CN1645283A - 使用传感器融合的操纵无人驾驶运载工具的方法和装置 - Google Patents

Abstract

提供一种使用传感器融合来导航无人驾驶运载工具的方法和装置。这种方法包括：使用至少两个传感器来测量多个参数，这些传感器感测无人驾驶运载工具的位置估计发结果；选择性地组合所测得的参数；在预定范围内检测所述参数的变化；利用估计和误差分布来估计由传感器数据的未知状态和期望数据偏差所表示的无人驾驶运载工具的位置。该装置是可扩展的，所以在任何环境条件下它能够容易地被扩展和压缩。该装置也是生存力强的，所以如果一个传感器源丢失或者出现故障，对整个系统来说不是灾难性的，而仅仅减低相关指数的误差估计。该装置也是模块化的，因此它能够容易地确定何种传感器负责何种感测。

Description

使用传感器融合的操纵无人驾驶运载工具的方法和装置

技术领域

本发明涉及一种导航无人驾驶运载工具的方法和装置，尤其涉及一种执行传感器融合(sensor fusion)的方法和系统，用于无人驾驶运载工具的导航。

背景技术

当前，传感器数据融合技术(sensor data fusion)不能对所确定的问题提供精确的解决方案。当确定使用数据融合的解决方案时，尽管可以利用众所周知的内核(例如卡尔曼(Kalman)滤波器方案)，但是研究人员通常仍需要建立一种定制的方法。实现使用这种方法来组合数据的系统，有时会大大增加计算的复杂度，从而使系统的实现变得非重困难和昂贵。已提出一系列的估算器，然而仅仅其中的少部分可以在实际情形下被应用，并且具有限制，这是因为估算器必须实时地运行。传感器数据融合中的主要方法使用普通KF(KalmanFiltering，卡尔曼滤波)技术、EKF(Extended Kalman Filtering，扩展卡尔曼滤波)技术、CI(Covariance Intersection，协方差交叉)、HMM(Hidden MarkovModel，隐马尔可夫模型)、POMDP(Partially Observable Markov DecisionProcess，部分可观测的马尔可夫判定过程)、或利用贝叶斯判决规则的网络(Bayesian Network)解决方案。上述的任何一种技术都存在其自身限制和使用范围。一个主要的限制在于必须使用依赖于分布的模型。在EKF的情况下，必须计算互相关的结果。在POMDP的情况下，必须分析一些过程的先前和当前状态(情况)之间的弱连接(low link)。相应的，存在几种众所周知的建立传感器结构的方法。最常见的传感器结构是分散化融合结构(decentralized fusionstructure)、分布式融合结构(distributed fusion structure)、联合融合结构(federated fusion structure)和分层融合结构(hierarchical fusion structure)。这些结构的每一种都有若干优点和缺点。

分散化和分布式融合结构是可扩展的、生存力强的以及模块化的。但是，这些结构具有一个缺点，就是误差估计依赖于融合信道。

联合和分层融合结构具有一些优点，就是对于每个融合级(fusion cascade)，递归误差估计(recursive error estimation)是可能的，以及模块化是可能的。然而，这些融合结构是不可扩展的、并且生存力低。

在移动机器人领域中的传感器数据融合是通过使用两种或三种主要方法来完成的。到目前为止，EKF毫无疑问是主要的状态估计技术。EKF是基于与所估计的状态轨迹(state trajectory)相关的观测方程(observation equation)和状态转变(state transition)的一阶泰勒近似。因此EKF的应用是依照所需要的导数存在的假定而定的，并且可以采用合理的努力来获得。泰勒线性化在很多情形下不能提供一种足够精确的表示，并且由于过于粗略的近似而常常会遇到显著的偏移，甚至收敛问题。

可以利用几种比EKF更完善的估计技术，例如，重复迭代、高阶滤波、和统计线性化。这些更先进的技术通常提高了估计的精确性，但是这些改进的出现是以实施中的进一步复杂化和计算量的增加为代价的。

