随着社会和经济的快速发展,安保问题越来越突出,人工智能的出现使得机器人技术快速发展并应用在安保领域。当前应用于安保工作场合的机器人尤其是车底安保机器人,对危险品的识别仍以视觉为主,但由于图像背景复杂,限制了识别的正确率和速度,因此本文采用多通道信息融合的方法识别危险目标,以补充视觉的不足。主要研究内容如下:1、根据车底潜在危险品类型和识别要求,选用了气体探测仪以及辐射传感器,补充至车底图像系统,并调整了整体硬件,进行了系统软件开发。针对异构传感器的融合问题,详细分析了多通道信息融合的不同算法结构、层次及类型,选用了结构简单的BP神经网络和基于云模型的D-S证据理论两种多通道信息融合算法进行改进研究。以图像信息、CH4体积分数、辐射强度三种信息作为神经网络的输入,经算法输出危险品分类,作为判定结果。2、附加动量和自适应速率相结合的BP神经网络。针对BP神经网络收敛速度慢的问题,对几种改进算法进行了仿真实验,最终选用了引入附加动量和自适应速率相结合的方式。针对本文车底危险品识别模型的需求,设计了神经网络的结构、层数等方面的参数。并利用该算法对样本进行了仿真实验,实验显示本文提出的BP神经网络改进算法可以满足识别需求。3、基于云模型的分步D-S证据理论和加权平均相结合的融合算法。传统D-S证据理论融合算法的初始概率赋值难,为解决这一问题本文引入了云模型完成初始概率赋值。同时针对传统D-S证据理论高冲突证据融合效果差的问题,对比了几种改进算法的优缺点以及本文的识别需求,提出由分步D-S证据理论融合算法和加权平均算法相结合的方式,有效的解决了问题,并且满足了所需的识别要求。4、车底危险品识别系统评价实验。为验证两种融合算法的可行性和不同特点,搭建了几种车底不同位置和不同危险品的实验场地及平台,分别用两种融合算法对危险品进行了检测。结果显示本文中提出的两种多通道信息融合算法均可以满足车底危险品识别的要求,并且危险等级划分准确。不同点在于:当多种传感器信息冲突较小时,基于云模型的分步D-S证据理论和加权平均相结合的融合算法速度较快;而冲突较大时,改进的BP神经网络融合算法速度较快。