黃衍標(biāo)，羅廣岳，何銘金

（廣州大學(xué)華軟軟件學(xué)院，廣州510990）

BP神經(jīng)網(wǎng)絡(luò)在巡邏機(jī)器人多傳感器數(shù)據(jù)融合中的應(yīng)用*

黃衍標(biāo)*，羅廣岳，何銘金

（廣州大學(xué)華軟軟件學(xué)院，廣州510990）

針對(duì)傳統(tǒng)?；穫}庫固定式監(jiān)控器中監(jiān)控范圍小、報(bào)警準(zhǔn)確率低的特點(diǎn)，研究了一款?；穫}庫巡邏機(jī)器人，采用以拉依達(dá)準(zhǔn)則改善BP神經(jīng)網(wǎng)絡(luò)融合性能的多傳感器數(shù)據(jù)融合方法，通過采集泄露危化品濃度、倉庫內(nèi)環(huán)境溫度和濕度等數(shù)據(jù)，在對(duì)數(shù)據(jù)進(jìn)行拉依達(dá)去噪、歸一化后利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行融合輸出。樣機(jī)試驗(yàn)結(jié)果表明，該方法可有效提升?；穫}庫巡邏機(jī)器人對(duì)空間環(huán)境的把握度，大幅度提高報(bào)警的準(zhǔn)確性和可靠性，同時(shí)具備良好的傳感器擴(kuò)展性。

數(shù)據(jù)融合；機(jī)器人；BP神經(jīng)網(wǎng)絡(luò)；多傳感器

對(duì)?；返纳a(chǎn)、運(yùn)輸和貯存過程的安全管理，是保障社會(huì)公共安全的重要組成部分。目前，大多?；穫}庫的還停留在人工管理狀態(tài)，少數(shù)引進(jìn)監(jiān)控設(shè)備的?；穫}庫也基本都是采用固定式監(jiān)控裝置，其監(jiān)控的空間范圍有限，而且所采用的傳感器類型單一，報(bào)警準(zhǔn)確率低、監(jiān)控系統(tǒng)的傳感器擴(kuò)展性差，所配備傳感器檢測(cè)出的環(huán)境參數(shù)，往往不足以準(zhǔn)確預(yù)測(cè)出所處環(huán)境中?；沸孤兜惹闆r導(dǎo)致的危險(xiǎn)。

多傳感器數(shù)據(jù)融合是一種常用的提高測(cè)量可靠性的方法［1］。為實(shí)現(xiàn)準(zhǔn)確可靠的安全預(yù)警，?；穫}庫巡邏機(jī)器人可以利用溫度傳感器、濕度傳感器和泄漏?；窓z測(cè)傳感器等多個(gè)感知裝置，采集倉庫中環(huán)境數(shù)據(jù)，再將采集的原始數(shù)據(jù)進(jìn)行預(yù)處理和數(shù)據(jù)融合，其融合結(jié)果作為巡邏機(jī)器人進(jìn)行安全預(yù)警的決策依據(jù)。為了實(shí)時(shí)準(zhǔn)確獲取被檢測(cè)環(huán)境的真實(shí)數(shù)據(jù)，已有不少文獻(xiàn)研究了對(duì)多個(gè)同型或異型傳感器采集的參數(shù)進(jìn)行數(shù)據(jù)融合處理的方法［2-7］，這些方法相比僅用單傳感器進(jìn)行檢測(cè)來說，其結(jié)果的準(zhǔn)確性均有較大改善，但仍存在結(jié)構(gòu)性缺陷，要么算法只能用于多個(gè)同種傳感器數(shù)據(jù)融合；要么只能應(yīng)用于對(duì)特定環(huán)境的檢測(cè)，當(dāng)智能系統(tǒng)中需增加新的傳感器時(shí)，需要重新研發(fā)融合算法才能適應(yīng)檢測(cè)需求；要么所用算法要求參與融合的參數(shù)之間相互獨(dú)立，無法應(yīng)用于類似?；穫}庫中溫度、濕度、光照等環(huán)境參數(shù)和?；窛舛戎g兩兩相互耦合的應(yīng)用場(chǎng)合。針對(duì)上述不足之處，本文以?；穫}庫巡邏機(jī)器人作為應(yīng)用背景，在巡邏機(jī)器人中利用多個(gè)異型傳感器的互補(bǔ)性來對(duì)環(huán)境進(jìn)行綜合檢測(cè)，提出了一種以BP神經(jīng)網(wǎng)絡(luò)為核心算法的特征級(jí)數(shù)據(jù)融合解決方案，從而提高巡邏機(jī)器人系統(tǒng)對(duì)空間環(huán)境的把握度和進(jìn)行智能決策時(shí)的可靠性。

