在自主吸塵機器人的實時避障過程中，不需要測量距障礙物的精確距離，而只需檢測超過門檻強度的回波。回波的強度與距障礙物的距離及障礙物的性質(zhì)有關(guān)。若檢測到超過門檻強度的回波時，則認(rèn)為存在障礙物，需要執(zhí)行相應(yīng)的避障策略。門檻強度根據(jù)機器人行走過程中認(rèn)定的最近障礙物的距離而定，一般可取最近障礙物的距離為2～5cm。對超聲波傳感器，有效回波比竄繞信號要大得多，因此設(shè)置合適的門檻強度可以屏蔽掉竄繞信號的影響。
　　硬件電路主要包括信號發(fā)射電路、信號接收電路、信號放大電路、門檻強度比較電路、鑒頻電路以及路選電路。硬件電路框圖如圖2所示。

?

2 基于神經(jīng)網(wǎng)絡(luò)的傳感器融合技術(shù)
　　神經(jīng)網(wǎng)絡(luò)多傳感器融合算法在自主機器人避障以及自主行走應(yīng)用上具有獨特優(yōu)勢。本系統(tǒng)采用包含輸入層、隱層和輸出層三層結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)，如圖3所示。BP網(wǎng)絡(luò)決定了傳感器輸入與行為模式輸出之間的通信，通過對連接權(quán)值" title="權(quán)值">權(quán)值的計算得出與輸入相對應(yīng)的輸出。訓(xùn)練過程以隨機的連接權(quán)值開始，BP網(wǎng)絡(luò)不斷比較實際輸出與期望輸出，通過調(diào)整連接權(quán)值減少兩者之間的差值，直至輸出期望值，同時得到連接權(quán)值。
　　神經(jīng)網(wǎng)絡(luò)的輸入層為圖1所示的7路傳感器輸入信號,隱層有3個單元，每個隱層單元根據(jù)7路輸入的加權(quán)計算得到單一的實值輸出。然后這3個隱層單元的輸出作為第二層4個輸出單元的輸入。輸出層有4路輸出信號，每路輸出信號對應(yīng)機器人特定的運動行為，分別表示左轉(zhuǎn)（L）、停頓（S）、前進（F）以及右轉(zhuǎn)（R），或者是兩種行為的組合，如前左轉(zhuǎn)、前右轉(zhuǎn)。
　　傳感器的輸入信號以及送到電機的輸出信號都以二進制表示，并通過簡單的開關(guān)控制電機。其中，0、1、2三路輸入信號檢測左側(cè)是否存在障礙物，第3路輸入信號檢測正前方的障礙物信息。4、5、6輸入信號檢測右側(cè)的障礙物信息。僅檢測到左（右）側(cè)障礙物輸出前右(左)轉(zhuǎn)指令；檢測到左(右)側(cè)及前方障礙物輸出右(左)轉(zhuǎn)指令；僅檢測到前方障礙物及同時檢測到左側(cè)和右側(cè)障礙物則輸出應(yīng)急停頓指令；無障礙物信號輸出前進指令。另外碰撞傳感器檢測到碰撞信號也輸出停頓指令，處理器收到停頓指令后采取相應(yīng)的策略。
每個輸出值是0和1之間的某個實數(shù)，對應(yīng)于預(yù)測相應(yīng)運動行為的置信度。可以根據(jù)置信度對輸出進行簡單處理，即當(dāng)輸出超過0.5時，則認(rèn)為輸出為1，否則認(rèn)為輸出為0。
　　下面給出BP神經(jīng)網(wǎng)絡(luò)的算法推導(dǎo)。
　　設(shè)輸入層為M，隱層為I，輸出層為P，對應(yīng)的小寫字母表示任一信息單元。輸入層與隱層的突觸權(quán)值用W_mi表示，隱層與輸出層的突觸權(quán)值用W_ip表示。
　　神經(jīng)元的輸入用u表示，激勵輸出用v表示，u、v的上標(biāo)表示層，下標(biāo)表示層中的某個神經(jīng)元。對應(yīng)于任一訓(xùn)練樣本X_k=[x_k1，x_k2，…，x_km]^T的實際輸出為Y_k=[y_k1，y_k2，…，y_kp]^T，期望輸出d_k=[d_k1，d_k2，…，d_kp]^T。設(shè)n為迭代次數(shù)，網(wǎng)絡(luò)輸入訓(xùn)練X_k，由工作信號的正向傳播過程可得：
　　
　　輸出層的第p個神經(jīng)元的誤差信號為：
　　e_kp(n)=d_kp(n)-y_kp(n)
　　定義神經(jīng)元P的誤差能量為，則輸出層所有神經(jīng)元的誤差能量總和。在誤差信號反向傳遞過程中，逐層修改連接權(quán)值。
　　下面計算誤差信號的反向傳播過程。
　　(1)隱層I與輸出層P之間的權(quán)值修正量。
　　根據(jù)梯度下降和Delta法則，W_ip(n)的修正量為：
　　
　　其中，h是學(xué)習(xí)步長，為局部梯度。
　　
　　當(dāng)激勵函數(shù)為Sigmoid函數(shù)，即
　　
　　則下一次迭代時隱層J上任一節(jié)點與輸出層P上任一節(jié)點之間的權(quán)值為：
　　
　　(2)隱層I上的任一節(jié)點與輸入層M上的任一節(jié)點的權(quán)值修正量。
　　與(1)中的推導(dǎo)類似，
　　
　　則在下一次迭代時隱層I上任一節(jié)點與輸入層M上任一節(jié)點之間的權(quán)值為：
　　
3 BP算法框圖
　　圖4給出了BP算法的程序流程圖。在執(zhí)行算法之前，首先要設(shè)置變量和參量。其中：W_mi(n)為第n次迭代時輸入層與隱層I之間的權(quán)值向量；W_ip(n)為第n次迭代時輸出層與隱層I之間的權(quán)值向量；n為迭代次數(shù)，K為訓(xùn)練樣本的下標(biāo)，Maxloop為最大迭代次數(shù)，Maxtrain為訓(xùn)練樣本的總數(shù)，ζ為能量最小誤差。

