多传感器数据融合技术在移动机器人中的应用
摘 要
机器人多传感器数据融合是当今科学研究的热点问题。综述了多传感器数据融合技术在移动机器人几个工作阶段中的应用。指明了移动机器人领域中多传感器数据融合技术的发展趋势。
关键词
移动机器人 多传感器 数据融合
前 言
随着传感器种类的日益丰富和传感器技术的飞速发展，多传感器数据融合技术得到了越来越多的关注。并且由于其在解决探测、跟踪和识别等问题上具有生存能力强，能够增强系统检测性能、可信度、鲁棒性和可靠性，可以提高测量数据精度，扩展系统的时间和空间覆盖范围[1]等优势，多传感器数据融合在军事、农业、工业等各个领域上的应用越来越频繁。其中，数据融合技术在机器人研究领域的应用也正处在快速发展的阶段，特别是在移动机器人中，数据融合技术的应用就更为广泛了。本文比较分析了现有移动机器人上所应用的多传感器数据融合技术，并对未来移动机器人研究领域内数据融合技术的发展进行了合理的展望。
正 文
3.3 移动机器人多传感器数据融合的实现
对于不同结构的移动机器人而言，其涉及的传感器装置不同，相应所采用的数据融合技术也不尽相同。目前，移动机器人领域中采用的多传感器数据融合方法主要包括：卡尔
曼滤波、贝叶斯估计、加权平均算法、模糊逻辑算法、神经网络算法、小波变换法、Dempster-Shafer(D-S)理论等。应用这些方法可以进行数据层、特征层以及决策层等不同的层次的融合，也可以实现内部航迹推算系统信息、测距传感器信息、全局定位信息之间的信息融合，进而可以保证移动机器人能全面、准确地感知自身状态和周围的环境，从而能做出正确的判断和决策[9]。
智能的移动机器人能实现目标识别、目标物体位姿测量、精确自定位、导航、目标跟踪等一系列功能。在实现不同功能的过程中，移动机器人所用到的传感器数量和种类可能不同，各种数据融合算法在不同阶段的适用性和优劣性也不一样。一般, 直接对数据源进行操作时, 可以采用神经网络或加权平均算法等；利用对象的统计特性和概率模型进行操作时, 可采用贝叶斯估计、多贝叶斯估计、卡尔曼滤波、统计决策理论等；而在系统的决策层, 采用基于规则推理的方法比较好, 如模糊逻辑、证据推理、产生式规则等[10]。
3.3.1 多传感器数据融合算法在移动机器人目标识别中的应用
神经网络算法是一种效仿生物神经系统的处理方法，它从人脑的结构出发来研究人的智能行为，模拟人脑信息处理的功能[11]。它具有良好的容错性、层次性、可塑性、自适应、联想记忆和并行处理能力。正是由于神经网络算法的种种优越性，其在数据融合中的应用越来越广泛。
目前，在各种数据融合算法中，神经网络算法比较适用于移动机器人对目标的识别，它能够使移动机器人对障碍物有精确的认识和估计，从而得出正确的运行轨迹。采用基于神经网络的数据融合方法，能够较好地解决移动机器人的正确导航和自主行进问题。为了有效地改善神经网路数据融合的计算速度和实现效果，可以采用阵列式神经网络的数据融合模型，并且通过自网络实现信息的分解与融合。
3.3.2 多传感器数据融合算法在移动机器人精确定位中的应用
移动机器人要实现自主避障、行迹规划，首先必须具有精确自定位的能力。
移动机器人的定位精度主要取决于所使用的定位传感器和数据融合算法。现有的定位传感器的种类很多，相应的可用于移动机器人定位的多传感器数据融合算法也不唯一。以下对几种移动机器人自定位的数据融合算法的应用进行简要介绍。
1 能力风暴智能移动机器人
对于采用里程计和超声波传感器定位的能力风暴智能移动机器人，可以用卡尔曼滤波算法对从里程计和超声波传感器中得到的数据进行数据融合，用融合的结果对光电编码器进行复位。这样能够有效的消除由于时间积累而带来的光电编码器读数的误差，并且可以
2 煤矿救灾移动机器人 [12]减少对移动机器人所处环境的依赖性，使移动机器人能更好地进行自定位。
