。反向传播可以将误差信号分配到各层的每个单元中，相当于将各层每个单元的误差信号进行修正，实质上是一个权值修正的过程，从而使误差能量E达到最小。

如图4所示，是改进的NNEKF算法实现框图。

步骤一：利用输入样本数据库训练BP神经网络A，利用学习样本的输入为预测状态与当前状态扩展卡尔曼滤波器(EKF)的增益，输出为期望数据训练BP神经网络B；

步骤二：将导航系统采集到的原始信号作为输入信号，由BP神经网络A进行学习推理，BP神经网络A的输出信号作为扩展卡尔曼滤波器(EKF)的输入信号；

步骤三：系统的状态方程和输出方程为非线性信号，通过泰勒公式展开变换成线性信号；

输入的信号经过BP神经网络A处理后，设系统的状态方程X(k+1)和输出方程Y(k)为

$\left\{\begin{array}{c}X(k+1)=A[x\left(k\right),k]+B[x\left(k\right),k]W\left(k\right)\\ Y\left(k\right)=C[x\left(k\right),k]+V\left(k\right)\end{array}\right.---\left(4\right)$

其中：A为13维可微向量方程，表示系统的状态矩阵；B为13维可微向量方程，表示噪声到系统的映射矩阵；C为13维可微向量方程，表示系统输出矩阵；W和V为相对独立的、均值为零的高斯白噪声向量，分别描述系统噪声和测量噪声。

A和C为非线性矩阵，EKF算法就是把非线性矩阵A和C分别围绕滤波值

和预测值展开成泰勒级数，只保留二次以下的项，得到线性化模型。

把状态方程中的A围绕滤波值

进行泰勒展开，得

$X(k+1)\≈A\left[\hat{X}\left(k\right|k,k)\right]+\frac{\∂A}{\∂X}{|}_{X\left(k\right)=\hat{X}\left(k\right|k)}[X\left(k\right)-\hat{X}\left(k\right|k)]+B\left[\hat{X}\left(k\right|k)\right]W\left(k\right)---\left(5\right)$

令 $\mathrm{\Γ}[k+1|k]=\frac{\∂A}{\∂X}{|}_{X\left(k\right)=\hat{X}\left(k\right|k)},$ $g\left(x\right)=A[\hat{X}\left(k\right|k),k]-\frac{\∂A}{\∂X}{|}_{X\left(k\right)=\hat{X}\left(k\right|k)}\hat{X}\left(k\right|k),$ 则

$X(k+1)=\mathrm{\Γ}[k+1|k]X\left(k\right)+g\left(x\right)+B[\hat{X}\left(k\right|k)]W\left(k\right)---\left(6\right)$

把输出方程中的C围绕预测值

进行泰勒展开，得

$Y\left(k\right)\≈C[\hat{X}\left(k\right|k-1),k]+\frac{\∂C}{\∂X}{|}_{X\left(k\right)=\hat{X}\left(k\right|k-1)}[X\left(k\right)-\hat{X}\left(k\right|k-1)]+V\left(k\right)---\left(7\right)$

令 $P\left(k\right)=\frac{\∂C}{\∂X}{|}_{X\left(k\right)=\hat{X}\left(k\right|k-1)},$ $h(k+1)=C[\hat{X}\left(k\right|k-1),k]-\frac{\∂C}{\∂X}{|}_{X\left(k\right)=\hat{X}\left(k\right|k-1)}\hat{X}\left(k\right|k-1),$ 则

Y(k)＝P(k)X(k)+h(k)+V(k)                    (8)

式(6)和式(8)构成了系统的状态方程和输出方程的线性化模型。

步骤四：经过扩展卡尔曼滤波器(EKF)的时间更新和测试更新，得到系统的状态方程X(k+1)的线性估计

最优卡尔曼滤波问题是已知输出序列Y(0)，Y(1)，…Y(k+1)，要求找出X(k+1)的线性估计使估计误差 $\tilde{X}(k+1|k+1)=X(k+1|k+1)-\hat{X}(k+1|k+1)$ 的方差最小，即

$E\left[\tilde{X}(k+1|k+1){\tilde{X}}^T(k+1|k+1)\right]=\min ---\left(9\right)$

$\hat{X}(k+1|k+1)=\hat{X}(k+1|k)+K(k+1)\{Y(k+1)-C[\hat{X}(k+1|k),k+1\left]\right\}---\left(10\right)$

