機械手畢業(yè)設計外文翻譯--最小化傳感級別不確定性聯(lián)合策略的機械手控制

1、<p>　　畢業(yè)設計(論文)有關外文翻譯</p><p>　　院 系： 機械電子工程學院 </p><p>　　專 業(yè)： 自動化 </p><p>　　姓 名： </p><p>　　學 號：

2、 </p><p>　　指導教師： </p><p>　　完成時間： 2009-4-25 </p><p><b>　　說 明</b></p><p>　　1、將與課題有關的專業(yè)外文翻譯成中文是畢

3、業(yè)設計（論文）中的一個不可缺少的環(huán)節(jié)。此環(huán)節(jié)是培養(yǎng)學生閱讀專業(yè)外文和檢驗學生專業(yè)外文閱讀能力的一個重要環(huán)節(jié)。通過此環(huán)節(jié)進一步提高學生閱讀專業(yè)外文的能力以及使用外文資料為畢業(yè)設計服務，并為今后科研工作打下扎實的基礎。</p><p>　　2、要求學生查閱與課題相關的外文文獻3篇以上作為課題參考文獻，并將其中1篇（不少于3000字）的外文翻譯成中文。中文的排版按后面格式進行填寫。外文內(nèi)容是否與課題有關由指導教師把關，

4、外文原文附在后面。</p><p>　　3、指導教師應將此外文翻譯格式文件電子版拷給所指導的學生，統(tǒng)一按照此排版格式進行填寫，完成后打印出來。</p><p>　　4、請將封面、譯文與外文原文裝訂成冊。</p><p>　　5、此環(huán)節(jié)在開題后畢業(yè)設計完成前完成。</p><p>　　6、指導教師應從查閱的外文文獻與課題緊密相關性、翻譯的準確性

5、、是否通順以及格式是否規(guī)范等方面去進行評價。</p><p>　　最小化傳感級別不確定性聯(lián)合策略的機械手控制</p><p>　　摘要： 人形機器人的應用應該要求機器人的行為和舉止表現(xiàn)得象人。下面的決定和控制自己在很大程度上的不確定性并存在于獲取信息感覺器官的非結(jié)構(gòu)化動態(tài)環(huán)境中的軟件計算方法人一樣能想得到。在機器人領域，關鍵問題之一是在感官數(shù)據(jù)中提取有用的知識，然后對信息以及感覺的不確定

6、性劃分為各個層次。本文提出了一種基于廣義融合雜交分類（人工神經(jīng)網(wǎng)絡的力量，論壇漁業(yè)局）已制定和申請驗證的生成合成數(shù)據(jù)觀測模型，以及從實際硬件機器人。選擇這個融合，主要的目標是根據(jù)內(nèi)部（聯(lián)合傳感器）和外部（ Vision攝像頭）感覺信息最大限度地減少不確定性機器人操縱的任務。目前已被廣泛有效的一種方法論就是研究專門配置5個自由度的實驗室機器人和模型模擬視覺控制的機械手。在最近調(diào)查的主要不確定性的處理方法包括加權(quán)參數(shù)選擇（幾何融合），并指出

7、經(jīng)過訓練在標準操縱機器人控制器的設計的神經(jīng)網(wǎng)絡是無法使用的。這些方法在混合配置，大大減少了更快和更精確不同級別的機械手控制的不確定性，這中方法已經(jīng)通過了嚴格的模擬仿真和試驗。</p><p>　　關鍵詞：傳感器融合，頻分雙工，游離脂肪酸，人工神經(jīng)網(wǎng)絡，軟計算，機械手，可重復性，準確性， 協(xié)方差矩陣，不確定性，不確定性橢球。</p><p><b>　　1 引言</b>

8、</p><p>　　各種各樣的機器人的應用（工業(yè)，軍事，科學，醫(yī)藥，社會福利，家庭和娛樂）已涌現(xiàn)了越來越多產(chǎn)品，它們操作范圍大并呢那個在非結(jié)構(gòu)化環(huán)境中運行 [ 3,12,15]。在大多數(shù)情況下，如何認識環(huán)境正在發(fā)生變化且每個瞬間最優(yōu)控制機器人的動作是至關重要的。移動機器人也基本上都有定位和操作非常大的非結(jié)構(gòu)化的動態(tài)環(huán)境和處理重大的不確定性的能力[ 1,9,19 ]。每當機器人操作在隨意性自然環(huán)境時，在給定的工作

