《多传感器信息融合综述》由会员分享，可在线阅读，更多相关《多传感器信息融合综述（10页珍藏版）》请在金锄头文库上搜索。
1、1. 多传感器信息融合概念多传感器信息融合是指综合来自多个传感器的感知数据 ，以产生更可靠、更准确 或更 精确的信息。经过融合的多传感器系统能完善地、精确地反映检测对象特性， 消除信息 的不确定性，提高传感器的可靠性。经过融合的多传感器信息具有以下 特性：信息的 冗余性、信息的互补性、信息的实时性和信息的低成本性。2. 多传感器信息融合分类按融合判断方式分类（1） 硬判决方式硬判决方式设置有确定的预置判决门限。 只有当数据样本特征量达到或超过预置 门限 时，系统才做出判决断言；只有当系统做出了确定的断言时， 系统才向更高 层次系统 传送“确定无疑”的判决结论。这种判决方式以经典的数理逻辑为基础
2、， 是确定性的。（2） 软判决方式 软判决方式不设置确定不变的判决门限。无论系统何时收到观测数据都要执行相 应分 析，都要做出适当评价，也都向更高层次系统传送评判结论意见及其有关信 息，包括评 判结果的置信度。这种评判不一定是确定无疑的，但它可以更充分地 发挥所有有用信息 的效用，使信息融合结论更可靠更合理。按传感器组合方式分类（1） 同类传感器组合 同类传感器组合只处理来自同一类传感器的环境信息， 其数据格式、信息内容都 完全相同，因而处理方式相对比较简单。（2） 异类传感器组合 异类传感器组合同时处理来自各种不同类型传感器采集的数据。 优点是信息内容 广泛，可以互相取长补短，实现全源信息相
3、关，因而分析结论更准确、更全面、 更可 靠，但处理难度则高很多。3 信息融合的系统结构信息融合的系统结构研究包含两部分，即信息融合的层次问题和信息融合的体 系结构。 融合的层次结构主要从信息的角度来分析融合系统，信息融合的体系结 构则主要是从硬 件的角度来分析融合系统。（1）信息融合的层次 信息融合系统可以按照层次划分，对于层次划分问题存在着较多的看法。目前较 为普遍 接受的是层次融合结构，即数据层、特征层和决策层。数据层融合是指将全部传感器的观测数据直接进行融合 ，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，如果传感器是 异质的，则 数据只能在特征层或者决策层
4、进行融合。数据层融合的优点是保持了 尽可能多的原始信 息，缺点是处理的信息量大，因而处理实时性较差。特征层融合是指将每个传感器的观测数据进行特征抽取以得到一个特征向 量，然后把这些特征向量融合起来，并根据融合后得到的特征向量进行身份判 定。特 征层融合对通信带宽的要求较低，但由于数据丢失使其准确性有所下降。决策层融合是指每个传感器执行一个对目标的识别 ，将来自每个传感器的 识别结果进行融合。该层次融合对通信带宽要求最低，但产生的结果相对来说最 不准确。信息融合的层次结构是按照信息抽象程度来划分的。在多传感器融合系统的 实际工 程应用中，应综合考虑传感器的性能、系统的计算能力、通信的带宽、期 望
5、的准确率以 及现有资金的能力，以确定采用哪种层次化系统结构模型或者混 合的层次模型。而基于 信息的层次结构的确定，可以为系统硬件体系结构的确定 打好基础。(2)信息融合的体系结构信息融合的硬件体系结构大致分为三类：集中式、分布式和混合式。集中式 是将各 传感器结点的数据都送到中央处理器进行融合处理。 该方法可以实现实时 融合，其数据处理的精度高、解法灵活，缺点是对处理器要求高、可靠性较低、 数据 量大，故难于实现。分布式是各传感器利用自己的量测单独跟踪目标，将估计结果送到总站，总站再将子站的估计合成为目标的联合估计。该方法对通信带 宽要求 低、计算速度快、可靠性和延续性好，但跟踪精度没有集中式
