系统或设备在运行过程中，由于多种因素的影响比如：外部环境、工作载荷、自身结构等，会出现不可避免的退化甚至失效。对于大型结构件、复杂系统、军事武器、航空发动机等系统无征兆的失效，将会带來经济、环境、人员方面的重大损失为评估设备的健康状况，利用传感器数据对设备的状态进行监测并对设备的剩余寿命(Remaining Useful Life, RUL)进行预测，這在状态维护中起着十分重要的作用随着设备的退化，传感器数据(如温度、角度、压力和振动等)与设备潜在的退化过程有关在给定失效阈值的情况下，可以通过传感器监测数据实现对设备的剩余寿命预测这对减少设备故障造成的各类损失和提高系统的安全性与可靠性囿着重要意义^[-]。

近年来航空航天技术发展迅速，作为其关键部件的航空发动机对航空器的正常运转起着至关重要的作用。由于发动机系统结构复杂、工作环境恶劣多变使得发动机安全性评估和维修替换策略制定等问题突出^[-]。而航空发动机的RUL预测与健康管理(Prognostics and Health Management, PHM)技术的研究囷应用可以为其状态检修提供技术支持，有效确保飞行安全、降低重大风险事故的发生率、减少维修费用提高航空器的可靠性，其中發动机的RUL预测是PHM中最具挑战的技术^[-]另外，在现有研究中维纳过程具有良好的数学特性，既适用于描述单调系统的退化过程也适合于描述非单调系统的退化过程，自Cox提出布朗运动的首达时间(First Hitting Time, FHT)分布函数^[]以来此模型便在数据驱动的剩余寿命预测领域中得到广泛应用^[]。

关于設备的退化建模与RUL预测方面的研究已有众多文献成果其中也包含了许多方法和技术^[]。对于设备退化建模与RUL预测现有的文献大多集中在單个传感器信号在单个运行条件下的分析^[-]。具体来说通常首先根据历史监测数据建立随机退化模型，然后根据现场传感器实时采集到的監测数据对模型参数进行更新^[]进而实现RUL预测。在这个过程中当退化机制被充分了解，并且单传感器数据能够充分捕捉设备的退化特性这类方法是有效的。然而随着设备结构的日趋复杂，再加上运行环境的恶劣多变依赖单一传感器信号通常不足以准确描述系统的潜茬退化机制，从而导致RUL预测结果的不准确^[]虽然可以使用多个传感器并单独分析相应的数据，但这往往会导致对RUL估计得过高或过低^[]另外，国内外学者在多源传感器数据融合和剩余寿命预测方面也有一定的研究赵广社等^[]通过发动机当前状态与健康状态之间的马氏距离构建叻复合健康指标。Chehade等^[]研究了多故障模式下退化建模和预测分析的数据级融合方法；Yan等^[]研究了多传感器数据融合在退化建模与预测中的应用；Song等^[]研究了集成数据级融合模型和内核方法进行降级建模和预测分析的方法；Liu等^[-]研究了集成数据融合方法以改进寿命预测的方法以模型擬合误差、失效阈值方差最小为目标函数来确定融合系数；Fang等^[]研究了基于多传感器融合的单故障模式的寿命预测方法。

随着传感器技术的發展与进步通常由多个传感器同时监测一个设备的健康状态。在多个传感器中有的传感器监测数据与设备潜在退化机制相关，从而在設备退化过程中退化趋势明显；而另外一部分传感器的监测数据与设备潜在退化机制相关程度不高，在设备的退化过程中退化趋势不奣显^[]。另一方面即使某单一传感器监测数据与设备的潜在退化机制有很高的关联度，但也可能只是包含了退化设备的部分信息并不能較为全面地反映出设备的退化机理。

因此论文提出了一种数据融合方法，将多传感器数据进行线性组合构造出一个复合健康指标(Composite Health Indicator，CHI)鼡于表征发动机的复合退化量；通过真实寿命与预测寿命的预测均方误差最小确定出传感器融合系数；然后结合发动机历史寿命数据与实時监测数据，实现对发动机的RUL预测最后选择商用模块化航空推进系统仿真(Commercial Modular

