在自主吸尘机器人的实时避障过程中，不需要测量距障碍物的精确距离，而只需检测超过门槛强度的回波。回波的强度与距障碍物的距离及障碍物的性质有关。若检测到超过门槛强度的回波时，则认为存在障碍物，需要执行相应的避障策略。门槛强度根据机器人行走过程中认定的最近障碍物的距离而定，一般可取最近障碍物的距离为2～5cm。对超声波传感器，有效回波比窜绕信号要大得多，因此设置合适的门槛强度可以屏蔽掉窜绕信号的影响。
　　硬件电路主要包括信号发射电路、信号接收电路、信号放大电路、门槛强度比较电路、鉴频电路以及路选电路。硬件电路框图如图2所示。

2 基于神经网络的传感器融合技术
　　神经网络多传感器融合算法在自主机器人避障以及自主行走应用上具有独特优势。本系统采用包含输入层、隐层和输出层三层结构的BP神经网络，如图3所示。BP网络决定了传感器输入与行为模式输出之间的通信，通过对连接权值" title="权值">权值的计算得出与输入相对应的输出。训练过程以随机的连接权值开始，BP网络不断比较实际输出与期望输出，通过调整连接权值减少两者之间的差值，直至输出期望值，同时得到连接权值。
　　神经网络的输入层为图1所示的7路传感器输入信号,隐层有3个单元，每个隐层单元根据7路输入的加权计算得到单一的实值输出。然后这3个隐层单元的输出作为第二层4个输出单元的输入。输出层有4路输出信号，每路输出信号对应机器人特定的运动行为，分别表示左转（L）、停顿（S）、前进（F）以及右转（R），或者是两种行为的组合，如前左转、前右转。
　　传感器的输入信号以及送到电机的输出信号都以二进制表示，并通过简单的开关控制电机。其中，0、1、2三路输入信号检测左侧是否存在障碍物，第3路输入信号检测正前方的障碍物信息。4、5、6输入信号检测右侧的障碍物信息。仅检测到左（右）侧障碍物输出前右(左)转指令；检测到左(右)侧及前方障碍物输出右(左)转指令；仅检测到前方障碍物及同时检测到左侧和右侧障碍物则输出应急停顿指令；无障碍物信号输出前进指令。另外碰撞传感器检测到碰撞信号也输出停顿指令，处理器收到停顿指令后采取相应的策略。
每个输出值是0和1之间的某个实数，对应于预测相应运动行为的置信度。可以根据置信度对输出进行简单处理，即当输出超过0.5时，则认为输出为1，否则认为输出为0。
　　下面给出BP神经网络的算法推导。
　　设输入层为M，隐层为I，输出层为P，对应的小写字母表示任一信息单元。输入层与隐层的突触权值用W_mi表示，隐层与输出层的突触权值用W_ip表示。
　　神经元的输入用u表示，激励输出用v表示，u、v的上标表示层，下标表示层中的某个神经元。对应于任一训练样本X_k=[x_k1，x_k2，…，x_km]^T的实际输出为Y_k=[y_k1，y_k2，…，y_kp]^T，期望输出d_k=[d_k1，d_k2，…，d_kp]^T。设n为迭代次数，网络输入训练X_k，由工作信号的正向传播过程可得：
　　
　　输出层的第p个神经元的误差信号为：
　　e_kp(n)=d_kp(n)-y_kp(n)
　　定义神经元P的误差能量为，则输出层所有神经元的误差能量总和。在误差信号反向传递过程中，逐层修改连接权值。
　　下面计算误差信号的反向传播过程。
　　(1)隐层I与输出层P之间的权值修正量。
　　根据梯度下降和Delta法则，W_ip(n)的修正量为：
　　
　　其中，h是学习步长，为局部梯度。
　　
　　当激励函数为Sigmoid函数，即
　　
　　则下一次迭代时隐层J上任一节点与输出层P上任一节点之间的权值为：
　　
　　(2)隐层I上的任一节点与输入层M上的任一节点的权值修正量。
　　与(1)中的推导类似，
　　
　　则在下一次迭代时隐层I上任一节点与输入层M上任一节点之间的权值为：
　　
3 BP算法框图
　　图4给出了BP算法的程序流程图。在执行算法之前，首先要设置变量和参量。其中：W_mi(n)为第n次迭代时输入层与隐层I之间的权值向量；W_ip(n)为第n次迭代时输出层与隐层I之间的权值向量；n为迭代次数，K为训练样本的下标，Maxloop为最大迭代次数，Maxtrain为训练样本的总数，ζ为能量最小误差。

4 仿真结果
　　用FoxPro建立输入样本的数据库，用VC编程训练网络。训练时用了72组输入样本，并且循环4000次训练网络，训练时间15s。表1给出了部分训练样本的示例（P0表示样本0，以下同）。

　　初始权值为-0.01～0.01的随机数值。下面给出了网络训练的权值输出。
　　输入层与隐层权值
　　0.251，-9.187，2.347
　　0.231，-9.225，2.373
　　0.266，-9.213，2.331
　　4.722，-1.479，-1.470
　　0.214，2.520，-9.067
　　0.293，2.512，-9.013
　　0.275，2.442，-8.890
　　输出层与隐层权值
　　-11.843，-5.154，-4.722，6.348
　　9.970，10.696，-10.990，-11.535
　　9.938，-9.617，10.613，-12.470
　　为了验证训练权值的正确性与强壮性，对大量的输入样本（包括没有经历训练过程的样本）进行实验，网络产生相匹配的输出。实验结果表明，网络的训练是成功的。部分实验数据如下：
　　输入数据组数：6
　　第0组输入数据：0 0 0 0 0 0 0
　　第0组输出为：1 0 0 0
　　第1组输入数据：0 0 0 1 0 0 0
　　第1组输出为：0 0 0 1
　　第2组输入数据：1 1 0 1 0 0 0
　　第2组输出为：0 0 1 0
　　第3组输入数据：1 1 1 0 0 0 0
　　第3组输出为：1 0 1 0
　　第4组输入数据：0 0 0 1 1 0 0
　　第4组输出为：0 1 0 0
　　第5组输入数据：1 1 0 1 0 0 1
　　第5组输出为：0 0 0 1
　　最后利用Matlab提供的Neural Network工具箱，对训练网络的输出和相应的期望输出进行衰退分析，以测定训练网络的性能。图5为前面训练所用的72组输入数据产生的输出A和期望输出T的衰退分析图。其中虚线为最佳线性拟合曲线A=T，实线为72组输出A与相应的期望输出T的线性拟合。由图5可以看出，拟合效果理想，因此训练网络的性能可靠。