对于用于煤矿救灾的移动机器人，由于矿井中环境比较复杂，为增强机器人定位的可靠性，要用到多传感器的融合。在该机器人中，用到了4种定位传感器：电机编码盘、三轴电子罗盘、三轴电子陀螺和三轴加速度计，为提高机器人的定位精度，在处理4种传感器数据的过程中，加入控制指令的预估计数作为另一个传感器，这样相当于就有5个定位传感器。(预估计是指通过计算机已收到的控制指令预先估计机器人下一步的位置和航向状态[13]。) 用这5种传感器对同一参数进行检测，再将检测的数据进行融合，能提高定位精度。
由于外界环境因素和本身结构问题，以上5种传感器的输出均不可不免地会受到一些干扰，从而影响机器人的行程和航向角这两个参数。由于传统的单传感器定位技术不能很好地判断干扰的情况，而且传统的多传感器定位融合算法也无法很好地过滤干扰数据。基于以上的原因，提出了一种基于信任度相加的多传感器融合算法，这种算法能够有效地克服干扰情况对机器人定位精度的影响，从而大大提高煤矿救灾机器人的定位精度。
信任度表征的是测量值逼近期望值的程度[13]。利用概率分布的原理，建立数据信任度的函数。对于上述5种传感器，通过输出的传感器数据，基于极大似然估计的思想，计算出联合的总信任度函数，并求出该函数的最大值，即为期望值对应的信任度。利用这种信任度算法分别对行程和航向角进行融合计算，就得到了融合后的行程和航向角。
3 用于足球比赛的移动机器人
为了保证机器人在足球比赛中的灵活性，目前这类移动机器人上一般采用的是全向轮运动模型，基于此模型，足球机器人在向任意方向做直线运动的时候还同时能够自身旋转运动来调整自身状态。使用这种模型的机器人有快速灵活、易于掌握的优点。
机器人比赛时，为了获得现场信息，可以采用全向视觉成像模型。全向视觉传感器位于机器人的顶部，具有360度的水平视角，可以采集到周围环境信息，为机器人自定位提供了保证。
机器人中另外一个重要的组成部分是电子罗盘，它能够直接给出机器人运动的相对方向的偏移。
由于足球比赛的实时性，要求参赛的移动机器人能够快速精确的自定位，而传统的多传感器融合算法有些具有不容忽视的滞后性。为了改进，提出了一种Monte carlo(粒子滤波) 算法实现融合定位。由于充分利用了全向视觉传感器的观测模型，在粒子滤波定位方法的实现过程中, 粒子点的置信度通过查表的方法获得, 实现了使用全向视觉传感器模型计算
[14]机器人位姿置信度的快速性, 从而保证了定位算法较好的实时性。
Monte carlo(粒子滤波) 算法源于贝叶斯滤波位置估计，其实现主要分四个阶段：采样阶段、预测阶段、更新阶段、权值归一化。在具体过程中，MCL 算法需要知道的是足球机器人的全向轮模型、全向视觉观测模型和电子罗盘的感知模型。得到模型之后，进行以下步骤即可实现机器人的快速高精度自定位：1) 根据当前时刻机器人的运动模型对粒子点进行更新；2) 根据当前时刻观测模型的测量结果计算每个粒子的权重；3) 保留权重高的粒子，丢弃权重低的粒子，并根据相应原则添加新的粒子[14]。
3.3.3 多传感器数据融合算法算法在移动机器人自主避障中的应用
以校园巡逻机器人为例，其要实现自主行进，必须具有避障的功能。在实验过程中，机器人必须在设定的区域内正确检测的障碍物并且成功避障。机器人中使用了多个红外传感器和超声波传感器，利用产生式规则形式设计两级规则库[15]，来实现从红外传感器和超声波传感器中获得的数据的融合，为后续的机器人自主精确避障提供保证。可用的融合算法比较多，在此比较适用的是自适应加权融合估计算法。这种算法不需要知道传感器测量数据的任何先验知识，只依靠多传感器提供的测量数据，就可以得出均方误差最小的融合值[16]，使用起来方便快捷。
3.3.4 总述
虽然在移动机器人实现不同目标的过程中，各种数据融合算法有其各自的适用性，但针对不同的情况可以结合多种适应性相对较好的数据融合算法，以提高机器人完成目标识别、自身定位等任务的可靠性和精确性。比如在移动机器人目标识别过程中，将神经网络算法与D-S 理论相结合，则实现的效果更好。
4 融合技术在移动机器人应用中的发展趋势
随着电子技术的飞速发展, 传感器结构将朝着并行体结构的方向发展。因此, 开发具有并行计算能力的硬件和软件, 以满足具有大量数据并且计算复杂的多传感器信息融合的要求, 是目前多传感器信息融合技术的主要发展趋势之一。
