开云手机app(中国)官方网站IOS/安卓通用版/手机APP下载

针对煤矿事故再次发生后，救援蛇形机器人如何在险恶的井下展开环境辨识和建模，明确提出了一种基于改良的BP神经网络多传感器数据融合算法。首先分析了机器人在附近障碍物时的五类典型环境标志，然后利用超声波传感器、红外传感器和激光雷达传感器取得周围物体的距离信息,对这些距离数据展开归一化处置之后再行利用改良的BP神经网络来辨识出有物体的形状,已完成环境的建模。得出了系统的数据融合模型、改良的BP神经网络算法。

并对实验取得的一组数据展开了建模,结果表明这种算法对于煤矿救援蛇形机器人环境辨识和建模是一种有效地的方法。关键词:煤矿救援蛇形机器人;多传感器数据融合;环境建模;改良的BP神经网络;Abstract:Inviewofthecoalmineaftertheaccident,therescueofsnakelikerobothowtocarryoutenvironmentalrecognitionandmodelinginthepoorunderground,akindofimprovedBPneuralnetworkalgorithmbasedonmultisensordatafusionisputforward.Firstly,fivetypicalenvironmentmarkneartheobstaclesisanalyzed,then,theuseofultrasonicsensors,infraredsensorsandlaserradarsensorstogetthedistanceinformationoftheobjectaround,thesedistancedataarenormalized,totheshapeofanobjectisrecognizedbyusingtheimprovedBPneuralnetwork,environmentmodelingisfinished,themodelofdatafusionofsystemandthealgorithmofimprovedBPneuralnetworkarepresented.Andagroupofexperimentaldataissimulated,theresultsshowthatthisalgorithmisaneffectivemethodforthecoalminerescuesnakelikerobottobuiltenvironmentidentificationandmodeling.KeyWords:rescueofsnakelikerobotofthecoalmine;multisensordatafusion;environmentidentificationandmodeling;improvedBPneuralnetwork1章节环境模型是机器人通过自身的适当传感器感官局部环境信息而创建一起的地图模型[1~3]，对于煤矿救援蛇形机器人来说，只有在理解矿难再次发生后井下环境才能展开路径规划、导航系统和避障。所以环境建模是蛇形机器人能否顺利完成救援任务的前提和重要环节，环境建模准确程度直接影响到蛇形机器人先前的工作状态。

传统的传感器数据融合方法还包括大于二乘法、Bayes估算理论和卡尔曼滤波等方法，但在一个多传感器系统中,各个传感器所取得的的环境信息是局部的、片面的，具备有所不同程度的不确定性,融合这些不确认信息的过程实质上是一个不确认的推理小说过程。所以,单一的传感器数据融合方法都有各自的优点和严重不足[4~7]。

神经网络是人工智能的一个最重要分支[8],它具备的信息产于存储、容错性,自自学、自的组织和自适应等特征使得其在处置不得而知环境、环境信息简单、科学知识背景不确切以及推理小说规则不具体的问题时，变得十分良好。本文使用改良的BP神经网络多传感器数据融合算法已完成对矿难再次发生后井下环境的建模,通过实验和建模可以得出结论该算法用作煤矿救援蛇形机器人的环境建模是一种贯彻、有效地的方法。2改良的BP神经网络数据融合算法为使移动机器人需要动态、精确地避免障碍物，救援蛇形机器人必需取得障碍物的基本信息，如距离、方位等[9~11]。

本文主要使用超声波传感器、红外测距传感器、激光雷达传感器来观测障碍物距离方位信息以取得救援机器人所需的外部环境信息，利用改良的BP神经网络多传感器数据融合算法处置这些信息，对救援机器人的运动空间展开分析，创建机器人行驶的环境流形结构。融合煤矿井下的类似环境，本系统使用的多传感器数据融合模型如图1右图。由成像传感器、红外测距传感器、激光雷达传感器来提供障碍物的距离信息，通过归一化处置后，作为改良的BP神经网络的输出，网络输入为五类典型环境标志，通过环境类型标志创建救援蛇形机器人行驶的环境流形结构，为救援蛇形机器人路径规划获取依据。Figure1improvedBPneuralnetworkdatafusionmodel一个典型的3层前馈型BP网络的流形结构如图2右图[12]，网络有个输出节点，输出层节点的输入相等其输出，说明了层有个节点，输入层有个节点。

输出层和说明了层节点之间的相连权值为。说明了层和输入层节点之间的相连权值为，说明了层和输入层节点的输出是前一层节点的输入的权重和，每个节点的鼓舞程度由它的唤起函数来要求。

Figure2ThetopologyofBPnetwork说明了层的第个节点的输出为其中，回应输出层节点的输入。第个节点的输入为其中，为唤起函数其中，回应偏置或阈值，调节函数的形状。输入层第个节点的总输入为其中，为说明了层的节点数。

输入层第个节点的实际网络输入为若网络输入与希望输入值不完全一致，则将其误差信号从输入末端偏移传播，并在传播过程中大大修正网络权值，改良的BP算法就反映在网络权值的修正上。1）说明了层权值的修正使用自适应调整自学亲率并可选动量因子的梯度上升偏移传播算法，即在梯度上升法的基础上引进动量因子（0。

本文来源：开云app下载官网手机版-www.sq-starhotel.com