多傳感器信息融合綜述

1、多傳感器信息融合概念多傳感器信息融合是指綜合來自多個傳感器的感知數(shù)據(jù)，以產(chǎn)生更可靠、更準確 或更精確的信息。經(jīng)過融合的多傳感器系統(tǒng)能完善地、精確地反映檢測對象特性, 消除信息的不確定性，提高傳感器的可靠性。經(jīng)過融合的多傳感器信息具有以下 特性：信息的冗余性、信息的互補性、信息的實時性和信息的低成本性。多傳感器信息融合分類按融合判斷方式分類（1）硬判決方式硬判決方式設置有確定的預置判決門限。只有當數(shù)據(jù)樣本特征量達到或超過預置 門限時，系統(tǒng)才做出判決斷言；只有當系統(tǒng)做出了確定的斷言時，系統(tǒng)才向更高 層次系統(tǒng)傳送“確定無疑”的判決結論。這種判決方式以經(jīng)典的數(shù)理邏輯為基礎， 是確定性的。（2）軟判決方

2、式軟判決方式不設置確定不變的判決門限。無論系統(tǒng)何時收到觀測數(shù)據(jù)都要執(zhí)行相 應分析，都要做出適當評價，也都向更高層次系統(tǒng)傳送評判結論意見及其有關信 息，包括評判結果的置信度。這種評判不一定是確定無疑的，但它可以更充分地 發(fā)揮所有有用信息的效用，使信息融合結論更可靠更合理。按傳感器組合方式分類（1）同類傳感器組合同類傳感器組合只處理來自同一類傳感器的環(huán)境信息，其數(shù)據(jù)格式、信息內(nèi)容都 完全相同，因而處理方式相對比較簡單。（2）異類傳感器組合異類傳感器組合同時處理來自各種不同類型傳感器采集的數(shù)據(jù)。優(yōu)點是信息內(nèi)容 廣泛，可以互相取長補短，實現(xiàn)全源信息相關，因而分析結論更準確、更全面、 更可靠，但處理難度

3、則高很多。信息融合的系統(tǒng)結構信息融合的系統(tǒng)結構研究包含兩部分，即信息融合的層次問題和信息融合的體 系結構。融合的層次結構主要從信息的角度來分析融合系統(tǒng)，信息融合的體系結 構則主要是從硬件的角度來分析融合系統(tǒng)。（1）信息融合的層次信息融合系統(tǒng)可以按照層次劃分，對于層次劃分問題存在著較多的看法。目前較 為普遍接受的是層次融合結構，即數(shù)據(jù)層、特征層和決策層。數(shù)據(jù)層融合是指將全部傳感器的觀測數(shù)據(jù)直接進行融合，然后從融合的數(shù) 據(jù)中提取特征向量，并進行判斷識別。這便要求傳感器是同質(zhì)的，如果傳感器是 異質(zhì)的，則數(shù)據(jù)只能在特征層或者決策層進行融合。數(shù)據(jù)層融合的優(yōu)點是保持了 盡可能多的原始信息，缺點是處理的信息

4、量大，因而處理實時性較差。特征層融合是指將每個傳感器的觀測數(shù)據(jù)進行特征抽取以得到一個特征向 量，然后把這些特征向量融合起來，并根據(jù)融合后得到的特征向量進行身份判 定。特征層融合對通信帶寬的要求較低，但由于數(shù)據(jù)丟失使其準確性有所下降。決策層融合是指每個傳感器執(zhí)行一個對目標的識別，將來自每個傳感器的 識別結果進行融合。該層次融合對通信帶寬要求最低，但產(chǎn)生的結果相對來說最 不準確。信息融合的層次結構是按照信息抽象程度來劃分的。在多傳感器融合系統(tǒng)的 實際工程應用中，應綜合考慮傳感器的性能、系統(tǒng)的計算能力、通信的帶寬、期 望的準確率以及現(xiàn)有資金的能力，以確定采用哪種層次化系統(tǒng)結構模型或者混 合的層次模型