6、高。混合式 是将以上两种 形式进行组合,它可以在速度、带宽、跟踪精度和可靠性等相互影 响的各种制约因素之 间取得平衡，因此目前的研究着重于混合式结构。采用何种体系结构完全是为了满足各种不同的实际需要，在设计数据融合体系结构时，应根据确定的系统层次结构来确定相应的体系结构，同时还必须 考虑数 据通信、数据库管理、人机接口、传感器管理等许多支撑技术。4. 多传感器信息融合的一般方法信息融合的方法是多传感器信息融合的最重要的部分，由于其应用上的复杂性和多样性，决定了信息融合的研究内容极其丰富，涉及的基础理论较多。多 传感 器信息融合算法可以分为以下四类：估计方法、分类方法、推理方法和人工 智能方 法
7、，如图 1 所示。估计方法中加权平均法是信号级融合方法最简单、 最直观方法是加权平均法， 该方法将一组传感器提供的冗余信息进行加权平均，结果作为融合值，该方法是一种直接对数据源进行操作的方法。卡尔曼滤波主要用于融合低层次实时动态多 传感器 冗余数据。该方法用测量模型的统计特性递推 ，决定统计意义下的最优融 合和数据估计。如果系统具有线性动力学模型，且系统与传感器的误差符合高斯 白噪声 模型，则卡尔曼滤波将为融合数据提供唯一统计意义下的最优估计。卡尔 曼滤波的递推 特性使系统处理不需要大量的数据存储和计算。但是 ，采用单一的 卡尔曼滤波器对多传感器组合系统进行数据统计时 ，存在很多严重的问题，例
8、如: (1)在组合信息大量冗余的情况下，计算量将以滤波器维数的三次方剧增，实时性不能满足；(2)传感器子系统的增加使故障随之增加，在某一系统出现故障而没有 来得 及被检测出时，故障会污染整个系统，使可靠性降低。分类方法主要有参数模板法和聚类分析。 无监督或自组织学习算法诸如学习向量量化法(learni ng vector qua nt izat ion, LVQ) , K -均值聚类(K-mea ns clustering ), Kohonen特性图(Kohonen feature map)也常用作多传感器数据的分类。K-均值聚类算法是最常用的无监督学习算法之一，而自适应K-均值 方法的 更新
9、规则形成了 Kohoner特性图的基础。此外自适应共振理论(ART)、自适应共振理 论映射(ARTMAP和模糊自适应共振理论网络(fuzzy-ART netw ork)以自适应的方法进 行传感器融合。它们能够自动调整权值并且能在环境变化和输 入漂移的情况下保持稳 定。非谡归J加权平料it石-矣至Is-厂T樺处播飯可| tT橐声补祈T R-moMw 覆类Knhoncn 柿劇亠Attf KkFMjMFigy 揖 RT NetworkX方法|T广义応据处玮 厂1涉拿垂轨IT社适应神经碣培-I fiwgy 图1 多传感器融合算法分类推理方法。多贝叶斯估计法为数据融合提供了一种手段，是融合静态环境中多
10、传感 器高层信息的常用方法。它使传感器信息依据概率原则进行组合，测量不确定性以条件概率表示，当传感器组的观测坐标一致时，可以直接对传感器的数据进 行 融合，但大多数情况下，传感器测量数据要以间接方式采用贝叶斯估计进行数据 融 合。多贝叶斯估计将每一个传感器作为一个贝叶斯估计，将各个单独物体的关 联概率分 布合成一个联合的后验的概率分布函数，通过使用联合分布函数的似然 函数为最小， 提供多传感器信息的最终融合值，融合信息与环境的一个先验模型提 供整个环境的一个 特征描述。D-S证据推理是贝叶斯推理的扩充，其3个基本要点是:基本概率赋值函 数、信任函数和似然函数。D-S方法的推理结构是自上而下的,
