智能系统：无线传感器网络环境下基于粒子滤波的移动机器人SLAM算法

第5卷第5期 智能系统学报 Vol.5 No.5 2010年10月 CAAI Transactions on Intelligent Systems 0ct.2010 doi:10.3969/i.issn.1673-4785.2010.05.008 无线传感器网络环境下基于粒子滤波的 移动机器人SLAM算法 海丹，李勇，张辉，李迅 (国防科技大学机电工程与自动化学院，湖南长沙410073) 摘要：定位问题是移动机器人研究领域中最基本的问题，在Bayes的框架下研究了机器人与无线传感器网络 (WSN)组成系统中的同时建图与定位问题(SLAM).针对该系统中只存在距离测量信息可用的情况提出了一种基于 粒子滤波的SLAM算法.该方法将机器人状态和节点位置估计设置为一组全局估计粒子，通过对粒子及其权重的更 新来计算整个系统的状态.算法将WSN节点的位置估计在机器人的路径上分解为相互独立的估计，从而将全局粒 子的计算转化为使用一个机器人状态滤波器和对应于每个机器人粒子的节点位置滤波器进行计算.针对观测信息 低维的特点，设计了处理低维观测信息的方法，使得观测信息可以在滤波阶段得到合理利用.并且详细介绍了提出 的SLAM算法原理和计算过程，并通过仿真实验证明了算法的有效性和实用性. 关键词：无线传感器网络；移动机器人；同时定位与建图；粒子滤波 中图分类号：TP24文献标识码：A文章编号：16734785(2010)05042507 Simultaneous localization and mapping of a mobile robot in wireless sensor networks based on particle filtering HAI Dan,LI Yong,ZHANG Hui,LI Xun College of Mechatronics Engineering and Automation,National University of Defense Technology,Changsha 410073,China) Abstract:Localization is one of the most fundamental problems in mobile robots.A method for simultaneous locali- zation and mapping (SLAM)in robot and WSN systems using range-only measurements was presented in a Bayes framework and a particle filtering method was designed for the problem.The estimations of the robot's path and WSN node position were set to be clusters of particles which were called status particles.The status particles were used to estimate the whole state posterior by its position and weight.The algorithm assumed position of WSN nodes which were conditioned independently along the robot's path,so the system posterior could be computed separate- ly.A particle filter called a robot filter was used to compute the robot's posterior and a separate copy of each node filter corresponding to each robot particle.Due to the low dimension of range measurement,methods were made for utilizing this information.The experiment proved the efficiency and practicality of the algorithm. Keywords:wireless sensor network;mobile robot;SLAM;particle filtering 定位问题在移动机器人研究领域是最基本的问 (simultaneous localization and mapping,SLAM)(2 题.按照Durrant-Whyte的提法I,自主移动机器人解决移动机器人SLAM问题被许多学者称为是机器 进行导航时，首先要知道自己在哪里即解决自身的 人实现自主的关键.