多传感器信息融合技术

14.5　多传感器信息融合技术

14.5.1　多传感器信息融合的基本概念和原理

多传感器信息融合（Information Fusion）有时亦称为数据融合（Data Fusion），它是多维信息综合处理的一项新技术，是当前信息领域的一个十分活跃的研究热点。多传感器信息融合是指通过多类同构或异构传感器数据进行综合（集成或融合），从而获得比单一传感器更多的信息，形成比单一信源更可靠、更完全的融合信息。它突破单一传感器信息表达的局限性，避免单一传感器的信息盲区，提高了多源信息处理结果的质量，有利于对事物的判断和决策。例如，在人的双眼视物过程中，每一个眼睛在同一时刻都得到观察对象的一个平面图象，但是这两幅平面图象信息经过大脑进行信息融合后，就会形成观察对象的三维立体图象。

传感器信息融合技术从多信息的视角进行信息处理及综合，得到各种信息的内在联系和规律，从而剔除无用的和错误的信息，保留正确的和有用的成分，最终实现信息的优化。因此，信息融合同传统的信息集成有着本质的区别，信息集成是指把来自各种各类传感器的信息进行综合统一，它强调的是系统中的不同数据的转换与流动的总体结构，而信息融合则强调的是数据转移与合并中的具体方法与步骤，强调的是执行结果的信息优化，目的是得到高品质的有用信息，最后得到有利于决策的、对被感知对象更加精确的描述。经过融合后的传感器信息具有以下特征:信息冗余性，信息互补性，信息实时性，信息获取的低成本性。

图14-32　多传感器信息融合的基本原理

多传感器信息融合的基本原理就是像人脑综合处理信息一样，充分利用多个传感器资源，通过对这些传感器及其观测信息的合理支配和使用，把多个传感器在空间或时间上的冗余或互补信息以及某种准则来进行组合，以获得被测对象的一致性解释和描述。信息融合的目标是通过数据组合而不是出现在输入信息中的任何个别元素，推导出更多的信息，这是最佳协同作用的结果，即利用多个传感器共同或联合操作的优势，提高传感器系统的功能，其基本原理如图14-32所示。

14.5.2　多传感器信息融合的结构模型

1.多传感器信息融合的空间结构

在许多实际应用中，传感器配置在不同的环境中，根据信息融合处理方式的不同，可以将信息融合分为集中式、分布式和混合式三种。

集中式是指各传感器获取的信息未经任何处理，直接传送到信息融合中心，进行组合和推理，完成最终融合处理。这种结构适用于同构平台的多传感器信息融合，其优点是信息处理损失较小，缺点是对通信网络带宽要求较高。

分布式是指在各传感器处完成一定量的计算和处理任务之后，将压缩后的传感器数据传送到融合中心，在融合中心将接收到的多维信息进行组合和推理，最终完成融合。这种结构适合于远距离配置的多传感器系统，不需要过大的通信带宽，但有一定的信息损失。

混合式是兼有集中式和分布式的特点，既有经处理后的传感器数据送到融合中心，也有未经处理的传感器数据送到融合中心。混合式能够根据不同情况灵活设计多传感器的信息融合处理系统。但是这种结构系统性能的稳定性较差。

上述三种信息融合结构的优缺点列于表14-4。从表14-4看出，三种方式均有各自的特点，但是分布式结构具有造价低，可靠性高，生成能力强等优点，而且对传感器间的通信带宽没有过于苛刻的要求。因此，在许多应用中，分布式结构具有相当的吸引力。