5、。而基于信息的層次結構的確定，可以為系統(tǒng)硬件體系結構的確定 打好基礎。(2)信息融合的體系結構信息融合的硬件體系結構大致分為三類：集中式、分布式和混合式。集中式 是將各傳感器結點的數(shù)據(jù)都送到中央處理器進行融合處理。該方法可以實現(xiàn)實時 融合，其數(shù)據(jù)處理的精度高、解法靈活，缺點是對處理器要求高、可靠性較低、 數(shù)據(jù)量大，故難于實現(xiàn)。分布式是各傳感器利用自己的量測單獨跟蹤目標，將估 計結果送到總站，總站再將子站的估計合成為目標的聯(lián)合估計。該方法對通信帶 寬要求低、計算速度快、可靠性和延續(xù)性好，但跟蹤精度沒有集中式高?；旌鲜?是將以上兩種形式進行組合,它可以在速度、帶寬、跟蹤精度和可靠性等相互影 響的各

6、種制約因素之間取得平衡，因此目前的研究著重于混合式結構。采用何種體系結構完全是為了滿足各種不同的實際需要，在設計數(shù)據(jù)融合 體系結構時，應根據(jù)確定的系統(tǒng)層次結構來確定相應的體系結構，同時還必須 考慮數(shù)據(jù)通信、數(shù)據(jù)庫管理、人機接口、傳感器管理等許多支撐技術。多傳感器信息融合的一般方法信息融合的方法是多傳感器信息融合的最重要的部分，由于其應用上的復 雜性和多樣性，決定了信息融合的研究內(nèi)容極其豐富，涉及的基礎理論較多。多 傳感器信息融合算法可以分為以下四類：估計方法、分類方法、推理方法和人工 智能方法，如圖1所示。估計方法中加權平均法是信號級融合方法最簡單、最直觀方法是加權平均法, 該方法將一組傳感器

7、提供的冗余信息進行加權平均，結果作為融合值，該方法是 一種直接對數(shù)據(jù)源進行操作的方法?？柭鼮V波主要用于融合低層次實時動態(tài)多 傳感器冗余數(shù)據(jù)。該方法用測量模型的統(tǒng)計特性遞推，決定統(tǒng)計意義下的最優(yōu)融 合和數(shù)據(jù)估計。如果系統(tǒng)具有線性動力學模型，且系統(tǒng)與傳感器的誤差符合高斯 白噪聲模型，則卡爾曼濾波將為融合數(shù)據(jù)提供唯一統(tǒng)計意義下的最優(yōu)估計?？?曼濾波的遞推特性使系統(tǒng)處理不需要大量的數(shù)據(jù)存儲和計算。但是，采用單一的 卡爾曼濾波器對多傳感器組合系統(tǒng)進行數(shù)據(jù)統(tǒng)計時，存在很多嚴重的問題，例如: (1)在組合信息大量冗余的情況下，計算量將以濾波器維數(shù)的三次方劇增，實時性 不能滿足;(2)傳感器子系統(tǒng)的增加使

8、故障隨之增加,在某一系統(tǒng)出現(xiàn)故障而沒有 來得及被檢測出時,故障會污染整個系統(tǒng)，使可靠性降低。分類方法主要有參數(shù)模板法和聚類分析。無監(jiān)督或自組織學習算法諸如學習 向量量化法(learning vector quant izat ion, LVQ ) , K -均值聚類(K-means clustering ) , Kohonen 特性圖(Kohonen feature map)也常用作多傳感器數(shù) 據(jù)的分類。K-均值聚類算法是最常用的無監(jiān)督學習算法之一，而自適應K-均值 方法的更新規(guī)則形成了Kohonen特性圖的基礎。此外自適應共振理論(ART)、自 適應共振理論映射(ARTMAP)和模糊自適應共