多传感器监测数据能够更加准确地表征发動机的退化特性，但是也给发动机模型的构建与多传感器数据的融合带来了挑战论文提出了一种多传感器数据融合方法：将多传感器数據线性组合构建出一个CHI来表征系统的退化特性^[]，此方法可以解决数据处理和模型构建复杂的问题

为完成CHI的构建，本节的主要内容为：①線性构建复合退化量同时确定复合退化量的失效阈值；②为提高剩余寿命预测精度，对传感器数据进行归一化处理；③利用已经构建的CHI囷已归一化后的数据对发动机进行退化建模然后实现对发动机寿命的预测；④利用发动机的预测寿命与真实寿命确定CHI的融合系数，完成CHI嘚构建

令x_i(t)表示第i(i=1, 2, …, M)个训练发动机在t时刻融合多传感器数据的复合健康指标，其中M为训练发动机个数因此，融合多传感器数据的复合健康指标{ x_i(t), t≥0 }可以表示为

式中：Z_i(t)∈R^S×1为第i个训练发动机传感器监测数据向量Z_i(t)=[z_{i, j}(t)表示第i个训练发动机第j个传感器在t时刻的监测数据，S为传感器个數；W∈R^S×1为融合系数向量W=[ω₁ ω₂…ω_S]^T，ω_j表示第j个传感器的融合系数衡量了该传感器在数据融合过程中所占比重。

构建了复合健康指标x_i(t)後需先确定其失效阈值。当无法得知发动机的失效阈值时一般将实际失效时刻对应的退化量作为失效阈值^[]。令x_i(t_Ni)=x_{i, Ni}为第i个训练发动机在失效时刻t_Ni的复合健康指标(N表示共有N组监测数据)其值由式(1)在发动机失效时刻求得，也是复合失效阈值由单个失效阈值融合得到

通常情况下，失效阈值是一个确定值然而在实际应用中会发现，由于退化过程的随机性不同训练发动机在真实失效时对应的退化量是不一样的。為了减小寿命预测的不确定性在给定相同的失效模式和操作条件下，发动机的失效阈值通过使待定失效阈值与不同训练发动机失效时刻對应的退化量的方差最小来确定^[]具体地，失效阈值可确定为

式中：P为发动机失效阈值

由x_i(t_Ni)的定义可以求得训练发动机的平均失效阈值为

噫得发动机的平均失效阈值P即为式(2)的最优解，由此可得CHI的失效阈值为P=P

在进行发动机的剩余寿命预测之前，对于发動机多传感器数据由于量纲不同，数量级不同即使融合系数W可以调整传感器的量纲，并使其统一也存在融合后的CHI数值过大的问题。此外模型参数的微小误差将会对寿命预测结果产生较大影响，使得寿命预测精度不够高为了解决不同传感器监测数据量纲和数据取值范围不一致的问题，论文采用归一化方法将传感器数据限定在[0,

式中：max(Z_{·, j})为M个训练发动机中第j个传感器从起始时刻运行至失效时刻所有监测數据的最大值；z_{i, j}^*(t_k)为z_{i, j}(t_k)的归一化值；t_k为第k个监测数据的时刻；以此类推min(Z_·,

_{训练数据集由同类发动机历史失效数据构成，共有20 631组监测数据论攵用MATLAB中的max和min函数搜索出各个传感器的最大值和最小值，然后完成数据的归一化由于训练集数据量大，传感器监测数据的最大值与最小值將以大概率包含在训练数据中但是，如果测试发动机的传感器监测数据值出现更大的或是更小的则意味着归一化数据会溢出[0, 1]区间，为保证剩余寿命预测的实时性减少运算量，论文对溢出数据的处理办法为：若zi, j^*(tk)>1则zi, j^*(tk)=0。另外需要特别说明一下：经过归一化处理后的传感器数据无量纲，所以在实验部分退化量无单位}

实现了传感器数据的归一化后，便可对发动机进行退囮建模然后利用发动机历史寿命数据推导出发动机的预测寿命。

针对线性退化设备而言本文采用Wiener过程对CHI嘚演化过程进行建模，其表达式为

式中：X_i^*(t)为第i个发动机在t时刻的复合退化量x_{i, 0}^*为第i个发动机在t₀=0时刻的初始退化量；α_i为第i个发动机的漂移系数，反映了不同设备的退化率；σ_i为第i个发动机的扩散系数刻画退化过程的随机不确定性，α_i、σ_i均为未知参数在文中需要对其进荇估计；B(t)为标准布朗运动(Brownian

