图6所示为管道机器人的行走轨迹，黑色区域为障碍物，矩形框为图像信息经处理后得到的矩形区域。当没有检测到障碍物时，沿管道中轴线行驶；当检测到有较近障碍物时，启动避障程序。可见机器人能够较好地避障和通过弯道。
仿真试验结果表明，管道机器人可以探测到障碍物，得到其距离、大小和方位信息，并且能够采取相应的避障措施。
采用模糊神经网络对超声波传感器、红外传感器和CCD摄像机采集到的信息进行融合，可以较为准确地探测到障碍物及弯道，根据障碍物信息进行避障，实现自主行走。实验环境较为简单，采用的前方障碍物探测的超声波传感器精度不是很高，这是今后要改进的方向。
参考文献
[1] HALLD L， LLINAS J. An introduction to multisensor data fusion[J]. Proceeding of the 1998 IEEE International Symposium on Circuits and SystEMS， 1998(6)：537-540.
[2] 项志宇.针对越野自主导航的障碍物检测系统[J].东南大学学报：自然科学版，2005，35(2)：71-74.
[3] 赵一兵，王荣本，李琳辉，等.基于多传感器信息的前方障碍物检测[J].计算机工程与应用，2007，43(26)：174-178.
[4] 刘先恩，赵学敏.基于多传感器的移动机器人路径规划[J].计算机工程，2008，34(8)：213-215.
[5] CHOSET H， NAGATANI Keiji， LAZAR N A. The arc-transversal median algorithm： a geometrIC approach to increasing ultrasonic sensor azimuth accuracy [J]. IEEE Transactions on Robotics and Automation (S1042-296X)， 2003， 19(3)： 513-522.
[6] 周中良，于雷，李永华.基于信息融合的改进型模糊神经网络[J].计算机应用，2006，26(6)：117-118.
[7] 王檀彬，陈无畏，李进，等.多传感器融合的视觉导航智能车避障仿真研究[J].系统仿真学报，2009，21(4)：1015-1019.
[8] BARSHAN B， BASKENT D. Morphological Surface profile extraction with multiple range sensors[J]. Pattern Recognition (S0031-3203)， 2001， 34(7)： 1459-1467.
