多傳感器融合的室內(nèi)巡檢智能車的設(shè)計(jì)與實(shí)現(xiàn)

顧偉達(dá)　蘇春芳

摘要：室內(nèi)巡檢智能車在巡檢過(guò)程中要兼顧室內(nèi)人員的安全和智能車自身的安全，同時(shí)還要高效地完成巡檢任務(wù)。最優(yōu)的決策方案依賴于智能車對(duì)周圍環(huán)境精確、多方位的感知，文章擴(kuò)大了超聲傳感器的檢測(cè)范圍，變固定方位的檢測(cè)為180度多自由度的檢測(cè)。另外文章提出在決策層對(duì)多傳感器信息進(jìn)行融合，采用加權(quán)、投票的方法，在綜合考慮各個(gè)初級(jí)決策的前提下，得到最優(yōu)的智能決策方案。

關(guān)鍵詞：超聲傳感器;低功耗藍(lán)牙;多傳感器融合;運(yùn)動(dòng)控制;智能決策

中圖分類號(hào)：TP249? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2022）08-0096-02

1 引言

隨著物聯(lián)網(wǎng)技術(shù)以及人工智能的發(fā)展，室內(nèi)巡檢智能車在生產(chǎn)、生活中的應(yīng)用越來(lái)越廣泛。由于智能車主要應(yīng)用場(chǎng)景是室內(nèi)，人員相對(duì)密集，因此對(duì)其避障、巡跡、定位的準(zhǔn)確性與實(shí)時(shí)性要求相對(duì)較高。在無(wú)人干預(yù)的環(huán)境下，智能車通過(guò)實(shí)時(shí)采集傳感器數(shù)據(jù)來(lái)感知周圍的環(huán)境，判斷是否存在障礙物以及距離障礙物的距離并進(jìn)行智能的決策。多傳感器融合能夠讓智能車更全面、準(zhǔn)確地感知周圍環(huán)境，從而為智能決策提供更可靠的依據(jù)，目前多傳感器融合技術(shù)已經(jīng)成功應(yīng)用到各種智能設(shè)備中，其中文獻(xiàn)[1]融合了5路超聲傳感器與紅線傳感器來(lái)測(cè)量距離障礙物的距離，成功解決了智能小車的避障問(wèn)題。文獻(xiàn)[2]融合煙霧、溫濕度、光照、壓力傳感器智能預(yù)測(cè)火災(zāi)發(fā)生的概率。文獻(xiàn)[3]融合超聲、紅線、視覺(jué)傳感器實(shí)現(xiàn)智能輪椅的自主避障。本文融合超聲傳感器、紅外傳感器、灰度傳感器、藍(lán)牙傳感器等，全方位感知障礙物的位置以及在室內(nèi)的位置，綜合決策如何避障以及運(yùn)動(dòng)。

2 總體設(shè)計(jì)

智能車的車體是履帶式輪式運(yùn)動(dòng)機(jī)構(gòu)，動(dòng)力裝置是一對(duì)直流電機(jī)，被固定在車體后側(cè)的左、右輪上。智能車通過(guò)安裝在車體上的傳感器來(lái)感知周圍的環(huán)境信息，包括障礙物以及運(yùn)行軌道;并依據(jù)對(duì)周圍環(huán)境的感知來(lái)決策自行的運(yùn)動(dòng)，實(shí)現(xiàn)自主運(yùn)動(dòng)、避障。文獻(xiàn)[4]指出無(wú)人車主要分為傳感、感知和決策三個(gè)部分，智能車的總體結(jié)構(gòu)如圖1所示。智能車實(shí)時(shí)采集灰度傳感器的數(shù)據(jù)，以此來(lái)判斷是否運(yùn)行在軌道上，并實(shí)時(shí)調(diào)整左、右輪的占空比，實(shí)時(shí)校正智能車運(yùn)動(dòng)的方向，以此來(lái)保障智能車始終運(yùn)行在軌道上。

