(19)中华人民共和国国家知识产权局
(12)实用新型专利
(10)授权公告号 (45)授权公告日 (21)申请号 201920670206.3
(22)申请日 2019.05.12
(73)专利权人 西南交通大学
地址 610031 四川省成都市二环路北一段
111号
(72)发明人 杨虎锋 华泽玺 陈树伟 蒋泽中
王学佳 王红珠 贾成君 向坤
曹旭辉 王大林 白鹏飞
(74)专利代理机构 北京市领专知识产权代理有
限公司 11590
代理人 林辉轮 张玲
(51)Int.Cl.
G08B 21/10(2006.01)
G01D 21/02(2006.01)
G08C 17/02(2006.01)
H04N 7/18(2006.01)
(54)实用新型名称
基于多传感信息融合的山体滑坡监测系统
(57)摘要
本实用新型涉及一种基于多传感信息融合
的山体滑坡监测系统，包括传感器组、无线网络
和服务器，所述传感器组包括至少两种类型的传
感器，一种类型的传感器用于采集山体滑坡分析
所用的一种传感数据，传感器组采集的传感数据
通过所述无线网络传输至所述服务器。本实用新
型山体滑坡监测系统，通过采集至少两种传感器
数据，并通过无线传输方式传输，既可以解决数
据采集时效性的问题，又可以解决数据传输量大
的问题。权利要求书1页 说明书3页 附图1页CN 209842836 U 2019.12.24
C N 209842836
U
权 利 要 求 书1/1页CN 209842836 U
1.一种基于多传感信息融合的山体滑坡监测系统，其特征在于，包括传感器组、无线网络和服务器，所述传感器组包括至少两种类型的传感器，一种类型的传感器用于采集山体滑坡分析所用的一种传感数据，传感器组采集的传感数据通过所述无线网络传输至所述服务器。
2.根据权利要求1所述的基于多传感信息融合的山体滑坡监测系统，其特征在于，还包括集中器，所述集中器通过射频网络与传感器组连接，集中器通过公共网络与所述服务器连接，集中器用于将传感器组所采集的传感数据转发给所述服务器。
3.根据权利要求2所述的基于多传感信息融合的山体滑坡监测系统，其特征在于，所述集中器包括控制芯片、433射频通信模块、4G移动通信模块、存储模块、电源模块，433射频通信模块、4G移动通信模块、存储模块、电源模块均与控制芯片连接。
4.根据权利要求3所述的基于多传感信息融合的山体滑坡监测系统，其特征在于，所述集中器还包括显示模块，显示模块与控制芯片连接。
5.根据权利要求2所述的基于多传感信息融合的山体滑坡监测系统，其特征在于，还包括摄像头，所述摄像头与所述集中器连接，摄像头用于采集山体图像，并通过集中器传输给服务器。
6.根据权利要求2所述的基于多传感信息融合的山体滑坡监测系统，其特征在于，还包括用户终端，所述用户终端通过公共网络与服务器连接。
7.根据权利要求1-6任一所述的基于多传感信息融合的山体滑坡监测系统，其特征在于，所述传感器组包括温湿度传感器、土壤压力传感器、孔隙水压力传感器、振动传感器、位移传感器、雨量传感器中的至少两种。
2
万方数据
万方数据
万方数据
万方数据
万方数据
多传感器信息融合方法综述 作者：吴秋轩， 曹广益 作者单位：上海交通大学电子信息与电气工程学院,上海,200030 刊名： 机器人 英文刊名：ROBOT 年，卷(期)：2003,25(z1) 被引用次数：2次 参考文献(5条) 1.周锐;申功勋;房建成基于信息融合的目标图像跟踪 1998(12) 2.张尧庭;桂劲松人工智能中的概率统计方法 1998 3.何友;王国宏;彭应宁多传感器信息融合 2000 4.罗志增;叶明Bayes方法的多感觉信息融合算法及其应用[期刊论文]-传感技术学报 2001(03) 5.张文修;吴伟业;梁吉业粗糙集理论与方法 2001 本文读者也读过(8条) 1.臧大进.严宏凤.王跃才.ZANG Da-jin.YAN Hong-feng.WANG Yue-cai多传感器信息融合技术综述[期刊论文]-工矿自动化2005(6) 2.多传感器信息融合及应用[期刊论文]-电子与信息学报2001,23(2) 3.