9、將做完的條件下總是存在著某種程度的不確定性。這些條件可能，有時不同當給定的操作正在執(zhí)行的時候。導致這種不確定性的主要的原因是來自機器人的運動參數(shù)和各種確定任務信息的差異所引起的。這意味著，它們不同于所謂的可能不總是微不足道的規(guī)范化的過程處理中。這些偏差的原因可能是由于不準確的分析設計或復制品，或者因為程序的動議確定性錯誤，以及隨機誤差的算法，測量數(shù)據(jù)，數(shù)據(jù)傳輸鏈路，和其他因素。機器人地位的變化，像實例故障，失敗，參考框架的轉(zhuǎn)移等等，也導

10、致機器人的不確定性條件的操作。這種大量存在的不確定因素影響著機器人感應一項任務的各種步驟;適應控制系統(tǒng)的不斷變化;和推理來選擇實現(xiàn)某個目標所需的行動。</p><p>　　事實上，顯而易見，關鍵問題之一，是機器人在應對各級不確定性特別是在遙感水平的數(shù)據(jù)中提取有用的信息。根據(jù)感官測量數(shù)據(jù)結(jié)果顯示，參與的質(zhì)量就不確定性剩余而言及傳播感覺信息的理想性加以調(diào)查。在機器人領域，不確定性問題的解釋水平的感覺是一個非常關鍵的一

11、點，其具體任務像空間結(jié)構(gòu)機器人一樣，可代替醫(yī)生為病人做手術(shù)等。在兩個高級別機器的精度和人類一樣需要理解關鍵問題在遙感進程中的處理，以便使信號輸出的所有傳感器和三維世界的屬性之間能穩(wěn)定的連接。一個最近的趨勢是通過解決傳感器融合問題，并有眾多的融合技術(shù)，涵蓋非常廣泛的頻譜的應用領域[ 10,13 ] 。有人認為，在某種背景下研究這些研究工作，很需要引用專業(yè)化并容易掌握理解的基于傳感器融合戰(zhàn)略（人形辦法）的多感覺系統(tǒng)的計算機軟計。該類人行為的

12、做法可以使得為多功能的應用。進程的易理解性使得機器人特別適合在加工復雜，高度非線性功能中處理好低層次的感官數(shù)據(jù)和高層次的信息之間的關系。融合策略將是最合適的適用于分布式融合架構(gòu)而作為它可以有效地使我們能夠最大限度地減少不確定性的任何期望的水平。審查的一些文件不確定性分析在機械手控制 [ 4,14,16,20,23 </p><p>　　真實世界的系統(tǒng)具有隨機性質(zhì)的非線性和不確定性，在他們的行為和做法中，人是唯一可

13、以接受在許多這樣任務中的解決方案的對象。在多變量輸入輸出系統(tǒng)中，這種非線性和不確定性的影響很大，為了有效遏制需要得到妥善解決。例如，先進的機器人系統(tǒng)（操縱機器人具有多余的自由度或移動機器人具有多余的感覺系統(tǒng)將屬于此類別中）。這些系統(tǒng)需要的各種傳感器來響應智能動態(tài)環(huán)境。他們可能被安裝外部傳感器，如力扭矩傳感器，行程傳感器，接近傳感器，超聲波和紅外線傳感器，觸覺陣列和其他觸摸傳感器，間接或眼手視覺傳感器，跨火，超載和支路傳感裝置等。此外，還

14、有各種內(nèi)部國家傳感器，如編碼器，流速計，左輪手槍和其他的.傳感器越多，計算機控制系統(tǒng)就越復雜同時機器人智能化水平就越高。因為最近的工業(yè)及非工業(yè)機器人系統(tǒng)的應用需要高層次的情報，復雜性與它正確的編址緊密相連，正因為如此不同幅度的不確定性多傳感器系統(tǒng)的安裝開始出現(xiàn)在研究項目中。</p><p>　　從不同的傳感器上獲得的資料本質(zhì)上是不確定的，不精確的和不一致的.偶爾也可能是不完整的或部分的，虛假的或不正確的，有時，從

15、傳感器外觀來看它往往是不相容的地域或幾何空間之間的差異性。我們所知的空間關系是物體之間也具有內(nèi)在不確定性.就拿人造物體來說。正是由于制造公差它可能存在不匹配的幾何模型，人/機錯誤和其他自然資源的不確定性。即使它能做到（微距級） ，一個傳感器無法衡量的幾何特征，并準確找到對象這是由于測量錯誤.甚至如果可以（在一定的誤差范圍內(nèi)） ，機器人用傳感器可能無法對預設的程序完全相同的操縱對象，可能是因為所有累積誤差增加使最終定位效應錯誤。這些錯誤可