表14-4　三种融合结构的特点

2.多传感器信息融合的层次结构

信息融合按其在多传感器信息处理层次中的抽象程度，可分为数据层、特征层和决策层三个层次的信息融合。

图14-33　多传感器信息的数据层融合结构

数据层融合如图14-33所示，首先将全部传感器的观测数据融合，然后从融合的数据中提取特征向量，并进行判断识别。这便要求传感器是同质的（传感器观测的是同一物理现象），如果多个传感器是异质的（观测的不是同一个物理量），那么数据只能在特征层或决策层进行融合。数据层融合保留了尽可能多的原始信息，具有最好的精度，可以给人更加直观、全面的认识，但这种融合方式的数据处理量大，实时性差。特征层融合如图14-34所示，每种传感器提供从观测数据中提取的有代表性的特征，这些特征融合成单一的特征向量，然后运用模式识别的方法进行处理。因此，在融合前实现了一定的信息压缩，有利于实时处理。同时，这种融合可以保持目标的重要特征，提供的融合特征直接与决策推理有关，基于获得的联合特征矢量能够进行目标的属性估计，其缺点是融合精度比数据层差。

图14-34　多传感器信息的特征层融合结构

图14-35　多传感器信息的决策层融合结构

决策层融合是指在每个传感器对目标做出识别后，将多个传感器的识别结果进行融合，最终得到整体一致的决策，如图14-35所示。这种层次所使用的融合数据相对是一种最高的属性层次。这种融合方式具有好的容错性和实时性，可以应用于异质传感器，而且在一个或多个传感器失效时也能正常工作。其缺点是预处理代价高。

上述三种信息融合层次的优缺点列于表14-5。从表14-5看出，数据层融合能够提供目标的细微信息，但所要处理的信息量大，处理代价高，通信量大，抗干扰能力差。决策层融合的优点是容错性强，通信量小，抗干扰能力强，可应用于异质传感器，其缺点是预处理花费大。特征层融合则兼顾了数据层融合和决策层融合的优缺点。总之，信息融合层次越高，用于融合的信息抽象性越强，对多传感器的同质性要求也越低。融合层次越低，融合后信息保持目标的细微信息越多，但融合处理量大，对各信息间的配准性要求高。因此，融合模型的选择主要取决于应用背景和对信息融合处理的要求。

表14-5　三种融合层次的性能比较

除上述3层融合结构外，还有以输入输出数据类型进行分类的方式:数据入-数据出融合，特征入-特征出融合，决策入-决策出融合，数据入-特征出融合，特征入-决策出融合，数据入-决策出融合。

14.5.3　多传感器信息融合的一般方法

目前信息融合算法有上百种，但无一种通用的算法能对各种传感器信息进行融合处理，一般都是依据具体的应用场合而定。在多传感器信息融合过程中，信息处理的基本过程包括相关、估计和识别。相关处理要求对多信息的相关性进行定量分析，按照一定的判断原则，将信息分成不同的集合，每个集合中的信息源都与同一源（目标或事件）关联，其处理方法通常有:最近邻法则、最大似然法、统计关联法、聚类分析法等；估计处理是通过对各种已知信息的综合处理来实现对待测参数及目标状态的估计，其处理方法通常有:最小二乘法、最大似然法、卡尔曼滤波法等；识别技术包括物理模型识别技术、参数分类识别技术、神经网络及专家系统等。

常用的多传感器信息融合算法有:

（1）加权平均法

这是一种最简单最直观的数据层融合方法，即将多个传感器提供的冗余信息进行加权平均后作为融合值。该方法能实时处理动态的原始传感器读数，但调整和设定权系数的工作量很大，并带有一定的主观性。

（2）聚类分析法

根据事先给定的相似标准，对观测值分类，用于真假目标分类、目标属性判别等。

（3）贝叶斯（Bayes）估计法

是融合静态环境中多传感器底层数据的一种常用方法，融合时必须确保测量数据代表同一实体（即需要进行一致性检验），其信息不确定性描述为概率分布，需要给出各个传感器对目标类别的先验概率，具有一定的局限性。

（4）多贝叶斯估计法

将环境表示为不确定几何物体的集合，对系统的每个传感器做一种贝叶斯估计，将每个单独物体的关联概率分布组合成一个联合后验概率分布函数，通过队列的一致性观察来描述环境。

（5）卡尔曼滤波法

用于实时融合动态的底层冗余传感器数据，用模型的统计特性递推决定统计意义下最优的融合数据计。它的递归本质保证了在递归过程中不需要大量的存储空间，可以实时处理；它适合用于数值稳定的线性系统，若不符合此条件，则采用扩展卡尔曼滤波器。