其中：K(k+1)为待定的最优增益阵。

$\hat{X}(k+1|k)=A[\hat{X}\left(k\right|k),k]---\left(11\right)$

K(k+1)＝S(k+1|k)C^T(k+1)[C(k+1)S(k+1|k)C^T(k+1)+R_k+1]^-1(R为对称的正定矩阵)

                                                                    (12)

$S(k+1|k)$

$=E\left[\tilde{X}(k+1|k){\tilde{X}}^T(k+1|k)\right]$

                                    (13)

$=E\left\{{[\mathrm{\Γ}(k+1,k)\tilde{X}\left(k\right|k)+B(k+1,k)W\left(k\right)][\mathrm{\Γ}(k+1,k)\tilde{X}\left(k\right|k)+B(k+1,k)W\left(k\right)]}^T\right\}$

$=\mathrm{\Γ}(k+1,k)S\left(k\right|k){\mathrm{\Γ}}^T(k+1,k)+B(k+1,k)Q_k{B}^T(k+1,k)$

(Q为对称的非负定矩阵)

估计误差方差为

$S(k+1|k+1)=E\left[\tilde{X}(k+1|k+1){\tilde{X}}^T(k+1|k+1)\right]---\left(14\right)$

$=[I-K(k+1)C(k+1)S(k+1|k)]$

其中：滤波值初始值为 $\hat{X}\left(0\right|0)=E\left[X\left(0\right|0)\right]=m_0.$

步骤五：线性估计经过BP神经网络B处理后，得到修正的线性估计

作为系统的输出信号；

修正的估计误差

${\tilde{X}}^{\′}(k+1|k+1)=\hat{X}(k+1|k+1)-{\hat{X}}^{\′}(k+1|k+1)---\left(15\right)$

步骤六：把修正的误差信号

输入到BP神经网络A，对其进行再训练。

如图5、图6所示，分别是EKF算法仿真结果图、改进的NNEKF算法仿真结果图。

以超声波导航、视觉导航和惯性导航相结合的煤矿救灾机器人导航系统及方法为例，分别对EKF算法和改进的NNEKF算法进行对比仿真实验。在对改进的NNEKF算法仿真时，考虑到煤矿救灾机器人导航系统及方法识别对象的类别以及计算效率和准确度，在实验中选用的BP神经网络结构采用5×8×2，即输入层5个神经元、隐含层8个神经元、输出层2个神经元。假设期望输出信号是一段长为10m的直线路径，初速度V＝0.5m/s，设时间t在区间[0，19.9]上，采样频率为5HZ，样本点数N＝100，即BP神经网络与EKF经过100次的迭代学习。通过仿真结果可以看出：

(1)导航传感器采集的信息经过EKF算法输出之后，输出轨迹的误差在-0.2至0.2之间，输出轨迹的收敛性较差。

(2)导航传感器采集的信息经过改进的NNEKF算法输出之后，输出轨迹的误差在-0.03至0.03之间稳定波动，可见改进的NNEKF算法比EKF算法导航精度要高，收敛性较好；经BP神经网络A进行特征层匹配融合后，提高了数据信息的匹配度；同时前5个节点的误差比较大，因为BP神经网络有个学习训练的过程，在t＝0.2s×5＝1s后，算法就处于稳定状态，可见改进的NNEKF算法的收敛速度很快，1s之后，输出信号就能够跟踪上目标，实时性较好。

(3)在煤矿井下实际应用中，应该结合巷道环境的具体情况，对速度进行设定，一般取0.1m/s至0.6m/s之间。速度过快会也会增加导航的误差，从而影响导航系统及方法的准确度。

Claims (7)

1.一种基于信息融合的煤矿救灾机器人导航系统，其特征在于，包括以下模块：

信息采集模块，采集煤矿救灾机器人的导航信息，其中所述导航信息包括障碍物识别信息、路标识别信息、景物识别信息、机器人的位置速度信息和机器人的姿态信息；

信息处理模块，将所述信息采集模块采集到的障碍物识别信息、路标识别信息、机器人的位置速度信息经过融合、定位，和机器人的姿态信息共同进行局部路径规划，获得局部路径规划信息，景物识别信息经过环境建模进行全局路径规划，获得全局路径规划信息；

