物联网  >   传感器  >  正文

何谓多传感器数据融合?解密融合模块的AGV应用

  AI智能的实现,多传感器融合技术首当其冲。多传感器如何实现数据融合?融合模块什么结构?融合模块在自动导引车(AGV)上是怎样应用又是怎样做障碍物检测? 如何整合来自不同来源的数据,提供物况周边环境的全局呈现,即多传感器数据融合策略是什么?各位看官且听一一揭秘:

  

 

  简 介

  多传感器数据融合是包含了多个来源信息的组合,提供对所处环境或过程的清楚和准确地呈现和表达。

  权威人士将数据融合定义为“处理来自单一和多个来源的数据和信息的关联和组合,以实现精确的位置和身份评估,完整及时地对所处状态和威胁及其重要性做出判断。” 该过程的特点是不断完善测评,对额外其他来源需求评估,或对过程本身修改,以实现改进的效果。

  多传感器数据融合是一门多学科技术,涉及多个应用领域,如机器人技术,军事应用,生物医学,无线传感器网络(WSN)领域,视频和图像处理。近年来,对此领域人们给予了极大的关注。下面我们对当代数据融合方法进行回顾,探讨研究领域的最新发展趋势。领略集世迈智能网联科技的精彩的一个侧面。

  数据融合技术的分类可采用不同的标准,考虑到所用数据的抽象水平,分为四种类型:信号水平,像素水平,特征(基于从图像或信号中提取的特征)和符号(或决策)。更广泛地说,我们可以解决三个主要的层次:测量,功能和决策。

  另一种与数据抽象级别相关的可能分类涉及到:

  低层融合:此级别直接处理原始数据,以提高各个来源的准确性。

  中级融合:基于特征或特征(维度,形状,位置)的处理。

  高级融合:也称为决策融合,该级别涉及符号表示,例如对象级别。此级别也称为特征或特征级别。

  多级融合:基于不同抽象级别提供的数据处理。

  考虑到信息与融合的关系,Durran-White指出了传感器融合的三个主要分类:

  互补性

  每个传感器提供部分信息,数据融合的目的是综合这些不同的信息部分,以实现信息更完整和准确的表示。

  竞争性

  有关同一目标的信息由两个或多个数据源提供,并且数据融合用于提高可靠性和准确性,减少冲突,噪声和错误的测量。

  合作性

  由不同数据源提供的信息被组合成新的而且往往更复杂的信息。

  根据数据融合实施的点,可以区分三种主要类型的分类体系结构:集中式,分布式和分层式。

  在集中式结构中,单个模块从所有输入源收集信息,并根据收到的原始数据做出决策。该解决方案的主要缺点是遇到通信瓶颈的可能以及通过网络传输原始数据所需的大量带宽。

  在分布式体系结构中,源节点独立处理原始数据,并仅基于其本地视图提供关于对象状态的评估,这些信息是多传感器融合的输入,它提供了一个融合化了的全局视图。

  分层体系结构是分散和分布式节点的组合,其中数据融合过程在等级层次的不同级别中执行。

  问题背景

  目前,工厂物流中的自动化尚未普及,通常采用手动叉车来运输原材料和制成品。使用手动叉车不仅低效率、高能耗,而且对工人来说不安全。根据欧盟统计局的统计数据,从1998年到2007年,欧盟有超过300万件与运输、仓储活动和语言沟通相关的工伤事故发生。这主要是因为叉车司机并不总是训练有素,容易出错。除此之外,制造业环境通常相当杂乱,有许多盲区。采用多个自动导引车(AGV)是灵活、经济高效且安全的解决方案之一,可提高工厂物流的自动化程度。

  

 

  多传感器系统架构的定义

  在自动导航场景中工作需要可靠的障碍物检测和识别系统,以避免可能发生的事故或货物损坏的碰撞。因此,为每个AGV配备一个强大的车载多传感器系统以确保环境感知非常重要,能够监控车辆整个360°周边区域无死角。这种车载感知系统包括一台安全激光扫描仪,另一台激光扫描仪为辅,以及由两个全方位镜头和安装在AGV顶部的两部摄像头共同构成的全方位立体视觉子系统。

