传感器在多关节机器人系统实时避障中的应用

一、引言（Introduction）

多关节机器人为了能在未知或时变环境下自主地工作.应具有感受作业环境和规划自身动作的能力。为此.必须提高机器人对当前感知环境的快速理解识别及实时避障的能力。实时避障是实现智能化机器人自主工作能力的关键技术.也是国内外智能机器人近期发展的一个热点.其显著特征是具有传感器信息反馈.可以实现很好的智能行为。本文主要针对基于传感器信息的多关节机器人实时避障方法方面的研究.详细介绍了传感器的选择和传感器信息融合技术。

二、传感器选择（The choice of sensors）

机器人避障的关键问题之一是在运动过程中如何利用传感器对环境的感知。任何类型的传感器都有各自的优点和不足.选用时需要仔细考虑各种因素。

在机器人运动规划过程中传感器主要为系统提供两种信息：

（1）机器人附近障碍物的存在信息。

（2）障碍物与机器人间的距离。近几年.应用到机器人运动规划的传感器一般分为两大类：无源式传感器和有源式传感器。

1、无源式传感器

应用在避障中的无源式传感器包括触觉传感器和视觉传感器两种。

（1）触觉传感器

机器人触觉系统是模拟人的皮肤与物体接触的感觉功能.获取周围环境信息.用来达到避障目的.特别是在黑暗处或者因障碍物的影响导致无法通过视觉获取信息的条件下.使机器人具备触觉功能。

 

触觉传感器是一种测量自身敏感面与外界物体相互作用参数的装置.触觉传感器常常包含许多触觉敏感元.并以阵列的形式排列.通过这些触觉敏感元与物体相互接触产生触觉图象.并进行分析与处理.这种工作方式称为被动式触觉/但是.实际应用中.一方面由于触觉传感器的空间分辨率大大提高.

 

其工作平面尺寸比被识别物体要小得多；另一方面机器人控制中需要得到物体的三维信息。因此，在被动式触觉的基础上，将触觉传感器安装在机器人上，随着机器人的不断运动，传感器可得到被识别物体的三维触觉信息，通过进一步处理与识别，并反映给机器人控制器，这样可以使机器人获取周围环境信息，识别物体形状，确定物体空间位置等，从而达到智能控制和避障的目的。这种工作方式称为主动式触觉。在安装触觉传感器时，一般都安装在手爪、足、关节等主要的操作部位。

 

触觉传感器应用在多关节机器人避障系统中的主要缺陷是：信号滞后，很难实现实时避障，工作过程中机器人系统容易损坏。

（2）视觉传感器

视觉传感器获取的信息量要比其它传感器获取的信息量多得多，但目前还远未能使机器人视觉具有人类完全一样的功能，一般仅把视觉传感器的研制限于完成特殊作业所需要的功能。

 

视觉传感器把光学图像转换为电信号，即把入射到传感器光敏面上按空间分布的光强信息转换为按时序串行输出的电信号——视频信号，而该视频信号能再现入射的光辐射图像。固体视觉传感器主要有三大类型：一种是电荷耦合器件（CCD）；第二种是MOS图像传感器，又称自扫描光电二极管列阵（SSPA）；第三种是电荷注入器件（CID)。目前在机器人避障系统中应用较广的是CCD摄像机,它又可分为线阵和面阵两种.线阵CCD摄取的是一维图像，而面阵CCD可摄取二维平面图像。

 

视觉传感器摄取的图像经空间采样和模数转换后变成一个灰度矩阵，送入计算机存储器中，形成数字图像。为了从图像中获得期望的信息，需要利用计算机图像处理系统对数字图像进行各种处理，将得到的控制信号送给各执行机构，从而再现多关节机器人避障过程的控制。

 

这种传感器在避障中主要有三方面缺陷：一是受光线条件和工作范围限制；二是此类传感器驱动电路复杂，价格昂贵；三是实时性差。

2、有源式传感器

有源式传感器由于中间传递介质不同分为：超声波传感器、电容耦合式传感器、电涡流传感器、红外传感器。

（1）超声波传感器

超声波传感器是靠发射某种频率的声波信号，利用物体界面上超声反射，散射检测物体的存在与否。超声波在空气中传播时如果遇到其它媒介，则因两种媒质的声阻抗不同而产生反射。因此，向空气中的被测物体发射超声波，检测反射波并进行分析，从而获到障碍物的信息。