超聲傳感器和紅外傳感器主要是用來(lái)檢測(cè)障礙物的位置，結(jié)合當(dāng)前運(yùn)動(dòng)狀態(tài)以及障礙物的位置綜合決策如何避障。另外智能車會(huì)下達(dá)數(shù)據(jù)采集指令，實(shí)時(shí)采集來(lái)自溫度、濕度、藍(lán)牙的數(shù)據(jù)，感知自身所處的位置以及周圍環(huán)境信息。為了提高決策的準(zhǔn)確性，決策模型采用動(dòng)態(tài)更新，智能車在工作過(guò)程中，一方面融合多傳感器的數(shù)據(jù)自主決策，完成室內(nèi)巡檢任務(wù);另一方面將采集到的傳感器數(shù)據(jù)實(shí)時(shí)上傳到數(shù)據(jù)分析服務(wù)器，以此來(lái)對(duì)決策模型進(jìn)行再訓(xùn)練，實(shí)現(xiàn)決策模型的不斷更新迭代。隨著收集的傳感器數(shù)據(jù)越來(lái)越多，決策模型就會(huì)變得越來(lái)越準(zhǔn)確，進(jìn)一步提升智能車的決策準(zhǔn)確性。

3 巡跡決策

為了增加地面與運(yùn)動(dòng)軌道的色差，智能車的軌道用黑色標(biāo)示，在智能車底盤(pán)的前下方安裝七路灰度傳感器，傳感器上的發(fā)光二極管發(fā)出白光，照射在路面上，由于不同顏色的路面對(duì)光線反射的能力不同，因此數(shù)據(jù)接收管接收的光線強(qiáng)度也是不同的，反射光的強(qiáng)弱轉(zhuǎn)換為數(shù)字信號(hào)為0或者1，依據(jù)七路傳感器的數(shù)據(jù)來(lái)識(shí)別智能車是否沿著軌道行走，灰度傳感器的值記為{xi}，其中i=1，2……7，{x1，x2，x3，x4，x5，x6，x7}是尋跡決策模型的輸入，輸出是左、右兩個(gè)直流電機(jī)PWM的占空比，由此對(duì)智能車的運(yùn)動(dòng)進(jìn)行控制，實(shí)現(xiàn)智能車的前進(jìn)、轉(zhuǎn)彎等，如圖2所示。

4 自主避障

使用超聲傳感器來(lái)檢測(cè)障礙物的位置，由于超聲傳感器的檢測(cè)存在檢測(cè)盲區(qū)，因此將超聲傳感器安裝一個(gè)舵機(jī)上，從而實(shí)現(xiàn)了超聲傳感器自由旋轉(zhuǎn)，旋轉(zhuǎn)角度為[-90，+90]。超聲傳感器發(fā)射超聲波的同時(shí)，內(nèi)部計(jì)時(shí)器開(kāi)始工作，當(dāng)收到反射波時(shí)計(jì)時(shí)器則停止計(jì)時(shí)，根據(jù)超聲波發(fā)出與返回的時(shí)間差ti，計(jì)算與障礙物之間的距離s，由公式s=（ti*340 m/s）/2，其中340m/s是聲音在空氣中傳播速度。避障物檢測(cè)是前方優(yōu)先，首先判斷前方是否有障礙物，如果前方有障礙物且距離大于30cm就直行;如果檢測(cè)到與前方障礙物的距離小于30cm，則旋轉(zhuǎn)舵機(jī)檢測(cè)左、右兩側(cè)是否存在障礙物以及距離。小車運(yùn)行的正前方校正為舵機(jī)的0度，其旋轉(zhuǎn)角度為[-90，90]。舵機(jī)首先向左旋轉(zhuǎn)，每次旋轉(zhuǎn)30度，轉(zhuǎn)角分別為{-30，-60，-90，0}，經(jīng)過(guò)3次檢測(cè)，如果左側(cè)可以走，則智能車向左轉(zhuǎn)彎;否則控制舵機(jī)向右轉(zhuǎn)，轉(zhuǎn)角為{30，60，90，0}，依據(jù)前述原則再進(jìn)行障礙物檢測(cè)。如果前方、左、右都存在障礙物且距離小于30cm，剛執(zhí)行后退、掉頭的動(dòng)作。

