《传感器信息融合和应用论文正稿》由会员分享，可在线阅读，更多相关《传感器信息融合和应用论文正稿（24页珍藏版）》请在金锄头文库上搜索。
1、. . .传感器融合理论及应用传感器信息融合及其应用综述指导教师： 姓 名： 专 业： 学 号： 传感器信息融合及其应用综述1引言近年来,多传感器信息融合技术不论在军事领域还是在民事领域都受到了广泛的关注。这一技术正广泛应用于自动目标识别、战场监视、自动飞行器导航、机器人、遥感、医疗诊断、图像处理、模式识别和复杂工业过程控制等领域。多传感器数据融合是指对不同知识源和传感器采集的数据进行融合,以实现对观测现象更好地理解。从表面上看,多传感器融合的概念很直观,但实际上要真正实现一个多传感器融合系统是比较困难的。异质传感器数据的建模、协同与解释都是富有挑战性的工作。尽管有很多困难,但由于多传感器融合
2、系统具有改善系统性能的巨大潜力,人们还是投入了大量的精力进行研究。传感器是智能机器与系统的重要组成部分,其作用类似于人的感知器官,可以感知周围环境的状态,为系统提供必要的信息。例如,一个机器人可以通过位置传感器获得自身当前的位置信息,为下一步的运动任务提供服务。通过传感器可以将系统的输入和输出联系在一起,构成一个闭环的控制回路,这对实际应用有着极其重要的意义。随着工作环境与任务的日益复杂,人们对智能系统的性能提出了更高的要求。单靠一个位置传感器无法消除由于其自身的累积误差对系统造成的影响。另外单个传感器往往无法满足某些系统对鲁棒性的要求。显然,解决这些问题的一种有效途径就是多传感器技术。多传感
3、器技术的使用可以提高系统的性能,但在实际应用中还存在许多问题。目前,针对这些问题的研究已经形成了一个新的研究领域,即多传感器集成与融合。虽然这方面的研究只有短短十几年,但已经取得了许多研究成果,其中多传感器融合的研究更是受到人们的重视,并且已经成为目前该领域的研究热点之一。和国外的研究相比,国内在多传感器融合方面的研究尚处于初始阶段,对这方面系统介绍的文献也相对较少。此外,多传感器融合是一个复杂的信息处理过程,所要研究的问题多,而且解决问题的方法也很多,因此有必要对目前的研究情况进行系统的介绍。图1是多传感器数据融合的示意图,传感器之间的冗余数据增强了系统的可靠性,传感器之间的互补数据扩展了单
4、个的性能。一般而言,多传感器融合系统具有以下优点:1)提高系统的可靠性和鲁棒性;2)扩展时间上和空间上的观测范围;3)增强数据的可信任度; 4)增强系统的分辨能力。图1在设计多传感器融合系统时,应考虑以下一些基本问题:1)系统中传感器的类型、分辨率、准确率;2)传感器的分布形式;3)系统的通信能力和计算能力;4)系统的设计目标;5)系统的拓扑结构(包括数据融合层次和通信结构)。2问题描述单传感器系统结构如图2所示。单个传感器在某一采样时刻只能获取一组数据,由于数据量少,所以经过处理得到的信息只能用来描述环境的局部特征,在实际应用中单传感器系统往往被认为是一个单入单出的系统。与单传感器系统相比,
5、多传感器系统的结构要复杂得多,如图3。多传感器系统通过多个传感器(可以为同构,也可以为异构)获得更多种类和数量的传感数据,因此经过处理得到的多种信息能够对环境进行更加全面的描述,在实际应用中多传感器系统可以被理解为一个多入多出的系统(包括多入单出系统)。这种结构上的差异导致了多传感器系统的处理过程比单传感器系统更加复杂,其中多传感器融合是整个处理过程中一个重要的组成部分,如图4。图2图3图4在多传感器融合中,包含了大量的不确定信息。首先,无论哪种传感器,其测量数据都会存在一定的误差,造成误差的原因可能是环境中的不确定性,如噪声;也可能是传感器本身存在的问题,如传感器故障或者模型偏差。因此从这样