发明内容

本发明提供一种使用传感器融合系统来导航无人驾驶运载工具的方法和装置，该传感器融合系统是可扩展的、生存力强的和模块化的。

根据本发明的一个方面，提供一种导航无人驾驶运载工具的方法，包括：使用至少两个感测无人驾驶运载工具的位置估计的结果的传感器来测量多个参数；选择性地组合所测量的参数；在预定范围内检测所述参数的变化；利用估计值和误差分布来估计由传感器数据和期望的数据偏差所表示的无人驾驶运载工具的位置。在参数的测量中，首先接收源信号。然后，利用快速傅立叶变换将源信号转换成频域信号，并且计算频谱密度函数。然后，多项式被拟合到频谱相关的表达和信号相关的表达，以及计算相应的相关函数和相应的系数。

根据本发明的另一方面，提供一种利用传感器融合来导航无人驾驶运载工具的装置，该装置包括：传感器信道单元，包括传感器和控制信号序列，它从传感器提取原始数据，并发送该原始数据到预处理层；交叉信道模型计算/反馈支持单元，它计算包括互相关和自相关信道的相关结果，以执行融合算法，支持信道参数的误差反馈，并获得对信号处理表达的误差估计；估算分解单元，它生成正交权函数的线性组合，生成一组用于对应于信号关键特性的估计信号表达的权函数，并获得根据误差估计方程的误差补偿的规则；估计迭加单元，将估计分解单元生成的权函数迭加到一组分解权系数上，将对应的一组分布的随机值的估计迭加到所测量的信号值上；最终结果计算单元，它提取与最终结果计算相关的必要信息，根据无人驾驶运载工具的位置和当前状态来提取与定位相关的关键特征，将最终结果和环境状态相互关联，并获得关于无人驾驶运载工具位置的未换算和未校正的信息。传感器信道单元通过利用快速傅立叶变换处理信号数据来分析频域信号。传感器信道单元跟踪频谱函数的状态，预测并分析传感器信道单元的状态，利用自回归方法和最小均方误差方法来将多项式拟合到频谱函数，使用传感器信道的抽象模型获得传感器信道的关键参数，并根据环境条件在某些时候调谐传感器信道。交叉信道模型计算/反馈支持单元根据通过积分卷积得到的原始信号变换来计算相关函数，或者通过使用频谱函数和功率谱函数来计算相关函数。当使用频谱函数和功率铺函数计算相关函数时，交叉信道模型计算/反馈支持单元利用频谱函数和功率谱函数来确定信号信道中的交叉噪声加权，分析信号频谱函数，提取关于早期阶段的环境信息，获得互相关结果、误差最小化反馈支持和传感器信道的关键频率。

本发明也提供一种计算机可读记录介质，其中记录有执行上面描述的方法的计算机程序。

附图说明

通过参照附图详细描述本发明的示例性实施例，本发明的上述和其他特征及优点将更加明显，其中：

图1是根据本发明实施例的通过使用传感器融合操纵无人驾驶运载工具的装置的方框图；

图2是图1的装置的详细方框图；

图3是图1的装置的构造的方框图；

图4说明运载工具的位置信息(X，Y，和θ)；和

图5说明包含关于运载工具的信息的原始信号。

具体实施方式

现在将对本发明进行详细描述。

1.简介

本发明提供一种新的传感器数据融合技术，它利用类似对象分层的结构(object-like layered structure)的方法。传感器数据融合技术基于由卡南-络维分解(Karhunen-Loewe decomposition)方法的多维扩展(multi-dimensionalextension)所获得的非线性变换(non-linear transformation)的近似。这种方法的原理不同于传统的滤波技术。由于卡南-络维分解方法，所以不需要用于内插(interpolation)的导数。因为基于从传感信号所计算的频谱方程的自回归多项式拟合(auto-regression polynomial fitting)的原理，甚至不需要预定义的方程。当然，多项式的阶数必须有一个上限。尽管多传感器数据融合技术的实施与基于泰勒近似的过滤相比一样复杂，但计算量可以大大降低。而且，在关于估计误差分布的特定假设情况下，多传感器数据融合技术(multi-sensor datafusion technique)提供更加精确的误差计算，以便使误差得到补偿。由于根据到多传感器数据融合技术中的入口点(entry point)的深度反馈(deep feedback)的最小化，所以可以获得比其他滤波技术(包括泰勒近似)精度更高的误差估计。

2.通用方法

现在将说明信号处理的分解方法和这种处理方法的优点。在一种常见的信号处理的方法中，信号被表示为一组使用系数明确定义的周期函数。这种方法的最大优点是可以使用定性和定量参数来说明信号。同时众所周知，在这种方法的帮助下，可以在频域(频谱表达)中研究信号。