1 多傳感器數(shù)據(jù)融合系統(tǒng)模型

多傳感器數(shù)據(jù)融合的關(guān)鍵問題是系統(tǒng)模型設(shè)計(jì)［8］，主要包括功能、結(jié)構(gòu)和數(shù)據(jù)模型三方面。本文設(shè)計(jì)的以BP神經(jīng)網(wǎng)絡(luò)為核心算法的多傳感器數(shù)據(jù)融合系統(tǒng)結(jié)構(gòu)如圖1所示，其原理是首先通過巡邏機(jī)器人系統(tǒng)的n個(gè)異型傳感器進(jìn)行倉庫環(huán)境參數(shù)采集，然后利用拉依達(dá)法則對(duì)采集的數(shù)據(jù)進(jìn)行去噪操作，再進(jìn)行歸一化處理，為BP神經(jīng)網(wǎng)絡(luò)提供標(biāo)準(zhǔn)的輸入數(shù)據(jù)，最后利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)將歸一化后的信息進(jìn)行融合處理，并將融合結(jié)果作為機(jī)器人報(bào)警決策的依據(jù)進(jìn)行輸出。

圖1 基于BP神經(jīng)網(wǎng)絡(luò)的多傳感器數(shù)據(jù)融合系統(tǒng)

2 數(shù)據(jù)融合處理

2.1 利用拉依達(dá)準(zhǔn)則去除噪聲數(shù)據(jù)

系統(tǒng)進(jìn)行數(shù)據(jù)融合的原始數(shù)據(jù)來自巡邏機(jī)器人各傳感器，因系統(tǒng)外部各種不確定因素的影響，傳感器返回的檢測(cè)數(shù)據(jù)中往往出現(xiàn)隨機(jī)噪聲干擾實(shí)測(cè)數(shù)據(jù)，這些噪聲數(shù)據(jù)將導(dǎo)致實(shí)測(cè)數(shù)據(jù)融合結(jié)果出現(xiàn)誤差，從而使巡邏機(jī)器人出現(xiàn)誤報(bào)警。因此，為了提升巡邏機(jī)器人預(yù)警的準(zhǔn)確性，在進(jìn)行數(shù)據(jù)融合前本文先利用拉依達(dá)準(zhǔn)則剔除各傳感器返回的噪聲數(shù)據(jù)。

假設(shè)單個(gè)傳感器按周期采集數(shù)據(jù)為s1，s2，…，sn，根據(jù)式（1）計(jì)算出其算術(shù)平均值及剩余誤差（i=1，2，…，n，n＞10），并按貝塞爾公式式（2）計(jì)算出標(biāo)準(zhǔn)誤差。

根據(jù)拉依達(dá)準(zhǔn)則，對(duì)于si，如果|vi|=|si-sˉ|＞3σ成立，則認(rèn)為xi是含有粗大誤差值的噪聲值，應(yīng)予以剔除。去掉噪聲值后重新計(jì)算剩余測(cè)量值的算術(shù)平均值、剩余誤差、標(biāo)準(zhǔn)誤差，判斷各測(cè)量值剩余誤差是否大于3σ，重新去掉新的噪聲值，直到?jīng)]有新的異常值出現(xiàn)為止，剩下的測(cè)量值認(rèn)為是該傳感器正常的測(cè)量值。