在实际应用中解决机器人 定位，它是移动机器人有效地完成任务的前提.在未 SLAM问题是一件具有挑战性的难题，环境的未知 知环境中，移动机器人必须通过自身携带的传感器 性、动态性和复杂性等因素增加了机器人环境识别 逐步建立环境模型，并使用建立的环境模型对自身 方面的难度.无线传感器网络(wireless sensor net- 定位.这个过程被称为移动机器人同时定位与建图 wok,WSN)是由部署在监测区域，大量的具有有限 计算能力的微型传感器节点相互协作构成的一个多 收稿日期：2010-02-25. 跳自组织网络「3) 基金项目：国家自然科学基金资助项目(60475035) 通信作者：海丹.E-mail:haidan@udt.edu.cm. 近年来WSN和机器人的结合应用逐渐受到关

·426 智能系统学报 第5卷 注，机器人在WSN环境中的SLAM开始被提出.文 示为Y=(Y1,Y2,…,Y) 献[4-5]提出使用卡尔曼滤波(Kalman filter,KF) 函测量节点 其他节点 和扩展卡尔曼滤波(extended Kalman filter,EKF)方 通信范围 法使机器人在探索未知环境中能够递增地建立地 E离测量 图，同时对路标进行定位.文献[6]也对该问题进行 了研究，并将WSN引人机器人定位的优点总结为传 感器网络节点可以作为机器人定位的特定标识，简 化了传统SLAM中的数据关联问题.本文研究基于 距离测量的机器人-无线传感器网络系统的SLAM 图1机器人、无线传感器网络系统 问题，在这种应用场合下机器人对节点的测量信息， Fig.1 Robot and WSN system 通常只有距离信息可用，这是一种基于距离的 机器人装备有里程计，根据里程计的数据可以 SLAM(range only SLAM)[7) 获得相邻时间序列的运动输出.将机器人从t-1到 SLAM问题涉及未知且不确定的环境描述和传 t时刻的运动输出计为机器人r和节点j之间可 感器测量噪声，一般使用概率方法来描述.EKF81是 以通过无线通信设备进行测距，使用Z,表示系统在 多种SLAM算法的基础，稀疏扩展信息滤波算法 t时刻（在[t-1,]时段）获得的测量集合.其中Z.= (sparse extended information filter,SEIF)[9]在数学 {4},“代表机器人与节点ct之间的测量，ct∈ 表示形式上与EKF一致，但是它们都具有计算量大 K(r,t),K(r,t)为机器人在t时刻通信范围内的节 和无法处理非高斯噪声的缺点，而且对初始估计的 点D号集合.本文假定2个单元之间的测量具有一 精度要求较高.FastSLAM算法[o使用粒子滤波估 致性，即=”. 计移动机器人路径，从运动模型中采样多条路径，每 根据以上假设，系统状态空间满足以下方程： 条路径就是一个粒子，每个粒子都将对节点位置进 Y,=g(u,Y-)+E, 行估计，该方法能够处理移动机器人位置噪声不满 足高斯分布的情况.但是FastSLAM仍无法处理低 lZ=h(Y)+6. 维测量信息，例如在二维环境中只有一维测量信息 式中：g(·)、h(·)分别代表系统状态转移方程和 可用的情况 观测方程，8，和6，分别表示运动噪声和观测噪声. 本文在贝叶斯模型下描述了节点位置未知条件 假设本文研究的无线传感器网络为静态网络， 下的基于无线传感器网络的移动机器人SLAM问题， 节点的转移方程为单位矩阵，噪声为零，因此M:= 提出了一种基于粒子滤波方法的SLAM算法.该方法 M-1=…=M=M,系统的状态转移方程可简化为 采用一组包含着机器人状态和节点位置估计的粒子 机器人的运动方程.设定机器人在t时刻的运动输 和对应的权重来估计整个系统的状态，在只有距离信 出4.=[△D,△9.]，其中△D.和△0，是测得的机器 息可用的条件下，本文根据获得节点位置估计的不同 人在[t,t+1]时段的前进距离和方向偏转角.机器 情况，将其分为2个阶段，在每个阶段使用不同的方 人的运动方程可建立如下： 法根据测量信息进行滤波，使算法满足既适合处理非 x.+△D.cos0, 线性的观测信息，又能合理控制计算量。 X,=g(u,X)+8= y:+△D.sin0。 +8 0.+△0： 1 系统建模与问题描述 (1) 设定由移动机器人和WSN组成的整个系统如 系统的观测函数与无线传感器网络的测量方式 图1所示.在t时刻状态为Y,系统状态分为2部 有关，本文中移动机器人、节点获得的规测信息主要 分：一部分是机器人的状态X,X=[,y,0],其中 为移动机器人和节点之间的相对距离测量，因此设 xy、,表示当前时刻机器人在工作环境中的坐标 置观测函数为h,(X,M)来表征以上关系， 位置和朝向角：另一部分为节点状态，单个节点在环 a4=h(X,f)=lX-fI+6,=r:+6.(2) 境中的状态可以描述为M=[xy],i代表节点的 式中：「=1X.-M1为2个观测单元间实际距离. 序号，x代表节点在环境中的坐标位置.由上可 因此移动机器人-无线传感器网络系统的状态 得系统状态可以表示为：Y=[X,{M1]T,其中 空间方程可表示为 N为节点的数目.系统在时间t内的状态序列可表

