多传感器信息融合技术是近年来十分热门的研究课题, 它与控制理论、信号处理、人工智能、概率和统计相结合 , 为机器人在各种复杂、动态、不确定和未知的环境中执行任务提供了 1 种技术解决途径。机器人所用的传感器有很多种 , 根据不同用途分为内部测量传感器和外部测量传感器两大类。内部测量传感器用来检测机器人组成部件的内部状态 , 包括: 特定位置 、角度传感器 ; 任意位置 、角度传感器; 速度、角度传感器 ; 加速度传感器; 倾斜角传感器; 方位角传感器等 。外部传感器包括: 视觉( 测量、认识传感器)、触觉(接触、压觉 、滑动觉传感器)、力觉( 力、力矩传感器)、接近觉( 接近觉、距离传感器)以及角度传感器( 倾斜、方向、姿式传感器)。多传感器信息融合就是指综合来自多个传感器的感知数据, 以产生更可靠 、更准确或更全面的信息。经过融合的多传感器系统能够更加完善、精确地反映检测对象的特性, 消除信息的不确定性 ,提高信息的可靠性。融合后的多传感器信息具有以下特性 : 冗余性、互补性、实时性和低成本性。多传感器信息融合方法主要有贝叶斯估计、Dempster-Shafer 理论、卡尔曼滤波 、神经网络 、小波变换等

多传感器信息融合技术是 1 个十分活跃的研究领域, 主要研究方向有 :

   1多层次传感器融合 由于单个传感器具有不确定性、观测失误和不完整性的弱点 , 因此单层数据融合限制了系统的能力和鲁棒性。对于要求高鲁棒性和灵活性的先进系统 , 可以采用多层次传感器融合的方法。低层次融合方法可以融合多传感器数据; 中间层次融合方法可以融合数据和特征, 得到融合的特征或决策 ; 高层次融合方法可以融合特征和决策, 到最终的决策 [1]  。

   2 微传感器和智能传感器 传感器的性能、价格和可靠性是衡量传感器优劣与否的重要标志, 然而许多性能优良的传感器由于体积大而限制了应用市场。微电子技术的迅速发展使小型和微型传感器的制造成为可能。智能传感器将主处理、硬件和软件集成在一起 。如 Par Scientific 公司研制的 1000 系列数字式石英智能传感器 ,日本日立研究所研制的可以识别 4种气体的嗅觉传感器, 美国 Honeywell 研制的DSTJ23000 智能压差压力传感器等 , 都具备了一定的智能

   3 自适应多传感器融合 在实际世界中, 很难得到环境的精确信息 , 也无法确保传感器始终能够正常工作。因此 ,对于各种不确定情况 , 鲁棒融合算法十分必要。现已研究出一些自适应多传感器融合算法来处理由于传感器的不完善带来的不确定性。如 Hong通过革新技术提出 1 种扩展的联合方法, 能够估计单个测量 序列滤波的 最优卡尔 曼增益 。 Pacini 和Kosko 也研究出 1 种可以在轻微环境噪声下应用的自适应目标跟踪模糊系统, 它在处理过程中结合了卡尔曼滤波算法