重復(fù)上述過程，分別對(duì)巡邏機(jī)器人各個(gè)傳感器（溫度、濕度、泄露?；返葯z測(cè)單元）返回的數(shù)據(jù)去除噪聲值。

2.2 歸一化處理

?；穫}庫巡邏機(jī)器人采用溫度傳感器、濕度傳感器和泄漏?；罚ㄒ訡O為例）傳感器等多個(gè)異型傳感器對(duì)倉庫空間環(huán)境進(jìn)行綜合檢測(cè)，所采集的溫度、相對(duì)濕度、CO濃度等數(shù)據(jù)的量綱和單位都不一致，經(jīng)驗(yàn)證，若直接對(duì)這些數(shù)據(jù)進(jìn)行融合，其融合結(jié)果的誤差易超出允許范圍。歸一化處理可以把機(jī)器人通過不同類型傳感器采集的數(shù)據(jù)統(tǒng)一到同一個(gè)參考系下，提升融合結(jié)果的精確度，同時(shí)還可以加快訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)時(shí)的收斂速度。因此，在數(shù)據(jù)融合之前對(duì)這些數(shù)據(jù)作了歸一化處理。本文用式（3）對(duì)各傳感器采集的數(shù)據(jù)進(jìn)行歸一化處理，把它們變換到［0，1］范圍內(nèi)作為BP神經(jīng)網(wǎng)絡(luò)的輸入。

式中，pi和xi分別為第i個(gè)傳感器輸入層結(jié)點(diǎn)往隱層結(jié)點(diǎn)的歸一化前后的數(shù)據(jù)，pimax和pimin分別為第i個(gè)傳感器采集數(shù)據(jù)的最大值和最小值。

2.3 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及設(shè)計(jì)

?；穫}庫巡邏機(jī)器人主要檢測(cè)?；沸孤冻潭燃碍h(huán)境物理參數(shù)變化情況，涉及的被測(cè)環(huán)境變量有很多，為便于研究本文選取了3個(gè)典型環(huán)境變量，包括空氣溫度x1，空氣相對(duì)濕度x2，各種有毒或可燃性危化品濃度綜合值x3，即選用x1、x2、x3作為網(wǎng)絡(luò)輸入。

當(dāng)巡邏機(jī)器人檢測(cè)到倉庫中發(fā)生危化品泄漏或倉庫環(huán)境參數(shù)異常時(shí)，需啟動(dòng)分級(jí)預(yù)警機(jī)制，即需要一個(gè)變量作為預(yù)警依據(jù)，因而本系統(tǒng)選用預(yù)警變量y（0≤y≤1）作為網(wǎng)絡(luò)輸出層結(jié)點(diǎn)的輸出。

本文所設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)模型如圖2所示，其中輸入層的輸入信號(hào)為去噪、歸一化處理后的數(shù)據(jù)xi；隱層第j個(gè)神經(jīng)元總輸入為uj，輸出為Oj；輸出層總輸入為z，輸出為y；輸入層第i個(gè)結(jié)點(diǎn)到隱層第j個(gè)結(jié)點(diǎn)的權(quán)值為wij，隱層第j個(gè)結(jié)點(diǎn)到輸出層的權(quán)值為vj；n為輸入樣本總數(shù)，m為隱層結(jié)點(diǎn)總數(shù)；所有神經(jīng)元閾值均為θ，隱層和輸出層的激發(fā)函數(shù)均為S型函數(shù)f，則傳感器信號(hào)xi從輸入層到隱層再到輸出層y可以用以下關(guān)系式表示：

2.4 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練

神經(jīng)網(wǎng)絡(luò)的本質(zhì)在于模擬人腦對(duì)事物處理過程，BP神經(jīng)網(wǎng)絡(luò)模型在應(yīng)用之前必須根據(jù)已有的人類對(duì)事故判定的經(jīng)驗(yàn)（即訓(xùn)練樣本數(shù)據(jù)）進(jìn)行訓(xùn)練［9］，即通過學(xué)習(xí)大量的給定樣本輸入數(shù)據(jù)和樣本輸出數(shù)據(jù)之間的關(guān)系，調(diào)整網(wǎng)絡(luò)內(nèi)部參數(shù)wij、vj構(gòu)成的權(quán)值矩陣和閾值θ找到滿足誤差條件的最優(yōu)解。因此，訓(xùn)練樣本數(shù)據(jù)輸入輸出關(guān)系的準(zhǔn)確性是訓(xùn)練的前提，合理的訓(xùn)練方案則是求解BP神經(jīng)網(wǎng)絡(luò)參數(shù)最優(yōu)解的關(guān)鍵。