第5期 海丹，等：无线传感器网络环境下基于粒子滤波的移动机器人SLAM算法 ·427· X,=g(X,-1,u)+w, →(，Σ)，并使用 M=M-, EKF方法滤波.机器人在WSN中工作期间，节点粒 lZ.=h(X,M)+8. 子滤波器的数量与机器人观测到的未获初始定位的 参照SLAM问题常用的描述方式9]，可以对机 节点数目相等，因而计算量不会因为观测到WSN中 器人基于WSN的SLAM问题从概率的角度上进行 节点数目的增加而出现显著增大.因此本文的方法 表示，即求解机器人和WSN组成的整个系统的后验 既能够发挥粒子滤波处理非线性观测的优点，还能 概率估计：P(Y:.|Z:,41:,).根据贝叶斯公式和马 够合理控制计算量。 尔可夫过程可作如下转化： 算法中将节点的位置估计在机器人的路径上分 p(Yu:I Zit,ut)=p(Xt,MiI Zu,uu)= 解为相互独立的估计，从而将全局粒子的计算转化 p(Xe|Z1,1)p(M|X,Z1e,41e)= 为使用1个机器人位置滤波器和对应于每个机器人 p(X1:|Z1:,41:)p(M1:IX,Z1e)= 粒子的节点位置滤波器进行计算，算法的流程图如 bel(X)bel(Mi). (3) 图2所示. 式中：bel(·)表示随机变量的置信度 初始化系统全局粒子 bel(X)p(Xi:I Z,u), 机器人运动更新 bel(M:)p(MiI Xi:,Z:). 足否 次观测 由上可知，系统的后验概率的求解可从机器人 足否获得 N 的路径估计和节点分布两方面入手 节点观海 更新节点粒子 Y 的权值B 2WSN环境下基于粒子滤波SLAM方法 节点是香获得 初始分布什过 初始化 2.1粒子滤波SLAM算法介绍 节点 粒子 本文采用了基于Rao-Blackwellized的粒子滤波 使用K上更新 节点状态估计 技术[o.粒子滤波是一种迭代的贝叶斯滤波器，它 是否 重采样 利用序贯马尔可夫链蒙特卡洛方法（sequential 更新全局粒子 的权值w Markov chain Monte Carlo)来递推求解所关心的基于 判断是 否收敛 观测条件的后验概率，其最大的优点是提供了一种 是否 重采样 处理多模型和多假设问题的解决方法， 给节点初始 将用于估计系统状态的称为全局粒子，每个全 重采样 ”分布估计 重采样 局粒子包含一个移动机器人当前方位的估计和对应 时刻节点的位置估计，通过对全局粒子的滤波可以 图2粒子滤波SLAM算法流程图 获得系统状态的估计， Fig.2 Particle filtering algorithm framework 算法中全局粒子表示为 2.2机器人状态估计 y=,…, 将式(3)的机器人路径估计项进一步展开可得 >. p(X.lZ,4,）=ne(Z1X,Z=)· 式中：！灯表示算法中t时刻第k个全局粒子，X表 观测更新 2(X,|4,XL·2(XIZl,41, 示粒子中的移动机器人位置估计，为对应于机器人估计x的用于表示第i 由上可知机器人的状态估计可由机器人的路径估计 个节点后验概率分布的一组粒子簇，N为节点的数 和观测更新2部分组成，路径估计可由历史分布结 目，N”为每个粒子簇中表示节点位置粒子的个数， 合运动更新得到.将机器人状态估计滤波器中的历 上述节点粒子簇的计算采用粒子滤波的方法， 史采样粒子K,-1=X,x21,,x}根据分布， 应对于节点初始分布非线性非高斯的特点，为了减 由运动学模型(1)产生分布：π(XIX,-1,4),其中 小计算量和防止初始节点定位误差较大对系统估计 W”为机器人状态滤波粒子的个数，再根据观测模型 造成较大影响，当检测节点估计满足一定的精度要 (2)给粒子赋相应的权值： 求后，认为节点获得了初始定位，这时可以将节点使 a,={@",a2,,w. 用粒子簇的表示形式退化为使用高斯参数表示： 式中：w0=@,p(Z1X,Z-i),使得由采样X 和ω，结合的目标状态后验分布逼近机器人真实的

·428 智能系统学报 第5卷 状态后验分布，即 在t时刻节点的估计要分以下2种情况讨论： p(X,1Z,4)≈∑w6(x). 1)节点在t时刻未被观测到.此时当前观测和 机器人位置都对节点分布不产生影响，因此节点分 观测更新项可进一步作如下考虑：设定机器人 布保持不变. 在t时刻获得p个观测，即Z={}:=1·计算 p(MI Xi,)=p(MI,). p(Z,|X,Z:-1)可采用多传感数据贯序融合的方 2)在t时刻被观测到.此时根据Bayes法则可 法山.人为假设获得的观测为依次取得，记 得到如下关系： bel(X,)为获得第l个观测后计算得到的机器人定 p(M1x,)= 位，考虑到各观测的独立性可得定位估计递推公式： p(1M,X,-)p(IX昭，） bel(X)=np(IX)bel(X1), p(a1Xe,-1） bel(X:2)=mp(.)bel(X:.), n2(1M,x(M1x,).