 

超声波传感器由于信息处理简单、快速并且价格低，被广泛用在机器人测距、定位及环境建模等任务中。但在多关节机器人实时避障系统中存在一定的局限性，主要表现在四个方面：

 

一是因为超声波的波长相对长一些，对于稍大的扁平的障碍物可以发生镜面反射，传感器由于接收不到反射信号，使此障碍物不能被检测到。

 

二是盲区较大，因为每个超声换能器既作超声发射器又作超声接收器，因此不能同时发射超声和接收超声。在发射超声后必须经过一段时间才能处理返回的声波。如果障碍物距离太近（<30左右），则传感器收不到返回的声波，所以该类传感器存在测量盲区。

 

三是表现在探测波束角过大，方向性差，往往只能获得目标的距离信息，不能准确地提供目标的边界信息，单一传感器的稳定性不理想等。在实际应用中，往往采用其它传感器来补偿，或采用多传感器融合技术提高检测精度等。

 

四是由于超声波受环境温度，湿度等条件的影响，以及超声固有的宽波束角，超声传感器在测距时，所测量的值与实际的值的误差较大。

（2）电容耦合式传感器

电容耦合式传感器是当一物体接近传感器时电容发生改变，电容的改变可使振荡器起振或产生相移改变，以此来检测障碍物的存在。此类传感器性能稳定、可靠和耐用。缺点是由于传感器分辨率很低，在其测量的范围内不能分辨出物体的维数。机器人在处理时必须假设障碍物非常大，例如，如果障碍物的距离为2cm，被认为20∽30cm的物体来处理，这就大大限制了机器人手臂运作的空间。

（3）电涡流传感器

电涡流传感器通过向外发射高频的变化的电磁场，对周围的目标引起电涡流。电涡流的大小与传感器和目标物体之间的距离有关，电涡流产生的磁场与传感器的磁场方向相反。两个磁场相互叠加，就会减少传感器的电感和阻抗。采用适当的电路把阻抗的变化转换成电压的变化，就能计算出目标物体的距离。

 

电涡流传感器尺寸较小，可靠性较高，价格也较便宜，不但可以作为接近觉传感器，检测障碍物的存在和物体距离，而且可以采用适当的方法检测力、力矩或压力。测量精度比较高，能够检测0.02mm的微量位移，测量还具有方向性。但是，这种传感器的缺点是作用距离较短（一般不超过13mm）。另外，此传感器仅适用于障碍物为固态导体的检测。

（4）红外传感器

红外传感器是一种比较有效的接近觉传感器，经常被国内外学者应用在多关节机器人避障系统中，用来构成大面积机器人“敏感皮肤”，覆盖在机器人手臂表面，可以检测机器人手臂运行过程中的各种物体。传感器发出的光的波长大约在几百纳米范围内，是短波长的电磁波。红外传感器具有以下特点：不受电磁波的干扰、非噪声源、可实现非接触性测量。另外，红外线（指中、远红外线）不受周围可见光的影响，故可在昼夜进行测量。

 

同声纳传感器相似，红外线传感器工作处于发射/接收状态。这种传感器由同一发射源发射红外线，并用两个光检测器测量反射回来的光量。由于这些仪器测量光的差异，它们受环境的影响非常大，物体的颜色、方向、周围的光线都能导致测量误差。但由于发射光线是光而不是声音，可以希望在相当短的时间内获得较多的红外线传感器测量值。测距范围较近，大致为30cm以内。

3、传感器选择策略

传感器的选择好坏直接关系到多关节机器人采集周围环境信息量的多少，因此目前机器人避障系统选择传感器类型和数量有两种不同的方法：基于环境的优化原则选择法和基于任务选择法。

 

（1）基于环境的优化原则选择法：设计阶段的预选择以及适合环境和系统状态变化的实时选择，前者给出了恰当的传感器数量和操作速度之间的关系，该关系可决定多传感器避障系统中传感器单元的优化排列，后者通过贝叶斯方法利用任何先验的物体信息决定传感器的定位，使传感器对障碍物体假设不确定性最小。