赵小川.罗庆生.韩宝玲.ZHAO Xiao-chuan.LUO Qing-sheng.HAN Bao-ling机器人多传感器信息融合研究综述[期刊论文]-传感器与微系统2008,27(8) 4.范新南.苏丽媛.郭建甲.FAN Xin-nan.SU Li-yuan.GUO Jian-jia多传感器信息融合综述[期刊论文]-河海大学常州分校学报2005,19(1) 5.咸宝金.陈松涛智能移动机器人多传感器信息融合及应用研究[期刊论文]-宇航计测技术2010,30(2) 6.韩增奇.于俊杰.李宁霞.王朝阳信息融合技术综述[期刊论文]-情报杂志2010,29(z1) 7.肖斌多传感器信息融合及其在工业中的应用[学位论文]2008 8.丁伟.孙华.曾建辉.DING Wei.SUN Hua.ZENG Jian-hui基于多传感器信息融合的移动机器人导航综述[期刊论文]-传感器与微系统2006,25(7) 引证文献(2条) 1.武伟.郭三学基于多传感信息融合的轮胎气压监测系统[期刊论文]-轮胎工业 2006(5) 2.魏东.杨洋.李大寨.宗光华基于多传感器融合的机器人微深度环切[期刊论文]-传感器技术 2005(11) 本文链接：https://www.doczj.com/doc/aa14491163.html,/Periodical_jqr2003z1037.aspx
多传感器信息融合
0前言 移动机器人的定位问题是提高移动机器人自主能力的关键问题之一。具体来说，定位是利用先验环境地图信息、机器人位姿的当前估计及传感器的观测值等输入信息，经过一定的处理和变换，产生更加准确地对机器人当前位姿的估计。机器人的定位方式有很多种，如，基于光电寻线的定位、基于声纳的机器人自主定位、基于全景视觉的定位及基于激光测距的定位等。可以看出：机器人的定位方式取决于所采用的传感器。目前，在移动机器人上使用较多的传感器有视觉传感器、里程计和惯导系统、超声传感器、激光测距仪、GPS 定位系统等。其中，视觉传感器具有信息量大、感应时间短的优点，但往往获得的数据噪声大、信息处理时间长；激光传感器在测距范围和方向上具有较高的精度，但价格昂贵；超声波传感器虽然角度分辨力较低，但它处理信息简单、成本低、速度快，因此，在自主移动机器人上得到了广泛的应用；里程计是一种相对定位传感器，它通过累计计算得到定位信息，缺点是存在累计误差问题，因此，可结合绝对定位传感器，如超声传感器等，提供较准确的定位。各传感器都有它自己的局限性，因此，移动机器人往往同时装备多种传感器，各自提供关于机器人定位的消息。目前的趋势是：根据传感器的可靠性。使用不同类型的传感器来测量相关数据。本文采用扩展卡尔曼滤波( EKF) 技术，将里程计和超声波传感器所提供的数据进行融合定位。 1 机器人运动模型的建立 由于移动机器人机构复杂，为了便于构造运动学模型与规划控制机器人的位姿，本文选择两轮驱动小车作为运动平台。将整个机器人本体看作一个刚体，车轮视为刚性轮，并在运动不是太快而转弯半径较大时，不考虑车轮与地面侧向滑动的情况，其简化运动学模型如图1 所示。
多传感器信息融合技术论文多传感器信息融合技 术论文阐述了多传感器信息融合的定义、原理、分类和结构，分析了多传感器信息融合的特点及其研究方向多传感器信息融合技术论文【1】关键词：多传感器信息融合研究方向 1 、多传感器信息融合的定义多传感器信息融合也称为信息融合或数据融合，指的是对不同知识源和多个传感器所获得的信息进行综合处理，消除多传感器信息之间可能存在的冗余和矛盾，利用信息互补，降低不确定性，以形成对系统环境相对完整一致的理解，从而提高智能系统决策和规划的科学性、反应的快速性和正确性，进而降低决策风险的过程。 由其定义可见，多传感器信息融合避免了单一传感器的局限性，可以获取更多信息，得出更为准确、可靠的结论。 2 、多传感器信息融合的原理多传感器信息融合是人类和其他生物系统中普遍存在的一种基本功能。如果把单传感器信号处理或低层次的数据处理方式看作是对人脑信息处理的一种低水平模仿，那么多传感器信息融合就是对人脑信息处理的一种高水平模仿。 多传感器信息融合的基本原理就像人脑综合处理信息的过程一样，它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，把多个传感器在时间或空间上的冗余或互补信息依据某种准 则来进行组合，以获得被测对象的一致性解释或描述[1] 。 3 、多传感器信息融合的分类 信息的数据融合是对多源数据进行多级处理，每一级处理都代表了