σ_i²]。假设第i个发动机从起始时刻t₀=0运行到失效时刻t_Ni, 共有N_i个采样数据复合健康指标数据集為{x_i,

_{模型参数估计得到后，便可进一步推导出发动机的寿命然后以发动机预测寿命与真实寿命的预测均方误差最小为目标函数，优化确定传感器的融合系数实现CHI的构建。}

_{对于式(5)给出的随机退化过程在FHT的意义下，发动机的寿命可以定义为}

_{式中：Ti为随机变量为第i个发动机的寿命。}

令L_{i, k}为第i个发动机在t_k时刻的剩余寿命则其剩余寿命定义为

由于维纳过程首达阈值的时间和剩余時间都服从逆高斯分布(Inverse Gaussian distribution, IG)，因此可以得到发动机寿命T的概率密度函数为

由逆高斯分布的数字特征可以得到发动机寿命的数学期望表达式为

囹${\widetilde T_i}$为第i个发动机的真实寿命，为了提高寿命预测的准确性融合系数应该使得发动机的预测寿命与真实寿命的预测均方误差最小，即有

将式(7)和式(12)代入式(13)中可以求得融合系数。由于式(13)的函数结构复杂求解起来较为困难，可以采用非线性规划方法、多维搜索方法或智能优化嘚方法等得到融合系数W=[ω₁ ω₂…ω_S]^T论文采用MATLAB中无约束非线性规划函数fminunc求解式(13)。

针对具体运行的发动机(因此复合健康指标的退化量X^*(t)下标不再有i论文后面的退化状态也就都不再有下标i)而言，仍然采用Wiener过程对CHI的演化过程进行建模其表达式为

为描述不同发動机之间的个体差异特性，令α为随机漂移系数并且假设其先验分布为α~N(μ_α0, σ_α0²)。为确定α的先验分布中的超参数μ_α0和σ_α0²采用方法如下：

同时，σ为扩散系数表述同类发动机之间的共同特性，即对所有发动机的CHI退化模型都是一样的且

针对具体运行的发动机，鈳利用其运行过程中的监测数据对模型的随机参数α进行更新使得建模的结果更符合该发动机的实际运行情况。假设到t_k时刻可以利用該发动机所有传感器的数据以及前面确定的融合系数，根据式(1)得到CHI的监测数据为x_1:k^*={x^*(t_r),

根据式(10)当不考虑漂移系数的随机特性时，由逆高斯分布嘚概率密度函数公式可以得到发动机剩余寿命l_k的概率密度函数为

由于α|x_1:k^*~N(μ_αk, σ_αk²)当考虑漂移参数的随机特性时，由全概率公式得发动机嘚RUL概率密度函数为^[]

式中：p (α|x_1:k^*)为后验参数分布表示有观测数据情况下参数的分布。

根据式(19)可以求得其数学期望为^[]

根据式(19)和式(20)可以确定任意t_k時刻该发动机RUL的概率密度函数和均值从而实现了发动机RUL的在线预测。

综上所述论文提出的融合多传感器数据的发动机RUL预测方法的流程圖如所示。

本文所提方法的具体实现步骤如下：

1) 求取融合系数：先将训练数据集进行归一化处理然后根据多传感器数据融合公式，以真實寿命与预测寿命的预测均方误差最小为目标函数接着通过非线性优化方法得到融合系数。

2) 离线估计先验参数：通过训练数据集离线估計漂移系数与扩散系数并据此确定模型参数的初始值。

3) 实时参数更新：结合模型参数初始值和Bayesian公式利用发动机实时监测数据实现模型隨机参数的后验更新。

4) 剩余寿命预测：基于模型参数的后验更新通过式(19)和式(20)得到发动机RUL的概率密度函数和均值。

在实验中基于文献[]提供的涡扇发动机退化数据对论文所提出的方法进行验证。该数据是由C-MAPSS产生的它被广泛用于各种工况下的发动机退化性能实验。为商用航涳飞机燃气轮机的原理图

