基于经典DSmT的Sonar栅格地图创建摘要：基于最近提出的一种在贝叶斯和DST扩展而来的信息融合算法DSmT（Dezert―SmarandacheTheory），在实验的基础上，结合Sonar测量的基本特性，对静态结构化环境建模，并构造了广义基本信度赋值函数,利用经典DSm融合规则，融合每个栅格的声纳冗余信息，计算栅格占用的Bel。最后，以PioneerII移动机器人作为试验平台，并在线对小型环境进行了3D栅格占用信度分布地图创建，其俯视图与实际2D地图中的物体外观轮廓及所在位置进行比较，其比较结果充分验证了算法的有效性，为进一步研究应用基于折扣理论的DSmT解决异类或同类非可靠多源信息融合，基于HybridDSmT的动态环境地图创建，以及多机器人联合创建地图和自定位奠定了坚实的基础。关键词：不确定性;信息融合算法;栅格地图;信息融合;移动机器人：TP24文献标志码：A：1001―3695(2007)03―0209―04智能移动机器人对完全未知环境的探索一直是国内外机器人专家研究的热点和难点[1,2]。由于机器人对探索区域环境一无所知,既没有任何的先验知识,包括环境的大小、形状、内部结构等信息，也没有灯塔、路标等人为标志，更没有机器人关于自身在整个地图中的位置信息，在这种情况下，移动机器人的自身定位和地图创建的关系就好像“是鸡生蛋呢，还是蛋孵鸡”的问题。尽管这个问题的解决是非常困难的，但是机器人专家通过在移动机器人本体上安装一系列的智能传感器（比如里程计、电子罗盘、Sonar、激光、红外和视觉等），就好像人体有了感知器官。??信息融合管理和利用这些“器官”的感知信息。目前就信息融合而言，国内外的专家学者还没有给出一个统一的表示，仅针对具体的领域和系统，提出一个融合管理框架（分层递阶、集中式、分布式和集散式等），根据不同的融合层次，比较各种经典（概率论）和智能（模糊、神经网络、粗集理论和D―S证据推理等）融合算法在具体问题中应用的有效性。就移动机器人而言，在未知环境中的自定位，依靠机器人内部传感器（里程计、电子罗盘）和外部传感器（Sonar、激光测距仪、红外和视觉等），通过马尔可夫[3]或者蒙特卡罗[4]算法估计其位置；在地图创建中根据距离传感器获取的信息，利用概率理论、模糊理论或神经网络等算法，采用栅格地图、环境几何特征或者拓扑地图等表示方法表示环境信息，其中栅格地图是应用最为成功的一种表示方法。本文提到的DSmT是由法国人JeanDezert和美国人FlorentinSmarandache于2003年在贝叶斯概率和D―Ｓ证据推理[5]的基础上发展而来的一种通用灵活有效的智能融合算法[6―8]。这种算法的最大优点是能够有效地处理不确定、不精确和高冲突信息。这为移动机器人在栅格地图[9,10]创建过程中处理由Sonar获取的不确定信息提供了一个有力工具。??1经典DSmT算法描述??DSmT是一种通用灵活有效的自下而上的崭新的信息融合算法，它能够分别处理底层（数据层）、中间层（特征层）、上层（决策层）的融合问题；不仅能够处理静态融合（主要体现在数据层和特征层）问题，而且能够处理动态融合（主要体现在决策层）问题。最突出的优点是能够处理多源信息的不确定性和高度冲突性，且计算量小，融合效果好[6―8]。??经典DSmT简单描述如下：2基于Sonar栅格地图创建2.1PioneerⅡ移动机器人Sonar传感器测距不确定分析PioneerⅡ移动机器人本体上装有内部传感器（里程计、电子罗盘等）和外部传感器（Sonar、激光、红外和视觉传感器等），其外观如图1所示，其中Sonar传感器在机器人本体上的分布情况如图2所示，可见其分布是不均匀的。Sonar传感器具有廉价性、使用简单和处理数据方便等优点，已经成为移动机器人上的标准配置。其基本工作原理是：产生一束锥形波，来探测物体，并接收反射波。其示意图如图3所示。由于声纳本身物理特性的限制,测量结果表现出很大的不确定性,主要表现在:??(1)声纳传感器除了受本身制造误差影响外,还与外界的环境有很大的关联,如温度、湿度和大气压对其均有很大的影响。??(2)声波以喇叭的形式向外扩散，导致散射角的存在，随着被测物体和声纳之间距离的加大，将无法确切得知被测物体在声纳扫描扇形区域的哪一点上。??(3)多个声纳传感器的使用，将...