随着机器人变得越来越自主，传感器融合变得越来越重要。传感器融合可以在机器人导航或执行特定任务时，将机器人开关的多个传感器的数据进行合并，以减少不确定性。它给自主机器人带来了多个好处:提高了传感器输入的准确性、可靠性和容错性;来自传感器系统的扩展空间和时间覆盖;提高分辨率和更强的环境识别能力，特别是在动态环境中;传感器融合可以降低机器人的成本和复杂性，它使用的算法负责数据预处理，并允许使用各种各样的传感器，而不改变机器人应用软件或硬件的基本复杂性。
传感器融合由自主移动机器人，固定机器人，空中机器人和海洋机器人使用。传感器融合的简单示例是与惯性测量单元（IMU）融合的轮式编码器，以帮助识别机器人的位置和方向。这些机器人通常在仓库和工厂的动态环境中找到。从放置在设施周围的战略地点的外部相机的信息融合可以进一步提高机器人成功导航各种固定和动态障碍的能力。
另一个例子是将全球导航卫星系统(GNSS)的位置信息与IMU传感器融合，以提供更可靠的机器人位置信息。这在gnss被拒绝的位置尤其有用，比如在许多工业建筑的死点，IMU的信息可以与编码器里程计融合，继续提供可靠的位置信息。惯性传感器增加了速度信息的维度。传感器融合可以获得更高的分辨率和更好的信息。
工业空中机器人
空中机器人是使用GNSS进行位置和导航的平台的另一个例子。然而，越来越多的工业机器人正在用于GNSS拒绝的环境，例如仓库或基础设施，石油和天然气，以及用于GNSS信号的障碍物的其他区域。在空中机器人和无人机操作的3D环境中，传统的传感器融合导致计算复杂性和更高的能量消耗，也不是可取的。此外，添加的功能加重，可以限制平台的有效载荷功能。
各种替代传感器技术正在被应用以克服这些限制。例子包括运动捕捉系统中的摄像机、视觉、激光雷达、无线电信标，甚至基于地图的方法。这些选项各有优缺点。
运动捕获系统由允许准确跟踪无人机的摄像机网络组成。虽然它们是准确的，但它们需要在无人机和多个相机之间清晰的视线，以保证良好的性能。它们不适合杂乱或动态环境，并且在缩放到更大的环境时它们可能不会具有成本效益。
基于视觉的方法可以具有成本效益和重量轻。传感器融合可以将单眼摄像机与IMU相结合，实现同时定位和映射（SLAM）算法。这种方法的弱点与无人机的高速运动或无人机在大空间中使用时。在任何一种情况下，基于视觉的传感器融合都不提供稳健的解决方案，并且可以进行低长期可靠性。此外，它可以高易受可变照明条件的影响。
有许多融合算法可用于将LIDAR与imu甚至映射方法集成。通过组合几种传感器模式，这种方法似乎很有前景。然而，激光雷达系统可能是沉重和昂贵的。额外的限制与空中机器人固有的高速和高振动有关，这导致漂移和缺乏可重复性。
环境的映射可以加载到无人机中并用于本地化。这在短期内不会改变的工业环境中可能特别有用。该地图可以开发离线，通常会导致具有适度的计算要求的良好可靠性。自适应蒙特卡罗本地化（AMCL）是一种与基于地图的导航一起使用的常用算法。概率算法使用粒子滤波器来估计寄生虫在地图上的位置。它可以与额外的传感器输入融合，例如IMU和音频传感器，以提高性能。AMCL评估并突破粒子的数量，以优化使用计算资源。机器人操作系统（ROS）中提供了一个开源版本的AMCL。但是，它为2D环境中的移动机器人设计，必须适用于空中无人机。
基于无线电信标的本地化系统可以提供确定点对点距离的低成本方法，而不需要各种信标之间的视线。最近，已经开发出超宽带（UWB）无线技术来提供精确的无人机的跟踪和定位。在GNSS拒绝环境中，UWB可以在环境中的预定位置处与几个固定转发器一起使用，以及无人机上的传感器提供鲁棒定位数据。然而，这些传感器仅提供了溶液的一部分，因为它们缺乏方向信息。如下部分所示，可以使用超声技术代替UWB，以在某些3D环境中提供具有成本效益和可重新配置的信标系统。
船清洁机器人
传感器融合可以创建为人类运营商考虑危险或可能有害的任务的机器人。例如，船舶船体的维护需要检查，油漆剥离，并且当船舶在Drydock时重新粉刷。涂料剥离，特别是对人们危险而且可能有害。为造船厂进行油漆剥离的第一个机器人并非自主，并且需要持续的人类监测和控制，以保持一致的结果。
最近开发了一种自动自我评估的船体清洁和涂料剥离机器人。被称为犀鸟，它可以自主导航。犀鸟包括深度卷积神经网络的评估算法，用于监控和控制清洁结果。在运行时，Hornbill使用3000巴的水力爆破喷嘴来清洁预定义的工作空间中的船体和剥离涂料。基本导航，位置跟踪和其他功能在ROS的控制下执行。
准确的位置信息对于Hornbill的成功操作至关重要。不幸的是，传统传感器不能用于基于具有基于LIDAR的同时定位和映射（SLAM）和视觉SLAM的特征跟踪和传感器融合来确定一个位置。由于犀鸟使用开放式喷射爆破功能，因此LIDAR和Visual Slam传感器都无法提供准确的信息。
相反，Hornbill使用无线网络的超声波基信标系统，提供准确的位置信息。Hornbill上的移动信标具有内部IMU传感器，外部信标信号与IMU传感器之间的融合提供了高精度的位置。通过在犀鸟上感测到恒定信标和移动灯架之间的反射超声波来确定静态信标的预定边界内的相对3D位置。坐标转换为ROS 3D姿势（位置）消息并控制犀鸟的动作。
总结
传感器融合是一个重要的工具，使自动机器人能够始终如一地执行复杂任务。它通常包括在机器人和环境中的传感器上的传感器组合以提供高度可靠的位置信息。外部传感器从GNSS信号到摄像机和各种主动信标技术。板载传感器根据环境和机器人的需求而差异很大，并且可以包括IMU，摄像机，激光雷达和基于地图的方法。传感器融合的持续开发和改进对于开发性价比自主移动和固定机器人平台具有重要意义。
参考文献
犀鸟：用于船体维护的自我评估水力爆破可重构机器人,IEEE
工业gnss环境下航空机器人多传感器融合, MDPI
用于强大的设备自主权的多传感器融合，边缘AI和视觉联盟
机器人操作系统的传感器融合、自动艾迪生
基于传感器融合的国家估算与本地化室内环境中的自主机器人, MDPI
提交：传感器提示