16、以歸結(jié)為一個非常重要的層次，一些任務，通過重組解決方案，構(gòu)建新的工作環(huán)境和使用專門適用于高精密的設備，但需要付出很多的時間和昂貴的設備[ 20 ] 。一個可供選擇的解決辦法可能是傳感器融合發(fā)展戰(zhàn)略這樣可以減少和消除任何工程系統(tǒng)的不確定性，以達到理想的水平，在較小的成本，包括所有固有不確定性.本文重點制定一個頻分雙工，游離脂肪酸和基于人工神經(jīng)網(wǎng)絡的混合型傳感器融合戰(zhàn)略。</p><p>　　該組織的文件已被安排如下

17、.第二部分簡述了通過它的整體融合算法的計算步驟已制訂和發(fā)展。這些事態(tài)發(fā)展和主張已應用于在第3節(jié)中驗證數(shù)據(jù)的綜合觀測模型.第四部分致力于實現(xiàn)應用開發(fā)雜交融合戰(zhàn)略，以改善重復性硬件機器人。其專門配置的RCS型機器人實驗五自由度有效性已經(jīng)得到了廣泛的研究。神經(jīng)網(wǎng)絡規(guī)范化融合算法也是目前的課題。最后，在第5節(jié)的重要結(jié)果和推論已經(jīng)列入研究目錄中。</p><p>　　2.規(guī)范化的融合算法結(jié)構(gòu)</p><

18、p>　　融合算法的結(jié)構(gòu)包括下列計算步驟：</p><p>　　獲取的信息通過加工多嘈雜的感應數(shù)據(jù)的不確定性是由個人的不確定性橢球決定的</p><p>　　不確定性橢球合并的方式，以盡量減少體積融合不確定性橢球以適當轉(zhuǎn)讓的最佳加權(quán)矩陣。</p><p>　　融合中的微分域（頻分雙工）已制定，以進一步減少不確定性的信息，精細的融合決議通過一個反復的過程，預測校正

19、的條件對所有的感覺信息。這些序列，然后融合和應用于融合提高信息的精度。</p><p>　　裂變?nèi)诤戏椒ǎ‵FA）是用來最大限度地減少不確定性顯著的一些具體的傳感器模型的協(xié)方差矩陣感官信息可以“ 被分裂 ”和信息從多個測量相同的傳感器融合。</p><p>　　神經(jīng)網(wǎng)絡模型的機械手已經(jīng)制定的初步估計不確定性（均方誤差）聯(lián)合傳感器可以進一步最小化的融合進程（裂變?nèi)诤戏椒ǎ?lt;/p>

20、;<p>　　融合的方法所代表的步驟（一）和（二）提供實物或相當幾何了解的復雜信息處理，因為它涉及到融合的不確定性橢球的每一個人感覺信息。鑒于一套不確定性橢球與每個傳感器的聯(lián)系，問題是轉(zhuǎn)讓權(quán)重矩陣（無線）與每套感覺系統(tǒng)，以便盡量減少幾何量的不確定性橢球融合[ 17 ] 。參數(shù)代表信息Xi∈Rn通常是由一套感應觀測資料決定的，Di∈Rmi，Rn代表歐氏空間，i代表第i個傳感器，mi是每一個獨立的測量數(shù)據(jù)，而n是層面的信息（i

21、=1,...,N,N是一個個小傳感器單元的總和），而Xi 和 Di是一個已知的有關非線性向量函數(shù)。</p><p>　　融合的信息Xf提供的線性組合</p><p>　　利用拉格朗日優(yōu)化，我們的加權(quán)矩陣的幾何優(yōu)化融合為：</p><p>　　3.交互性用于提高感官信息</p><p>　　在多傳感器融合系統(tǒng)的冗余和/或免費的傳感器，每個傳感器

22、可以隨時被視為個人信息來源的不確定性，能夠溝通，合作和協(xié)調(diào)的其他成員遙感組。在此基礎上的結(jié)構(gòu)，達蘭特-懷特[ 7 ]提出了傳感器模型描述為概率函數(shù)和決定國家通報從其他信息來源。他們將這個傳感器型號分為三個工作模式：觀察模式，即過程的計量特色依賴模型，介紹了傳感器的依賴其他信息來源;和國家模式，它的特點是傳感器依賴其位置和內(nèi)部狀態(tài)。</p><p>　　4.試驗證明交互性（神經(jīng)造影力量）方法處理不確定性的提高重復性