 

（2）基于任务的选择法：此方法主要思想是基于避障的任务，将完成该任务的过程按时间及感知范围划分为若干段，即将任务分解，根据每个阶段所需的传感器信息合理地选择传感器的种类和数量。

三、传感器的信息融合（Information fusion of sensors）

在智能机器人避障的系统中，因为任何传感器的功能都有限，必要时，应将多种传感器集成在一起，融合多种传感器信息，这样可以更正确、更全面的反映出外界环境的特征，为避障提供正确的依据。信息融合技术可以增加各类传感器信息的互补性、对环境变化的适应性，提高决策的正确性。

 

多传感器数据融合的基本目的是指通过对多（种，类）传感器数据的综合处理以获得比每个单一传感器更多的信息。也可以理解为对多传感器的原始信息加以智能化的综合，从而导出新的有意义的信息。这种信息的价值比单一传感器所获得信息要高得多，它有利于判断和决策。因此近年来多传感器信息融合技术系统已越来越多地应用于机器人的避障系统中，通过实验可以取得良好的效果。

 

1、传感器数据融合方法

多传感器的机器人避障系统中，各信息源提供的环境信息都具有一定程度的不确定性。另外，由于传感器数量较多，且多为非线性，要进行很好的全局优化和控制，处理量大。面对离散数据多、关联度大、输入信息不可线性化且要求融合结果可靠性高等特点，传统的数据融合方法（加权平均法、贝叶斯估计法、Dempster-Shafer证据推理方法等）不能很好地满足要求。对于多关节机器人避障系统而言，通常采用卡尔曼滤波法、产生式规则、模糊逻辑人工神经网络法，可以得到关于环境更加可靠、统一、精确的描述，便于判断与决策。

 

（1）卡尔曼滤波用于实时融合动态的低层次冗余多传感器数据，该方法用测量模型的统计特性递推决定统计意义下最优融合数据估计。由于机器人避障系统具有线性动力学模型，且系统噪声和传感器噪声是高斯分布的白噪声模型，卡尔曼滤波为融合多传感器数据提供唯一的统计意义下的最优估计。

 

应用到机器人避障系统的多传感器信息处理中，国内外学者经常选用的是联合式卡尔曼滤波法，其基本思想是采用一组并行运行的滤波器模块，每一个模块只处理某一个特定传感器的信息。另外，还采用了一个“主滤波器”对来自所有局部滤波器的信息进行融合。这种结构明显的优势在于：计算量平均分布在各个并行滤波器中，主滤波器的计算负担不大；具备了多种冗余信息，可以通过适当的重构算法设计提供强容错能力。

 

（2）产生式规则可以建立自然景象专家系统，根据多传感器的检测数据，使用符号来表示环境特征，这样可以更全面的反映避障系统的周围信息，为机器人的路径规划做准备。

 

（3）模糊逻辑法方法是用某种模拟人类的思维习惯的模型系统地反映机器人避障系统中多传感器数据融合过程的不确定性，并通过模糊推理来完成数据融合，得到预期的效果。

 

（4）人工神经网络法是一种仿效生物神经系统的信息处理方法，是通过有教师或无师自学算法进行网络学习，一旦学习完成，该神经网络就能够根据以网络权矩阵和网络拓扑结构形式存储的特征信息，基于此神经网络得到了一种进行决策思维的模型结构，通过综合来自于系统各种不同传感器的信息，从中抽取出单一传感器无法提供的准确可靠信息，这是在有环境交互的情况下处理多传感器信息的一种十分有效的方法。

 

此方法应用到机器人避障系统多传感器信息处理中，主要通过传感器在操作现场获得环境信息，过滤和预处理模块对传感信息进行修正和数字化，经安全机制判断后作为相应神经网络融合处理器的输入源，采用知识数据库作为神经网络融合器的选型和知识来源的辅助决策工具，应用程序接收融合结果，采取相应的控制策略，并发送控制命令给机器人驱动设备。这样可以快速准确地获得尽可能多的实际操作现场的环境信息，从而有效地完成多传感器
的信息处理。