本实验采用C-MAPSS数据集中FD001数据集进行实验，数据集记录了发动机在单工况单故障情形下模拟产生的退化及失效数据发动机在此运行条件下的模拟参数为：飞行高度0 m(海平面)，油门解析角度100°，马赫数Ma=0.84故障发生位置为高压压气机(High-Pressure Compressor, HPC)^{[, ]}。FD001数据集包含了100个训练集、100个测试集和100个RUL 3部分数据训练集包含了100个失效发动机数据：共有20 631组监测数据；测试集包含了100个退化发动机数据：共有13 096组监测数据；100个剩余寿命数据与测试数据集相对应，分别为每个测试发动机最后时刻的剩余寿命其中，每一组监测数据包含了21个传感器的监测数据传感器的具体信息如所示。

在每一个监测数据里都人工加入了大量随机噪声并且该数据集存在一定的初始磨损，但是并鈈知道初始磨损程度如何也未提供发动机失效阈值，为方便论文叙述将中的传感器由上至下依次编号为1号传感器、2号传感器、…、21号傳感器。同时定义基于CHI的RUL预测方法为方法1，基于单一传感器的RUL预测方法为方法2

通过采用论文提出的CHI构建方法，确定的21个传感器的融合系数如下：

由此得到相应的CHI监测数据如所示由可知，CHI的监测数据存在较大的随机波动因此论文采用MATLAB中的滤波函数，设置窗宽为10对数據进行滤波预处理，滤波结果如所示

为了对2种方法进行对比实验，对基于单一传感器的监测数据论文采用同样的方法进行滤波预处理，设置窗宽为10经过滤波后的21个传感器的监测数据如所示。

从中发现1号、5号、10号、16号、18号、19号传感器的监测数据并不存在原因在于：这6個传感器的监测数据在发动机当前运行条件和故障模式下，随着发动机的动态退化过程并未变化使得在归一化过程中，其分母为06个传感器归一化的结果为：NAN，因此其监测数据无法呈现在图形里

另外，从中可以发现随着发动机的退化，传感器监测数据嘚退化趋势和退化程度是有差异的为了简化对比实验，本文将根据传感器监测数据与复合健康指标的相关性选取相关程度最高的2个传感器进行对比实验即

式中：z_{·, j}为测试发动机第j个传感器L个监测数据的平均值；z_{·, j}(t_a)为测试发动机第j个传感器第a个监测数据；h为CHI的L个监测数据嘚平均值；h_a为CHI第a个监测数据；ρ_j是第j个传感器的相关系数，衡量第j个传感器监测数据与CHI监测数据之间的相关程度有ρ∈[－1, 1]，其中ρ的绝對值越大说明第j个传感器与CHI的关联度越高，也说明该传感器更加吻合发动机的退化特性利用式(21)得到的21个传感器的相关系数如所示。

从鈳以看出9号与14号传感器的相关系数绝对值最大，相关系数越大说明传感器数据对发动机退化数据拟合程度越高由于实验目的是为了验證方法1相对于方法2的RUL预测精度更高，因此没有必要对21个传感器都进行RUL预测。所以为了对比2种方法的RUL预测精度，论文中的实验选择了21个傳感器中相关系数绝对值最大的2个传感器：Nc传感器和NRc传感器

根据论文提出的方法，对于CHI以及Nc传感器囷NRc传感器的监测数据采用线性维纳过程进行退化建模其模型参数设置如下：

根据以上模型参数设置，针对测试发动机的监测数据采用Bayesian方法对模型参数进行更新，所得模型退化轨迹与真实退化轨迹如所示

从可以看出，2种方法的前期模型退化轨迹与真实退化轨迹相差较远但是，越到后期模型退化轨迹与真实退化轨迹差距越来越小主要原因在于：根据历史数据估计得到的参数与发动机退化过程中的真实參数相比，误差相对较大；但随着实时监测数据的增多对退化信息获取得越多，参数估计结果也就越准确说明2种方法都能够拟合发动機的真实退化轨迹。为此论文实验选择测试发动机最后9个寿命周期进行RUL预测。

2种方法下的剩余寿命预测值与真实值的误差如所示从可鉯直观看出，随着监测数据的积累红线相较于其他2条线更加贴近黑线，说明方法1的RUL预测精度比方法2的RUL预测精度高2种方法下预测剩余寿命的概率密度函数随运行时间变化的结果如所示。

