【深度】多傳感器融合技術(shù)簡(jiǎn)介

隨著(zhù)機器人技術(shù)的不斷發(fā)展，機器人的應用領(lǐng)域和功能有了極大的拓展和提高。智能化已成為機器人技術(shù)的發(fā)展趨勢，而傳感器技術(shù)則是實(shí)現機器人智能化的基礎之一。由于單一傳感器獲得的信息非常有限，而且，還要受到自身品質(zhì)和性能的影響，因此，智能機器人通常配有數量眾多的不同類(lèi)型的傳感器，以滿(mǎn)足探測和數據采集的需要。若對各傳感器采集的信息進(jìn)行單獨、孤立地處理，不僅會(huì )導致信息處理工作量的增加，而且，割斷了各傳感器信息間的內在聯(lián)系，丟失了信息經(jīng)有機組合后可能蘊含的有關(guān)環(huán)境特征，造成信息資源的浪費，甚至可能導致決策失誤。為了解決上述問(wèn)題人們提出了多傳感器融合技術(shù)(multi-sensorfusion)。

概述

多傳感器融合又稱(chēng)多傳感器信息融合(multi-sensor information fusion)，有時(shí)也稱(chēng)作多傳感器數據融合(multi-sensor data fusion)，于1973年在美國國防部資助開(kāi)發(fā)的聲納信號處理系統中被首次提出，它是對多種信息的獲取、表示及其內在聯(lián)系進(jìn)行綜合處理和優(yōu)化的技術(shù)。它從多信息的視角進(jìn)行處理及綜合，得到各種信息的內在聯(lián)系和規律，從而剔除無(wú)用的和錯誤的信息，保留正確的和有用的成分，最終實(shí)現信息的優(yōu)化，也為智能信息處理技術(shù)的研究提供了新的觀(guān)念。

多傳感器融合的層次結構

多傳感器融合在結構上按其在融合系統中信息處理的抽象程度，主要劃分為三個(gè)層次:數據層融合、特征層融合和決策層融合。

1.數據層融合：也稱(chēng)像素級融合，首先將傳感器的觀(guān)測數據融合,然后從融合的數據中提取特征向量,并進(jìn)行判斷識別。數據層融合需要傳感器是同質(zhì)的(傳感器觀(guān)測的是同一物理現象),如果多個(gè)傳感器是異質(zhì)的(觀(guān)測的不是同一個(gè)物理量),那么數據只能在特征層或決策層進(jìn)行融合。數據層融合不存在數據丟失的問(wèn)題,得到的結果也是最準確的,但計算量大，且對系統通信帶寬的要求很高。

2.特征層融合：特征層融合屬于中間層次，先從每種傳感器提供的觀(guān)測數據中提取的有代表性的特征,這些特征融合成單一的特征向量,然后運用模式識別的方法進(jìn)行處理。這種方法的計算量及對通信帶寬的要求相對降低,但由于部分數據的舍棄使其準確性有所下降。

3.決策層融合：決策層融合屬于高層次的融合，由于對傳感器的數據進(jìn)行了濃縮,這種方法產(chǎn)生的結果相對而言最不準確,但它的計算量及對通信帶寬的要求最低。

對于特定的多傳感器融合系統工程應用,應綜合考慮傳感器的性能、系統的計算能力、通信帶寬、期望的準確率以及資金能力等因素,以確定哪種層次是最優(yōu)的。另外,在一個(gè)系統中,也可能同時(shí)在不同的融合層次上進(jìn)行融合。

多傳感器融合的算法

融合算法是融合處理的基礎。它是將多元輸入數據根據信息融合的功能要求,在不同融合層次上采用不同的數學(xué)方法,對數據進(jìn)行綜合處理,最終實(shí)現融合。目前已有大量的融合算法,它們都有各自的優(yōu)缺點(diǎn)。這些融合算法總體上法可以分為三大類(lèi)型：嵌入約束法、證據組合法、人工神經(jīng)網(wǎng)絡(luò )法。