2、传感器信息处理

由于机器人避障系统中所用的传感器种类和数量较多，信息处理较复杂。应用在此系统的信号处理方法主要有小波分析法、神经网络法、遗传算法、免疫算法。

（1）小波分析法

小波变换的基本思想是用一族小波基函数去表示或逼近——信号，很好地解决了时间和频率分辨力的矛盾，适合于对时变信号进行局部分析。

 

小波变换作为一种新的信号处理方法，近几年，将小波分析应用在机器人避障系统实时采集传感器信号检测分析中，通过对传感器信号的多尺度分解，滤除被测传感器信号中混入的噪声成分，重构真实信号，这样可以有效提高机器人避障系统中采样数据的可靠性，进而可以提高避障系统的控制精度。另外它还有数据压缩功能，对此系统大量的传感信号进行压缩处理可以节省存储空间，提高运算速度。

（2）神经网络法

神经网络是一种不需要选取基函数系的非线性函数逼近方法。机器人避障系统利用神经网络的高度非线性描述能力，并利用这一能力对此系统的多传感器进行建模，利用BP算法（误差反向传播算法），可以对传感器输出信号进行滤波、除噪及传感器的信号识别，从而使传感器的输出信号更精确反映外部环境信息，为机器人的路径规划算法做准备。

 

这种方法的特点是：不需要机理方面的细节知识，避免了数学建模的不完备性；利用软件实现传感信号的处理，方便灵活，适用性强，免去了硬件电路。

（3）遗传算法

遗传算法是按照自然界“优胜劣汰，适者生存”法则提出的一种全局优化自适应概率搜索算法。遗传算法通过对当前群体施加选择、杂交、变异等一系列操作，产生出新一代的群体，并逐步使群体进化到最优解状态。

 

遗传算法被应用于机器人避障系统的传感信号处理中，首先在一个采样周期内将实际传感器信号均匀采样N次送入计算机，随机选择几组数据作为初始群体。然后循环进行选择、杂交、变异三种操作，直到达到给定的要求电压值为止。在机器人避障系统中，利用简单的放大电路和遗传算法软件可以在多传感信号的情况下精确还原传感信号，提高传感器信息处理中的测量精度。

 

（4）免疫算法

免疫算法是一种基于模拟生物体的计算方法，该算法模拟免疫系统中抗体-抗原的相互作用，通过系统对抗原（输入信号）的识别，抗体（标样信号）与抗原间亲和力的调整，以及抗体对抗原的消除来实现数字信号处理。

 

近几年来免疫算法也被应用于机器人避障系统的传感器信号处理中，该方法模拟免疫系统的作用机制，对此系统复杂、大量的传感器信号进行处理，可以得到重叠传感器信号中起决定作用的单组传感器信息，运行速度快，从而可以减少计算机处理传感器信息时间。

3、传感器故障诊断

传感器故障诊断的实施，能够保证诊断系统获取实时准确的信息，避免因错误信息造成的负效应，保证数据的正确性，因此传感器故障诊断是系统实时避障的重要保证。应用在机器人避障系统传感器故障诊断的方法主要有以下几个方面：

（1）模糊诊断方法

模糊诊断方法就是以模糊数学为理论基础，依据系统的传感器的模糊状态进行状态识别、推理并作出决策的一种故障诊断方法。

 

模糊故障诊断方法的优点是能够充分利用专家经验，考虑了故障状态及专家经验的模糊性，使得诊断结果更为合理，同时模糊诊断计算量相对较小，诊断速度快，实时性好，便于在计算机上应用，且准确率也较高。经常被国内外学者应用到机器人避障系统中，进行传感器输出结果的诊断。但模糊故障诊断方法也有其不完善的方面，如隶属函数的选取、各个诊断规则的运用，至今并无同一原则，常依具体问题而定。

（2）离散小波网络法

离散小波网络法是利用小波网络来诊断避障系统中传感器对象，当传感器对象没有突变时，小波网络的输出与诊断避障系统中传感器对象的输出差值较小，当传感器有突变时，小波网络的输出与诊断避障系统中传感器对象的输出差值较大，据此可利用方差检测出故障。该方法灵活度高，克服噪声能力强，对输入信号要求低，不需要对象的数学模型。缺点：在大尺度下，由于滤波器时域宽度较大，检测时会有一定的延时。