目前，已经存在的技术成熟的多传感器信息融合算法有很多, 但其中很大一部分的算法都是基于线性正态分布的平稳随机过程的。为了进一步地提高多传感器融合系统的性能，使得融合后数据更为精准，我们需要开发出新型的多传感器数据融合算法, 来解决非线性和非平稳正态分布的信息的融合问题。
移动机器人对多传感器数据融合的发展起到了很大的推动作用，而相应的，多传感器
数据融合技术的使用也使得移动机器人能够更快更精确地获取自身状态和周围环境情况，从而大大地提高了机器人的规划、推理能力，在提高机器人的自主性和协作性方面也起到了重要的作用[17]。但同时，相应的问题也存在需要我们去解决或进一步深入，比如非结构环境下的移动机器人技术将是机器人研究发展的一个重点。
结束语
随着科学技术的发展，越来越多的智能机器人被应用到了各行各业，甚至逐渐进入了人们的日常生活，其中比较具有代表性的是移动机器人。在移动机器人的各项技术中，多传感器数据融合技术占据着不可替代的重要地位，它为移动机器人快速准确感知自身状态及周围环境情况提供了保证，在此基础上，机器人才能完成包括定位、导航等一系列后续过程。由此可以预见，在未来的机器人研究中，融合技术必将迎来更为广阔的发展空间。
参 考 文 献
[1] 康耀红. 数据融合理论与应用[M]. 西安: 西安电子科技大学出版社, 2006.
[2] 蔡自兴, 贺汉根, 陈虹. 未知环境中移动机器人导航控制研究的若干问题[J].
控制与决策, 2002, 17(4): 385-390.
[3] 欧青立, 何克忠. 室外智能移动机器人的发展及其相关技术研究[J]. 机器人,
2002, 22(6): 519-526.
[4] 赵冬斌, 易建强. 全方位移动机器人导论[M]. 北京: 科学出版社,2010.
[5] 沈林成, 徐昕, 朱华勇, 胡天江. 移动机器人自主控制理论与技术[M]. 北京:
科学出版社, 2011.
[6] 彭冬亮, 文成林, 薛安克. 多传感器多源信息融合理论及应用[M]. 北京: 科学
出版社, 2010.
[7] 赵杰, 崔智社, 徐明进, 等. 信息融合的实质及其核心技术[J]. 情报指挥控制
系统与仿真技术, 2003, 182: 38-42.
[8] 咸宝金, 陈松涛. 智能移动机器人多传感器信息融合及应用研究[J]. 宇航计测
技术, 2010, 30(2): 41-44.
[9] 王仲民, 岳宏, 刘继岩. 移动机器人多传感器信息融合技术述评[J]. 传感器技
术, 2005, 24(4): 5-7.
[10] 吴婷, 汤学华, 杜伟明. 空间机器人机器臂中多传感器数据融合的研究[J]. 上
海电机学院学报, 2008, 11(3): 193-196.
[11] 王楠, 李文成, 李岩. 基于神经网络的数据融合方法[J]. 光机电信息, 2010,
27(3): 36-42.
[12] 秦天宝. 基于多传感器信息融合的移动机器人定位研究[J]. PLC&FA, 2010,
35(2): 107-110.
[13] 刘园园, 葛世荣, 朱华, 高进可, 王学让. 煤矿救灾机器人定位技术研究[J].
煤矿机械, 2011, 32(01), 49-51.
[14] 张学习, 杨益民. 基于多传感器信息融合的移动机器人快速精确自定位[J]. 控
制理论与应用, 2011, 28(3): 443-448.
[15] 许芬, 咸宝金, 李正熙. 基于产生式规则多传感器数据融合方法的移动机器人
避障[J]. 电子测试与仪器学报, 2009, 23(10), 73-79.
[16] 王艳平. 多传感器信息融合技术在移动机器人障碍探测中的应用[J]. 信息化研
究, 2009, 35(1): 55-57.
[17] 陈建平, 陈学松, 蔡文伟. 移动机器人系统多传感器信息融合研究[J]. 肇庆学
院学报，2008, 29(5): 22-26.