9、振理論網(wǎng)絡(fuzzy-ART netw ork) 以自適應的方法進行傳感器融合。它們能夠自動調(diào)整權值并且能在環(huán)境變化和輸 入漂移的情況下保持穩(wěn)定。n參數(shù)模板法-I lvq IK-means 聚類 KoiiotKn 特和ART.ARJMAP：Fuzzy-ART Network啊 住傳感器融合算法分類致時,可以直接對傳感器的數(shù)據(jù)進推理方法。多貝葉斯估計法J為數(shù)據(jù)融合提供了一種手段,是融合靜態(tài)環(huán)境中多 傳感器高層信息的常用方法。它使傳感器信息依據(jù)概率原則進行組合，測量不確 定性以條件概率表示，當傳感器組 行融合，但大多數(shù)情況下,傳感器測量數(shù)據(jù)要以間接方式采用貝葉斯估計進行數(shù)據(jù) 融合。多貝葉斯估計將

10、每一個傳感器作為一個貝葉斯估計,將各個單獨物體的關 聯(lián)概率分布合成一個聯(lián)合的后驗的概率分布函數(shù)，通過使用聯(lián)合分布函數(shù)的似然 函數(shù)為最小，提供多傳感器信息的最終融合值，融合信息與環(huán)境的一個先驗模型提 供整個環(huán)境的一個特征描述。D-S證據(jù)推理是貝葉斯推理的擴充，其3個基本要點 是:基本概率賦值函數(shù)、信任函數(shù)和似然函數(shù)。D-S方法的推理結構是自上而下的, 分三級。第1級為目標合成，其作用是把來自獨立傳感器的觀測結果合成為一個總 的輸出結果(ID);第2級為推斷，其作用是獲得傳感器的觀測結果并進行推斷，將傳 感器觀測結果擴展成目標報告。這種推理的基礎是:一定的傳感器報告以某種可 信度在邏輯上會產(chǎn)生可信

11、的某些目標報告；第3級為更新,各種傳感器一般都存在 隨機誤差，所以，在時間上充分獨立地來自同一傳感器的一組連續(xù)報告比任何單一 報告可靠。因此，在推理和多傳感器合成之前,要先組合(更新)傳感器的觀測數(shù)據(jù)。人工智能方法對融合大量的傳感器信息，用以非線性和不確定的場合頗有 優(yōu)勢?？煞譃閷＜蚁到y(tǒng)、神經(jīng)網(wǎng)絡和模糊邏輯。專家系統(tǒng)是一種基于人工智能的 計算機信息系統(tǒng)。神經(jīng)網(wǎng)絡是一個具有高度非線性的超大規(guī)模連續(xù)時間自適應信 息處理系統(tǒng)。在多傳感器系統(tǒng)中，各信息源提供的環(huán)境信息都具有一定程度的不 確定性，對這些不確定信息的融合過程實質(zhì)上是一個不確定性推理過程。神經(jīng)網(wǎng) 絡可根據(jù)當前系統(tǒng)所接受的樣本的相似性，確定分

12、類標準。同時可以采用特定的 學習算法來獲取知識，得到不確定性推理機制。模糊邏輯是多值邏輯，它允許將傳感器信息融合過程中的不確定性直接表示在推理過程中。由于模糊集表達了一 個不確定概念，應用模糊理論并結合其它手段，如神經(jīng)網(wǎng)絡，可以取得更好的 融合結果。表1常用的數(shù)據(jù)融合方法比較融合方法運行環(huán)境信息類型信息表示不確定性融合技術適用范圍加枳平均動態(tài)冗余原始迷數(shù)值加枳平均低層數(shù)據(jù)融合卡爾曼濾波動態(tài)冗雜概率分布南斯哄聲系統(tǒng)模型濾波低層數(shù) 據(jù)融合貝葉斯估計靜態(tài)冗余演率分布高斯噪聲貝葉斯估汁高室數(shù)據(jù)融合統(tǒng)計決策理論靜態(tài)冗余概率分布高斯嘿聲極值決策高層數(shù)據(jù)融合證據(jù)推理靜態(tài)冗余互補命題邏輯推理高房數(shù)據(jù)融毒模糊推