对原始数据的不同程度的抽象化，它包括对数据的检测、关联、估计和组合等处理。信息融合按其在传感器信息处理层次中的抽象程度，可以分为三个层次：像素层融合、特征层融合及决策层融合[2] 。 3.1 像素层融合它是最低层次的融合，是在采集到的传感器的原始信息层次上（未经处理或只做很少的处理）进行融合，在各种传感器的原始测报信息未经预处理之前就进行信息的综合和分析。其优点是保持了尽可能多的战场信息; 其缺点是处理的信息量大，所需时间长，实时性差。 3.2 特征层融合属于融合的中间层次，兼顾了数据层和决策层的优点。它利用从传感器的原始信息中提取的特征信息进行综合分析和处理。也就是说，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。这种方法对通信带宽的要求较低，但由于数据的丢失使其准确性有所下降。 3.3 决策层融合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。这一层融合是在高层次上进行的，融合的结果为指挥控制决策提供依据。 决策层融合的优点是：具有很高的灵活性，系统对信息传输带宽要求较低; 能有效地融合反映环境或目标各个侧面的不同类型信息，具有很强的容错性;通信容量小，抗干扰能力强; 对传感器的依赖性小，传感器可以是异质的; 融合中心处理代价低。 4 、多传感器信息融合的融合结构多传感器信息融合通常是在一个
多传感器数据融合 多传感器数据融合1引言数据融合一词最早出现在20世纪70年代末期。几十年来，随着传感器技术的迅速发展，尤其在军事指挥系统中对提高综合作战能力的迫切要求，使其得到了长足的发展。其早期主要是应用在军事上，而随着工业系统的复杂化和智能化，近年来该技术推广到了民用领域，如医疗诊断、空中交通管制、工业自动控制及机械故障诊断等。数据融合是针对一个系统中使用多个传感器这一问题而展开的一种信息处理的新的研究方向，所以数据融合也称为传感器融合。数据融合一直没有一个统一的定义，一般认为：利用计算机技术，对按时间顺序获得的若干传感器的观测信息，在一定的准则下加以自动分析、综合，从而完成所需要的决策和估计任务而进行的信息处理过程称为数据融合。2
数据融合技术的分类多传感器数据融合涉及到多方面的理论和技术如信号处理、估计理论、不确定性理论、模式识别最优化技术、神经网络和人工智能等。很多学者从不同角度出发提出了多种数据融合技术方案。从技术原理角度，可分为假设检验型数据融合、滤波跟踪型数据融合、聚类分析型数据融合、模式识别型数据融合、人工智能型数据融合等；按判决方式分有硬判决型和软判决型数据融合；按传感器的类型分有同类传感器数据融合和异类传感器数据融合按对数据的处理方式，可分为象素级融合、特征级融合和决策级融合；从方法来分有Bayes推理法、表决法、D-S 推理法、神经网络融合法等。从解决信息融合问题的指导思想或哲学观点加以划分，可分为嵌入约束观点、证据组合观点和人工神经网络观点三大类。3常用的数据融合方法数据融合方法种类繁多，图1归纳了常用的一些信息融合方法。估计方法