在本发明中，在频域中的信号表达示出了主要频率和传感器信道的概要图(general picture)。分析传感器融合技术中的最常见结构，很明显没有使用信号预分析(signal pre-analysis)的方法或结构。尽管这样的技术被广泛地采用到工业应用中，但它并不经常被应用在移动机器人的应用中。由于源质量分析(source quality analyzing)，当前这种方法(信号表达方法)的可实现性是众所周知的。使用源质量分析，就可以检测和诊断信道状态预测(channel stateprediction)。

关于同步定位和映射(SLAM)或自导航技术，机器人系统的感知装置(perception appparatus)中的一个主要问题是传感器信号处理以及由此引起的传感器数据融合。但是，如果信号被噪声降低或干扰，很显然，输入到传感器数据融合的值将被干扰，从而将从传感器数据融合中输出被干扰的判定结果，并将在数据处理的最后阶段产生错误的位置和/或方向信息。因此，就必须使用一种容易实施对源信号的检测和诊断的轻便和稳固(robust)的技术。因而，提出一种用于传感器数据融合的组合或混合方法。

在根据本发明的方法中，存在(实时地)处理源信号的预处理和数据融合的适当的若干层。为了更清楚地理解，就必须提供对根据本发明的方法的说明。

提出下列的源信号预处理的概要结构：

(1)接收源信号；

(2)使用快速傅立叶变换将源信号变换成为频域信号；

(3)计算频谱密度函数；

(4)将多项式拟合为频谱相关和信号相关的表达(过程信号分析-信道稳定性和质量)

(5)计算对应的相关(共变)函数和相应的系数；

(6)执行分解方法，该方法是本发明的方法的核心；

(7)计算预测和误差估计模型。

将说明上述步骤的每一步。首先，典型多项式被拟合为频谱函数。

然后，可以使用在T-R域中的典型多项式的根的分布来分析信号质量。当主要需求是获取能够描述过程的情况和状态(或该过程的典型信号)的变换函数时，这种方法是非常有用的。可以获取主要频率(过程的主要的、特征频率)，并分析硬件设备的哪一部分影响信号处理。

然后，可以采取两种方式计算相关(共变)函数：从提供源的原始写照(nativepicture)的源、原始信号；和提供来自频域的相关写照(correlation picture)的频谱方程。

现在将完成本发明数学背景中的几个关键的概述。

3.本发明的定义和描述

现在将定义根据本发明实施例的传感器数据融合方法的核心。为了简单地表述这种方法，考虑一维空间的情况。这种方法很容易被扩展到N维的情况。由维的含义来假定独立信道的数量。

本发明的基础是一种用于表示可观测过程，如在某些明确定义的限制之内的随机(无规则)过程的算法。所提出的方法的主要原理是将非周期的随机过程分解成一系列具有非相关系数的正交函数。同时，在分解的过程中，执行误差最小化方法。这种误差最小化提供了减小交叉信道(cross-channel)和同相信道(In-channel)的噪声和误差的鲁棒性(robust)技术。结果，这种方法的所得结果可以被容易地用于提取必要的信息。数据分析的附加特性被用于观察上述频谱函数。现在将一步一步地说明该方法。

3.1估计的定义

源信号的定义被考虑为与时间相关的函数。在本发明中，必须确定清楚地和稳定(robustly)地描述环境状态的合成函数(resultant function)。所以，信号系统(SS)的统计估计值

可以通过确定算子F(X(t))的参数而获得。统计估计值 如下获得：使用物理测量的状态坐标SSX(t)∈R^q的一些指示符Y∈R^p的 $\hat{Y}=\stackrel{\‾}{F}\left(X(t:0\≤t\≤T)\right).$

现在考虑一维的情况(p＝q＝1)，现在将说明建立和应用线性估计的方面。统计估计值如下给出：

$\hat{Y}=(a,X)+b=\underset{0}{\overset{T}{\∫}}a\left(t\right)X\left(t\right)\mathrm{dt}+b...\left(1\right)$

其中a＝a(t)表示通过分析源信号而获得的函数，X＝X(t)表示当t∈[0，τ]时发生的随机过程的连续平均值的平方，这可以被表示为类似源信号的偏差，b表示自由参数，[0，τ]表示SS函数的时间段，T∈[0，τ]表示所确定的测量时间。