為獲得準(zhǔn)確有效的樣本數(shù)據(jù)供神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)，首先人類自身必須有一個(gè)對(duì)?；穫}庫事故的判定標(biāo)準(zhǔn)。據(jù)資料［10］顯示，當(dāng)空氣相對(duì)濕度大于60%時(shí)，發(fā)生火災(zāi)很少，當(dāng)濕度在40%～60%之間時(shí)可以發(fā)煙燃燒但不易擴(kuò)大燃燒面積，當(dāng)空氣濕度在30%～40%時(shí)容易燃燒并蔓延，而濕度低于25%時(shí)極易發(fā)生火災(zāi)。我國各地正常溫度不高于60℃，且?；穫}庫室溫通常都保持在30℃以內(nèi)，而室內(nèi)火災(zāi)初起階段通常會(huì)出現(xiàn)發(fā)煙燃燒現(xiàn)象，溫度則會(huì)由正常室溫上升至200℃以上。同時(shí)根據(jù)國家標(biāo)準(zhǔn)，CO泄漏二級(jí)報(bào)警值設(shè)為30×10-6～50×10-6，一級(jí)報(bào)警值設(shè)為150×10-6～300×10-6。綜合以上濕度、溫度和CO濃度的危險(xiǎn)度評(píng)判標(biāo)準(zhǔn)，對(duì)機(jī)器人從各種模擬實(shí)驗(yàn)環(huán)境下采集的30組數(shù)據(jù)進(jìn)行人工判斷其危險(xiǎn)程度，并生成樣本作為訓(xùn)練樣本數(shù)據(jù)使用，每組訓(xùn)練樣本數(shù)據(jù)由空氣相對(duì)濕度、環(huán)境溫度、CO濃度及報(bào)警預(yù)期值4項(xiàng)構(gòu)成。

求解BP神經(jīng)網(wǎng)絡(luò)的權(quán)值矩陣和閾值的最優(yōu)解是網(wǎng)絡(luò)訓(xùn)練的最終目的。有了準(zhǔn)確有效的訓(xùn)練樣本數(shù)據(jù)后，還需要合適的神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法。神經(jīng)網(wǎng)絡(luò)訓(xùn)練最典型方法是最速下降法，但該方法收斂速度太慢［11］，為提升收斂速度本系統(tǒng)采用二階梯度法進(jìn)行訓(xùn)練，同時(shí)為防止訓(xùn)練過程中陷入無法滿足誤差條件的局部極小值，借助了MATLAB工具［12］從多組不同的初始權(quán)值開始對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，在訓(xùn)練的過程中，結(jié)合收集的30組訓(xùn)練樣本數(shù)據(jù)，不斷嘗試不同的隱層結(jié)點(diǎn)數(shù)、初始權(quán)值矩陣、網(wǎng)絡(luò)迭代次數(shù)、期望誤差和學(xué)習(xí)速率等，并在隱層和輸出層分別采用不同激活函數(shù)進(jìn)行比較驗(yàn)證，最終選擇了其中最優(yōu)的網(wǎng)絡(luò)層數(shù)、每層結(jié)點(diǎn)數(shù)、權(quán)值、各層閾值和各層激活函數(shù)等參數(shù)（見表1），確定了用于機(jī)器人數(shù)據(jù)融合的BP神經(jīng)網(wǎng)絡(luò)模型。

表1 訓(xùn)練后的BP神經(jīng)網(wǎng)絡(luò)參數(shù)

3 仿真測(cè)試與結(jié)果分析

因測(cè)試?；穫}庫現(xiàn)場(chǎng)異常狀況的數(shù)據(jù)非常困難，實(shí)驗(yàn)?zāi)M了在?；穫}庫可能出現(xiàn)的各種環(huán)境，并再次用機(jī)器人樣機(jī)采集了30組環(huán)境數(shù)據(jù)用于測(cè)試數(shù)據(jù)融合系統(tǒng)的準(zhǔn)確性，為便于驗(yàn)證，將這30組數(shù)據(jù)按前面所述人工判定標(biāo)準(zhǔn)進(jìn)行了安全度劃分。再將訓(xùn)練得到BP神經(jīng)網(wǎng)絡(luò)相關(guān)參數(shù)寫入到巡邏機(jī)器人數(shù)據(jù)融合系統(tǒng)中，并將BP神經(jīng)網(wǎng)絡(luò)的融合輸出結(jié)果值y作為機(jī)器人預(yù)警依據(jù)，設(shè)定當(dāng)y接近0（y≤0.3）時(shí)不予報(bào)警，當(dāng)y在0.5附近（0.3＜y≤0.7）時(shí)則黃色預(yù)警，當(dāng)y接近1（y＞0.7）時(shí)則紅色預(yù)警，則機(jī)器人對(duì)30組模擬測(cè)試數(shù)據(jù)的輸出結(jié)果如表2所示。