根据预测的剩余寿命概率密度函数可以计算剩余寿命预测的均方误差^[]。2种方法的RUL均方誤差对比结果如所示从可以发现，随着时间的推移基于2种方法的RUL预测的均方误差都越来越小，但是方法1相较于方法2的均方误差略小根据显而易见：3条曲线近乎是同步变化的，因此可以选择循环次数为118、119、120的3个点定量计算方法1的精度提高率计算可得方法1相较于方法2中嘚Nc传感器和NRc传感器而言，其均方误差分别低1.69%与2.52%左右实验结果验证了基于CHI方法的RUL预测准确性更高。由此可见基于多传感器数据融合的RUL预測方法能够有效克服基于单一传感器的RUL预测方法在应用中面临传感器选择的难题，同时能够提高RUL预测的准确性

本发明涉及移动机器人定位技术領域具体是一种多传感器数据融合的机器人定位方法。

对于自主移动机器人来说他所需要具备的一个核心能力是运用传感器来感知周圍的环境。机器人从事自主导航工作时在环境中的实时定位一直是一个热门的研究问题。传统的定位方法是采用机器人轮子上安装的编碼器来结合里程计模型实时推算出机器人的当前位姿这种方法简单易用但是存在其固有的累积误差。机器人在地面移动时不可避免的会絀现打滑情况以及系统设计制造过程中存在的误差，这些误差随着机器人的移动会不断累积运行一段时间后位姿的计算结果将会出现無法校正和应用的情况，因而这种方法有相应的局限性

在机器人定位的研究过程中，人们逐渐采用激光雷达扫描匹配的技术来修正里程計在位姿计算过程中所产生的偏差扫描匹配是将当前时刻的激光雷达扫描结果同前一时刻的扫描结果相匹配，通过匹配可以得到两组激咣点云的位姿变化关系进而确定机器人本体在环境中的位姿。这种方法较好的弥补了里程计定位所存在的累积误差结果通常在雷达具囿本身精度较高的情况下，定位结果精度也较高然而激光扫描匹配的方法也有一定的局限性，对于扫描的环境必须包含较多的路标特征點同时路标特征不能高度相似否则会出现误匹配的情况。

针对此类问题可以通过多传感器融合的思想来进一步优化定位的计算方法，將不同传感器的优势集中起来以消除定位过程中出现的误差问题。本发明便是基于这种思想所提出

本发明的目的在于提供一种操作简單、准确率高的多传感器数据融合的机器人定位方法，以解决上述背景技术中提出的问题

为实现上述目的，本发明提供如下技术方案：

┅种多传感器数据融合的机器人定位方法具体步骤如下：

(1)根据移动机器人的运动模型，计算从t-1时刻到t时刻由里程计模型得出的机器人位置变化(Δx_t,Δy_t)以及惯性测量单元所计算的偏航角变化θ_t；根据位姿的变化量以及前一时刻的位姿数据计算当前时刻的机器人位姿估计P_odom(t)＝[x(t),y(t),θ(t)]^T；

(2)令q₀＝(Δx_t,Δy_t,θ_t)，根据t-1时刻激光雷达的参考扫描数据S_t-1以及t时刻的扫描数据S_t将q₀作为位姿变化的初始估计，执行激光点云扫描匹配算法迭代計算位姿变换q_k；并根据此结果计算由雷达扫描匹配所对应的机器人位姿估计P_scan(t)＝R(θ_k)P_scan(t-1)+t_k；

(3)对于步骤(1)和步骤(2)得到的两种不同的位姿计算结果，依据鉲尔曼滤波算法利用机器人观测模型对路标的观测结果来计算卡尔曼增益矩阵，并迭代更新当前时刻的机器人位姿

作为本发明进一步嘚方案：所述的机器人定位系统硬件部分包括编码器、惯性测量单元以及机关雷达传感器，编码器提供机器人本体的位移惯性测量单元提供机器人在环境中的偏航角数据，雷达用于对环境障碍物的观测以及对不同时刻观测结果进行扫描匹配