23、的機器人機械手</p><p>　　在機器人操作，還有一些不確定性的來源： （一）不確定性傳感器， （二）不確定性與致動器， （三）不確定性建模。</p><p>　　在本次調(diào)查，注意集中對不確定性傳感器及其最小化.大多數(shù)工業(yè)機器人通過的放預先錄制或預先序列步驟執(zhí)行簡單的重復性任務，此技術(shù)已指導過用戶和入了教科書。對于這種類型的性能，機器人不需要任何有關其工作環(huán)境的信息。外部傳

24、感器并不重要的，因為我們已經(jīng)知道機器人能夠簡單移動目標點。一個“普遍接受”的一點是，機器人移動身體是由相應的關節(jié)位置傳感器決定的，和已設置好的聯(lián)合角值.然后 ，下一步的命令機器人是返回同一點空間，并存儲每個關節(jié)的移動值?？刂频木扰c機械手返回一個確定值有關，即所指定因子“可重復性的機械手。 ”機器人應用一個不可缺少的能力，是能提供一個高速和高精度軌跡。</p><p><b>　　5.結(jié) 論</

25、b></p><p>　　未來的人形機器人將不得不在一個多傳感器的工作工作環(huán)境中，融合信息需求的代表與最小不確定性.這種水平，取決于特定應用程序和復雜的分類處理信息的融合，直至最大限度地減少復位點。本文提出并開發(fā)了一種雜交的傳感器融合分類,包括三個層次的融合，幾何融合，裂變?nèi)诤戏椒ǎ?FFA ），和融合中的微分域（FDD） 。這些針對的目的是最大限度地減少不確定性與任何類型已獲得多個傳感器或感官指令的信息的

26、相關性.其FFA的技術(shù)本質(zhì)是基于分裂（維數(shù)減少）的協(xié)方差矩陣，并考慮信息融合的各方面。</p><p><b>　　6.參考文獻</b></p><p>　　Barshan ， B.and達蘭特，懷特，高頻：慣性導航系統(tǒng)的移動機器人協(xié)會 Trans.Robotics Automat.11 （ 3 ） （ 1995 ） ,328 - 342 。</p>&

27、lt;p>　　Chen ，W.Z， Korde ，和Skaar ，S.B：位置控制的實驗的分析， 學者機器人Res.13 （ 3 ） （ 1994 ） ,199 - 208 。</p><p>　　Dallaway ，J.L，杰克遜，R,D和Gosine ，R,G ：交互式機器人控制環(huán)境在重新移植中的應用， Robotica 11 （ 1993 ） ,541 - 551 。</p><p

28、>　　Di ，X，Ghosh，B.K，X，和Tzyh ，J.T：智能機器人操縱混合位置/力控制在一個未標定工作中的應用，在 Proc.IEEE Internat.Conf.on機器人與自動化， 1998年5月， pp.1671 - 1676 。</p><p>　　Dodd ，T.，貝利，A ，和哈里斯，C.J：一種數(shù)據(jù)驅(qū)動的策略，以傳感器建模，估計，跟蹤和數(shù)據(jù)融合，彼得沃爾斯和JO'Brien （

29、 EDS ）等EuroFusion 98 ， Internat.Conf 。數(shù)據(jù)融合， 1998年， pp.103 - 111 。</p><p>　　Duda ，R.O， Hert ，P.E，和Stock,D.G：模式分類，紐約第二EDN雜志出版社，2001年。</p><p>　　Durrant ，懷特，H.F：傳感器模型和多傳感器融合， Internat.J.Robotics雜志。7

30、（6） （1988） ,97 - 113 。</p><p>　　Feng ， L.和Brandt,R.D：最優(yōu)控制方法的魯棒控制的機器人，符合IEEE Internat.Conf.on控制應用， 1996年9月， pp.31 - 36 。</p><p>　　Golfarelli,M.，Maio,D.，和Rizzi,S. ：校正航位推算錯誤地圖建設移動機器人,IEEE Trans.Rob

31、otics Automat.17（1）（2001） ,37 - 47 。</p><p>　　Fusion Strategies for Minimizing Sensing-Level</p><p>　　Uncertainty in Manipulator Control</p><p>　　Abstract：Humanoid robotic applicati

32、ons require robot to act and behave like human being.Follow-ing soft computing like approach human being can think,decide and control himself in unstructured dynamic surroundings,where a great degree of uncertainty exist