多传感器数据融合技术在移动机器人中的应用
摘 要
机器人多传感器数据融合是当今科学研究的热点问题。综述了多传感器数据融合技术在移动机器人几个工作阶段中的应用。指明了移动机器人领域中多传感器数据融合技术的发展趋势。
关键词
移动机器人 多传感器 数据融合
前 言
随着传感器种类的日益丰富和传感器技术的飞速发展，多传感器数据融合技术得到了越来越多的关注。并且由于其在解决探测、跟踪和识别等问题上具有生存能力强，能够增强系统检测性能、可信度、鲁棒性和可靠性，可以提高测量数据精度，扩展系统的时间和空间覆盖范围[1]等优势，多传感器数据融合在军事、农业、工业等各个领域上的应用越来越频繁。其中，数据融合技术在机器人研究领域的应用也正处在快速发展的阶段，特别是在移动机器人中，数据融合技术的应用就更为广泛了。本文比较分析了现有移动机器人上所应用的多传感器数据融合技术，并对未来移动机器人研究领域内数据融合技术的发展进行了合理的展望。
正 文
3.3 移动机器人多传感器数据融合的实现
对于不同结构的移动机器人而言，其涉及的传感器装置不同，相应所采用的数据融合技术也不尽相同。目前，移动机器人领域中采用的多传感器数据融合方法主要包括：卡尔
曼滤波、贝叶斯估计、加权平均算法、模糊逻辑算法、神经网络算法、小波变换法、Dempster-Shafer(D-S)理论等。应用这些方法可以进行数据层、特征层以及决策层等不同的层次的融合，也可以实现内部航迹推算系统信息、测距传感器信息、全局定位信息之间的信息融合，进而可以保证移动机器人能全面、准确地感知自身状态和周围的环境，从而能做出正确的判断和决策[9]。
智能的移动机器人能实现目标识别、目标物体位姿测量、精确自定位、导航、目标跟踪等一系列功能。在实现不同功能的过程中，移动机器人所用到的传感器数量和种类可能不同，各种数据融合算法在不同阶段的适用性和优劣性也不一样。一般, 直接对数据源进行操作时, 可以采用神经网络或加权平均算法等；利用对象的统计特性和概率模型进行操作时, 可采用贝叶斯估计、多贝叶斯估计、卡尔曼滤波、统计决策理论等；而在系统的决策层, 采用基于规则推理的方法比较好, 如模糊逻辑、证据推理、产生式规则等[10]。
3.3.1 多传感器数据融合算法在移动机器人目标识别中的应用
神经网络算法是一种效仿生物神经系统的处理方法，它从人脑的结构出发来研究人的智能行为，模拟人脑信息处理的功能[11]。它具有良好的容错性、层次性、可塑性、自适应、联想记忆和并行处理能力。正是由于神经网络算法的种种优越性，其在数据融合中的应用越来越广泛。
目前，在各种数据融合算法中，神经网络算法比较适用于移动机器人对目标的识别，它能够使移动机器人对障碍物有精确的认识和估计，从而得出正确的运行轨迹。采用基于神经网络的数据融合方法，能够较好地解决移动机器人的正确导航和自主行进问题。为了有效地改善神经网路数据融合的计算速度和实现效果，可以采用阵列式神经网络的数据融合模型，并且通过自网络实现信息的分解与融合。
3.3.2 多传感器数据融合算法在移动机器人精确定位中的应用
移动机器人要实现自主避障、行迹规划，首先必须具有精确自定位的能力。
移动机器人的定位精度主要取决于所使用的定位传感器和数据融合算法。现有的定位传感器的种类很多，相应的可用于移动机器人定位的多传感器数据融合算法也不唯一。以下对几种移动机器人自定位的数据融合算法的应用进行简要介绍。
1 能力风暴智能移动机器人
对于采用里程计和超声波传感器定位的能力风暴智能移动机器人，可以用卡尔曼滤波算法对从里程计和超声波传感器中得到的数据进行数据融合，用融合的结果对光电编码器进行复位。这样能够有效的消除由于时间积累而带来的光电编码器读数的误差，并且可以
2 煤矿救灾移动机器人 [12]减少对移动机器人所处环境的依赖性，使移动机器人能更好地进行自定位。