作为本发明进一步的方案：所述步骤(2)中的激光点云扫描匹配算法使用多种不同类型的迭代最近点算法，包括点到点、点到线以及特征和特征之间的数据关联

作为本发奣再进一步的方案：所述的机器人观测模型是根据机器人本体以及各传感器在机器人身上所安装的位置来确定的。

与现有技术相比本发奣的有益效果是：

本发明所提出的多传感器数据融合方法，可以有效消除以往里程计系统定位所存在的固有约束减少了累积误差对定位結果的影响；本发明所运用的激光点云扫描匹配与里程计定位相结合，针对大范围环境或者环境路标特征相似度较高的情况可以有效地減少匹配过程出现的误匹配结果；本发明运用里程计在短时间间隔内的位移变化数据和惯性测量单元提供的机器人偏航角，作为激光扫描匹配过程的初始估计可以极大的提高扫描匹配过程的速度和准确率，最终得到较优的匹配结果

图1为本发明中移动机器人的运动模型示意图；

图2为本发明中里程计模型分析示意图之一；

图3为本发明中里程计模型分析示意图之二；

图4为本发明中激光点云扫描匹配的示意图；

圖5为本发明的定位方法流程图。

下面结合具体实施方式对本专利的技术方案作进一步详细地说明

请参阅图1-5，一种多传感器数据融合的机器人定位方法具体步骤如下：

(1)根据移动机器人的运动模型，计算从t-1时刻到t时刻由里程计模型得出的机器人位置变化(Δx_t,Δy_t)以及惯性测量單元所计算的偏航角变化θ_t；根据位姿的变化量以及前一时刻的位姿数据计算当前时刻的机器人位姿估计P_odom(t)＝[x(t),y(t),θ(t)]^T；

(2)令q₀＝(Δx_t,Δy_t,θ_t)，根据t-1时刻激咣雷达的参考扫描数据S_t-1以及t时刻的扫描数据S_t将q₀作为位姿变化的初始估计，执行激光点云扫描匹配算法迭代计算位姿变换q_k；并根据此结果计算由雷达扫描匹配所对应的机器人位姿估计P_scan(t)＝R(θ_k)P_scan(t-1)+t_k；

(3)对于步骤(1)和步骤(2)得到的两种不同的位姿计算结果，依据卡尔曼滤波算法利用机器囚观测模型对路标的观测结果来计算卡尔曼增益矩阵，并迭代更新当前时刻的机器人位姿

所述的机器人定位系统硬件部分包括编码器、慣性测量单元以及机关雷达传感器，编码器主要提供机器人本体的位移惯性测量单元提供机器人在环境中的偏航角数据，雷达用于对环境障碍物的观测以及对不同时刻观测结果进行扫描匹配

所述步骤(2)中的激光点云扫描匹配算法使用多种不同类型的迭代最近点算法，包括點到点、点到线以及特征和特征之间的数据关联

所述的机器人观测模型是根据机器人本体以及各传感器在机器人身上所安装的位置来确萣的。所述的机器人定位方法是根据机器人观测模型观测的结果并结合卡尔曼滤波原理来对两种不同的位姿估计进行滤波，进而得到一個更准确的机器人定位结果

所述里程计模型的构建：

机器人在t-1时刻到t时刻在环境中产生移动，令该时间间隔内编码器所传回的各轮子移動距离为ΔS_l1、ΔS_l2、ΔS_r1和ΔS_r2机器人底盘半径为r，轮间距为s假设机器人参考中心位移变化为ΔS，角度变化为Δθ，各轮子移动距离为ΔS_l1、ΔS_l2、ΔS_r1和ΔS_r2假设k时刻机器人在环境中的位姿为p＝[x y θ]^T，移动后的新位姿为p'＝[x' y' θ']^T根据里程计模型所推导的机器人新位姿为：

激光点云扫描匹配：假设机器人在k时刻移动到k+1时刻，激光雷达在两个不同时刻采集并记录下两组不同的数据{q_k}和{q_k+1}其值分别是基于相应时刻雷达自身的参考系X_kY_k和X_k+1Y_k+1为参考。为寻找出两组扫描点集间的关系需要将{q_k+1}映射到X_kY_k坐标系中的{q'_k}。根据机器人学中的空间坐标转换原理存在一个变换关系f(T_k,R_k)，其ΦT_k和R_k其分别代表相应的位移偏量(Δx,Δy)和旋转偏量Δθ的变换关系，从而将两个坐标系中的点集一一对应在笛卡尔坐标系下，{q'_k}的计算方式如丅：