一、背景介绍： 多传感器数据融合是一种信号处理、辨识方法，可以与神经网络、小波变换、kalman 滤波技术结合进一步得到研究需要的更纯净的有用信号。 多传感器数据融合涉及到多方面的理论和技术，如信号处理、估计理论、不确定性理论、最优化理论、模式识别、神经网络和人工智能等。多传感器数据融合比较确切的定义可概括为：充分利用不同时间与空间的多传感器数据资源，采用计算机技术对按时间序列获得的多传感器观测数据，在一定准则下进行分析、综合、支配和使用，获得对被测对象的一致性解释与描述，进而实现相应的决策和估计，使系统获得比它的各组成部分更充分的信息。 多传感器信息融合技术通过对多个传感器获得的信息进行协调、组合、互补来克服单个传感器的不确定和局限性，并提高系统的有效性能，进而得出比单一传感器测量值更为精确的结果。数据融合就是将来自多个传感器或多源的信息在一定准则下加以自动分析、综合以完成所需的决策和估计任务而进行的信息处理过程。当系统中单个传感器不能提供足够的准确度和可靠性时就采用多传感器数据融合。数据融合技术扩展了时空覆盖范围，改善了系统的可靠性，对目标或事件的确认增加了可信度，减少了信息的模糊性，这是任何单个传感器做不到的。 实践证明：与单传感器系统相比，运用多传感器数据融合技术在解决探测、跟踪和目标识别等问题方面，能够增强系统生存能力，提高整个系统的可靠性和鲁棒性，增强数据的可信度，并提高精度，扩展整个系统的时间、空间覆盖率，增加系统的实时性和信息利用率等。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。 多传感器数据融合虽然未形成完整的理论体系和有效的融合算法，但在不少应用领域根据各自的具体应用背景，已经提出了许多成熟并且有效的融合方法。多传感器数据融合的常用方法基本上可概括为随机和人工智能两大类，随机类方法有加权平均法、卡尔曼滤波法、多贝叶斯估计法、产生式规则等;而人工智能类则有模糊逻辑理论、神经网络、粗集理论、专家系统等。可以预见，神经网络和人工智能等新概念、新技术在多传感器数据融合中将起到越来越重要的作用。 数据融合存在的问题 (1)尚未建立统一的融合理论和有效广义融合模型及算法； (2)对数据融合的具体方法的研究尚处于初步阶段； (3)还没有很好解决融合系统中的容错性或鲁棒性问题； (4)关联的二义性是数据融合中的主要障碍； (5)数据融合系统的设计还存在许多实际问题。 二、算法介绍： 2.1多传感器数据自适应加权融合估计算法： 设有n 个传感器对某一对象进行测量，如图1 所示，对于不同的传感器都有各自不同的加权因子，我们的思想是在总均方误差最小这一最优条件下，根据各个传感器所得到的测量值以自适应的方式寻找各个传感器所对应的最优加权因子，使融合后的X值达到最优。
传感器数据融合技术 数据融合也称为信息融合，是将来自多个传感器或多源的信息进行综合处理，从而得出更为全面、准确和可靠的结论。数据融合出现于２０世纪７０年代，源于当时军事领域的需要，称为多源相关、多传感器混合数据融合，并于２０世纪８０年代建立其技术。美国是数据融合技术起步最早的国家，在随后的十几年时间里各国的研究开始逐步展开，并相继取得了一些具有重要影响的研究成果。和国外相比，我国在数据融合领域的研究起步较晚。海湾战争结束以后，数据融合技术引起国内有关单位和专家的高度重视。一些高校和科研院所相继对数据融合的理论、系统框架和融合算法展开了大量研究，但基本上处于理论研究的层次，在工程化、实用化方面尚未取得有成效的突破，许多关键技术问题尚待解决。 多传感器数据融合是人类和其他生物系统中普遍存在的一种基本功能。人类本能地具有将身体上的各种功能器官所探测到的信息与先验知识进行融合的能力，以便对周围的环境和正在发生的事件作出估计。多传感器数据融合的基本原理就像人脑综合处理信息的过程一样，它充分利用多个传感器资源，通过对这些传感器及其获得信息的合理支配和使用，把其在时间或空间上的冗余或互补信息依据某种准则来进行综合，以获得被测对象的一致性解释或描述，使该系统由此而获得比它的各组成部分的子集所构成的系统具备更优越的性能。 具体而言，多传感器数据融合基本原理如下： １）多个不同类型的传感器获取目标的数据； ２）对输出数据进行特征提取，从而获得特征矢量； ３）对特征矢量进行模式识别，完成各传感器关于目标的属性说明； ４）将各传感器关于目标的属性说明数据按同一目标进行分组，即关联； ５）利用融合算法将每一目标各传感器数据进行合成，得到该目标的一致性解释与描述。 在各种系统中，靠单一的传感器不能满足对目标、环境的识别和控制的要求。若对不同传感器采集的数据单独、孤立地进行加工，不仅会导致数据处理工作量的剧增，而且割断了各传感器数据之间的有