13、理靜態(tài)冗余互補命題隸屬度邏騷推嶂高層數(shù)據(jù)融合神經(jīng)元網(wǎng)絡動.靜態(tài)冗余互補神經(jīng)元輸orgia理學院視覺傳感器、觸覺傳感器檢驗匚件的-致性王敏、黃心漢視覺傳感器、超聲波傳感器自動識別并抓取件5.2在機器手爪中的應用美國的Utah/MIT靈巧手、日本的ARH智能手爪以及我國的HIT/DLR機器人靈巧 手、BH-3靈巧手都配有多種傳感器，主要包括視覺傳感器、接近覺傳感器、力/ 力矩傳感器、位姿/姿態(tài)傳感器、速度/加速度傳感器、溫度傳感器以及觸覺/滑 覺傳感器等。Bayes算法和D-S論據(jù)常用于機器人手爪的信息融合。羅志增等人將這2種算 法綜合運用到一個裝有6種傳感器的機器手爪中，并進行了工件識別、抓取實

14、驗， 正確率達96.7%。美國的Luo在由PUMA 560機器手臂控制的夾持型手爪的平臺上提 出了基于視覺、接近覺、觸覺、位置、萬力矩及滑覺等傳感器信息融合新方法， 整個過程分為3步：1）采集多傳感器的原始數(shù)據(jù)，并用Fisher模型進行局部估計; 2）對統(tǒng)一格式的傳感器數(shù)據(jù)進行比較，發(fā)現(xiàn)可能存在誤差的傳感器，進行置信 距離測試，從而建立距離矩陣和相關矩陣，得到最接近最一致的傳感器數(shù)據(jù)；3） 運用Bayes推理算法進行全局估計，融合多傳感器數(shù)據(jù)，同時，對其他不確定的 傳感器數(shù)據(jù)進行誤差檢測，修正傳感器的誤差。5.3在移動機器人中的應用HILARE是第一個應用多傳感器信息融合技術來構建未知環(huán)境實物

15、模型的可 移動機器人，其由法國LAAS實驗室研制而成，該機器人配有16只超聲波傳感器、2 只二維激光測距儀、1只視覺傳感器和1只黑白相機。超聲波和視覺傳感器用來產(chǎn) 生一個被層次化坐標所分割的圖，視覺和激光測距傳感器用來感知環(huán)境中的三維 區(qū)域格，并通過約束來提出無關的特征。在此機器人上設定每只傳感器的不確定 性為高斯分布且所有傳感器測量值的標準偏差相同，采用加權平均法作為系統(tǒng)信 息融合的算法。多傳感器信息融合技術的運用使得HILARE機器人具有較強的環(huán)境 適應能力，可在非結構環(huán)境中穩(wěn)定的工作。當前，信息融合技術在移動機器人中最成功的應用是美國的火星探測機器人 Sojourner。該機器人是一個高

16、度集成的多傳感器平臺，配有黑白和彩色成像系 統(tǒng)數(shù)套。其大量地使用了信息融合技術，利用融合后的信息，實現(xiàn)了自主導航、 定位、土壤和巖石成分分析等操作。對于Sojourner的狀態(tài)估計，使用了里程表、 速度傳感器、加速度傳感器、航向傳感器、測距儀和立體CCD攝像機，融合算法 運用了航位推測法和擴展卡爾曼濾波技術。CASIA-I是由沈陽自動化所和中國科學院自動化所聯(lián)合設計研制的基于復合 機構的非結構環(huán)境移動機器人。它是我國第一臺采用計算機融合紅外、超聲、視 覺、電子陀螺和語音等傳感器信息的具有一定自主能力的輪-腿-履帶復合型移動 機構的機器人。在機器人的四周裝有11只超聲波傳感器，為了彌補其探測盲區(qū)