表2 30組測(cè)試數(shù)據(jù)表

由表2可以看出，30組測(cè)試樣本數(shù)據(jù)的預(yù)期判定結(jié)果和機(jī)器人判定結(jié)果完全相同。

不過，測(cè)試結(jié)果與預(yù)期結(jié)果相同不代表沒有誤差，為進(jìn)一步分析數(shù)據(jù)融合系統(tǒng)的系統(tǒng)誤差情況，將報(bào)警預(yù)期值和融合結(jié)果值單獨(dú)列出如圖3進(jìn)行對(duì)比。

圖3 30組測(cè)試樣本數(shù)據(jù)融合值與預(yù)期值對(duì)比

在圖3中，橫坐標(biāo)表示參與測(cè)試的30組數(shù)據(jù)編號(hào)，縱坐標(biāo)表示融合輸出值，圖中將融合輸出結(jié)果y跟預(yù)期輸出結(jié)果進(jìn)行疊加對(duì)比。結(jié)合表2可以看出，本文設(shè)計(jì)的BP神經(jīng)網(wǎng)絡(luò)系統(tǒng)融合輸出結(jié)果值y跟報(bào)警預(yù)期值有一定偏差，但均能保持同步。當(dāng)溫度、濕度及CO濃度在安全值范圍內(nèi)時(shí)，融合結(jié)果值跟預(yù)期結(jié)果值0基本同步，當(dāng)濕度越低于正常值范圍或溫度、CO濃度越高于正常范圍時(shí)則預(yù)測(cè)結(jié)果值偏離預(yù)期結(jié)果值0越遠(yuǎn)；相反，當(dāng)濕度越高于正常范圍或溫度、CO濃度越低于正常范圍時(shí)預(yù)測(cè)結(jié)果值越接近預(yù)期結(jié)果值0。當(dāng)溫度、濕度或CO濃度任意一個(gè)值超出安全閾值時(shí)融合結(jié)果值均接近預(yù)期結(jié)果值1，超出范圍越遠(yuǎn)則融合結(jié)果越接近1。因此，以上所有情況的預(yù)測(cè)結(jié)果值和預(yù)期結(jié)果值偏差都在系統(tǒng)允許的范圍之內(nèi)，融合結(jié)果完全可用于指導(dǎo)巡邏機(jī)器人系統(tǒng)進(jìn)行分級(jí)預(yù)警。

4 結(jié)論

本文以危化品倉庫巡邏機(jī)器人作為應(yīng)用平臺(tái)，選用了BP神經(jīng)網(wǎng)絡(luò)自適應(yīng)算法對(duì)機(jī)器人系統(tǒng)所監(jiān)控參數(shù)進(jìn)行融合預(yù)警。實(shí)驗(yàn)結(jié)果表明，本文設(shè)計(jì)的BP神經(jīng)網(wǎng)絡(luò)模型通過訓(xùn)練后可以綜合各種傳感器的檢測(cè)結(jié)果進(jìn)行數(shù)據(jù)融合輸出，能在各種情況下有效避免傳統(tǒng)報(bào)警器的誤報(bào)現(xiàn)象。相較于普通監(jiān)控設(shè)備，巡邏機(jī)器人系統(tǒng)預(yù)警的準(zhǔn)確性和可靠性得到明顯提高，并具備了一定的智能性。同時(shí)，因神經(jīng)網(wǎng)絡(luò)具備自主學(xué)習(xí)的能力，在系統(tǒng)需要增加更多的異型?；窓z測(cè)傳感器時(shí)該算法具有很好的移植性。但因?；穫}庫是一個(gè)由溫度、濕度、光照等環(huán)境參數(shù)和不同種泄露?；窛舛鹊葏?shù)構(gòu)成的多變量耦合空間，環(huán)境參數(shù)和?；废嗷ヱ詈现蟾髯兞康陌踩撝涤写M(jìn)一步驗(yàn)證，以進(jìn)一步確保和提高系統(tǒng)預(yù)警的可靠性。

［1］岳元龍，左信，羅雄麟.提高測(cè)量可靠性的多傳感器數(shù)據(jù)融合有偏估計(jì)方法［J］.自動(dòng)化學(xué)報(bào)，2014，40（9）：1843-1852.