信息融合技术 1引言 融合(Fusion)的概念开始出现于70年代初期,当时称之为多源相关、多源合成、多传感器混合或数据融合(Data Fusion),现在多称之为信息融合(Information Fusion)或数据融合。 融合就是指采集并集成各种信息源、多媒体与多格式信息,从而生成完整、准确、及时与有效的综合信息过程。数据融合技术结合多传感器的数据与辅助数据库的相关信息以 获得比单个传感器更精确、更明确的推理结果。经过融合的多传感器信息具有以下特征:信息的冗余性、互补性、协同性、实时性以及低成本性。 多传感器信息融合与经典信号处理方法之间存在本质 的区别,其关键在于信息融合所处理的多传感器信息具有更 为复杂的形式,而且可以在不同的信息层次上出现。 2信息融合的结构模型 由于信息融合研究内容的广泛性与多样性,目前还没有 统一的关于融合过程的分类。 2、1按照信息表征层次的分类系统的信息融合相对于信息表征的层次相应分为三类:数据层融合、特征层融合与决策层融合。 数据层融合通常用于多源图像复合、图像分折与理解等方面,采用经典的检测与估计方法。特征层融合可划分为两大
类:一类就是目标状态信息融合,目标跟踪领域的大体方法都可以修改为多传感器目标跟踪方法;另一类就是目标特性融合,它实质上就是模式识别问题,具体的融合方法仍就是模式识别的相应技术。 决策层融合就是指不同类型的传感器观测同一个目标,每个传感器在本地完成处理,其中包括顶处理、特征抽取、识别或判决,以建立对所观察目标的初步结论。然后通过关联处理、决策层触合判决,最终获得联合推断结果。 2、2JDL模型(Joint Directors of Laboratories, JDL)与λ-JDL模型该模型将融合过程分为四个阶段:信源处理,第一层处理(即目标提取)、第二层处理(即态势提取)、第三层提取(即威胁提取)与第四层提取(即过程提取)。模型中的每一个模块都可以有层次地进一步分割,并且可以采用不同的方法来实现它们。 λ-JDL模型为JDL模型的简化,把0层包含进了1层, 4层融入其她各层中。 2、3按照数据流融合的位置进行分类多传感器融合系统中的一个关键问题就是在何处对数据流进行融合。按照融合位置的不同可以将融合结构分为以下三种类型:集中式融合、分布式多传感器融合与无中心融合结构。对于特定的信息融合应用不可能找到一种最优的融合结构,结构的选择必须综合考虑计算资源、可用的通信带宽、精度要求、传感器能力
多传感器数据融合技术 摘要：介绍多传感器数据融合技术的历史与研究现状，给出多传感器数据融合实现方法，最后给出应用和多传感器数据融合的不足与研究展望。 1 引言 多传感器数据融合是信息领域一个前景广阔的研究方向，世界各国都有学者和技术人员在开展数据融合技术的研究，我国对数据融合方面的研究也日益重视，国家自然科学基金和“863”计划已将其列入重点支持项目，因此，对多传感器数据融合进行学术与工程应用的研究具有重要意义[1]。 多传感器数据融合技术是对多种信息的获取、表示及其内在联系进行综合处理和优化的技术。多传感器数据融合技术从多信息的视角进行处理及综合，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，它也为智能信息处理技术的研究提供了新的观念。数据融合作为一门跨学科的综合信息处理理论，涉及系统论、信息论、控制论、人工智能和计算机通信等众多的领域和学科[2]。 本文介绍数据融合技术发展历史与研究现状，描述数据融合技术的几种典型实现方法，给出数据融合技术的主要应，最后对数据融合技术研究中存在的问题和发展前景进行了论述。 2 多传感器数据融合技术概述 2.1 数据融合的定义 数据融合也称为信息融合，它的定义有很多。Mango lini将数据融合定义为：一套利用具有不同性质的各种源数据的方法、工具、方式，目的是提高所需信息的质量，此定义着重于融合的方法。Hall 和Llinas的定义是“数据融合技术是将来自多传感器和相关数据库的有关信息进行综合，以得到精度上的改善和更加具体的推断，而这些也可以通过单个传感器来得到”。这种定义虽然提到了数据信息的质量，但是仍注重于方法。美国国防部定义为“数据融合是一个多级、多方面的过程,这个过程处理自动识别、连结、相关、估计以综合多源数据和信息.。”这一定义简单地说就是“处理自动识别、连结、相关、估计