6、的测量数据中提取的信息必然具有某种不确定性(如随机性)。其次,验前信息是根据系统以往行为得到的一种经验信息,可以是人工产生的,也可以由系统自身产生,它也具有一定不确定性(如模糊性)。以上这些具有不确定性的信息统称为不确定信息。除了上面介绍的两种情况外,在处理过程中由于信息的损失也会产生新的不确定信息。多传感器融合的研究对象就是这些不确定信息,通过融合处理可以降低信息的不确定性,提高对环境特征描述的准确性。研究表明,经融合处理得到的结果比单个传感器得到的结果更准确,同时信息的冗余还可以提高整个系统自身的鲁棒性。多传感器融合是一个复杂的不确定信息处理过程,有待解决的问题很多。2.1信息描述空间的不
7、同在多传感器系统中,每个传感器得到的信息都是某个环境特征在该传感器空间中的描述。由于各传感器物理特性以及空间位置上的差异,造成这些信息的描述空间各不相同,因此很难对这样的信息进行融合处理。为了保证融合处理的顺利进行,必须在融合前对这些信息进行适当的处理,将这些信息映射到一个共同的参考描述空间中,然后进行融合处理,最后得到环境特征在该空间上的一致描述。例如,在一个多传感器系统中,可以通过视觉传感器得到物体位置信息,也可以用超声波传感器得到物体的位置信息。由于坐标系不同,因此在融合前必须将它们转换到同一个参考坐标系中,然后进行融合处理。这里值得注意的是,信息的不确定性给这个问题的解决带来了许多困难
8、。Durrant-Whyte在文中曾提出了一种不确定几何学的理论框架,它能够有效地解决不确定几何体在不同坐标空间中的变换,这一方法还在文中得到了应用。但这种方法仅限于几何信息的处理。2.2数据关联与时间同步问题融合处理的前提条件是从每个传感器得到的信息必须是对同一目标的同一时刻的描述。这包括两个方面,首先要保证每个传感器得到的信息是对同一目标的描述,比如同一物体的位置信息。在多传感器融合中,这被称之为数据关联(Data associ-ation)。其次,要保证各传感器之间应该在时间上同步。在动态工作环境下,同步问题表现得尤为突出。文利用序列的方法来解决时变观测(Time-variant obs
9、ervation)的同步问题。是值得研究的问题。在这方面,专家系统和数据挖掘技术为解决这些问题提供了很好的思路。2.3验前信息验前信息也是多传感器融合所要处理的内容之一。它与其他信息不同,它可以被用于多传感器融合的各个阶段,对多传感器融合起着重要的作用。因此,如何将验前信息与多传感器融合有机地结合以及在动态环境下如何获取、更新验前信息都2.4融合方法多传感器融合的实质是不确定信息的处理,它需要能够处理不确定信息的数学工具。要解决融合问题,首先要用具体的数学形式来描述不确定信息,然后用相应的数学工具来处理。因此,不确定信息的不同表示方法对应着不同种类的融合方法。例如,与随机信息相对应的是基于概率
10、统计的融合方法;与模糊信息相对应的是基于模糊逻辑的融合方法。除了不确定性给处理带来的困难外,多种不同形式的不确定性并存也给多传感器融合带来了很大的困难。此外,还要考虑应用环境对融合方法的进一步要求,即适用于动态与未知环境下的融合方法。2.5融合结构多传感器融合具有明显的层次结构,如图3所示,在从左到右的处理过程中,信息会变得越来越抽象,高层的信息可以看成是从多个低层信息中抽象出来的,例如,可以从两幅图像中得到物体的深度信息。虽然层次结构为多传感器融合提供了灵活性,但同时也带来了一些问题,比如信息损失等。在这些所要解决的问题中,有些是在特殊应用环境下提出的。然而作为多传感器融合的本质问题,无论是
