多传感器工业机器人，在复杂环境下，如何提高其感知和决策能力？

工业机器人在现代制造业中扮演着重要的角色，多传感器信息融合的工业机器人应用具有广泛的应用前景。

以上海某工厂为例，该厂的工业机器人在加工车间内，由于周围环境复杂，对环境的感知以及对指令的决策能力存在不足，从而耽误了生产效率。

目前，相关学者通过多传感器的使用来提高工业机器人在复杂环境下的感知和决策能力，使其能够应对更多样化和复杂的生产任务。

多传感器信息融合是指将来自不同传感器的信息进行整合和分析，以获取更准确、全面和可靠的环境模型。

通过融合多种传感器的信息，工业机器人能够获取更多维度的环境信息，从而更好地理解和适应复杂的工作环境。

例如，通过融合视觉传感器、红外传感器和激光雷达等传感器的信息，工业机器人可以实现更精确的目标检测和定位，以及更高效的路径规划和运动控制。

那么通过自适应加权算法融合多种传感器的信息，提高工业机器人在复杂环境下的感知和决策能力，选择适合工业机器人应用的传感器，并设计相应的信息融合算法，能否实现更准确、全面和可靠的环境感知和决策呢？

«——【·工业机器人多传感器信息融合获取·】——»

多传感器信息融合的基本原理是通过整合不同类型的传感器数据，利用互补性、冗余性和一致性来提高信息的全面性和可靠性，同时处理不确定性，分配合适的权重，并采用合适的数据融合方法，以实现更准确、实时和可适应性的感知和决策。

工业机器人通过红外测距传感器、激光传感器、定位传感器、视觉传感器获取环境信息，将所测得的环境信息传入数据层中，在数据层中传感器数据进行初步处理，以确保数据的可用性和一致性。

再将数据层信息传到特征层，在特征层提取有用的特征或属性。

这些特征可以包括目标的位置、速度等信息，以帮助后续的数据融合和分析，最后通过数据融合计算，传到决策层，根据信息融合的信息作出决策。多信息融合的过程如图1所示。

«——【·自适应加权融合算法·】——»

根据自适应加权算法的基本原理，自适应加权算法基于动态调整权重的原理。

通过收集相关数据和信息，计算每个权重的值，并根据权重的大小评估算法的效果，从而实现根据不同条件和情况自动调整权重，以达到更好的效果。

基于每个传感器特性，通过实验者的工程经验以及相关领域的专家知识区分每个传感器所得到的数据对融合结果的影响程度，对传感探测系统中的每个传感器的输出数据赋予一定的权值。

假设系统中存在n个传感器同时测量一个目标同一特征，依据每个传感器所输出数据的离散程度决定每个传感器的融合权值。

利用系统一次输出的所有数据的加权融合结果总方差大小评价算法的可靠程度。融合算法结构如图2所示。

自适应加权算法：如图2所示，传感器进行环境数据采集，传感器测量系统的目标特征量的实际值为X，在实际测量中，各传感器的实际输出值分别为{X1，X2，……Xn}，传感器设定的权值为{Q1，Q2，……Qn}，各传感器的测量方差为{σ1，σ2，……σn}，根据融合模型结构对测量的数据进行融合计算出融合结果满足公式如下：

根据公式(1)的计算可以推出总方差为：

经过计算可得：

设X1，X2，……Xn相互独立，且为X的无偏估计，则有：

根据多元函数的求极值原理，当方差取最小时，可计算出总方差最小时的权值：

总方差的最小值为：

通过传感器在某一时刻的测量值进行估计，当估计值为X时，根据传感器系统的数据计算均值X来进行估计，则传感器系统中n个传感器第K次的输出结果的计算平均值如下：

第i个传感器K次采样中的方差估值计算公式为：

求第K次与第K-1次的方差平均值：

固定权值分配：固定权值分配是一种在算法中使用固定权值的方法，即在算法的执行过程中，不对权值进行动态调整，而是使用预先设定好的固定权值。

这种方法适用于那些在不同条件和情况下，权值的相对重要性保持不变的情况下。通过固定权值，算法可以按照预先设定的权值分配方案进行计算和决策，从而实现一致性和可预测性。

