[无人驾驶]多传感器数据融

多传感器数据融合是一个新兴的研究领域，是针对一个系统使用多种传感器这一特定问题而展开的一种关于数据处理的研究。多传感器数据融合技术是近几年来发展起来的一门实践性较强的应用技术，是多学科交叉的新技术，涉及到信号处理、概率统计、信息论、模式识别、人工智能、模糊数学等理论。

近年来，多传感器数据融合技术无论在军事还是民事领域的应用都极为广泛。多传感器融合技术已成为军事、工业和高技术开发等多方面关心的问题。这一技术广泛应用于C3I系统、复杂工业过程控制、机器人、自动目标识别、交通管制、惯性导航、海洋监视和管理、农业、遥感、医疗诊断、图像处理、模式识别等领域。实践证明：与单传感器系统相比，运用多传感器数据融合技术在解决探测、跟踪和目标识别等问题方面，能够增强系统生存能力，提高整个系统的可靠性和鲁棒性，增强数据的可信度，并提高精度，扩展整个系统的时间、空间覆盖率，增加系统的实时性和信息利用率等。

1 基本概念及融合原理

1．1 多传感器数据融合概念

数据融合又称作信息融合或多传感器数据融合，对数据融合还很难给出一个统一、全面的定义。随着数据融合和计算机应用技术的发展，根据国内外研究成果，多传感器数据融合比较确切的定义可概括为：充分利用不同时间与空间的多传感器数据资源，采用计算机技术对按时间序列获得的多传感器观测数据，在一定准则下进行分析、综合、支配和使用，获得对被测对象的一致性解释与描述，进而实现相应的决策和估计，使系统获得比它的各组成部分更充分的信息。

1．2 多传感器数据融合原理

多传感器数据融合技术的基本原理就像人脑综合处理信息一样，充分利用多个传感器资源，通过对多传感器及其观测信息的合理支配和使用，把多传感器在空间或时间上冗余或互补信息依据某种准则来进行组合，以获得被测对象的一致性解释或描述。具体地说，多传感器数据融合原理如下：

（1）N个不同类型的传感器（有源或无源的）收集观测目标的数据；

（2）对传感器的输出数据（离散的或连续的时间函数数据、输出矢量、成像数据或一个直接的属性说明）进行特征提取的变换，提取代表观测数据的特征矢量Yi；

（3）对特征矢量Yi进行模式识别处理（如，聚类算法、自适应神经网络或其他能将特征矢量Yi变换成目标属性判决的统计模式识别法等）完成各传感器关于目标的说明；

（4）将各传感器关于目标的说明数据按同一目标进行分组，即关联；

（5）利用融合算法将每一目标各传感器数据进行合成，得到该目标的一致性解释与描述。

2 多传感器数据融合方法

利用多个传感器所获取的关于对象和环境全面、完整的信息，主要体现在融合算法上。因此，多传感器系统的核心问题是选择合适的融合算法。对于多传感器系统来说，信息具有多样性和复杂性，因此，对信息融合方法的基本要求是具有鲁棒性和并行处理能力。此外，还有方法的运算速度和精度；与前续预处理系统和后续信息识别系统的接口性能；与不同技术和方法的协调能力；对信息样本的要求等。一般情况下，基于非线性的数学方法，如果它具有容错性、自适应性、联想记忆和并行处理能力，则都可以用来作为融合方法。

多传感器数据融合虽然未形成完整的理论体系和有效的融合算法，但在不少应用领域根据各自的具体应用背景，已经提出了许多成熟并且有效的融合方法。多传感器数据融合的常用方法基本上可概括为随机和人工智能两大类，随机类方法有加权平均法、卡尔曼滤波法、多贝叶斯估计法、Dempster-Shafer（D-S）证据推理、产生式规则等；而人工智能类则有模糊逻辑理论、神经网络、粗集理论、专家系统等。可以预见，神经网络和人工智能等新概念、新技术在多传感器数据融合中将起到越来越重要的作用。