11、理论研究还是实际应用,融合方法都是多传感器融合所研究的重点。3多传感器融合方法作为多传感器融合的研究热点之一,融合方法一直受到人们的重视,这方面国外已经作了大量的研究,并且提出了许多融合方法。目前,这些方法大致可分为两大类:概率统计方法和人工智能方法。其中人工智能方法又可以分为两种:逻辑推理方法和学习方法。3.1概率统计方法概率论已有很长的历史,它成功地处理了许多与不确定性有关的问题,有丰富的理论和系统的方法。它所研究的现象是随机的,用随机变量来表示不确定信息(随机信息),将概率统计方法作为不确定信息处理的手段。在多传感器融合中,常采用的与概率统计有关的方法包括:估计理论、卡尔曼滤波、假设检验
12、、贝叶斯方法,统计决策理论以及其他变形的方法。其中,文对卡尔曼滤波、贝叶斯估计、多贝叶斯方法和统计决策理论做了简单的介绍,其他方法可以在本文所列举的参考文献中找到。概率统计方法可以在融合的各个层次上使用。尽管概率统计方法已经成为多传感器融合研究中不可缺少的工具,但是在不确定性推理中仍然存在一些问题。这主要有两方面的原因,首先,概率论本身存在着缺陷。目前,对概率存在两种不同的解释,一种是客观概率,即事件发生的频率;另一种是主观概率,即人的信念。这两者既存在着联系,又存在着差异和矛盾。此外,概率论在传统框架下无法综合不同信息所表示信念。张尧庭等人讨论了概率论存在的问题,并且介绍了两种改进的概率方法
13、,即似然比推理和信任函数理论。这两种方法可以在一定程度上克服传统概率方法所存在的问题。其次,在许多融合方法中,往往对传感信息的性质做了一些明确的假设,最常见的假设就是每个传感器所采用的测量模型都包含一附加的白噪声项,同时假设各个传感器之间相互独立。可是在实际应用中这一假设很难满足,这对概率统计方法的实际应用会造成影响。此外,由于许多概率统计方法都是基于一个确定的概率分布,因此大多数概率统计方法只适合于静态的工作环境。3.2逻辑推理逻辑推理包括概率推理、证据推理、模糊推理、和产生式规则等。它们都属于不确定性推理,是人工智能研究中最为活跃的研究领域之一。不确定性推理的方法,首先需要对不确定信息进行
14、表示(或度量)、不同的表示方法即构成不同的不确定性推理的方法。对人工智能中的不确定性进行了深入的讨论。对不确定性推理原理进行了详细的讨论,并且提出了包含度理论。包含度理论不仅是研究不确定性推理的一般原理,而且是研究不确定现象的方法学。分别给出了模糊方法和D-S证据理论在多传感器数据融合中的应用。介绍了产生式规则在多传感器融合中的应用。此外,Luo和Kay还对D-S证据理论、模糊逻辑和产生式规则进行了比较,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
15、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。和概率统计方法一样,逻辑推理在实际应用中也存在一些问题。例如,证据组合规则是D-S证据理论的核心,但在应用中要求满足组合证据之间相互独立,这在实际应用中往往难以满足。针对这一问题对D-S证据理论做了一些改进。4 数据融合技术的理论方法数据融合的关键问题是模型设计和融合算法,数据融合模型主要包括功能模型、结构模型和数学模型。功能模型从融合过程出发,描述数据融合包括哪些主要功能和数据库,以及进行数据融合时系统各组成部分之间的相互作用过程;结构模型从数据融合的组成出发,说明数据融合系统的软、硬件组成,相关数据流、系统与外部环境的人机界面;数学模型是数据融合的算法和综合逻辑,算法主要包括分布检测、空间融合、属性融合、态势评估和威胁估计算法等,下面从3个方面分别进行介绍。1)信息融合的功能模型 目前已有很多学者从不同角度提出了信息融合系统的一般功能模型,最有权威性的是DFS (美国三军政府组织)实验室理事联席会(JDL)下面的C3I技术委员会(TPC3)数据融合专家组)提出的功能模型。该模型把数据融合分为3级。第1级是单源或多源处理,主要