4 仿真結(jié)果
　　用FoxPro建立輸入樣本的數(shù)據(jù)庫，用VC編程訓(xùn)練網(wǎng)絡(luò)。訓(xùn)練時用了72組輸入樣本，并且循環(huán)4000次訓(xùn)練網(wǎng)絡(luò)，訓(xùn)練時間15s。表1給出了部分訓(xùn)練樣本的示例（P0表示樣本0，以下同）。

　　初始權(quán)值為-0.01～0.01的隨機數(shù)值。下面給出了網(wǎng)絡(luò)訓(xùn)練的權(quán)值輸出。
　　輸入層與隱層權(quán)值
　　0.251，-9.187，2.347
　　0.231，-9.225，2.373
　　0.266，-9.213，2.331
　　4.722，-1.479，-1.470
　　0.214，2.520，-9.067
　　0.293，2.512，-9.013
　　0.275，2.442，-8.890
　　輸出層與隱層權(quán)值
　　-11.843，-5.154，-4.722，6.348
　　9.970，10.696，-10.990，-11.535
　　9.938，-9.617，10.613，-12.470
　　為了驗證訓(xùn)練權(quán)值的正確性與強壯性，對大量的輸入樣本（包括沒有經(jīng)歷訓(xùn)練過程的樣本）進行實驗，網(wǎng)絡(luò)產(chǎn)生相匹配的輸出。實驗結(jié)果表明，網(wǎng)絡(luò)的訓(xùn)練是成功的。部分實驗數(shù)據(jù)如下：
　　輸入數(shù)據(jù)組數(shù)：6
　　第0組輸入數(shù)據(jù)：0 0 0 0 0 0 0
　　第0組輸出為：1 0 0 0
　　第1組輸入數(shù)據(jù)：0 0 0 1 0 0 0
　　第1組輸出為：0 0 0 1
　　第2組輸入數(shù)據(jù)：1 1 0 1 0 0 0
　　第2組輸出為：0 0 1 0
　　第3組輸入數(shù)據(jù)：1 1 1 0 0 0 0
　　第3組輸出為：1 0 1 0
　　第4組輸入數(shù)據(jù)：0 0 0 1 1 0 0
　　第4組輸出為：0 1 0 0
　　第5組輸入數(shù)據(jù)：1 1 0 1 0 0 1
　　第5組輸出為：0 0 0 1
　　最后利用Matlab提供的Neural Network工具箱，對訓(xùn)練網(wǎng)絡(luò)的輸出和相應(yīng)的期望輸出進行衰退分析，以測定訓(xùn)練網(wǎng)絡(luò)的性能。圖5為前面訓(xùn)練所用的72組輸入數(shù)據(jù)產(chǎn)生的輸出A和期望輸出T的衰退分析圖。其中虛線為最佳線性擬合曲線A=T，實線為72組輸出A與相應(yīng)的期望輸出T的線性擬合。由圖5可以看出，擬合效果理想，因此訓(xùn)練網(wǎng)絡(luò)的性能可靠。