2．1 随机类方法

2．1．1 加权平均法

信号级融合方法最简单、最直观方法是加权平均法，该方法将一组传感器提供的冗余信息进行加权平均，结果作为融合值，该方法是一种直接对数据源进行操作的方法。

2．1．2 卡尔曼滤波法

卡尔曼滤波主要用于融合低层次实时动态多传感器冗余数据。该方法用测量模型的统计特性递推，决定统计意义下的最优融合和数据估计。如果系统具有线性动力学模型，且系统与传感器的误差符合高斯白噪声模型，则卡尔曼滤波将为融合数据提供唯一统计意义下的最优估计。卡尔曼滤波的递推特性使系统处理不需要大量的数据存储和计算。但是，采用单一的卡尔曼滤波器对多传感器组合系统进行数据统计时，存在很多严重的问题，例如：（1）在组合信息大量冗余的情况下，计算量将以滤波器维数的三次方剧增，实时性不能满足；（2）传感器子系统的增加使故障随之增加，在某一系统出现故障而没有来得及被检测出时，故障会污染整个系统，使可靠性降低。

2．1．3 多贝叶斯估计法

贝叶斯估计为数据融合提供了一种手段，是融合静环境中多传感器高层信息的常用方法。它使传感器信息依据概率原则进行组合，测量不确定性以条件概率表示，当传感器组的观测坐标一致时，可以直接对传感器的数据进行融合，但大多数情况下，传感器测量数据要以间接方式采用贝叶斯估计进行数据融合。

多贝叶斯估计将每一个传感器作为一个贝叶斯估计，将各个单独物体的关联概率分布合成一个联合的后验的概率分布函数，通过使用联合分布函数的似然函数为最小，提供多传感器信息的最终融合值，融合信息与环境的一个先验模型提供整个环境的一个特征描述。

2．1．4 D-S证据推理方法

D-S证据推理是贝叶斯推理的扩充，其3个基本要点是：基本概率赋值函数、信任函数和似然函数。D-S方法的推理结构是自上而下的，分三级。第1级为目标合成，其作用是把来自独立传感器的观测结果合成为一个总的输出结果（ID）；第2级为推断，其作用是获得传感器的观测结果并进行推断，将传感器观测结果扩展成目标报告。这种推理的基础是：一定的传感器报告以某种可信度在逻辑上会产生可信的某些目标报告；第3级为更新，各种传感器一般都存在随机误差，所以，在时间上充分独立地来自同一传感器的一组连续报告比任何单一报告可靠。因此，在推理和多传感器合成之前，要先组合（更新）传感器的观测数据。

2．1．5 产生式规则

产生式规则采用符号表示目标特征和相应传感器信息之间的联系，与每一个规则相联系的置信因子表示它的不确定性程度。当在同一个逻辑推理过程中，2个或多个规则形成一个联合规则时，可以产生融合。应用产生式规则进行融合的主要问题是每个规则的置信因子的定义与系统中其他规则的置信因子相关，如果系统中引入新的传感器，需要加入相应的附加规则。

2．2 人工智能类方法

2．2．1 模糊逻辑推理

模糊逻辑是多值逻辑，通过指定一个0到1之间的实数表示真实度，相当于隐含算子的前提，允许将多个传感器信息融合过程中的不确定性直接表示在推理过程中。如果采用某种系统化的方法对融合过程中的不确定性进行推理建模，则可以产生一致性模糊推理。与概率统计方法相比，逻辑推理存在许多优点，它在一定程度上克服了概率论所面临的问题，它对信息的表示和处理更加接近人类的思维方式，它一般比较适合于在高层次上的应用（如决策），但是，逻辑推理本身还不够成熟和系统化。此外，由于逻辑推理对信息的描述存在很大的主观因素，所以，信息的表示和处理缺乏客观性。

模糊集合理论对于数据融合的实际价值在于它外延到模糊逻辑，模糊逻辑是一种多值逻辑，隶属度可视为一个数据真值的不精确表示。在MSF过程中，存在的不确定性可以直接用模糊逻辑表示，然后，使用多值逻辑推理，根据模糊集合理论的各种演算对各种命题进行合并，进而实现数据融合。