33、s in the information obtained through sensory organs.In the robotics domain also,one of the key issues in extracting useful knowledge from sensory data is that of coping with information as well as sensory uncertainty at

34、 various levels.In this p</p><p>　　Key words:sensor,fusion,FDD,FFA,ANN, computing,manipulators,repeatability,accuracy,covariance,matrix,uncertainty,uncertainty ellipsoid.</p><p>　　1.Introduction

35、</p><p>　　applications(industrial,military,scientific,medicine,welfare,household and amusement)are increasingly coming up with recent prog-ress in which a robot has to operate in large and unstructured envir

36、onment [3,12,15].In most cases,the knowledge of how the surroundings are changing every instant is fundamentally important for an optimal control of robot motions. Mobile robots also essentially have to navigate and oper

37、ate in very large unstruc-tured dynamic surroundings and deal with significant unce</p><p>　　In fact,it is felt that one of the key issues in extracting useful knowledge from data is that of coping with unce

38、rtainty at all levels and especially at the sensing level.Along with the quantity of the observed sensory measurements,the qual-ity involved also need to be investigated in terms of the residual uncertainty it propagates

39、 to the desired sensory information.</p><p>　　In robotics domain,the uncertainty problem in the sensory interpretation level is a very crucial one for specific tasks like robotised space structure manipulato

40、rs,robotised surgery etc.where both high level of machine precision and human like prehension are needed The key problem in the sensing process is in making the connection between the signal outputs of all the sensors an

41、d the attributes of the three-dimensional world.One of the recent trends is to solve the problem through sensor fusion </p><p>　　Real-world systems are stochastic in nature having nonlinearity and uncertaint

42、y in their behaviors and hence humanoid approach of solutions are only acceptable one in many such tasks.For multivariable input–output systems,effects of such nonlinearity and uncertainty are significant and needs to be

43、 addressed properly in order to control them effectively.Take,for example,the case of advanced robotic systems(manipulating robots having redundant degrees of freedom or mobile robots having redundant s</p><p&

44、gt;　　Information obtained from different sensors are inherently uncertain,imprecise and inconsistent.Occasionally it may also be incomplete or partial,spurious or incorrect and at times,it is often geographically or geom

45、etrically incompatible amongst the different sensor views.Our knowledge of the spatial relationships among objects is also inherently uncertain.Take the example of a man-made object.It may not match its geometric model e

46、xactly because of manufacturing tolerance,human/machine errors an</p><p>　　The organization of the paper has been arranged as follows.Section 2 outlines the computational steps through which the overall fusi

47、on algorithm has been formulated and developed.These developments and propositions have been applied in Section 3 for validating on synthetic data of an observation model.Section 4 is dedicated towards applying the devel

48、oped hybrid fusion strategies for improving repeatability of a hardware robot manipulator.Their effectiveness has been extensively studied with a sp</p><p>　　2.Formulation of the Fusion Algorithm Structure&l

49、t;/p><p>　　The fusion algorithm structure consists of the following computational steps:</p><p>　　(i)The uncertainties in the information derived through processing of multiple noisy sensory data a

50、re represented by individual uncertainty ellipsoids.</p><p>　　(ii)The uncertainty ellipsoids are merged in a manner so as to minimize the volume of the fused uncertainty ellipsoid by proper assignment of opt

51、imal weighting matrices.</p><p>　　(iii)Fusion in the Differential Domain(FDD)has been developed to further reduce the uncertainty of fused information at finer resolutions through an iterative process that p

52、redicts the correction terms for all the sensory information.These terms are then fused and applied to the fused information to increase its precision.</p><p>　　(iv)The Fission Fusion Approach(FFA)is used to

53、 minimize uncertainties significantly for some specific sensor models where the covariance matrix of the sensory information can be“fissioned”and information from multiple measurements of the same set of sensors are avai

54、lable for fusion.</p><p>　　(v)An ANN model of the manipulator has been developed for initial estimation of uncertainties(Mean Square Error)of joint sensors which could be further minimized by fusion process(

55、FDD,FFA).</p><p>　　The fusion methods as represented by steps(i)and(ii)give a physical or rather geometric insight for the complicated information processing as it involves the fusion of the uncertainty elli

56、psoids of each individual sensory information.Given a set of uncertainty ellipsoids associated with each sensor,the problem is to assign weighting matrices(Wi)with each set of sensory system so as to minimize geometrical