5 室內(nèi)定位

GPS（Global Positioning System）信號(hào)在室內(nèi)環(huán)境中不穩(wěn)定，不能作為智能車室內(nèi)定位的依據(jù)。目前主流的室內(nèi)定位技術(shù)包括藍(lán)牙、RFID、ZigBee、圖像等，文獻(xiàn)[5]使用低功耗藍(lán)牙技術(shù)實(shí)現(xiàn)了在室內(nèi)的定位。本項(xiàng)目采用Estimote公司的Bluetooth beacon設(shè)備。在室內(nèi)關(guān)鍵位置點(diǎn)的天花板上安裝藍(lán)牙定位Beacon設(shè)備，Beacon設(shè)備會(huì)以一定的頻率向外發(fā)送藍(lán)牙廣播數(shù)據(jù)包，本項(xiàng)目中將Beacon的廣播頻率設(shè)置為1000ms，當(dāng)智能車運(yùn)行在Beacon的有效范圍內(nèi)時(shí)，會(huì)收到RSSI值不同的數(shù)據(jù)包，藍(lán)牙信號(hào)的RSSI值與傳播距離d之間是近似線性的關(guān)系，其中d是藍(lán)牙發(fā)射裝置與接收裝置之間的距離，距離越遠(yuǎn)收到數(shù)據(jù)包的RSSI的值相對(duì)越小，反之就越大。智能車接收到來(lái)自不同Beacon、波長(zhǎng)不等的藍(lán)牙信號(hào)，依據(jù)藍(lán)牙信號(hào)的RSSI值，來(lái)判斷智能車所處的位置。由于藍(lán)牙信號(hào)容易受到干擾，金屬、玻璃、電子產(chǎn)品以及人體的遮擋均可引起信號(hào)的折射、反射，甚至出現(xiàn)丟包的現(xiàn)象。藍(lán)牙數(shù)據(jù)丟失情況如表1所示，選取位于同一樓層的5個(gè)房間進(jìn)行測(cè)試，每個(gè)Beacon發(fā)出的藍(lán)牙數(shù)據(jù)均為數(shù)據(jù)120條，由于房間的布局以及房間內(nèi)放置物品的不同，數(shù)據(jù)包的丟失情況也各不相同，最高丟失率為16.67%。225C3B32-2118-44EE-BEA0-5096372ED89C

對(duì)采集到的數(shù)據(jù)進(jìn)行處理，預(yù)測(cè)丟失數(shù)據(jù)包的RSSI值，本項(xiàng)目采用滑動(dòng)時(shí)間窗算法，將滑動(dòng)窗設(shè)置為5秒，依據(jù)[t-5，t]區(qū)間內(nèi)的數(shù)據(jù)包的RSSI值預(yù)測(cè)t時(shí)刻的RSSI值。首先使用中值濾波的方法，對(duì)數(shù)據(jù)集進(jìn)行處理，然后應(yīng)用隨機(jī)森林算法對(duì)數(shù)據(jù)集進(jìn)行學(xué)習(xí)，得到室內(nèi)定位的分類模型。隨機(jī)森林是由多棵決策樹(shù)組成分類模型，具有良好的抗噪聲的能力，廣泛應(yīng)用于預(yù)測(cè)、決策領(lǐng)域。試驗(yàn)環(huán)境選擇同一樓層的6個(gè)房間，分別為R301～ R306，在每個(gè)房間的天花板了安裝Beacon設(shè)備，當(dāng)智能車進(jìn)入R301房間，距離R301內(nèi)的Beacon最近，相應(yīng)數(shù)據(jù)包的RSSI值就越大，與其他房間的Beacon相對(duì)較遠(yuǎn)，收到藍(lán)牙數(shù)據(jù)包的RSSI值相應(yīng)地就越小，共收集1802條數(shù)據(jù)包，交叉驗(yàn)證（Cross-validation）設(shè)置為30%，分類準(zhǔn)確率是98.3925%，分類結(jié)果表2所示。

