第1章 传感器的基础知识 1
1.1 传感器的定义和特点 1
1.2 传感器的组成和分类 1
1.3 传感器的标定 7
1.4 机器人与传感器 9
1.5 传感器及其技术的发展趋势 10
1.6 多传感器信息融合的应用领域 12
第2章 机器人系统组成 14
2.1 机器人系统组成概述 14
2.2 机械结构系统 14
2.2.1 机械构件 14
2.2.2 传动机构 20
2.3 驱动系统 27
2.3.1 液压驱动 27
2.3.2 气压驱动 29
2.3.3 电气驱动 30
2.4 感知系统 32
2.4.1 机器人对传感器的要求 32
2.4.2 常用传感器的特性 34
2.5 控制系统 35
2.6 人机交互系统 37
2.7 机器人-环境交互系统 37
第3章 机器人常用的传感器 38
3.1 机器人传感器的分类 38
3.2 常用的内部传感器 39
3.2.1 位置传感器 39
3.2.2 速度传感器 42
3.2.3 加速度传感器 43
3.2.4 倾斜角传感器 45
3.2.5 力觉传感器 46
3.3 常用外部传感器 48
3.3.1 视觉传感器 48
3.3.2 触觉传感器 51
3.3.3 接近度传感器 54
3.3.4 激光传感器 58
第4章 智能传感器 60
4.1 智能传感器概述 60
4.1.1 智能传感器的定义 60
4.1.2 智能传感器的构成 61
4.1.3 智能传感器的关键技术 61
4.2 智能传感器的功能与特点 65
4.2.1 智能传感器的功能 65
4.2.2 智能传感器的特点 66
4.3 智能传感器的实现技术 67
4.3.1 非集成化智能传感器 68
4.3.2 集成化智能传感器 68
4.3.3 混合式智能传感器 69
4.4 无线传感网络技术及其应用 70
4.4.1 无线传感网络技术 70
4.4.2 无线传感器网络在移动机器人通信中的应用 74
4.5 智能模糊传感器技术及其应用 76
4.5.1 智能模糊传感器技术 76
4.5.2 模糊传感器在测量血压中的应用 79
第5章 多传感器信息融合技术概述 81
5.1 多传感器信息融合的定义 81
5.2 多传感器信息融合的分类 81
5.3 多传感器信息融合的系统结构 86
5.4 多传感器信息融合的方法 87
第6章 多传感器的定量信息融合 91
6.1 传感器的建模 91
6.1.1 观测模型 92
6.1.2 相关模型 93
6.1.3 状态模型 94
6.2 传感数据的一致性检验 94
6.2.1 假设检验法 95
6.2.2 距离检验法 96
6.2.3 人工神经网络方法 98
6.3 基于参数估计的信息融合方法 99
第7章 多传感器的定性信息融合 103
7.1 Bayes方法 103
7.1.1 Bayes条件概率 103
7.1.2 Bayes方法在信息融合中的应用 103
7.1.3 基于目标分类的Bayes决策方法 104
7.2 Dempster-Shafer证据推理 106
7.2.1 D-S理论的基础概念 106
7.2.2 Dempster合成法则 107
7.2.3 D-S证据理论在融合中的应用 108
7.3 模糊理论 110
7.3.1 模糊理论 110
7.3.2 模糊理论在融合中的应用 111
7.4 神经网络法 111
7.4.1 神经网络融合信息的一般方法 112
7.4.2 神经网络在融合中的应用 113
7.5 粗糙集理论 114
7.5.1 粗糙集理论 114
7.5.2 基于粗糙集理论的多传感器信息融合 118
第8章 多传感器在装配机器人中的应用 123
8.1 多传感器信息融合系统组成 123
8.2 位姿传感器 124
8.3 柔性腕力传感器 127
8.4 工件识别传感器 128
8.5 视觉传感系统 129
第9章 多传感器在焊接机器人中的应用 131
9.1 焊接机器人常用的传感器 131
9.2 电弧传感系统 131
9.3 超声传感跟踪系统 133
9.4 视觉传感跟踪系统 135
第10章 多传感器信息融合在移动机器人中的应用 137
10.1 概述 137
10.2 多传感器信息融合在移动机器人导航中的应用 139
10.3 多传感器信息融合在移动机器人测距中的应用 143
10.4 多传感器信息融合在移动机器人避障中的应用 157