（6）统计决策理论

将信息的不确定性表示为可加噪声，先对多传感器数据进行鲁棒假设测试，以验证其一致性；再利用一组鲁棒最小最大决策规则对通过测试的数据进行融合。

（7）Shafer-Dempster证据推理

是贝叶斯方法的推广，用置信区间描述传感器信息，满足比贝叶斯概率理论更弱的条件，是一种在不确定条件下进行推理的强有力的方法，适用于决策层融合。

（8）带有置信因子的产生式规则

用符号表达传感器信息和目标属性之间的关系，将不确定性描述为置信因子。此方法的缺点是当系统条件发生变化时（如引入新的传感器），需要修改规则。

（9）专家系统

模拟专家的经验知识、决策及推理过程，采用知识库技术，产生一系列规则，从而完成目标的识别分类、势态评估等。

（10）人工神经网络和模糊推理

神经网络和模糊推理是近年来用于多传感器融合的计算智能新方法。

以上各种算法对信息类型、观测环境都有不同的要求，且各自存在优缺点，在具体应用时需要根据系统的实际情况综合运用。

14.5.4　多传感器信息融合实例

传感器信息融合技术在机器人特别是移动机器人领域有着广泛的应用。自主移动机器人是一种典型的、装备有多种传感器的智能机器人系统。当它在未知和动态的环境中工作时，将多传感器提供的信息进行融合，从而准确快速地感知环境。

图14-36　多传感器信息融合自主移动装配机器人

图14-36为Stanford大学研制的移动装配机器人系统，它能实现多传感器信息的集成与融合。其中，机器人在未知或动态环境中的自主移动建立在视觉（双摄像头）、激光测距和超声波传感器融合的基础上；而机械手装配作业的过程则建立在视觉、触觉和力觉传感器信息融合的基础上。该机器人采用信息融合结构为集中式结构。

在机器人自主移动过程中，用多传感器信息建立未知环境的模型，该模型为三维环境模型。它采用分层表示，最底层环境特征（如环境中物体的长度、宽度、高度、距离等）与传感器提供的数据一致；高层是抽象的和符号表示的环境特征（如道路、障碍物、目标等的分类表示）。其中，视觉传感器提取的环境特征是最主要的信息，视觉信息还用于引导激光测距传感器和超声波传感器对准被测物体。激光测距传感器在较远距离上获得物体较精确的位置，而超声波传感器用于检测近距离物体。以上三种传感器分别得到环境中同一对象在不同条件下的近似三维表示。当将三者在不同时刻测量的距离数据融合时，每个传感器的坐标框架首先变换到共同的坐标框架中，然后采用以下三种不同的方法得到机器人位置的精确估计:参照机器人本身的相对位置定位法；目标运动轨迹记录法；参照环境静坐标的绝对位置定位法。每一种方法都可以互相补充、校正并减少其他方法中的误差和不确定性。最后，信息融合采用Bayes估计和扩展的卡尔曼滤波确定三维物体相对于机器人的准确位置和物体的表面结构形状，并完成对物体的识别。不同传感器产生的信息在经过融合后得到的结果，还用于选择恰当的冗余传感器测量物体，以减少信息计算量以及进一步提高实时性和准确性。

在机器人装配作业过程中，信息融合则是建立在视觉、触觉、力觉传感器基础上的。装配过程表示为由每一步决策确定的一系列阶段。整个过程的每一步决策有传感器信息融合来实现。其中视觉传感器用于识别具有规则几何形状的零件以及零件的定位，即用摄像头识别两维零件并判定位置；力觉传感器检测机械手末端与环境的接触情况以及接触力的大小，从而提供接触物体的准确位置；视觉与主动触觉相结合用于识别缺少可识别特征的物体，如无规则几何形状的零件；此外，力觉传感器还用于提供高精度轴孔匹配、零件传送和放置中的信息。上述各种传感器通过一定的信息融合算法提供装配作业过程的决策信息。