对t∈[0，τ]的随机值集合Y和X(t)的所有有限维分布，是均匀(正态)分布，方程1线性估计的参数a和b是从误差传播的最小值中获得， $\mathrm{\ϵ}=Y-\hat{Y},$ 这表示方程2的最小值：

$J=J(a,b)=E\left[{\mathrm{\ϵ}}^2\right]=E\left[{(Y-\hat{Y})}^2\right]=E\left[{(Y-(a,X)-b)}^2\right]...\left(2\right)$

根据方程2，权函数通常属于一类定义在t∈[0，T]的函数，这类函数可以通过预定义来选择或者基于对t∈[0，τ]的随机值集合Y和X(t)的预分析来选择。

当L2[0，T]被固定时，方程2变成方程3：

J＝E[(Y-(a，X))²]-2bE[(Y-(a，X))]+b²      ...(3)

从方程3中可见，当b＝b⁰且b∈R时，J被最小化。这里，b＝b⁰(a)如下给出：

$b^0=E\left[(Y-(a,X))\right]=E\left[Y\right]-\underset{0}{\overset{T}{\∫}}a\left(t\right)E\left[X\left(t\right)\right]\mathrm{dt}...\left(4\right)$

在使用E(估计)使随机值Y和X(t)居中(centre)后，获得

y＝Y-E[Y]，x(t)＝X(t)-E[X(t)]             ...(5)

方程6将考虑如下：

把方程4代入方程1和2并考虑方程5和6，可以获得方程7，8和9：

$\hat{Y}=E\left[Y\right]+\underset{0}{\overset{T}{\∫}}a\left(t\right)(X\left(t\right)-E[X\left(t\right)\left]\right)\mathrm{dt}=E\left[Y\right]+\underset{0}{\overset{T}{\∫}}a\left(t\right)x\left(t\right)\mathrm{dt}=E\left[Y\right]+y...\left(7\right)$

$\mathrm{\ϵ}=Y-\hat{Y}=Y-E\left[Y\right]-y=y-y...\left(8\right)$

$J=E\left[{\mathrm{\ϵ}}^2\right]=E\left[{(Y-\hat{Y})}^2\right]=E\left[{(y-y)}^2\right]=E\left[{(y-(a,x))}^2\right]...\left(9\right)$

由方程7和8，Y的估计和误差估计ε如下给出：

E[Y]＝E[Y]，E[ε]＝0                                   ...(10)

方程10描述了当b＝b⁰时方程1的无偏估计(non-biased estimation)的特性。

方程9的函数被考虑为J＝J(a)，它仅仅取决于a。在这一点上，获得在误差最小化函数和确定函数之间的定义明确的关系。如上所述，很明显在误差估计系统与常数定义之间的相关性可以被忽略和避免。

3.2分解

从对相关和互相关函数的经典方法中，可以获得方程11和12：

r(t)＝E[(Y-E[Y])(X(t)-E[X(t)])]＝E[yx(t)]               ...(11)

R(t，s)＝E[(X(t)-E[X(t)])(X(s)-E[X(s)])]＝Ex(t)x(s))]   ...(12)

方程9可以被重写成方程13：

$J=J\left(a\right)=E\left[y^2\right]-\underset{0}{\overset{T}{\∫}}a\left(t\right)r\left(t\right)\mathrm{dt}+\underset{0}{\overset{T}{\∫}}\underset{0}{\overset{T}{\∫}}R(t,s)a\left(t\right)a\left(s\right)\mathrm{dtds}...\left(13\right)$

为了确定参数α，考虑到权函数的突出类(highlighted class)，需要说明权函数的突出类和J＝J(a)的有效最小化算法。

从根本上，为了解决这样的任务(如在技术控制领域中的所有任务)，就需要使用专用相关函数R(t，s)在[0，T]上的函数{_i：1≤i≤∞}的正交系统，它被定义如下：

卡南-络维(Karhunen-Loeve)正交分解如下给出：

当ξ是一个实数或复数时，它可以定义如下：

非周期性的随机过程不能表示为具有非相关随机系数的傅立叶级数，但是它可以扩展为具有非相关系数的一系列正交函数{_i：1≤i≤∞}。

方程15收敛于在[0，T]上的均方值，正交系统{_i：1≤i≤∞}的取值范围是L2[0，T]。因此，每一权函数α∈L₂[0，T]可以获得任意的精度(具有L2[0，T]的空间维数)，以使用于_i函数的有限集的线性组合来近似。