在n个传感器初始精度{σ1′，σ2′，…σn′}已知的情况下，将各个传感器的固定权值进行分配为{Q1′，Q2′，Qn′}。定义分配固定权值的公式为：

通过对实测最优权值和固定最优权值进行整合，求得最优的融合权值ϕ。

式中：p为实测最优权值所占比重；q为固定权值所占比重。将最终权值以及融合数据代入式(1)和式(6)，即可得出最后的融合结果。

«——【·工业机器人路径规划·】——»

人工势场函数建立：基于工业机器人机械臂是多自由度，通过构建工业机器人机械臂在人工势场的关节空间和笛卡尔空间势场函数来实现工业机器人机械臂的避障路径规划。

首先在关节空间内建立引力势场gUatt和斥力势场gUrep，公式如下：

在笛卡尔空间建立引力势场dUatt，由于机械臂建立的集合碰撞检测模型包含末端信息，因此可忽略笛卡尔空间的斥力势场，dUatt公式如下：

由于人工势场法容易陷入局部最小值，即当机器人或物体接近障碍物时，势场会将其吸引到障碍物附近，导致无法找到全局最优路径，因此在人工势场中加入快速随机树算法来解决人工势场所存在的问题，因此采用基于人工势场引导的RRT算法进行工业机器人机械臂的路径规划。

基于人工势场引导的：RRT算法基于人工势场引导的RRT算法，它是在RRT的基础上，通过在每次扩展节点时考虑周围障碍物的势场信息，调整节点的生长方向，以避免碰撞并更有效地朝向目标位置。

这样，算法能够在复杂的环境中快速生成可行路径，并在需要时通过势场信息进行路径调整，有确保安全路径。这种方法使得工业机器人能够动态环境中进行路径规划和避障。

基于人工势场引导RRT算法对工业机器人展开路径规划的主要步骤为：

步骤1：初始化RRT树，将起始点作为树的根节点，初始化步长为L；

步骤2：根据初始化步长随机采样，计算该节点到随机点的路径；

步骤3：检查路径是否与障碍物相交，如果相交则返回步骤2，

步骤4：若不相交则计算该路径的人工势场引导力，将调整后的路径添加到RRT树中，并将新节点与最近节点相连。

步骤5：检查新节点是否接近目标点，如果接近，则生成从新节点到目标点的路径。检查路径是否与障碍物相交，若相交，则返回步骤2；

步骤6：如果路径与障碍物不相交，则将该路径添加到RRT树中，将新节点与目标点连接起来。

步骤7：重复步骤2至8，知道找到一条从起始点到目标点的路径。

在基于人工势场引导的RRT路径规划中，人工势场被用来引导路径的生成和优化，使得路径能够避开障碍物并尽可能接近目标点。

通过计算势场引导力，可以调整路径上的节点位置，使其受到势场的引导，从而得到更优的路径。

«——【·仿真验证·】——»

为了验证算法的可行性，使用MATLAB2022a，在二维环境中定义起始点（20，20），目标点（700，700），步长L为20，最大迭代次数为1500，将传统RRT算法与基于人工势场引导的RRT算法在同一环境中进行路径规划，每种算法重复进行60次实验，得出数据的平均结果。

搜索路径对比图见图3所示，实验数据对比结果见表1所示。

从搜索路径对比图和实验数据对比结果可以看出，本文采用的基于人工势场引导的RRT算法相对于传统的RRT算法，在搜索路径长度和使用时间都有大幅提高。

«——【·结语·】——»

针对多传感器信息融合的工业机器人的应用研究，通过多传感器信息采集，数据处理，使用自适应加权算法进行信息融合，通过将实测最优值权比重与固定权值融合，得出方差最小的数据融合值，提高数据的准确率。

针对工业机器人的避障路径规划问题，构建工业机器人在人工势场的关键空间和笛卡尔空间势场函数，由人工势场引导快速随机树（RRT）算法进行路径规划。

通过仿真实验证明，这种所提路径规划方法较传统的路径规划方法，用时更短，速率更高，对提高工业机器人的感知和决策能力有明显帮助和作用。