所述融合采用改进的神经网络-扩展卡尔曼滤波法(NNEKF)，其步骤为：

步骤一：利用输入样本数据库训练BP神经网络A，利用学习样本的输入为预测状态与当前状态扩展卡尔曼滤波器(EKF)的增益，输出为期望数据训练BP神经网络B；

步骤二：将信息采集模块采集到的煤矿救灾机器人导航信息作为输入信号，由BP神经网络A进行学习推理，BP神经网络A的输出信号作为扩展卡尔曼滤波器(EKF)的输入信号；

步骤三：系统的状态方程和输出方程为非线性信号，通过泰勒公式展开变换成线性信号；

步骤四：经过扩展卡尔曼滤波器(EKF)的时间更新和测试更新，得到系统的状态方程X(k+1)的线性估计

步骤五：线性估计

经过BP神经网络B处理后，得到修正的线性估计

作为系统的输出信号，

修正的估计误差是线性估计和修正的线性估计之间的差值，即

${\tilde{X}}^{\′}(k+1|k+1)=\hat{X}(k+1|k+1)-{\hat{X}}^{\′}(k+1|k+1);$

步骤六：把修正的估计误差信号

输入到BP神经网络A，对其进行再训练；

机器人控制模块，局部路径规划信息和全局路径规划信息通过机器人控制模块的处理，控制机器人进行自主导航。

2.根据权利要求1所述的导航系统，其特征在于，进一步包括防爆模块，防爆模块采用正压兼本质安全型的混合防爆方式。

3.根据权利要求1所述的导航系统，其特征在于，所述信息采集模块进一步包括超声波模块、视觉模块和惯性模块，障碍物识别信息和路标识别信息由超声波模块和视觉模块采集，景物识别信息由视觉模块采集，位置速度信息由惯性模块的加速度计采集，姿态信息由惯性模块的光纤陀螺采集。

4.根据权利要求3所述的导航系统，其特征在于，超声波模块和视觉模块采集的导航信息对惯性模块采集的导航信息进行修正。

5.根据权利要求1所述的导航系统，其特征在于，改进的神经网络-扩展卡尔曼滤波法(NNEKF)利用BP神经网络A对信息采集模块采集的导航信息进行特征层匹配融合。

6.根据权利要求1所述的导航系统，其特征在于，改进的神经网络-扩展卡尔曼滤波法(NNEKF)利用扩展卡尔曼滤波法和BP神经网络结合的算法对信息采集模块采集的导航信息进行决策层融合。

7.一种基于信息融合的煤矿救灾机器人导航方法，其特征在于，所述导航方法包含以下步骤：

步骤一：信息采集模块采集煤矿救灾机器人的导航信息；

信息采集模块包括超声波模块、视觉模块和惯性模块，导航信息包括障碍物识别信息、路标识别信息、景物识别信息、机器人的位置速度信息和机器人的姿态信息；

步骤二：信息采集模块采集到的信息由信息处理模块进行处理；

障碍物识别信息、路标识别信息、位置速度信息经过融合、定位，和姿态信息共同进行局部路径规划，获得局部路径规划信息，景物识别信息经过环境建模进行全局路径规划，获得全局路径规划信息，所述融合采用改进的神经网络-扩展卡尔曼滤波法(NNEKF)，所述改进的神经网络-扩展卡尔曼滤波法(NNEKF)为：

(1)利用输入样本数据库训练BP神经网络A，利用学习样本的输入为预测状态与当前状态扩展卡尔曼滤波器(EKF)的增益，输出为期望数据训练BP神经网络B；

(2)将信息采集模块采集到的煤矿救灾机器人导航信息作为输入信号，由BP神经网络A进行学习推理，BP神经网络A的输出信号作为扩展卡尔曼滤波器(EKF)的输入信号；

(3)系统的状态方程和输出方程为非线性信号，通过泰勒公式展开变换成线性信号；

(4)经过扩展卡尔曼滤波器(EKF)的时间更新和测试更新，得到系统的状态方程X(k+1)的线性估计

(5)线性估计

经过BP神经网络B处理后，得到修正的线性估计作为系统的输出信号；

(6)把修正的估计误差信号

输入到BP神经网络A，对其进行再训练；

步骤三：由机器人控制模块进行自主导航；

局部路径规划信息和全局路径规划信息通过机器人控制模块的处理，控制机器人进行自主导航。

Images