对于用于煤矿救灾的移动机器人，由于矿井中环境比较复杂，为增强机器人定位的可靠性，要用到多传感器的融合。在该机器人中，用到了4种定位传感器：电机编码盘、三轴电子罗盘、三轴电子陀螺和三轴加速度计，为提高机器人的定位精度，在处理4种传感器数据的过程中，加入控制指令的预估计数作为另一个传感器，这样相当于就有5个定位传感器。(预估计是指通过计算机已收到的控制指令预先估计机器人下一步的位置和航向状态[13]。) 用这5种传感器对同一参数进行检测，再将检测的数据进行融合，能提高定位精度。
由于外界环境因素和本身结构问题，以上5种传感器的输出均不可不免地会受到一些干扰，从而影响机器人的行程和航向角这两个参数。由于传统的单传感器定位技术不能很好地判断干扰的情况，而且传统的多传感器定位融合算法也无法很好地过滤干扰数据。基于以上的原因，提出了一种基于信任度相加的多传感器融合算法，这种算法能够有效地克服干扰情况对机器人定位精度的影响，从而大大提高煤矿救灾机器人的定位精度。
信任度表征的是测量值逼近期望值的程度[13]。利用概率分布的原理，建立数据信任度的函数。对于上述5种传感器，通过输出的传感器数据，基于极大似然估计的思想，计算出联合的总信任度函数，并求出该函数的最大值，即为期望值对应的信任度。利用这种信任度算法分别对行程和航向角进行融合计算，就得到了融合后的行程和航向角。
3 用于足球比赛的移动机器人
为了保证机器人在足球比赛中的灵活性，目前这类移动机器人上一般采用的是全向轮运动模型，基于此模型，足球机器人在向任意方向做直线运动的时候还同时能够自身旋转运动来调整自身状态。使用这种模型的机器人有快速灵活、易于掌握的优点。
机器人比赛时，为了获得现场信息，可以采用全向视觉成像模型。全向视觉传感器位于机器人的顶部，具有360度的水平视角，可以采集到周围环境信息，为机器人自定位提供了保证。
机器人中另外一个重要的组成部分是电子罗盘，它能够直接给出机器人运动的相对方向的偏移。
由于足球比赛的实时性，要求参赛的移动机器人能够快速精确的自定位，而传统的多传感器融合算法有些具有不容忽视的滞后性。为了改进，提出了一种Monte carlo(粒子滤波) 算法实现融合定位。由于充分利用了全向视觉传感器的观测模型，在粒子滤波定位方法的实现过程中, 粒子点的置信度通过查表的方法获得, 实现了使用全向视觉传感器模型计算
[14]机器人位姿置信度的快速性, 从而保证了定位算法较好的实时性。
Monte carlo(粒子滤波) 算法源于贝叶斯滤波位置估计，其实现主要分四个阶段：采样阶段、预测阶段、更新阶段、权值归一化。在具体过程中，MCL 算法需要知道的是足球机器人的全向轮模型、全向视觉观测模型和电子罗盘的感知模型。得到模型之后，进行以下步骤即可实现机器人的快速高精度自定位：1) 根据当前时刻机器人的运动模型对粒子点进行更新；2) 根据当前时刻观测模型的测量结果计算每个粒子的权重；3) 保留权重高的粒子，丢弃权重低的粒子，并根据相应原则添加新的粒子[14]。
3.3.3 多传感器数据融合算法算法在移动机器人自主避障中的应用
以校园巡逻机器人为例，其要实现自主行进，必须具有避障的功能。在实验过程中，机器人必须在设定的区域内正确检测的障碍物并且成功避障。机器人中使用了多个红外传感器和超声波传感器，利用产生式规则形式设计两级规则库[15]，来实现从红外传感器和超声波传感器中获得的数据的融合，为后续的机器人自主精确避障提供保证。可用的融合算法比较多，在此比较适用的是自适应加权融合估计算法。这种算法不需要知道传感器测量数据的任何先验知识，只依靠多传感器提供的测量数据，就可以得出均方误差最小的融合值[16]，使用起来方便快捷。
3.3.4 总述
虽然在移动机器人实现不同目标的过程中，各种数据融合算法有其各自的适用性，但针对不同的情况可以结合多种适应性相对较好的数据融合算法，以提高机器人完成目标识别、自身定位等任务的可靠性和精确性。比如在移动机器人目标识别过程中，将神经网络算法与D-S 理论相结合，则实现的效果更好。
4 融合技术在移动机器人应用中的发展趋势
随着电子技术的飞速发展, 传感器结构将朝着并行体结构的方向发展。因此, 开发具有并行计算能力的硬件和软件, 以满足具有大量数据并且计算复杂的多传感器信息融合的要求, 是目前多传感器信息融合技术的主要发展趋势之一。