  为了进一步支持建立可靠的物体检测、跟踪、分类系统,在仓库区域内安装一个激光架构模式的环境感知系统来监控交叉路口和盲区是非常重要的。

  每逢建造新工厂或扩建、修缮现有工厂,都需要手动执行,重新启用注册重要地标,例如托盘在货架中的位置和托盘拾取位置。为了克服这种情况,一个出发点是半自动化工厂探测系统的存在,以先进的AGV形式,能够自动检索仓库的3D物况,突出显示其内部的所有结构元素:货架,输送带,立柱,墙壁,窗户,用于人员通行的门,用于AGV和手动叉车通行的门,叉取位置,货架中的托盘位置,块料仓库/自由堆栈,维修保养区/电池站,可驾驶通行走廊区/路段,行人专用/共用走道,安全区域(比如在分拣区前面)。

  多传感器数据融合的规范

  半自动化工厂探测系统,车载多传感器和基于激光设备的感知系统都支持物体检测、跟踪和分类功能。

  因此,在通常的自动化物流管理的体系结构中,关于场景中障碍物的信息来源有多个,存在数据冗余,不一致,模糊,噪音干扰和不完整的可能性。为了克服这个问题,有必要定义一个模块,该模块收集传感器获取的所有数据,并将它们用唯一和完整的呈现方式整合在整个系统中,包括其中作用的静态和动态的实体。

  这个模块称之为全局实时视图,用以获得更高质量的信息,提供表示静态实体(如工厂的3D地图,路线图),和动态实体(如AGV的当前位置和速度,当前识别的对象的位置和速度),拥堵区域和被监视交叉路口的状态。

  物流基础设施和车载感知系统提供给全局实时视图的信息由被跟踪和分类的物体构成,用唯一的ID标识。具体地说,关于每个物体对象的数据包括:

  位置

  方向

  速度

  大小

  2D物体:宽度,长度

  3D物体:宽度,长度,高度

  物体分类:人,手动叉车,AGV,其他动态和静态物体

  对此分类的质量和可靠性进行的一个评估

  此外,半自动化工厂探测系统提供了工厂的完整地图,包括仓库平面图,生成的车辆路线图和占位网格映射。然后全局实时视图使用在操作期间获取的信息更新,生成实时全局映射图。此生成信息与AGV的车队共享,以改善其本地车载导航功能并支持安全操作。全局实时视图的更新速率至少需要10Hz,处理和更新的最大时间应始终小于150ms。

  保证与现实世界的同步和一致性非常重要:在电子地图上,呈现的每个虚拟物体必须与真实物体相对应。因此,期待全局实时视图执行数据融合以整合从不同传感器获取的数据,减少信息冗余并验证存在的数据不一致和模糊的问题。

  所描述的系统架构如下图所示

  

 

  多传感器数据融合方法

  融合方法这方面因为涉及的概念较为抽象和偏技术化,我们简化地来谈。

  为了实现全局实时视图,可以考虑采用不同的多传感器数据融合方法。

  由于全局地图主要包含周围区域传感器中检测到的静态和动态障碍物体的信息,多传感器数据融合策略的主要方法集中在障碍物检测,以提高使用单个传感器无法保证的精度。

  占用网格是用于机器人技术最常见的低端传感器融合策略,用于对移动物体的检测和跟踪,同步定位、映射以及本地路径规划。

  固定网格结构的主要缺点是它们的大内存需求,特别是在初始化阶段。此外,需要事先知道映射环境的范围,以减少执行高成本的操作。

  基于网格的方法的替代方案是用于障碍物检测/分类的传感器融合策略。

  在主动行人保护系统中:激光扫描仪提供的距离数据与来自摄像机的图像融合,获得代表车辆和行人选项的一组图像。这些图像用作两个模式分类器(一个用于车辆检测,另一个用于行人检测)的输入。

  尽管提供了准确性和稳健性,但这些方法需要在数据融合级别处理低级信息(图像,3D点云,激光原始数据),因此,它不适合全局实时视图的实现。事实上,对于每个障碍物选项,我们默认采用和处理中级水平的特征类别(ID,年龄,位置,方向,速度和大小)和高级特征类别(类和分类质量),以优化数据传输时间并减少网络负载。