因为正交系统{_i：1≤i≤∞}是在L₂[0，T]上正交的，就保持

其中δ_ij是克罗内克尔增量(Kronecker delta)。

把方程15到17与方程12组合，可以得到方程18：

所有专用值(λ_i≥0)都从专用自相关函数R(t，s)的非负判定(non-negativedetermination)来考虑。从上述的方程和方程17中，方程18可以改写成：

$E\left[{\mathrm{\ξ}}_i{\mathrm{\ξ}}_j\right]=\sqrt{{\mathrm{\λ}}_i}\sqrt{{\mathrm{\λ}}_i}{\mathrm{\δ}}_{\mathrm{ij}}...\left(19\right)$

方程17和18反映方程15中正交分解的特性。因为使得随机过程x＝x(t)居中，方程19简化为：

$E\left[{\mathrm{\ξ}}_i\right]=0:\mathrm{var}{\mathrm{\ξ}}_i=E\left[{{\mathrm{\ξ}}_i}^2\right]={\mathrm{\λ}}_i...\left(20\right)$

如上所述，考虑均匀过程X＝X(t)，它包含于方程16、19和20中，方程15的系数ζ_i是独立于均匀分布随机值，且ξ_i∈N(0，λ_i)。很清楚在方程15的分解中只有对应于正λ_i的分量才是重要的。

3.3组合和迭加

通过对输出函数的估计和误差估计求和而得出分解的最终结果-对系统质量判决的最小化函数。假定：

对于固定的m  a(t)＝α₁₁(t)+...+α_m_m(t)；α₁，...，α_m∈R    ...(21)

并且ρ_i＝E[ξ_iy]    ...(22)，

可以利用方程15、17和19从方程6和9中获得：

$J=J\left(a\right)=E\left[{(y-\hat{y})}^2\right]=E\left[{(y-\underset{i=1}{\overset{\∞}{\mathrm{\Σ}}}{\mathrm{\α}}_i{\mathrm{\ξ}}_i)}^2\right]=E\left[y^2\right]-2\underset{i=1}{\overset{\∞}{\mathrm{\Σ}}}{\mathrm{\α}}_i{\mathrm{\ρ}}_i+\underset{i=1}{\overset{\∞}{\mathrm{\Σ}}}{{\mathrm{\α}}_i}^2{\mathrm{\λ}}_i...\left(24\right)$

从方程21和22中，很清楚如果对某些i的λ_i＝0，那么ρ_i＝0。因此，方程24是独立于权函数α的参数α_i。这样，所有的值λ_i(1≤i≤m)都是正的。考虑权函数α的系数λ_i ⁰，可以获得方程25：

a⁰(t)＝α⁰ ₁₁(t)+...+α⁰ _m_m(t)    ...(25)

方程25提供在α(t)是方程21中所示形式的情况下对J＝J(a)的最小化，α_i可以被写成如下形式：

${{\mathrm{\α}}^0}_i=\frac{{\mathrm{\ρ}}_i}{{\mathrm{\λ}}_i}(1\≤i\≤m)...\left(26\right)$

把方程26代入方程24中，可以获得方程27：

$J\left(a^0\right)=E\left[y^2\right]-\underset{1\≤i\≤m}{\mathrm{\Σ}}\frac{{{\mathrm{\ρ}}_i}^2}{{\mathrm{\λ}}_i}...\left(27\right)$

参考方程21，可以获得方程28：

$J\left(a^0\right)=(1-\underset{1\≤i\≤m}{\mathrm{\Σ}}\mathrm{co}{s}^2({\mathrm{\ξ}}_i,y))E\left[y^2\right]...\left(28\right)$

其中cos(ξ_i，y)表示随机值ξ_i和y之间相关性的系数。

根据方程23和26，根据方程24的a⁰，统计估侧值 如下给出：

$\hat{Y}=E\left[Y\right]+\hat{y}$

$\hat{y}=\underset{1\≤i\≤m}{\mathrm{\Σ}}{\mathrm{\ξ}}_i\frac{{{\mathrm{\ρ}}_i}^2}{{\mathrm{\λ}}_i}...\left(29\right)$