基于多传感器信息融合的智能机器人 院－系：信息工程与自动化学院 专业：模式识别与智能系统 年级： 2011 级 学生姓名：朱丹 学号： 2011204082 任课教师：黄国勇 2011年11月
摘要 机器人多传感器信息融合是当今科学研究的热点问题。传感器是连接机器人智能处理过程与外界环境的重要纽带，一般智能机器人都配有数个不同种类的传感器。本文主要分析了多传感器系统在机器人当中的重要性和多传感器信息融合的基本原理，并探讨了多传感器信息融合技术在智能机器人中的应用。 关键词：智能机器人、多传感器、信息融合 引言 多传感器、信息融合技术与传统机器人的结合构成了智能机器人。要使机器人拥有智能，对环境变化做出反应，首先必须使机器人具有感知环境的能力。用传感器采集环境信息加以综合处理，控制机器人进行智能作业，更是机器人智能化的重要体现。在以往机器人智能领域的研究中，人们把更多的注意力集中到研究和开发机器人的各种外部传感器上。尽管在现有的智能机器人和自主式系统中，大多数使用了多个不同类型的传感器，但并没有把这些传感器作为—个整体加以分析，更像是—个多传感器的拼合系统。虽然在各自传感器信息处理与分析方面开展了大量富有成效的工作，但由于忽视了多传感器系统的综合分析，对提高智能系统的性能带来了不利影响，效率低下而且速度缓慢。 因此，多传感器信息融合技术较之单一传感器有非常大的数据准确度的优势，已经成为现在机器人研究领域的关键技术。 一、多传感器信息融合的基本原理 多传感器信息融合是人类和其他生物系统中普遍存在的一种基本功能。人类本能地具有将人体的各种功能器官(眼、耳、鼻、四肢)所探测的信息(景物声音、气味和触觉)与先验知识进行综合的能力，以便对周围的环境和正在发生的事件做出估计。这一处理过程是复杂的，也是自适应的，它将各种信息(图像、声音、气味、物理形状、描述)转化成对环境的有价值的解释，这需要大量不同的智能处理，以及适用于解释组合信息含义的知识库。 多传感器信息融合实际上是对人脑综合处理复杂问题的一种功能模拟。在多传感器系统中，各种传感器提供的信息可能具有不同的特征:时变的或者非时变的；实时的或者非实时的；快变的或者缓变的；模糊的或者确定的；精确的或者不完整的；可靠的或者非可靠的；相互支持的或互补的；相互矛盾的或冲突的。 多传感器信息融合的基本原理就像人脑综合处理信息的过程一样，它充分地利用多个传感器资源，通过对各种传感器及其观测信息的合理支配与使用，将各种传感器在空间和时间上的互补与冗余信息依据某种优化准则组合起来，产生对观测环境的一致性解释和描述。信息融合的目标是基于各传感器分离观测信息，通过对信息的优化组合导出更多的有效信息。它的最终目的是利用多个传感器共同或联合操作的优势，来提高整个传感器系统的有效性。
多传感器信息融合技术综述 内容摘要：多传感器信息融合技术是一门新兴学科，它的理论和方法已被应用到许多研究领域。本文主要对多传感器信息融合的模型与结构、信息融合的主要技术和方法、信息融合理论体系以及信息融合技术的应用等内容进行了概要介绍和展开了综述。 关键词：多传感器；信息融合；综述 随着传感器技术、数据处理技术、计算机技术、网络通讯技术、人工智能技术和并行计算的软硬件技术等相关技术的发展，多传感器信息融合技术已受到了广泛关注。多传感器信息融合是20世纪80年代出现的一门新兴学科，它首先广泛地应用于军事领域，如海上监视、空－空和地－空防御、战场情报、监视和获取目标及战略预警等，随着科学技术的进步，多传感器信息融合至今已形成和发展成为一门信息综合处理的专门技术，并很快推广应用到工业机器人、智能检测、自动控制、交通管理和医疗诊断等多种领域。我国从20世纪90年代也开始了多传感器信息融合技术的研究和开发工作，并在工程上开展了多传感器识别、定位等同类信息融合的应用系统的开发，现在多传感器信息融合技术越来越受到人们的普遍关注。