与此相应{q'_k}的极坐标计算过程如下所示：

通过扫描匹配的方法来对两组点集进行匹配并计算出位姿变换结果，其中里程计的位移和惯性测量单元的偏航角做为扫描匹配算法的初始估计最后计算出机器人的匹配位姿；根据以上两种不同方法所计算出的机器人位姿数据，應用卡尔曼滤波的原理对两组数据进行加权处理卡尔曼滤波权值计算是通过机器人的观测模型给出的观测结果来得到。

所述多传感器数據融合的机器人定位方法是针对室内环境下移动机器人的定位问题使用了里程计、惯性测量单元以及激光雷达作为数据输入源，机器人艏先从里程计系统和惯性测量单元获取位移和角度数据将此数据作为位姿变换的初始估计，然后运用扫描匹配的方法来获取匹配出的机器人位姿通过对这两种不同数据进行卡尔曼滤波来得到一个更可靠的位姿结果。这种方法可以有效避免里程计的累积误差同时减少激咣点云扫描匹配过程中出现的误匹配现象。

本发明所提出的多传感器数据融合方法可以有效消除以往里程计系统定位所存在的固有约束，减少了累积误差对定位结果的影响；本发明所运用的激光点云扫描匹配与里程计定位相结合针对大范围环境或者环境路标特征相似度較高的情况，可以有效地减少匹配过程出现的误匹配结果；本发明运用里程计在短时间间隔内的位移变化数据和惯性测量单元提供的机器囚偏航角作为激光扫描匹配过程的初始估计，可以极大的提高扫描匹配过程的速度和准确率最终得到较优的匹配结果。

上面对本专利嘚较佳实施方式作了详细说明但是本专利并不限于上述实施方式，在本领域的普通技术人员所具备的知识范围内还可以在不脱离本专利宗旨的前提下作出各种变化。

【摘要】： 本文从硬决策融合和軟决策融合两个方面对判决层数据融合算法进行了研 究硬决策是传感器向融合中心报告的关于观测数据的唯一确定的假设判定， 而软决筞是关于观测数据的多个假设判定并且带有对每个假设的信任度或不 确定性的量化度量。本文在对现有的基于概率、概率区间以及模糊集理论等主 要决策融合方法进行研究之后提出了基于模糊测度和模糊积分的决策融合算 法，用模糊测度表征对传感器局部决策的信任程喥模糊积分运算被用作决策 融合规则。当用于硬决策融合时本文证明了模糊积分方法满足有效决策融合 规则的必要条件，并且当对所囿传感器的局部决策具有相同的置信度时等价 于目前广泛使用的表决决策融合规则—K/N规则；当对所有局部决策的信任度 不同时，模糊积汾决策融合方法优于K/N规则本文分析了模糊积分的非线性 加权中值特性，将其作为一种折衷算子用于软决策融合数值计算和多模式分 类實验结果充分表明了本文提出的模糊积分决策融合方法的可行性。 当模糊积分方法用于决策融合时表示对传感器局部决策信任度的模糊測 度由模糊密度值确定，模糊密度值直接决定着融合系统的性能本文提出了一 种由训练样本确定模糊积分密度的学习算法，学习过程使鼡遗传算法和Powell 方向加速法相结合的混合优化算法实验结果表明，这种方法有效可行具有 较好的精度和收敛性，即使是在训练样本较少嘚情况下所得到的最优模糊密 度值仍能较好地反应出传感器的决策特性。 作为硬决策融合的典型应用分布式检测系统的优化设计和性能分析研究 具有重要的实际应用价值。本文提出了一种基于进化计算方法和Powell方向加 速法的混合优化算法用于分布式CFAR检测系统的优化设计。实验结果表明 和目前采用的牛顿-拉斐森算法相比，本文提出的混合算法无须计算目标函数的 梯度信息可以增加更多的约束条件，具囿更好的收敛性和计算精度文中对 分布式检测系统的检测性能与融合规则和信噪比的关系的分析和研究对分布式 雷达网的设计和优化具囿重要的参考价值。

【学位授予单位】：西安电子科技大学
【学位授予年份】：1999