（3）人工神经网络诊断法

人工神经网络法近年来被应用于机器人避障系统中的传感器故障诊断领域。人工神经网络是一种并行处理机制的网络，且它可以通过学习而获得外界知识，知识分布存储各个神经元之间连接权值上，它可以完成输入模式到输出模式的复杂映射，具有容错能力强和运行速度快的特点。

 

采用神经网络法进行机器人避障系统的故障诊断的方法是①选择系统中关键传感器输出作为神经网络的输入变量，并规定网络的输出变量值；②选择合适类型和结构的神经网络；③根据所选择的输入输出信号的历史数据，离线对网络进行训练，获得网络的权值或阀值；④在线将前面选择的输入输出数据作用于网络，网络输出便可给出诊断结果。

 

该方法优点是不需要准确的数学模型，可以直接用过程数据来解决机器人避障系统故障诊断问题。但是此方法还存在一些问题，如网络结构如何选取等。此外，在诊断过程中，常常自学习，自诊断，因此如何将无导师训练算法引入到传感器故障诊断领域，也是一直探讨的方向。

四、结论（Conclusion）

智能多关节机器人的实时避障问题，是现在机器人研究领域的重点和难点问题。在避障过程中，常常会面临无法预先知道、不可预测或动态变化的环境。机器人感知环境的手段通常是不完备的，传感器给出的数据是不完全、不连续、不可靠的，传感器信息融合的算法还存在着诸多问题。但由于传感器技术的飞速发展以及神经网络、模糊控制理论等学科的深入研究，及传感器信息处理方法的应用，为避障问题的最终解决提供了可能性，但是对于复杂的应用，仍不能令人满意，因此现存的问题也正是该领域的研究方向。

 

（1）传感器融合技术在近年来被引入到了机器人避障研究中，并已取得很好的成果，对于目前一些高精度的多关节机器人避障系统采用常规传感器还很难满足性能指标，因而开发新型传感器或按照一定融合策略构造传感器阵列以弥补单个传感器的缺陷，将是重要的研究方向。

 

（2）人工智能可使机器人避障系统本身具有较好的柔性和可理解性，同时还能处理复杂的问题，因而在未来的数据融合技术中利用人工智能的各种方法，以知识为基础构成多传感器数据融合仍将是其研究趋势之一。

 

（3）为了在实现机器人避障系统多传感器数据融合，处理器结构将朝并行体行结构发展，包括传感器功能的并行结构和算法功能的并行结构。

 

（4）在一个智能系统中，使用单一的智能控制方法往往不能取得满意的效果，应综合采用常规控制方法和智能控制方法，才能够取得良好效果。神经网络和模糊推理是避障研究中的两个重要工具，但是神经网络样本集的完整性研究尚未取得突破，将事件空间的每一点都作为网络的学习样本显然是不可取的；模糊逻辑推理则侧重于模糊规则的选取，但有些规则很难形式化描述，或者必须用大量的规则描述而增大运算量，这样就背离了模糊逻辑应用的初衷，因此近年来提出了基于多组传感器信息，利用神经网络技术实现机器人对当前感知环境的快速识别和分类，进而利用模糊逻辑技术实现安全避障的新方法，它将是有潜力的研究方向。

 

（5）在集中式多传感器系统研究时应该将仿真技术和实时控制技术结合起来，建立集成开发环境来处理传感器信号。对于分布式传感器系统，应寻求一种基于通讯的实现方法来处理传感器信号，这是传感器系统今后发展方向之一。

 

（6）机器人的避障系统愈高级，传感器就愈多，信息处理愈复杂，会遇到多速率采样问题。但是现有成熟的计算机控制理论涉及的都是单速率采样，即假定系统中所有A/D，D/A通道都以同样的采样速率工作。为填补此项空白，就很有必要研究多速率采样控制系统的建模，分析及设计方法。所以，机器人多传感器多速率采样控制系统研究是传感器系统今后发展方向之一。

 

（7）多关节机器人避障系统是一个复杂的智能系统。因而在实际应用中，必须综合考虑各种功能，这是一个涉及机械、电子、计算机、自动化、物理学等多学科的跨学科课题，任何新技术的出现都可能对该领域的研究带来突破性进展，因而在机器人研究的同时，必须密切关注相关学科的发展。