(5) Measurement Prior 式中：p(M1x,-)是节点的历史分布概率，确 bel(X)=mp(X-)bel(X.-1). 定节点历史分布概率需要从以下几个方面考虑： 不失一般性以单个观测为例： a)如果节点在t之前已经有被观测到的记录， p(Z1X,Z-1）=p(441X,Z-1）= 而且已经获得了初始分布估计：N(M;u-, 2(M(M)dM. ,1),则根据式(5)使用EKF方法对节点M的 测 节点的先堂顺率 位置进行滤波，可以获得 (4) p(MIXu)=N(M). 式中：“表示t时刻提供观测数据的节点.在 式中： Range-only观测中，由于观测只能提供一维的信息， 「。=1+K(a,-h(Xi), 所以无法从某次测量获得节点与机器人的相对位 置，需要对几次测量进行效果累计才能得到足够的 地=(1-KH)盟， 定位约束条件.在节点初始化时刻观测的这种性质 K=(r+o). 使得式(4)的计算遇到了困难，虽然文献[12]提出 式中：H14 ah(x,M) 了一种高斯分布来表示初始节点分布的方法，但是 om =42-1 如果该估计的数目如果不能在后续步骤中迅速收 b)节点为首次观测或者此时是第(k≥2)次被 敛，机器人状态估计的计算量将会随着时间呈级数 观测但此时还未获得初始位置估计. 增长.因此在取得节点分布近似高斯分布时，才让节 如果此时节点为首次观测到，则节点无历史分 点位置计算结果参与到机器人位置估计的计算中 布概率，由前面的分析可知p(1X1,M)获得的 去.节点初始分布的计算将在后续内容中说明. 概率分布为环形分布，观测方程的非线性使得节点 这里假设已经能够获得t-1时刻节点ct的分 的初始估计无法用确切的形式来表达.所以只能采 布：N(Mr-1,-),根据式(2)可得 用近似的方法进行模拟，采用粒子滤波的方法对节 p(a,|X,-）~N(a2,o). 点的初始位置进行估计，设计了1个单独的粒子滤 式中：三=h(u,x),o2=HH+a品 波器对节点的初始位置进行估计，这个滤波器与机 机器人的位置估计为 器人位置估计粒子滤波器相互独立.当粒子分布的 方差收敛到一定程度，并且近似满足高斯分布时，则 X.= ∑w,X, 使用计算得到的近似高斯分布对节点分布p(MI :,)进行初始化.所以不会产生计算量的显著 ∑.=∑@(x-X,) 增加. 2.31 节点位置估计 对于节点初始位置估计粒子滤波，设定节点 假设在给定机器人位置的条件下，不相邻的两 在t时刻获得第k次观测的节点的分布概率为 节点位置相互独立，即节点的位置估计从机器人位 bel(M:),使用上次观测节点粒子滤波的分布结果 置估计中得出，则节点位置估计部分为 bl(M-1)继续进行滤波.如果节点为首次观测到， 则将节点初始分布bel(M)设为环形分布，并使粒 p(M1X昭，a)=Πp(M1X阳，a.): 子点的分布在沿环径向符合高斯分布N(r,σ).因

第5期 海丹，等：无线传感器网络环境下基于粒子滤波的移动机器人SLAM算法 ·429· 为无法确定节点在环周向的分布规律，所以设定沿 M,机器人在区域内由X。处开始运动，经过4次运 环周向满足均值分布，如图3所示.节点粒子权系数 动到达X·假设系统为全连系统，即机器人可以得 和位置估计为 到所有节点的相对观测.机器人在到达每个状态X, B:o B-up(M,xn), 处可以与每个节点建立相对观测，获得机器人-节点 bel(M)B.bel(M). 以及节点机器人之间的相对距离测量： 100 10 在M 80 60 在M 40 M5女 20 -0-595105 X 9X 0 图3由初始观测得到的节点分布 020406080 Fig.3 Distribution of node according to initial measurement 2060-40-20 对于节点状态均值、方差的估计计算，在每次滤 ·要瓷皇⊙贸要脸x然整整湾携要 机器人 ·定位方差…实际路径 波过程结束后，可以根据粒子的分布计算节点的均 图4实验场景设置与航迹推算法定位效果 值和方差估计： Fig.4 Simulation environment and robot localization in dead reckoning 品=店Gg, 实验参数具体设置如下，节点位置：“，三 盟.=立B9(M四-u)(M-u息)月 (90.6,34.1),u42=（84.5,95.5),w,=(24, 为了判断节点的初始位置估计分布的收敛性， 99.5)w4=（-42.5,63),4,=（-21,27);机器 本文设定方差阈值Q.当估计方差四≤Q时，认为 人设置：机器人出发时不具有环境的任何先验知识， 当前估计收敛，并且假定节点初始位置估计符合高 因此将机器人初始出发点设为系统坐标原点，即初 斯分布N(M:,品)，此时设定节点取得初始 始位置x。=(0,0,0)；运动输出（前一维为运动距 位置估计.