17、， 又另加了7只紅外線傳感器。超聲和紅外傳感器采集的車體附近的障礙物距離信 息經(jīng)過濾波、歸一化處理之后作為避障算法的輸入。此外，機器人上還安裝了用 來確定目標物體方位的視覺傳感器和用作檢測機器人位置、航向、姿態(tài)的電子羅 盤。這些來自多種傳感器的信息經(jīng)過信息融合系統(tǒng)的預先處理后傳送到控制和監(jiān) 控計算機，為控制決策提供依據(jù)。研究者在航跡推算、感知定位、GPS定位和激 光定位等方法基礎之上，采用了電子羅盤結合超聲、視覺即時感知監(jiān)測機器人位 置、狀態(tài)以及環(huán)境信息的定位新方法，解決了移動機器人在所處環(huán)境中的精確定 位的問題。移動機器人多傳感器信息融合的實現(xiàn)目前，移動機器人領域中采用的多傳感器信息融合方法

18、主要包括：加權平 均法、Kalman濾波、擴展Kalman濾波、Bayes估計、Dempster-Shafer證據(jù)推理、 模糊邏輯、神經(jīng)網(wǎng)絡以及基于行為方法和基于規(guī)則方法等。應用這些方法可以 進行數(shù)據(jù)層、特征層以及決策層等不同的層次的融合等，也可以實現(xiàn)測距傳感器 信息、內(nèi)部航跡推算系統(tǒng)信息、全局定位信息之間的信息融合，進而準確、全面 地認識和描述被測對象與環(huán)境，從而做出移動機器人能夠作出正確的判斷與決 策。6.1加權平均法此種方法是將一組傳感器提供的冗余信息進行加權平均，并將加權平均值 作為信息融合值。它是一種最簡單、最直觀地對多傳感器低層數(shù)據(jù)的信息融合方 法。該方法存在的最大弊端就是很難獲得

19、最優(yōu)加權平均值，而且，確定權值需要 花費大量的時間。Kalman濾波及其擴展用于實時融合動態(tài)的低層次冗余傳感器數(shù)據(jù)。該方法用測量模型的統(tǒng)計特性 遞推決定在統(tǒng)計意義下是最優(yōu)的融合數(shù)據(jù)估計。如果系統(tǒng)具有線性動力學模型， 且系統(tǒng)噪聲和傳感器噪聲是符合高斯分布的白噪聲，那么，Kalman濾波為融合 數(shù)據(jù)提供唯一的統(tǒng)計意義下的最優(yōu)估計。這種方法的遞推特性使得其計算速度快, 且不需要過多的存儲空間。隨著計算機技術的飛速發(fā)展，Kalman濾波的計算要 求與復雜性已不再阻礙該方法的實際應用?，F(xiàn)在這種方法越來越受到人們的青睞, 尤其是在多傳感器多目標跟蹤系統(tǒng)中更顯出其獨特的優(yōu)點，如，Tomatis等人 采用基于

20、Kalman濾波混合法實現(xiàn)了移動機器人的導航，試驗結果表明：在1.15 km的路程上成功率達到96%。從移動機器人的跟蹤精度來看，偏離目標點的誤差 僅為9mm。工程實際應用中，系統(tǒng)模型線性程度的假設或者數(shù)據(jù)處理不穩(wěn)定性時，將 對信息融合過程產(chǎn)生較大影響。在這種情況下，常常采用擴展Kalman濾波（EKF ） 取代常規(guī)的Kalman濾波。EKF是移動機器人實現(xiàn)即時定位與導航的重要方法，在 移動機器人定位和導航中，利用傳感器融合和非線性模型預測控制方法，并以 擴展的Kalman濾波實現(xiàn)最優(yōu)估計。采用Kalman濾波器通過統(tǒng)計特征進行狀態(tài)估計, 并實現(xiàn)噪聲引起的誤差最小。Bayes 估計Bayes估

21、計是融合靜態(tài)環(huán)境中多傳感器低層信息的一種常用方法，其信息描 述為概率分布，適用于具有可加高斯噪聲的不穩(wěn)定性。該融合方法產(chǎn)生于多傳感 器融合技術的初期。應用Bayes估計方法時，首先，應描述出模型；然后,賦予每 個命題一個先驗概率；再使用概率進行推斷，特別根據(jù)信息數(shù)據(jù)估計置信度獲 取結果。但是，當某一個傳感器的新信息到來，而此時未知命題的數(shù)量大于已知 命題的數(shù)量時，已知命題的概率是非常不穩(wěn)定的。該方法主要應用于移動機器人 自身的狀態(tài)估計以及對運動目標的識別與跟蹤等方面。Dempster-Shafer 證據(jù)推理證據(jù)推理的概念首先由Dempster于1967年提出，后來，由他的學生Shafer 進一