11、分三级。第1级为目标合 成，其作用是把来自独立传感器的观测结果合成为一个总的输出结果（ID）;第2级为 推断， 其作用是获得传感器的观测结果并进行推断， 将传 感器观测结果扩展成目标报 告。这种推理的基础是 ：一定的传感器报告以某种可 信度在逻辑上会产生可信的某些 目标报告 ；第3级为更新， 各种传感器一般都存在 随机误差， 所以,在时间上充分独 立地来自同一传感器的一组连续报告比任何单一 报告可靠。因此,在推理和多传感器合 成之前,要先组合（更新） 传感器的观测数据。人工智能方法对融合大量的传感器信息， 用以非线性和不确定的场合颇有 优势。可 分为专家系统、神经网络和模糊逻辑。专家系统是一种
12、基于人工智能的 计算机信息系 统。神经网络是一个具有高度非线性的超大规模连续时间自适应信 息处理系统。在多传 感器系统中， 各信息源提供的环境信息都具有一定程度的不 确定性， 对这些不确定信 息的融合过程实质上是一个不确定性推理过程。神经网络可根据当前系统所接受的样本的相似性， 确定分类标准。同时可以采用特定的 学习算 法来获取知识， 得到不确定性推理机制。模糊逻辑是多值逻辑， 它允许将传感器信息融合过程中的不确定性直接表示在推理过程中。 由于模糊集表达了一 个不 确定概念，应用模糊理论并结合其它手段，如神经网络，可以取得更好的 融合结果。表 1 常用的数据融合方法比较融合方法运行坏境信息类型
13、伯息我小不确定性融合技术适用范圉加权平均动态冗余总始读数值加权平均低层数据融合卡尔曼滤液动态冗余概率分布高斯昵声系统模型滤波低层数据融合贝叶斯怙计静态冗余戦率分布高斯噪声贝叶斯怙计斋层数据融侖统计决肄论静态冗余戦率分布高斯坯声极值决策高层数据融合证据推理静态冗金互补命题逻辑推理薛庄数据融合模糊推里體态余互补命题隶属度逻辑推理高慝数据融口神经元网络动舲态冗余屋补神经元输人学习误羞神经元网豁低倚层产生式规则冗余互补命题置信因子逻悒推理需层数据融侖5. 多传感器在机器人中的应用5.1 在工业机器人中的应用 在工业机器人中，除采用传统的位置、速度和加速度传感器外，装配、焊接 机器人还应用了视觉、力觉和
14、超声波等传感器。表 2 给出了多传感器信息融合技 术在工业机器人领域应用的典型实例。表 2 多传感器信息融合技术在工业机器人领域应用研究者使用传感器的类型所实现的功能Hitachi 公司三维视觉传感器、力觉传感器 视觉传感器、超声波传感器、抓取、放置半导休器件Groen等 人)1/力矩传感器、触觉传感器机械产品装配Srnhh, Nitan 等 人觇觉传感器、力觉传感器粘贴包装标答kivnieiA 等 K视觉传感器、激光测距打描仪完成尢缝焊接年也理1?学院现觉传感器、触觉传感器检验匚件的一致性王敏、黃心汉视觉传感器、超声波传感器动识別并抓取丁件5.2 在机器手爪中的应用美国的Utah/MIT灵巧
15、手、日本的ARH智能手爪以及我国的HIT/DLF机器人灵巧手、 BH-3 灵巧手都配有多种传感器，主要包括视觉传感器、接近觉传感器、力 / 力矩传感器、 位姿/姿态传感器、速度/加速度传感器、温度传感器以及触觉/滑 觉传感器等。Bayes 算法和 D-S 论据常用于机器人手爪的信息融合。罗志增等人将这 2 种算 法综合运用到一个装有 6 种传感器的机器手爪中，并进行了工件识别、抓取实验， 正确 率达 96.7%。美国的 Luo 在由 PUM 馬 60 机器手臂控制的夹持型手爪的平台上提 出了 基于视觉、接近觉、触觉、位置、力/力矩及滑觉等传感器信息融合新方法， 整个过程分为3步:1）采集多传感器的原始数据，并用Fisher模型进行局部估计；2）对统一格 式的传感器数据进行比较，发现可能存在误差的传感器，进行置信 距离测试，从而建立 距离矩阵和相关矩阵， 得到最接近最一致的传感器数据； 3） 运用 Bayes 推理算法进 行全局估计，融合多传感器数据，同时，对其他不确定的 传感器数据进行误差检测，修 正传感器的误差。5.3 在移动机器人中的应用