当>Q时，继续进行滤波直到判断符 离，后一维为旋转角度)：山1=(50,8)，山2=(41， 合为止、 123),=(43,-87),4=(60,123);机器人运动 2.4粒子重采样 测量误差：σ如为0.2m,旋转角度标准差04为 经过几次滤波计算，粒子分布的权重会集中到 0.6°；观测设置：机器人-节点观测误差Q=σ2，其中 少数粒子上，出现粒子退化现象.文献[10]指出随 距离测量标准差σ为5m. 着粒子的退化，大量计算会浪费在更新权重较小的 图4显示了实验设置与只使用航迹推算法获得 样本上，并且样本的方差也会随着更新不断增大.为 的机器人定位情况，本文使用概率为98%的方差椭 了避免粒子退化现象，需要对样本进行重新采样，衡 圆在图中表征方差的大小.由图4可以看到，仅使用 量是否进行重采样，通常是根据粒子权重的差异情 里程计信息推算机器人定位时，其估计结果与真实 况的大小来判定.本文采用了与文献[11]类似的方 值存在较大的偏差，而且估计方差呈发散趋势 法对文中用到的粒子滤波器进行重采样. 使用本文方法的仿真实验结果如图5所示，图 中显示了经过多次的观测、预测和更新得到的节点 3仿真试验验证与分析 位置和移动机器人定位估计结果.由图5可以看到， 为了验证提出的算法在基于无线传感器网络下的 使用本文方法获得的机器人定位精度比航迹推算法 移动机器人SLAM问题中的应用，下面将进行仿真实 高，而且获得的系统各单元定位估计方差范围均包 验验证.仿真软件为Matlab,在WinP环境下运行. 含真实值. 实验场景如图4所示，环境区域为160m× 图6分别显示了使用航迹推算法获得的机器人 150m,区域内分布有5个无线传感器节点M1~ 定位估计的角度偏差和位置偏差

·430. 智能系统学报 第5卷 120 图7分别显示了使用提出的粒子滤波SLAM算 100 法得到的机器人定位估计的角度偏差和位置偏差， 图8显示了使用提出的粒子滤波SLAM算法得 80 到的节点的定位估计偏差 60 40 20 432 0 -2060-40-200204布608000 节点序号 机器人 定位方差 节点定G机器人 位方差 定位 ×节点定位 图8粒子滤波SLAM方法得到的节点定位误差 图5仿真试验结果 Fig.8 Precisions of nodes localization in particle filtering 实验结果证明了所提出的SLAM算对系统各单 Fig.5 Simulation results 元的定位精度较高，算法的收敛效果良好. 15 4结束语 本文提出的机器人无线传感器网络环境下基于 粒子滤波的SLAM算法，能够解决机器人与无线传 2 感器网络环境中移动机器人和节点的定位问题.可 机器人状态 (a)角度偏差 以有效处理只有距离测量信息时所遇到的观测非线 20 性以及节点初始位置估计困难.经过试验验证，本文 510 提出的算法，实现了移动机器人和传感器节点的高 精度定位，可以有效抑制惯性导航的误差积累，具有 实用价值.无线传感器网络是一种自组织网络，节点 不仅能够和机器人通信获得距离测量，而且还可以 7 通过节点间的通讯获得与其他节点的距离测量及其 机器人状态 )位置偏差 定位信息.因此如何合理融合节点间获得的测量信 图6航迹推算得到的机器人定位误差 息，使之用于系统定位计算的精度和速度的提高，是 Fig.6 Precisions of robot localization in dead reckoning 下一步研究需要考虑的内容 30 参考文献： 5050 [1]DURRANT-WHYTE H.Where am I?A tutorial on mobile vehicle localization[J].Industrial Robot,1994,21(2): 11-16. [2]DURRANT-WHYTE H,BAILEY T.Simultaneous localiza- 机器人状态 tion and mapping:part I the essential algorithms[J]. (a)角度偏 IEEE Robotics and Automation Magazine,2006,13(2): 99-108. 3 [3]RABAEY J M,AMMER M J,Da SILVA JL,et al.Pico- Radio supports ad hocultra-low power wireless networking [J].EEE Computer,2002,33(7):4248. [4]SAYED A H,TARIGHAT A,KHAJEHNOURI N.Net- 机器人状态 work-based wireless location[J].IEEE Signal Processing b)位置偏差 Magazine,2005,22(4):2440. 图7粒子滤波SLAM方法得到的机器人定位误差 [5]SUN Guolin,CHEN Jie,GUO Wei,et al.Signal process- Fig.7 Precisions of robot localization in particle filtering ing techniques in network-aided position[J].IEEE Signal