可以从方程27和28中获得误差传播 $\mathrm{\ϵ}=Y-\hat{Y}$ 的分散σ_s ²＝J(a⁰)。

可以注意到在实际情况下随机值Y和相关函数r(t)以及R(t，s)的特征μ_γ＝E[Y]，σ_γ ²＝varY＝E[y²]并不总是预定义的。

方程30、31、32和33如下给出：

${\widehat{\mathrm{\μ}}}_r=\hat{Y}=\left[\frac{1}{n}\right]\underset{1\≤v\≤n}{\mathrm{\Σ}}{Y}_v...\left(30\right)$

${{\widehat{\mathrm{\σ}}}_r}^2=\left[\frac{1}{n-1}\right]\underset{1\≤v\≤n}{\mathrm{\Σ}}{(Y_v-\stackrel{\‾}{Y})}^2...\left(31\right)$

$\hat{r}\left(t\right)=\left[\frac{1}{n-1}\right]\underset{1\≤v\≤n}{\mathrm{\Σ}}(Y_v-\stackrel{\‾}{Y})(X_v\left(t\right)-\stackrel{\‾}{X}\left(t\right)),$

$(\stackrel{\‾}{X}\left(t\right)=[\frac{1}{n}\left]\underset{1\≤v\≤n}{\mathrm{\Σ}}{X}_v\left(t\right)\right)...\left(32\right)$

$\hat{R}(t,s)=\left[\frac{1}{n-1}\right]\underset{1\≤v\≤n}{\mathrm{\Σ}}(X_v\left(t\right)-X\left(t\right))(X_v\left(s\right)-X\left(s\right))...\left(33\right)$

其中n是观测的数量，Y_v和X_v(t)表示Y和X(t)的随机值，它对应于观测v(1≤v≤n)。

3.4分析

上述方程是用于传播和估计系统的数学工具的一部分，它们用于根据SS来估计移动装置的当前位置和方向。

这些结果可以很容易地扩展到多维的情况，多维情况在考虑到各种估计值的参数的情况下提供对过程的几个特性的互相关和互函数分析的考虑。

4.完整的分解算法

根据本发明实施例的多传感器融合方法如下执行。首先，初始化该方法的过程。然后，分散和居中(center)源信号。然后，根据离散的情况执行卡南-络维(Karhunen-Loeve)分解(存在两种方法：在模拟合数字的情况下，它表示固态(solid)和离散数据)。然后，计算

和 然后，使用J(a⁰)(28)计算误差估计。然后，在预定的周期之内，更新估计，并且计算误差估计的最小化函数。然后，从源信号的居中和分散重复过程。

上面描述的操作提供了用于融合信号处理和预测的闭环序列。

5.类似对象的半级别信息融合(object-like semi-level information fusion)

根据上面的所有描述，可以构造融合系统(如图1和2所示)，它是可扩展、生存力强的和模块化的，并执行对每个融合信道的误差估计和输出较正。由于具有可扩展特性，所述融合系统在某些环境条件下能够很容易地被扩展和压缩。由于生存力强特性，如果一个传感器源被丢失或者出现故障，对整个系统也不是灾难性的，它仅仅减少相关指数的误差估计(exponential-relatederror estimation)。由于模块化特性，融合系统容易地知道何种传感器负责何种感应。融合系统可以执行对每个融合信道的误差估计和输出较正。这样，每一传感器源具有其自身的非递归误差估计和对下一级别数据融合的告警能力。

融合数据信号的方法包括：动态地观测具有多个模型参数的数据，这些参数感应机器人的位置估计结果；选择性地组合多个模型参数的结果；检测在由观测所影响的多个模型参数的所预期的可靠性中的变化；在由未知状态的传感数据和理论推断(desired inference)所表示的实际情况上(ground truth)，生成估计值和误差分布的综合评估。

在动态观测具有多个模型参数的数据的步骤中，动态观测数据是来自传感器的实时信息。根据传感器我们可以将其构造成均等的动态模型(表示为分解模式分量的传感器变换函数)。利用传感器变换函数，我们可以确定哪些参数是更加重要的。为了实现这个步骤，就必须计算每一参数的输入。这可以通过计算每一参数的权系数来实现。为了计算权系数，我们可以使用自回归分析过程(auto-regression analysis procedure)。方程14到19信道(传感器)表示分解模型。

