信息融合技术

任何一个传感器都无法提供定位和导航系统等所要求的精确定位和位置信息。通常的解决方法（常常是获得所要求的可靠性和精度的唯一方法）是融合来自大量不同传感器的信息，每个传感器具有不同的性能和独立的故障方式。因此，定位模块一般集许多传感器于一体，各传感器彼此补偿，以满足普遍系统的总体要求。这就要求研究各种传感器、各种融合方法和算法。

1）信息融合技术概述

信息融合技术实质上是多传感器信息融合。所谓多传感器信息融合（Multi-Sensor Information Fusion，MSIF）就是利用计算机技术将来自多传感器或多源的信息和数据，在一定的准则下加以自动分析和综合，以完成所需要的决策和估计而进行的信息处理过程。

多传感器信息融合是针对处于不同位置的多个或者多种传感器的信息处理技术。随着传感器应用技术、数据处理技术、计算机软硬件技术和工业化控制技术的发展成熟，多传感器信息融合技术已成为一门热门、新兴的学科和技术。我国对多传感器信息融合技术的研究已经在工程上应用于信息的定位和识别等。相信随着科学的进步，多传感器信息融合技术会成为一门智能化、精细化数据信息图像等综合处理和研究的专门技术。

2）信息融合技术的基本原理和信息融合系统的体系结构

信息融合技术的基本原理就像人的大脑综合处理信息的过程一样，将各种传感器进行多层次、多空间的信息互补和优化组合处理，最终产生对观测环境的一致性解释。在这个过程中要充分地对多源数据进行合理支配与使用，而信息融合的最终目标则是基于各传感器获得的分离观测信息，通过对信息多级别、多方面的组合导出更多有用信息。这不仅利用了多个传感器相互协同操作的优势，而且也综合处理了其他信息源的数据来提高整个传感器系统的智能化。

根据数据处理方法的不同，信息融合系统的体系结构有三种：分布式、集中式和混合式。

（1）分布式：分布式先对各个独立传感器所获得的原始数据进行局部处理，然后再将结果送人信息融合中心进行智能优化组合来获得最终的结果。分布式对通信带宽的需求低、计算速度快、可靠性和延续性好，但跟踪的精度却远没有集中式高。

（2）集中式：集中式将各传感器获得的原始数据直接送至中央处理器进行融合处理，可以实现实时融合，其数据处理的精度高、算法灵活，缺点是对处理器的要求高、可靠性较低、数据量大，故难以实现。

（3）混合式：混合式是分布式和集中式的混合形式。

3）信息融合技术的基本原理和信息融合系统的体系结构

多传感器集成和融合给一个系统提供额外的益处，这包括坚固的操作性能、空间覆盖的扩展、时间覆盖的扩展、可信度的增强、性能的改进、空间分辨率的增强、系统操作的可靠性、维数的增加、各种设备的充分利用以及模糊的减少等。大多数融合方法明显地或隐含地产生某些假设，如果假设的传感器模型不能恰当地描述来自真实传感器的数据，则一个完美的传感器模型和评价理论也不可能产生所期望的结果。

（1）简单滤波法。

由于误差传播，许多不同的误差滤波方法被采用，一种方法是数字滤波器。低通滤波器可用于减少其他磁场对罗盘的影响。高通滤波器可用于消除由里程表漂移产生的误差。可把这两种过滤器的输出集成获得来自定位模块的输出。

（2）卡尔曼滤波（ＫF）法。

卡尔曼滤波处理信息的过程一般为预估和纠正，其不仅是个简单具体的算法，而且也是一种非常有用的系统处理方案。事实上，它与很多系统处理信息数据的方法类似，它利用数学上迭代递推计算的方法为融合数据提供行之有效的统计意义下的最优估计，但是对存储的空间和计算要求很少，适合于对数据处理空间和速度有限制的环境。

卡尔曼滤波器利用测量模型的统计特性递归地估算融合数据。这些数据在统计意义上讲是最优的。如果系统能用线性模型描述且系统和传感器误差能用高斯白噪声模型化，则卡尔曼滤波器将在统计上提供融合数据的最优估值。由于滤波器的递归性质，它能在没有存储任何历史数据的情况下使用，也能用于把定位模块和地图匹配模块所确定的位置结合起来产生最佳的位置估算。卡尔曼滤波器能用来融合多传感器的测量结果，提供系统当前状态的估算和系统未来状态的预测。

卡尔曼滤波法分为集中式（标准式）卡尔曼滤波和分散式卡尔曼滤波两种方法，分别如图3-14（a）和图3-14（b）所示。集中式卡尔曼滤波产生所有传感器输人和输出的完备解，而分散式卡尔曼滤波使用每个传感器局部滤波和主滤波来融合所有的传感器。当把集中式滤波器应用到多传感器系统或嵌人局部滤波的系统时，研究表明它可能导致繁重的计算负担、低劣的容错和级联滤波器结构没有能力处理前置滤波数据。最近几年，许多分散式卡尔曼滤波已被引人以改进容错能力。

图3-14　卡尔曼滤波

（a）集中式卡尔曼滤波；（b）分散式卡尔曼滤波

（3）人工神经网络法。

这种方法通过模仿人脑的结构和工作原理以传感器获得的数据作为网络的输人，通过网络的训练在相应的机器或者模型上完成一定的智能任务来消除非目标参量的干扰。神经网络法对于消除多传感器在协同工作中所受到的各方面因素的相互交叉影响效果明显，而且它编程简便，输出稳定。

（4）其他融合方法。

许多其他技术已经被设计用于传感器融合。本书没有提到的许多技术常常用于图像处理和图像识别，且对增强视觉非常有用，甚至允许自动驾驶。某些技术已经被提出并投人实际使用。

模糊逻辑可用于表示推理（或融合）过程的不确定性，进行明确的决策。分布式黑板结构可用于减少融合过程中传感器之间的通信。加权平均可用于求冗余信息的平均值。利用统计决策理论可根据噪声的概率分布建立传感器噪声模型。利用贝叶斯估计（贝叶斯推理）可基于概率理论规则把传感器信息结合起来。Dempster-Shafer证据推理可用于扩展贝叶斯估计。产生式规则可用于传感器信息和属性之间关系的符号表示，这种关系可从专家系统的部分信息推导出来。

多传感器信息融合技术的应用领域广泛，其不仅应用于军事，在民事应用方面也有很大的空间。军事应用是多传感器信息融合技术诞生的奠基石，具体应用包括海洋监视系统和军事防御系统。在民事应用方面，其主要用于智能处理以及工业化控制，智能处理包括医药方面的机器人微型手术和疾病监测，尤其是智能家居等方面。

信息融合系统是一个具有强烈不确定性的复杂大系统，其处理方法受到现有理论、技术、设备的限制。虽然这是一门新兴的学科，很多理论还不健全，但随着各种新兴的相关科学技术的发展，它将不断完善，并产生更多的实用价值。