目前，已经存在的技术成熟的多传感器信息融合算法有很多, 但其中很大一部分的算法都是基于线性正态分布的平稳随机过程的。为了进一步地提高多传感器融合系统的性能，使得融合后数据更为精准，我们需要开发出新型的多传感器数据融合算法, 来解决非线性和非平稳正态分布的信息的融合问题。
移动机器人对多传感器数据融合的发展起到了很大的推动作用，而相应的，多传感器
数据融合技术的使用也使得移动机器人能够更快更精确地获取自身状态和周围环境情况，从而大大地提高了机器人的规划、推理能力，在提高机器人的自主性和协作性方面也起到了重要的作用[17]。但同时，相应的问题也存在需要我们去解决或进一步深入，比如非结构环境下的移动机器人技术将是机器人研究发展的一个重点。
结束语
随着科学技术的发展，越来越多的智能机器人被应用到了各行各业，甚至逐渐进入了人们的日常生活，其中比较具有代表性的是移动机器人。在移动机器人的各项技术中，多传感器数据融合技术占据着不可替代的重要地位，它为移动机器人快速准确感知自身状态及周围环境情况提供了保证，在此基础上，机器人才能完成包括定位、导航等一系列后续过程。由此可以预见，在未来的机器人研究中，融合技术必将迎来更为广阔的发展空间。
参 考 文 献
[1] 康耀红. 数据融合理论与应用[M]. 西安: 西安电子科技大学出版社, 2006.
[2] 蔡自兴, 贺汉根, 陈虹. 未知环境中移动机器人导航控制研究的若干问题[J].
控制与决策, 2002, 17(4): 385-390.
[3] 欧青立, 何克忠. 室外智能移动机器人的发展及其相关技术研究[J]. 机器人,
2002, 22(6): 519-526.
[4] 赵冬斌, 易建强. 全方位移动机器人导论[M]. 北京: 科学出版社,2010.
[5] 沈林成, 徐昕, 朱华勇, 胡天江. 移动机器人自主控制理论与技术[M]. 北京:
科学出版社, 2011.
[6] 彭冬亮, 文成林, 薛安克. 多传感器多源信息融合理论及应用[M]. 北京: 科学
出版社, 2010.
[7] 赵杰, 崔智社, 徐明进, 等. 信息融合的实质及其核心技术[J]. 情报指挥控制
系统与仿真技术, 2003, 182: 38-42.
[8] 咸宝金, 陈松涛. 智能移动机器人多传感器信息融合及应用研究[J]. 宇航计测
技术, 2010, 30(2): 41-44.
[9] 王仲民, 岳宏, 刘继岩. 移动机器人多传感器信息融合技术述评[J]. 传感器技
术, 2005, 24(4): 5-7.
[10] 吴婷, 汤学华, 杜伟明. 空间机器人机器臂中多传感器数据融合的研究[J]. 上
海电机学院学报, 2008, 11(3): 193-196.
[11] 王楠, 李文成, 李岩. 基于神经网络的数据融合方法[J]. 光机电信息, 2010,
27(3): 36-42.
[12] 秦天宝. 基于多传感器信息融合的移动机器人定位研究[J]. PLC&FA, 2010,
35(2): 107-110.
[13] 刘园园, 葛世荣, 朱华, 高进可, 王学让. 煤矿救灾机器人定位技术研究[J].
煤矿机械, 2011, 32(01), 49-51.
[14] 张学习, 杨益民. 基于多传感器信息融合的移动机器人快速精确自定位[J]. 控
制理论与应用, 2011, 28(3): 443-448.
[15] 许芬, 咸宝金, 李正熙. 基于产生式规则多传感器数据融合方法的移动机器人
避障[J]. 电子测试与仪器学报, 2009, 23(10), 73-79.
[16] 王艳平. 多传感器信息融合技术在移动机器人障碍探测中的应用[J]. 信息化研
究, 2009, 35(1): 55-57.
[17] 陈建平, 陈学松, 蔡文伟. 移动机器人系统多传感器信息融合研究[J]. 肇庆学
院学报，2008, 29(5): 22-26.