2．2．2 人工神经网络法

神经网络具有很强的容错性以及自学习、自组织及自适应能力，能够模拟复杂的非线性映射。神经网络的这些特性和强大的非线性处理能力，恰好满足了多传感器数据融合技术处理的要求。在多传感器系统中，各信息源所提供的环境信息都具有一定程度的不确定性，对这些不确定信息的融合过程实际上是一个不确定性推理过程。神经网络根据当前系统所接受的样本相似性确定分类标准，这种确定方法主要表现在网络的权值分布上，同时，可以采用经*定的学习算法来获取知识，得到不确定性推理机制。利用神经网络的信号处理能力和自动推理功能，即实现了多传感器数据融合。

常用的数据融合方法及特性如表1所示。通常使用的方法依具体的应用而定，并且，由于各种方法之间的互补性，实际上，常将2种或2种以上的方法组合进行多传感器数据融合。

3 应用领域

随着多传感器数据融合技术的发展，应用的领域也在不断扩大，多传感器融合技术已成功地应用于众多的研究领域。多传感器数据融合作为一种可消除系统的不确定因素、提供准确的观测结果和综合信息的智能化数据处理技术，已在军事、工业监控、智能检测、机器人、图像分析、目标检测与跟踪、自动目标识别等领域获得普遍关注和广泛应用称重传感器。

（1）军事应用

数据融合技术起源于军事领域，数据融合在军事上应用最早、范围最广，涉及战术或战略上的检测、指挥、控制、通信和情报任务的各个方面。主要的应用是进行目标的探测、跟踪和识别，包括C31系统、自动识别武器、自主式运载制导、遥感、战场监视和自动威胁识别系统等。如，对舰艇、飞机、导弹等的检测、定位、跟踪和识别及海洋监视、空对空防御系统、地对空防御系统等。海洋监视系统包括对潜艇、鱼雷、水下导弹等目标的检测、跟踪和识别，传感器有雷达、声纳、远红外、综合孔径雷达等。空对空、地对空防御系统主要用来检测、跟踪、识别敌方飞机、导弹和防空武器，传感器包括雷达、ESM（电子支援措施）接收机、远红外敌我识别传感器、光电成像传感器等。迄今为止，美、英、法、意、日、俄等国家已研制出了上百种军事数据融合系统，比较典型的有：TCAC—战术指挥控制，BETA—战场利用和目标截获系统，AIDD—炮兵情报数据融合等。在近几年发生的几次局部战争中，数据融合显示了强大的威力，特别是在海湾战争和科索沃战争中，多国部队的融合系统发挥了重要作用。

（2）复杂工业过程控制

复杂工业过程控制是数据融合应用的一个重要领域。目前，数据融合技术已在核反应堆和石油平台监视等系统中得到应用。融合的目的是识别引起系统状态超出正常运行范围的故障条件，并据此触发若干报警器。通过时间序列分析、频率分析、小波分析，从各传感器获取的信号模式中提取出特征数据，同时，将所提取的特征数据输入神经网络模式识别器，神经网络模式识别器进行特征级数据融合，以识别出系统的特征数据，并输入到模糊专家系统进行决策级融合；专家系统推理时，从知识库和数据库中取出领域知识规则和参数，与特征数据进行匹配（融合）；最后，决策出被测系统的运行状态、设备工作状况和故障等。

（3）机器人

多传感器数据融合技术的另一个典型应用领域为机器人。目前，主要应用在移动机器人和遥操作机器人上，因为这些机器人工作在动态、不确定与非结构化的环境中（如“勇气”号和“机遇”号火星车），这些高度不确定的环境要求机器人具有高度的自治能力和对环境的感知能力，而多传感器数据融合技术正是提高机器人系统感知能力的有效方法。实践证明：采用单个传感器的机器人不具有完整、可靠地感知外部环境的能力。智能机器人应采用多个传感器，并利用这些传感器的冗余和互补的特性来获得机器人外部环境动态变化的、比较完整的信息，并对外部环境变化做出实时的响应。目前，机器人学界提出向非结构化环境进军，其核心的关键之一就是多传感器系统和数据融合。

