前言
　　近年来，基于传感器的机器人研究成为开发智能机器人的一个重要方面，它极大地改善了机器人的作业能力控制工程网版权所有，具有重大的应用价值和发展前景。多传感器融合技术就是对同一检测对象，利用各种传感器检测的信息和不同的处理方法以获得该对象的全面检测信息，从而提高检测精度和可靠性。在多传感器系统中，信息表现为多样性、复杂性以及大容量，信息处理不同于单一的传感检测处理技术，多传感器信息融合技术已成为当前的一个重要研究领域。目前信息融合方法利用多个信息源所获取的关于对象和环境的信息获得根据任务所需要的全面、完整的信息，主要体现在融合算法上[1][2][3]。因此，多源信息融合的核心问题是选择合适的信息融合算法。信息融合的方法主要分以下几类：直接对数据源操作，如加权平均、神经元网络等；利用对象的统计特性和概率模型进行操作，如卡尔曼滤波、贝叶斯估计、多贝叶斯估计、统计决策理论等；基于规则推理的方法，如模糊推理、证据推理、产生式规则等。其中基于神经网络的多种传感器信息融合是近几年来发展的热点. 神经网络使用大量简单的处理单元（即神经元）处理信息，神经元按层次结构的形式组织，每层上的神经元以加权的方式与其它层上的神经元联接，采用并行结构和并行处理机制因而网络具有很强的容错性以及自学习、自组织和自适应能力，能够模拟复杂的非线性映射。神经网络的这些特性和强大的非线性处理能力，恰好满足了多传感器信息融合技术处理的要求控制工程网版权所有，可以利用神经网络的信号处理和自动推理功能实现多传感器信息融合技术。
　　基于神经网络集成的传感器信息融合算法
　　避开障碍物是移动机器人导航中重要的一部分。移动机器人中的多种传感器信息融合通常可以分为两类：低级融合和高级融合。低级融合指的是对传感器数据直接进行集成，实质上就是进行参数和状态估计。然后这些估计可以用于路径规划和执行机构www.cechina.cn，以产生机器人驱动器的命令和控制信号。高级融合指的是在一个层次化的结构中，对不同模块提供的控制信号进行分配或集成，从而对传感器数据进行间接融合。对于高级融合，文献[i]等提出了基于行为的结构，文献[5]提出了一种基于神经网络的统一框架。本文提出了一种基于神经网络集成的传感器信息融合算法，并在HEBUT-I型机器人上将神经网络集成用于对障碍物的识别上，提高了系统的识别精度，取得了很好的效果。

图1：单个BP 网络结构

　　神经网络的集成
　　1996年控制工程网版权所有，Sollich和Krogh [6] 将神经网络集成定义为：“神经网络集成是用有限个神经网络对同一个问题进行学习，集成在某输入示例下的输出由构成集成的各神经网络在该示例下的输出共同决定”。1996年控制工程网版权所有，Gutta和Wechsler [7] 将神经网络集成和判定树相结合进行正面人脸识别，神经网络的集成由BP网络采用相对多数投票法构成，实验结果表明，使用神经网络集成不仅增加了系统的健壮性，还提高了识别率。

图2：多种传感器目标识别的融合结构

图 3：HEBUT-II 型机器人

图4：融合网络决策层

　　集成的结构有并联式CONTROL ENGINEERING China版权所有，并联式是指各个识别子系统都独立地接受原始图像并给出自己的识别结果，而后在相互独立的识别结果基础上得到最终的答案，并行集成的方法主要有投票的方法、贝叶斯方法和神经网络合成方法。在并联形式时各分类器是独立设计的，组合的目的就是将各个单一分类器的结果以适当的方式综合起来成为最终识别结果。以并联形式组合时，各分类器提供的信息可以是分类类别，也可以是有关类别的度量信息（如距离或概率等）。
　　在实际应用中，由于各个独立的神经网络并不能保证错误不相关，因此，神经网络集成的效果与理想值相比有一定的差距，但其提高泛化能力的作用仍相当明显。

　　单个BP网络（Back propagation fuzzy neural network）的建立
　　在多传感器系统中，各传感器提供的环境信息都具有一定程度的不确定性，对这些不确定信息的融合过程实质上是一个不确定性推理过程。由于模糊逻辑技术和神经网络技术各自独到的特点，将模糊技术和神经网络有机结合组成模糊神经网络控制系统，可实现模糊规则自动提取、模糊隶属函数的自动生成及在线调节。因此本文在单个BP网络的构建上采用了一种模糊神经网络（Back propagation fuzzy neural network）的信息融合的构建方法，它不依赖于系统的精确数学模型且适用于复杂的系统和过程。单个BP网络的学习机制上采用模糊学习的方法，这种学习方法的特点是学习过程用模糊量（隶属度）进行测度，即输入量是经过模糊化后的模糊量。对于两输入单输出的模糊神经网络，训练集为（d₁,T₁），d₁=（d₁₁，d₁₂），T₁为期望输出。若全部模糊量采用三角形隶属函数（对于其他隶属函数，同理），d_1j ∈ [1,0]，权值∈[1,0]。采用的误差信号为： &nbs