基于神经网络的多机器人特征融合研究文献综述

1. 文献综述（或调研报告）：

本课题在国内外研究的现状：

1. 多机器人系统

世界上首个基于多智能体的多机器人系统CEBOT是于20世纪80年代末期建立的，之后，多机器人系统在理论和实际研究都有了很大的进展。美国海军和能源部、宇航局、国防部等部门都将多机器人系统研究作为21世纪的关键技术，研究项目包括MARS-2020、SDR、TMR等，军队在2014年开始计划用自控车辆、无人机等机器人代替士兵进行物资运输及侦察勘测等工作。欧盟对于多机器人系统的研究也在持续进行，包括比例多机器人协同搬运项目MARTHA，比利时布鲁塞尔大学的集群机器人系统研究，苏黎世大学的生物机器人云群体智能研究项目等。日本主要研究仿生多机器人系统，包括名古屋大学的CEBOT项目以及日产公司的仿生鱼类多机器人系统EPORO等。

国内多机器人系统的研究起步相对较晚，但在近些年来发展迅速，多所高校、研究所及社会上的多家企业都在不同领域的多机器人研究和应用上取得了不错的进展。

1. 多机器人的信息处理

信息处理方面主要是对关于信息准确性、有效性方面的研究。传感器信息融合的聚类技术，简称聚类融合技术，不直接利用传感器检查的信息进行控制，而是先对多个传感器采集的数据进行聚合、分类，经过整理后的数据通过特定算法融合归纳出能够反映过程运行状况的信息。信息的聚类技术是将信息分为若干个簇，使得同一个簇中的对象具有较高的相似度，而不同簇中的对象具有较大的差异度。信息的融合技术是使用不同算法得到大量聚类成员，利用融合函数进行融合，获得最终结果。信息的聚类融合是当今信息处理领域的一个重要课题,国内外许多的学者针对多传感器数据的融合问题进行了研究。

1. 基于多特征融合的目标追踪

目标跟踪问题的研究是计算机视觉领域的一个重要研究课题,近几十年来,随着卡尔曼滤波算法(KF)、扩展卡尔曼滤波算法(EKF)、粒子滤波(PF)、均值迁移等各种算法的发展,跟踪算法也得到了长足的进步。对于本课题，需要在复杂环境中成功追踪到目标，单一特征的目标追踪可能无法满足要求，所以，采用了多特征融合的方法，融合多种特征进行追踪。

按照融合方法的本质和问题空间来分,多特征融合方法大体上可以分为以下三类:基于线性融合的方法、基于分类的方法和基于估计的方法。本文采用的基于神经网络的多特征融合是基于分类的方法，这类融合方法是将多特征观测值分成预定义的类，再通过融合函数对数据进行处理。

基于神经网络的多特征融合算法的基本思想是结合卡尔曼滤波的估计能力及神经网络的学习能力，用神经网络的输出来进一步修正卡尔曼估值，从而提高精度。

参考文献：