（4）遥感

多传感器融合在遥感领域中的应用，主要是通过高空间分辨力全色图像和低光谱分辨力图像的融合，得到高空问分辨力和高光谱分辨力的图像，融合多波段和多时段的遥感图像来提高分类的准确*。

****通管理系统

数据融合技术可应用于地面车辆定位、车辆跟踪、车辆导航以及空中交通管制系统等。

（6）全局监视

监视较大范围内的人和事物的运动和状态，需要运用数据融合技术。例如：根据各种医疗传感器、病历、病史、气候、季节等观测信息，实现对病人的自动监护；从空中和地面传感器监视庄稼生长情况，进行产量预测；根据卫星云图、气流、温度、压力等观测信息，实现天气预报。

4 存在问题及发展趋势

数据融合技术方兴未艾，几乎一切信息处理方法都可以应用于数据融合系统。随着传感器技术、数据处理技术、计算机技术、网络通讯技术、人工智能技术、并行计算软件和硬件技术等相关技术的发展，尤其是人工智能技术的进步，新的、更有效的数据融合方法将不断推出，多传感器数据融合必将成为未来复杂工业系统智能检测与数据处理的重要技术，其应用领域将不断扩大。多传感器数据融合不是一门单一的技术，而是一门跨学科的综合理论和方法，并且，是一个不很成熟的新研究领域，尚处在不断变化和发展过程中压力传感器。

4．1 数据融合存在的问题

（1）尚未建立统一的融合理论和有效广义融合模型及算法；

（2）对数据融合的具体方法的研究尚处于初步阶段；

（3）还没有很好解决融合系统中的容错性或鲁棒性问题；

（4）关联的二义性是数据融合中的主要障碍；

（5）数据融合系统的设计还存在许多实际问题。

4．2 数据融合发展趋势

数据融合的发展趋势如下：

（1）建立统一的融合理论、数据融合的体系结构和广义融合模型；

（2）解决数据配准、数据预处理、数据库构建、数据库管理、人机接口、通用软件包开发问题，利用成熟的辅助技术，建立面向具体应用需求的数据融合系统；

（3）将人工智能技术，如，神经网络、遗传算法、模糊理论、专家理论等引入到数据融合领域；利用集成的计算智能方法（如，模糊逻辑＋神经网络，遗传算法＋模糊＋神经网络等）提高多传感融合的性能；

（4）解决不确定性因素的表达和推理演算，例如：引入灰数的概念；

（5）利用有关的先验数据提高数据融合的性能，研究更加先进复杂的融合算法（未知和动态环境中，采用并行计算机结构多传感器集成与融合方法的研究等）；

（6）在多平台／单平台、异类／同类多传感器的应用背景下，建立计算复杂程度低，同时，又能满足任务要求的数据处理模型和算法；

（7）构建数据融合测试评估平台和多传感器管理体系；

（8）将已有的融合方法工程化与商品化，开发能够提供多种复杂融合算法的处理硬件，以便在数据获取的同时就实时地完成融合。

5 结束语

随着研究者的不断努力，不久的将来，数据融合的基础理论、兼有鲁棒性和准确性的融合算法将不断地得到完善，实现技术将不断地得到更新，实际应用将不断地被扩展。多传感器数据融合技术必将不断地走向成熟。、

信息融合中的关键技术主要包括：数据转换、数据关联、融合算法。
常用融合方法的比较
融合方法 运行环境 信息类型 信息表示 不确定性 融合技术 适用范围
加权平均 动态 冗余 原始值读取 加权平均 低层融合
卡尔曼滤波 动态 冗余 概率分布 高斯噪声 系统模型滤波 低层融合
贝叶斯估计 静态 冗余 概率分布 高斯噪声 贝叶斯估计 低层融合
统计决策 静态 冗余 概率分布 高斯噪声 极值决策 高层融合
证据理论 静态 冗余 互补命题 逻辑推理 高层融合
模糊理论 静态 冗余 互补命题 隶属度 逻辑推理 高层融合
神经元网络 动静 冗余 互补神经元输入 学习误差 神经网络 低 或 高
产生式规则 动静 冗余 互补命题 置信因子 逻辑推理 高层融合