57、ly the volume of the fused uncertainty ellipsoid[17].The parameter representing the informat</p><p>　　The fused information Xf is then made available in the linear combination</p><p>　　Using Lag

58、rangian optimization,we have the weighting matrices for the geometrically optimized fusion as</p><p>　　3.Fusion to Improve Sensory Information</p><p>　　In multi sensor fusion systems with redund

59、ant and/or complimentary sensors,each sensor can always be considered as individual sources of uncertain information,able to communicate,co-operate and co-ordinate with other members of the sensing group.Based on this st

60、ructure,Durrant-Whyte[7]has presented sensor models described as a probabilistic function of state and decisions communicated from other information sources.They have treated three components of this sensor model:the obs

61、ervation model,tha</p><p>　　4.Experimental Verification of Hybrid(Neuro-FFA-FDD)</p><p>　　Approaches for handling Uncertainties in Improving Repeatability of Robotic Manipulator In robotic manip

62、ulations,there are a number of sources of uncertainties:</p><p>　　(i)uncertainties associated with sensors,</p><p>　　(ii)uncertainties associated with actuators,</p><p>　　(iii)uncer

63、tainties associated with modeling.</p><p>　　In the present investigation,attention is focussed towards uncertainties associated with sensors and their minimization.Most industrial robots execute simple repet

64、itive tasks by playing back prerecorded or preprogrammed sequences of motions that have been previously guided or taught by a user.For this type of performance,the robots do not need any information about its working env

65、ironment.External sensors are not that important here,as manipulators have to simply move to goal points that have be</p><p>　　5.Conclusions</p><p>　　Future humanoid robots will have to work in

66、a multisensor framework,the fused information needs to be represented with minimized uncertainty.The level up to which the minimization would be significant is once again depends on specific application and the sophistic

67、ation of the classifier handling the fused information.This paper has proposed and developed a hybrid sensor fusion classifier which consists of three levels of fusion–Geometric Fusion,Fission Fusion Approach (FFA)and Fu

68、sion in the Diff</p><p>　　6.References</p><p>　　1.Barshan,B.and Durrant-Whyte,H.F.:Inertial navigation systems for mobile robots,IEEE Trans.Robotics Automat.11(3)(1995),328–342.</p><p

69、>　　2.Chen,W.Z.,Korde,U.A.,and Skaar,S.B.:Position control experiments using vision,Internat.</p><p>　　J.Robotics Res.13(3)(1994),199–208.</p><p>　　3.Dallaway,J.L.,Jackson,R.D.,and Gosine,R.G.

70、:An interactive robot control environment for rehabiltation applications,Robotica 11(1993),541–551.</p><p>　　4.Di,X.,Ghosh,B.K.,Ning,X.,and Tzyh,J.T.:Intelligent robotic manipulation with hybrid position/for

71、ce control in an uncalibrated workspace,in:Proc.IEEE Internat.Conf.on Robotics and Automation,May 1998,pp.1671–1676.</p><p>　　5.Duda,R.O.,Hert,P.E.,and Stork,D.G.:Pattern Classification,2nd edn,Wiley,New Yor

72、k,2001.</p><p>　　6.Durrant-Whyte,H.F.:Sensor models and multisensor integration,Internat.J.Robotics Res.7(6)(1988),97–113.</p><p>　　7.Feng,L.and Brandt,R.D.:An optimal control approach to robust

73、 control of robot manipulators,in:IEEE Internat.Conf.on Control Applications,September 1996,pp.31–36.32 G.C.NANDI AND D.MITRA</p><p>　　8.Golfarelli,M.,Maio,D.,and Rizzi,S.:Correction of dead-reckoning errors

74、 in map building for mobile robots,IEEE Trans.Robotics Automat.17(1)(2001),37–47.10.Hall,D.L.and Llinas,J.:An introduction to multisensor data fusion,Proc.IEEE 85(1)(1997),6–23.</p><p>　　9.Hayati,S.:Robot ar

75、m geometric link parameter estimation,in:Proc.of the 22nd IEEE Conf.on Decision and Control,December 1983.</p><p>　　10.Hirzinger,G.et al.:Advances in robotics:The DLR experience,Internat.J.Robotics Res.18(11

76、)(1999),1064–1087.</p><p>　　11.Klein,L.A.:Sensor and Data Fusion Concepts and Applications,SPIE Publications,San Jose,CA,USA,1993.</p><p>　　12.Langlois,D.,Elliott,J.,and Croft,E.A.:Sensor uncert