在选择性地组合(互相关)多个模型参数的结果的步骤中，如同前面提及的内容，我们可以确定哪个参数具有哪个输入(权)。为了适当地计算感应融合方法我们需要确定传感器参数模型之间的关系。为此我们需要计算传感器信道之间的互相关并确定信道(传感器)的分解模型。确定模型的自由度和整个模型不同部分之间的关系是标准过程。在分析之后，我们可以判定哪个信道(传感器模式)在位置和误差估计过程中能更加有效地使用。

我们也可以使用这些结果以分析误差分布和对应的信道误差补偿。方程9、13、24和28表示误差估计，方程14到19表示分解模型，方程21到24和27表示误差估计和分解模式之间的连接。

在检测多个模型参数的预期可靠性中的变化的步骤中，为了获得适当的模型性能需要跟踪信道的(传感器的)模型和对应的参数。为此就需要实时的跟踪J(a)。如同其在专利说明中所提出的，有时候因为巨大的数据阵列和流量而使它的实现很困难。但是，当前方法最主要的不同在于使用分解模式来代替信道的(传感器的)模式的线性组合。这就是我们可以完成实时计算能力的原因。所以，我们能够使用方程28来实时跟踪这些变化。

在生成估计值和误差分布的综合评估的步骤中，算法的最终方程，即方程28到33，可以在构造信道的(传感器的)模型、分解模型和互相关分析之后生成。

这些方程是获得估计和误差分布的主要结果。

图3是图1所示的系统的构造的方框图。该系统包括传感器信道单元300、交叉信道模型计算/反馈支持单元320、估计分解单元340、估计迭加单元360和最终结果计算单元380。

传感器信道单元300包括传感器硬件层和对应于此传感器硬件层的软件层。软件层向传感器供应电源和控制信号序列，从传感器提取原始数据，并把所提取的原始数据提供给预处理层。此时，使用以下方法构造相关信号的模型：

(1)通过快速傅立叶变换(FFT)处理信号数据，在频域上执行信号分析。可以跟踪频谱函数的状态和预测或者分析传感器信道的状态。也可以利用自回归方法(使用最小均方误差方法)将多项式拟合到频谱函数。这种方法的主要优点是过程中的信号监控和分析可以在相关信号模型的帮助下很容易地实现。因此，可以实现类似诊断信号信道的处理。

(2)信道参数块的模型在信号信道中被引入。这为信道参数调谐(channelparameter tuning)提供了灵活的反馈支持，这是因为需要在每个设备的操作周期中执行用于正常功能的某些过程中(in-process)或离线(off-line)的调谐。这样，如果可以获得信道的抽象模型，则可以获得信道的关键参数。当随后的一段时间中，可以根据环境条件来执行信道调谐。

交叉信道模型计算/反馈支持单元320为进一步执行融合算法而计算交叉结果。为此，需要互相关结果，如信道的互相关和自相关结果。提供对信道参数调谐的误差反馈支持，这是因为需要根据信号处理方法获得对整个信号处理图表示(signal processing picture representation)的误差估计。需要规定几点。第一，存在可用于计算相关函数的两种方法：使用通过积分卷积(integralconvolution)的普通原始信号变换的方法；使用频谱函数和功率谱函数的方法。第二，这些方法不仅提供简单的相关函数的计算，也提供在信号信道中的交叉噪声权值的判决。通过分析信号频谱函数，能够在早期阶段提取关于环境的关键特征的信息。因此，交叉信道模型计算/反馈支持单元320可以获得互相关结果、误差最小化反馈支持和传感器信道的关键频率。

估计分解单元340生成正交权函数的线性组合。通过使用信号关键特征和相应的数学背景，生成用于估计信号表示的一组权函数。误差估计方程也必须被考虑。使用误差估计方程，可以正确地获得由传感器信道单元300执行的误差补偿的规则。估计迭加单元360执行估计计算，并使用用于最佳信号处理的最小化方程。

估计迭加单元360在一组分解权系数上迭加用于分解估计的一组权函数，并在所测量的信号值上迭加对应的一组分布的随机值的估计。相应的，可以获得所融合的信号估计的最终结果。也需要估计误差最小化函数。

最终结果计算单元380提取关于移动设备的位置信息，分析与误差相关的数据，并提取与最终结果计算有关的必要信息。最终结果计算单元380也根据移动设备的位置和当前状态来提取与定位相关的关键信息。其后，最终结果与环境状态相互关联。因此，如图4所示，就获得关于移动设备位置的未换算(unscaled)和未校正(uncalibrated)的信息。