  因此,根据系统特性,可能的策略是可以基于单独处理中级和决策级数据融合。

  A.中级融合

  在所描述的体系结构中,处理中等级别的数据融合意味着通过以下方式处理具有不确定性的物体测量值(ID,年龄,位置,方向,速度和大小):

  •半自动化工厂探测系统;

  •车载多传感器系统;

  •基于激光基础模式的感知系统。

  因此,从中等水平的角度来看,我们可以将数据融合问题作为目标跟踪过程来处理,重点是在一段时间内维持一个或多个对象的状态预估。由于跟踪对象是由AGV的车载多传感器系统和基于激光感知系统两者执行,分布式轨道融合方法可用于全局实时视图实现。根据可靠性,生存性,通信带宽和计算资源的考虑,分布式处理架构是比集中式处理架构更实用的解决方案:

  在分布式架构中,数据源仅传输目标轨道,而不是做所有的测量工作。降低计算需求的成本以及通信带宽要求。

  全局实时视图实现的另一种方法是使用基于障碍物区域评估的启发式方法:该解决方案的主要步骤如下图所示。从限定检测到的障碍物的边界框开始在源传感器中,算法综合考虑它们的位置,方向和位置重叠,以便重建包含与每个候选物体所覆盖的区域相对应的一组2D /3D图。整合关于每个被跟踪障碍物预估的速度和方向的信息,并可以区分静态和动态障碍物。

  

 

  然后,可以采用分割和合并技术来解决可能代表同一对象的不同视图的点区别中的冲突,如有必要,可以将表示融合障碍物的信息集成到网格图中,在该网格图上可以对自由空间和未知区域进行建模,从而支持路径规划和导航功能的实现。

  B.高级融合

  从高层次的角度来看,可以考虑选择用于实施全局实时视图的数据融合策略作为分类器组合问题。根据这个问题公式,半自动化工厂探测系统,车载多传感器系统和基于激光模式的感知系统代表一组分类器,给予一个输入模式,为每个可能的系统类别提供输出值(人力,手动叉车,AGV,其他动态对象,静态对象)。

  如果一个障碍物没有出现在感知系统的视野中,则该系统不提供分类假设:在数据融合过程中,分类器的缺失响应并不意味着不可靠。通过机载多传感器系统和基于激光的感知系统,可能的分类误差与单个感知源中缺乏分类能力无关,它可能主要由于遮挡或只能看到一部分引起某些识别上的障碍。

  由于这些原因,在全局实时视图中,简单的聚合规则可能是实现高级别数据融合的更好解决方案。

  结 论

  我们已经看到了如何在一个障碍检测中采用数据融合策略。现代工厂物流自动化系统,根据系统架构和要求,实施采用一个模块是至关重要的,该模块负责提供代表工厂的全方位更新地图,所有固定仓库组件(如货架、搁置平台)的位置以及所有AGV以及车载或感知系统检测到的所有其他固定和动态物体的位置、行驶速度和行驶方向。

  该模块称为全局实时视图,预计将执行用于障碍物检测的数据融合,对于其实现,我们已经评估了多传感器数据融合算法的主要类别。

  集世迈的智能多传感器集成模块化系统在上述的基础上,优化整合,配套软件算法,具备信息采集、存储、计算、运输、自校正、自动补偿、自判断、自决策等功能,使用在AGV,新能源堆高和搬运车上,转向、前后倾、货叉位置、举升、液压和驱动系统,对位置路径以及操作的跟踪进行精确定位和识别。计算驾驶路径、最佳拣选和堆放位置,提升高速分拣机、穿梭车、自动堆垛机、物流装卸车等的自动化水平,实现精准、高效的物料配送和仓储管理。这一模块也应用在商用车上,实现无人驾驶和智能网联的物流生态链。

上一篇:Ce掺杂通过调整氧种类比例,提高了ZnO气体传感器的传感性能

下一篇:纳米科技发展丨生物化学微传感器系统及应用

延伸阅读