［2］Chen Zhifeng，Cai Yunze，Xu Xiaoming.A Data Fusion Algorithm for Multi-Sensor Dynamic System Based on Interacting Multiple Model［C］//Proceeding of the 31th Chinese Control Conference.2012：199-203.

［3］李攀，鄭紫微，陳平順.多路數(shù)據(jù)融合在農(nóng)業(yè)大棚監(jiān)測(cè)系統(tǒng)中的應(yīng)用［J］.無線通信技術(shù)，2014，4：27-31.

［4］王華東，王大羽.一種改進(jìn)的多無線傳感器數(shù)據(jù)分批估計(jì)自適應(yīng)加權(quán)融合算法［J］.傳感技術(shù)學(xué)報(bào)，2015，28（8）：1239-1243.

［5］秦建武，趙春宇，李宏.BP神經(jīng)網(wǎng)絡(luò)在爬架組安全監(jiān)測(cè)系統(tǒng)中的應(yīng)用［J］.無線通信技術(shù)，2015（3）：44-49.

［6］金長江，曹相杰.基于容積卡爾曼濾波的異類多傳感器一致性融合算法［J］.傳感技術(shù)學(xué)報(bào)，2016，29（7）：1006-1010.

［7］王冷.基于模糊神經(jīng)網(wǎng)絡(luò)信息融合的采煤機(jī)煤巖識(shí)別系統(tǒng)［J］.現(xiàn)代電子技術(shù)，2015，38（23）：106-109.

［8］阿蘭·阿皮諾.不確定性理論與多傳感器數(shù)據(jù)融合［M］.北京：機(jī)械工業(yè)出版社，2016：107-113.

［9］常丹華，王偉艷，趙春河.基于BP神經(jīng)網(wǎng)絡(luò)的圖像顏色溫度檢測(cè)方法研究［J］.傳感技術(shù)學(xué)報(bào)，2007，20（2）：343-345.

［10］李杰，毛曉健.空氣濕度與火災(zāi)發(fā)生率［J］.山東消防，2013（2）：31.

［11］WU Wei，Wang Jian，Cheng Mingsong，et al.Convergence Analysis of Online Gradient Method for BP Neural Networks［J］.Neural Networks，2011，24（1）：91-98.

［12］周品.MATLAB神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)與應(yīng)用［M］.北京：清華大學(xué)出版社，2013：92-119.

黃衍標(biāo)（1983-），男，江西石城人，碩士生，講師，主要研究方向?yàn)闄C(jī)器人與人工智能；

羅廣岳（1995-），男，廣東海豐人，本科在讀；

何銘金（1994-），男，廣東高州人，本科在讀。

The Application of BP Neural Network in Patrol Robot’s Multi-Sensor Data Fusion*

HUANG Yanbiao*，LUO Guangyue，HE Mingjin
（South China Institute of Software Engineering，Guangzhou510990，China）

According to the small monitoring range and much false alarm of traditional surveillance equipment in hazardous chemicals warehouse，a data fusion method base on BP neural network used in patrol robot is proposed，this method firstly collected the original data of temperature，humidity and the concentration of leaked hazardous chemicals in surroundings，and filtered the noise data by pauta criterion，then normalized all data before fuse operation，and finally fused all the data from each sensor by BP neural network.The experimental result indicates that the method greatly improved the patrol robot’s detectability of surroundings，and increased the dependability and accuracy in alarm，also it can be expanded additional sensors easily.

data fusion；robot；BP neural network；multi-sensor

TP183

A

1004-1699（2016）12-1936-05

??7230；6140

10.3969/j.issn.1004-1699.2016.12.026

項(xiàng)目來源：廣東省重大平臺(tái)和科研立項(xiàng)項(xiàng)目（2015KQNCX241）；廣東省大學(xué)生科技創(chuàng)新培育專項(xiàng)資金項(xiàng)目（pdjh2016b0998）；2016年廣州大學(xué)華軟軟件學(xué)院院級(jí)科研項(xiàng)目（ky201601）

2016-05-30修改日期：2016-07-17