當(dāng)智能車進(jìn)入R301房間，收到Beacon數(shù)據(jù)包共316條，其中有314條分類準(zhǔn)確，2條被誤分到R302房間，其精確率為97.8%，召回率為99.4%;而當(dāng)智能車處于R302房間，共收到數(shù)據(jù)包316條，其中定位正確的為301條，15條定位錯(cuò)誤，其中7條被分到R301房間，7條被分到R303房間，1條被分到R304房間，出現(xiàn)以上分類結(jié)果的原因是R302房間的墻體不是實(shí)體墻，出現(xiàn)了Beacon信號(hào)的繞射、干擾。

6 多傳感器信息融合

室內(nèi)巡檢智能車融合多傳感器來(lái)完成在室內(nèi)的巡檢工作，文獻(xiàn)[6]將多傳感器信息融合分為檢測(cè)級(jí)融合、位置級(jí)融合、屬性級(jí)融合、態(tài)勢(shì)評(píng)估和威脅評(píng)估。本文采用決策級(jí)融合，對(duì)各種傳感器數(shù)據(jù)進(jìn)行分類處理得到初級(jí)的決策，然后再進(jìn)行關(guān)聯(lián)，得到最終的決策結(jié)果，如圖3所示。

由于傳感器數(shù)據(jù)的格式、語(yǔ)義都不盡相同，因此在融合過(guò)程中，對(duì)傳感器數(shù)據(jù)進(jìn)行分類處理，分別得到獨(dú)立的子決策，感知障礙物位置、運(yùn)動(dòng)軌跡以及環(huán)境信息。由于這些決策存在片面性，沒(méi)有綜合考慮智能車周圍的環(huán)境，因此本項(xiàng)目最后通過(guò)加權(quán)、投票的方式對(duì)以上決策進(jìn)行融合，得到更高一級(jí)的決策方案，輸出左、右輪電機(jī)的PWM占空比和舵機(jī)的轉(zhuǎn)角、當(dāng)前位置以及環(huán)境評(píng)測(cè)信息。

7 結(jié)束語(yǔ)

為了克服超聲傳感器的檢測(cè)盲區(qū)，本文將超聲傳感器安裝在舵機(jī)上，提高了數(shù)據(jù)采集的維度，為智能車的避障提供可靠的數(shù)據(jù)支持。為了避免單一傳感器感知環(huán)境的片面性，融合多傳感器，多角度地感知智能車的環(huán)境信息，智能車運(yùn)動(dòng)的加速度與角速度不僅依賴于當(dāng)前所處的軌道和障礙物信息，還依賴于環(huán)境信息采集、室內(nèi)定位、環(huán)境評(píng)測(cè)任務(wù)的完成情況。通過(guò)多傳感器信息的融合能有效地提升避障、運(yùn)動(dòng)決策的準(zhǔn)確性。

參考文獻(xiàn)：

[1] 袁新娜.基于多傳感器信息融合技術(shù)的智能小車避障系統(tǒng)研究[D].太原：中北大學(xué)，2010.

[2] 馮憲周，張宏，賴孝君.基于多傳感器數(shù)據(jù)融合的智能探測(cè)模塊研究[J].船海工程，2013，42（4）：95-98.

[3] 楊冰，劉新妹，邱靖超.智能輪椅自主避障安全出行系統(tǒng)的設(shè)計(jì)[J].國(guó)外電子測(cè)量技術(shù)，2021，40（4）：99-104.

[4] 劉少刪山，李力耘，唐潔，等.無(wú)人駕駛[M].北京：機(jī)械工業(yè)出版社，2018：2-4.

[5] Kalbandhe A A，Patil S C.Indoor positioning system using bluetooth low energy[C]//2016 International Conference on Computing，Analytics and Security Trends （CAST）.December 19-21，2016，Pune，India.IEEE，2016：451-455.

[6] 楊萬(wàn)海.多傳感器數(shù)據(jù)融合及其應(yīng)用[M].西安：西安電子科技大學(xué)出版社，2004.

【通聯(lián)編輯：謝媛媛】225C3B32-2118-44EE-BEA0-5096372ED89C