下面的步骤可以用于传感器信号处理。第一，如图5所示，原始信号被接收(具有时间偏移Ts≤40ms的实时缓冲器)并通过系统的权函数进行处理。第二，信号经过快速傅立叶变换以获得信号的频谱函数。第三，在频谱函数内，可以对信号的品质属性进行分析，这包括权频率、频谱范围、信号的形式和种类，并且可以分析系统的什么部分负责频谱中的频率的限定部分。第四，可以获得自回归模型，然后使用T-R域中的根分布来分析频谱函数的频谱特性。这种分布的类型和种类可以描述模型分解层。在这些分析的帮助下，就可以获得在整个系统的几个参数之间的关系(例如，在差动驱动式机器人的运动学模型中的速度和方向参数之间的关系)。第五，通过对每个感应信道执行实时监控和诊断，可以制造紧密、通用的数学和软件装置。

根据本发明的融合系统是可扩展的，所以在任何环境条件下它能够容易地被扩展和压缩。融合系统也是生存力强的，所以即使一个传感器源发生丢失或者出现故障，对整个系统也不是造成灾难性的，而仅仅减少相关指数的误差估计。融合系统同时也是模块化的，因此它可以容易地确定何种传感器负责何种感应。更进一步的说，融合系统可以执行对每个融合信道的误差估计和输出较正。因此，每个传感器源具有其自身的非递归误差估计和对下一级别数据融合的告警能力。

Claims (7)

1、一种导航无人驾驶运载工具的方法，包括：

使用至少两个传感器来测量多个参数，其中所述传感器感测所述无人驾驶运载工具的位置估计的结果；

选择性地组合所测量的参数；

在期望范围内检测所述参数的变化；

利用估计和误差分布来估计由传感器数据和期望的数据偏差所表示的无人驾驶运载工具的位置。

2、如权利要求所述1的方法，其中参数的测量包括：

接收源信号；

利用快速傅立叶变换将所述源信号转换成频域信号，并且计算频谱密度函数；和

将多项式拟合到频谱相关的表达和信号相关的表达，并计算相对应的相关函数和相对应的系数。

3、一种利用传感器融合来导航无人驾驶运载工具的装置，该装置包括：

传感器信道单元，所述传感器信道单元包括传感器和控制信号序列，用于从传感器提取原始数据，并发送所述原始数据到预处理层；

交叉信道模型计算/反馈支持单元，用于计算包括互相关和自相关信道的相关结果以执行融合算法，支持信道参数的误差反馈，并获得用于信号处理表示的误差估计；

估算分解单元，用于生成正交权函数的线形组合，生成一组用于对应于信号关键特征的估计信号表达的权函数，并获得根据误差估计方程的误差补偿的规则；

估计迭加单元，用于将由所述估计分解单元所生成的权函数迭加到一组分解权系数上，并将对应的一组分布的随机值的估计迭加到所测量的信号值上；和

最终结果计算单元，用于提取与最终结果计算相关的必要信息，根据无人驾驶运载工具的位置和当前状态来提取与定位相关的关键特征，将最终结果和环境状态相互关联，并获得关于无人驾驶运载工具的位置的未换算和未校正的信息。

4、如权利要求3所述的装置，其中，所述传感器信道单元通过利用快速傅立叶变换处理信号数据来分析频域中的信号。

5、如权利要求4所述的装置，其中，所述传感器信道单元跟踪频谱函数的状态，预测并分析传感器信道单元的状态，利用自回归方法和最小均方误差的方法来将多项式拟合到频谱函数，使用传感器信道的抽象模型获得传感器信道的关键参数，以及根据环境条件来在某些时候调谐传感器信道。

6、如权利要求3所述的装置，其中，所述交叉信道模型计算/反馈支持单元使用通过积分卷积的原始信号变换、频谱函数和功率谱函数来计算相关函数，利用频谱函数和功率谱函数来确定信号信道中的交叉噪声加权，分析信号频谱函数，提取关于早期阶段的环境信息，以及获得互相关结果、误差最小化反馈支持和传感器信道的关键频率。

7、一种计算机可读记录介质，其中记录用于执行权利要求1的方法的计算机程序。

Images