第5期 海丹，等：无线传感器网络环境下基于粒子滤波的移动机器人SLAM算法 ·431 Processing Magazine,2005,22:12-23. [12]BLANCO J L.FEMANDEZ-MADRIGAL J A.GONZALEZ [6]李阳铭，孟庆虎，梁华为，等.基于粒子滤波的无线传感 J.Efficient probabilistic range-only SLAM[C]//IEEE 器网络辅助同步定位与地图创建方法研究[J].机器人， RST International Conference on Intelligent Robots and 2008:30(5):421427. Systems.Nice,France,2008:1017-1022. LI Yangming,MENG Qinghu,LIANG Huawei,et al.On 作者简介： WSN-aided simultaneous localization and mapping based on 海丹，男，1980年生，博士研究生， particle filtering[J].Robot,2008:30(5):421-427. 主要研究方向为机器人导航、无线传感 [7]MENEGATTI E,ZANELLA A,ZILLI S,et al.Range-only 器网络定位技术.发表学术论文8篇。 SLAM with a mobile robot and a wireless sensor networks [C]//Proceedings of the 2009 IEEE International Confer- ence on Robotics and Automation.Kobe,Japan,2009: 1699-1705. [8]JENSFELT P,CHRISTENSEN H I.Laser based pose track- 李勇，男，1984年生，硕士研究 ing[C]//Proceedings of the 1999 IEEE International Con- 生，主要研究方向无线传感器网络定位 ference on Robotics and Automation.Detroit,USA,1999: 技术.发表学术论文4篇. 2994-3000. [9]CABALLERO F,MERINO L,GIL P,et al.A probabilistic frameworks for entire WSN localization using a mobile robot J].Robotics and Autonomous Systems,2008,56(10): 798806. 张辉，男，副教授，主要研究方向 [10]THRUN S,BURGARD W,FOX D.Probabilistic robotics 为机器人控制及机器人同步定位与建 [M].Cambridge,USA:MIT Press,2005. 图技术.发表学术论文20余篇. [11]REKLEITIS I M.A particle filter tutorial for mobile robot localization,technical report TR-CIM-04-02[R].Montre- al,Canada:Centre for Intelligent Machines,MeGill Uni- versity,2004. 欢迎订阅《控制工程》期刊 ★跟踪国际自动化最新动态★发布自动化领域最新研究成果★展示自动化领域最新产品 《控制工程》（双月刊） 国际刊号：ISSN1671-7848国内刊号：CN21-1476/TP 邮发代号：8-216国内定价：15元/期（全年90元） 《控制工程》是由国家教育部主管、东北大学主办的国家级学术性期刊，创刊于1994年.《控制工程》系北京 大学中文核心期刊、中国科技核心期刊、中国科学引文数据库核心期刊(CSCD)、中国科技论文统计用刊、中国科 学文献数据用刊、《中国学术期刊综合评价数据库》来源期刊，俄罗斯《文摘杂志》(A)、美国《剑桥科学文摘》 (CSA)、英国《科学文摘》(SA,INSPEC)三大著名检索机构全文检索期刊. 本刊是自动控制学科的学术期刊，主要刊登反映自动化技术及产品的研究开发及应用方面最新成果的研究 报告，以及学术研讨和自动化高技术及其产品的介绍. 主要栏目：综述与评论、过程控制技术及应用、智能控制技术及应用、优化控制技术及应用、计算机控制系统 及软件、机电一体化、电气自动化、检测装置及仪表、企业资源与管理系统、综合自动化系统、故障诊断、典型自动 化工程、模式识别及图像处理等 地址：沈阳东北大学310信箱 邮编：110004 电话：024-23883498/024-83687509 传真：02423883498 邮箱：kzgcbjb@mail.neu.edu.cn 网址：htp:/www.kzgc.com.cn