1.嵌入約束法

由多種傳感器所獲得的客觀(guān)環(huán)境的多組數據就是客觀(guān)環(huán)境按照某種映射關(guān)系形成的像，傳感器信息融合就是通過(guò)像求解原像，即對客觀(guān)環(huán)境加以了解。用數學(xué)語(yǔ)言描述就是，即使所有傳感器的全部信息，也只能描述環(huán)境的某些方面的特征，而具有這些特征的環(huán)境卻有很多，要使一組數據對應惟一的環(huán)境(即上述映射為一一映射)，就必須對映射的原像和映射本身加約束條件，使問(wèn)題能有惟一的解。嵌入約束法有兩種基本的方法：貝葉斯估計和卡爾曼濾波。

2.證據組合法

證據組合法認為完成某項智能任務(wù)是依據有關(guān)環(huán)境某方面的信息做出幾種可能的決策，而多傳感器數據信息在一定程度上反映環(huán)境這方面的情況。因此，分析每一數據作為支持某種決策證據的支持程度，并將不同傳感器數據的支持程度進(jìn)行組合，即證據組合，分析得出現有組合證據支持程度最大的決策作為信息融合的結果。

證據組合法是為完成某一任務(wù)的需要而處理多種傳感器的數據信息。它先對單個(gè)傳感器數據信息每種可能決策的支持程度給出度量(即數據信息作為證據對決策的支持程度)，再尋找一種證據組合方法或規則，使在已知兩個(gè)不同傳感器數據(即證據)對決策的分別支持程度時(shí)，通過(guò)反復運用組合規則，最終得出全體數據信息的聯(lián)合體對某決策總的支持程度，得到最大證據支持決策，即傳感器信息融合的結果。

常用的證據組合方法有：概率統計方法、D-S(Dempster-Shafer)證據推理法。

3.人工神經(jīng)網(wǎng)絡(luò )法

人工神經(jīng)網(wǎng)絡(luò )通過(guò)模仿人腦的結構和工作原理，設計和建立相應的機器和模型并完成一定的智能任務(wù)。神經(jīng)網(wǎng)絡(luò )根據當前系統所接收到的樣本的相似性，確定分類(lèi)標準。這種確定方法主要表現在網(wǎng)絡(luò )權值分布上，同時(shí)可采用神經(jīng)網(wǎng)絡(luò )特定的學(xué)習算法來(lái)獲取知識，得到不確定性推理機制。采用神經(jīng)網(wǎng)絡(luò )法的多傳感器信息融合，分三個(gè)主要步驟：

(1).根據智能系統要求及傳感器信息融合的形式，選擇其拓撲結構;

(2).各傳感器的輸入信息綜合處理為一總體輸入函數，并將此函數映射定義為相關(guān)單元的映射函數,通過(guò)神經(jīng)網(wǎng)絡(luò )與環(huán)境的交互作用把環(huán)境的統計規律反映網(wǎng)絡(luò )本身的結構;

(3).對傳感器輸出信息進(jìn)行學(xué)習、理解，確定權值的分配，進(jìn)而對輸入模式作出解釋?zhuān)瑢⑤斎霐祿蛄哭D換成高級邏輯(符號)概念。

前景展望

在多傳感器融合技術(shù)中，融合結構、融合算法都占有重要地位。隨著(zhù)多傳感器融合研究與應用的深入,未來(lái)的多傳感器融合將會(huì )是一個(gè)更加復雜的信息處理過(guò)程,不僅包括許多具體的算法,而且結構也比較復雜。如何根據實(shí)際應用將算法與結構有機地結合在一起,為整個(gè)融合系統提供更加有效的融合策略,這是未來(lái)多傳感器融合研究所要解決的主要問(wèn)題。目前已有大量的融合算法,它們都存在各自的優(yōu)缺點(diǎn),需要通過(guò)合理的融合結構將這些算法組合在一起,使其揚長(cháng)避短,構成更加有效的融合方法。另外,多傳感器融合還將面臨一個(gè)難題,那就是動(dòng)態(tài)與未知環(huán)境下的融合問(wèn)題，這無(wú)疑會(huì )對融合方法提出更高的要求。這不僅需要性能更好的融合算法,而且需要更加靈活的融合結構,提高融合系統的自適應性和魯棒性。