22、步發(fā)展完善。Dempster-Shafer證據(jù)推理是Bayes方法的擴展，而又不同于 Bayes方法。Bayes估計僅僅使用了一個代替前提概率為真的一個值，當前提相互 關聯(lián)時，Bayes方法難以保證估計的一致性。Dempster-Shafer方法使用一個不穩(wěn) 定區(qū)間，通過不穩(wěn)定未知前提的先驗概率來避免Bayes方法的不足。由于Dempster-Shafer證據(jù)推理法研究問題的方式和內(nèi)容特別適合處理多傳感器集成 系統(tǒng)的信息融合問題，因此，該證據(jù)推理現(xiàn)已成為信息融合的一個重要理論基 礎。在移動機器人領域中，這一方法現(xiàn)已被成功地應用于移動機器人對目標的識 別。Dempster-Shafer證據(jù)推理的

23、優(yōu)點是不需要指定先驗概率；其缺點是一般情 況下計算量非常大，而且，在工程實際應用中，如何有效獲取基本概率賦值也 有待于進一步深入研究。Dempster-Shafer理論只積累單獨的信息源，而當事件 合并后，時間權重與信任度之間存在不合理關系，因此，該理論還需進一步深 入研究完善。模糊邏輯與人工神經(jīng)網(wǎng)絡利用模糊邏輯可將多傳感器數(shù)據(jù)融合過程中的不確定性直接表示在推理過 程中?；谀：?guī)則的目標識別融合計算非常簡單，通過指定一個0到1之間的實 數(shù)來表示真實度，這相當于隱式算子的前提。但它不象Dempster-Shafer方法: 隨著證據(jù)的積累的同時，逐步增長可能目標對象的概率取值，減少不可能目標 對

24、象的概率取值。近年來，模糊集合推理被廣泛應用于移動機器人目標識別與路 徑規(guī)劃方面。Sasiadek利用模糊邏輯和擴展的Kalman濾波進行傳感器信息融合。人工神經(jīng)網(wǎng)絡方法是一種仿效生物神經(jīng)系統(tǒng)的信息處理方法。一個神經(jīng)網(wǎng)絡 包括以各種方式聯(lián)接的多層處理單元。神經(jīng)網(wǎng)絡對輸入的數(shù)據(jù)進行非線性變換, 從而完成了聚類分析技術所進行的從數(shù)據(jù)到屬性的分類?；谏窠?jīng)網(wǎng)絡的多傳感 器信息融合有以下特點：具有統(tǒng)一的內(nèi)部知識表示形式，通過特定的學習算法 可以將神經(jīng)網(wǎng)絡獲取的傳感器信息進行融合，獲得相應網(wǎng)絡參數(shù)；可將知識規(guī) 則轉(zhuǎn)換成數(shù)字形式，便于建立知識庫；不用建立系統(tǒng)精確的數(shù)學模型，非常適 合于非線性測試情況；具有大規(guī)模并行處理的能力，使得系統(tǒng)信息處理速度非 ?？?，并且，具有很強的容錯性和魯棒性?；谏窠?jīng)網(wǎng)絡的信息融合實質(zhì)上是一個不確定性推理過程。充分利用外部環(huán) 境的信息，實現(xiàn)知識的自動獲取以及在此基礎上進行聯(lián)想推理。經(jīng)過大量的學習 和推理，將不確定環(huán)境的復雜關系融合為系統(tǒng)能夠理解的符號。神經(jīng)網(wǎng)絡的研究 對于多傳感器信息融合提供了一種很好的方法，其非線性逼近能力在信息融合 中非常引人注目，通常采用的是三層感知器模型和BP算法。目前，在移動機器人多傳感器信息融合中，神經(jīng)網(wǎng)絡主要用于對移動機器 人目標