1多传感器信息融合的概念 在信息融合领域，人们经常提及“多传感器融合”（multi-sensor fusion）、“数据融合”（data fusion）和“信息融合”（information fusion）。实际上它们是有差别的，现在普遍的看法是，多传感器融合包含的内容比较具体和狭窄，至于信息融合和数据融合，有一些学者认为数据融合包含了信息融合，还有一些学者认为信息融合包含了数据融合，而更多的学者把信息融合与数据融合的当作同一概念看待，在不影响应用的前提下，二种提法都是可以的。因此本文统一使用信息融合这一提法。信息融合有多种定义方式，作者认为比较确切的概念为：充分利用不同时间与空间的多传感器信息资源，采用计算机技术对按时序获得的多传感器观测信息在一定准则下加以自动分析、综合、支配和使用，获得对被测对象的一致性解释与描述，以完成所需的决策和估计任务，使系统获得比它的各组成部分更优越的性能。 2 信息融合的模型和结构 2.1 信息融合的模型 信息融合绝大部分的研究都是根据具体问题及其特定对象建立自己的融合层次，针对其在军事上的应用将信息融合划分为检测层、位置层、属性层、态势评估和威胁估计；根据输入输出数据的特征提出了基于输入/输出特征的融合层次化描述等。可见，信息融合层次的划分没有统一标准，根据信息表征的层次，我们将信息融合划分为像素层、特征层和决策层，分别称为像素级融合、特征级融合和决策级融合[1]。一个给定的信息融合系统，可能涉及多个级别数据的输入。 （1）像素级融合见图1，这是最低层次的信息融合。在这种方法中，匹配的传感器数据直接融合，而后对融合的数据进行特征提取和特征说明。传感器的信息融合之后，没有单个处理的信息损失，识别的处理等价于对单个传感器的处理。该层次的信息融合能够提供其它层次上的融合所不具备的细节信息，因此，像素级多传感器处理提供一种最优决策和识别性能。但是，像素级融合要求精确的传感器配准和宽的传输带宽。 （2）特征级融合见图2，这是中间层次的信息融合。在这种方法中，每个传感器观测目标，并对各传感器的观测进行特征提取（如提取形状、边沿、方位信息等），产生特征矢量，而后融合这些特征矢量，并做出基于联合特征矢量的属性说明。在特征级融合中，各个源提供的特征矢量融合到一个综合的特征矢量中，这种融合是比较简单的，该层次的信息融合是像素级融合和更高一级决策级融合的折衷形式，兼容了两者的优缺点，具有较大的灵活性，在许多情况下是很实用的。
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，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
多传感器信息融合技术概述 摘要：传感器信息融合，是对多种信息的获取、表示及其内在联系进行综合处理和优化的技术。单一传感器只能获得环境或被测对象的部分信息段，而多传感器信息经过融合后能够完善地、准确地反映环境的特征。信息融合技术已经广泛应用于信息电子学、计算机科学、自动化等领域，下面从五个方面做概述。 关键词：多传感器；信息融合 1 多传感器信息融合基本原理 多传感器信息融合是人类和其他生物系统中普遍存在的一种基本功能。人类本能地具有将身体上的各种功能器官所探测到的信息（景物、声音、气味和触觉等）与先验知识进行综合的能力，以便对他周围的环境和正在发生的事件作出估计。多传感器信息融合的基本原理就像人脑综合处理信息的过程一样，它充分地利用多个传感器资源，通过对各种传感器及其观测信息的合理支配与使用，将各种传感器在空间和时间上的互补与冗余信息依据某种优化准则组合起来，产生对观测环境的一致性解释和描述。 信息融合的目标是基于各传感器分离观测信息，通过对信息的优化组合导出更多的有效信息。它的最终目的是利用多个传感器共同或联合操作的优势，来提高整个传感器系统的有效性。 2 多传感器信息融合的几种方法 2.1 卡尔曼滤波（KF） 该方法用测量模型的统计特性，递推决定统计意义下最优融合数据合计。如果系统具有线性动力学模型，且系统噪声和传感器噪声可用高斯分布的白噪声模型来表示，则KF 为融合数据提供惟一的统计意义下的最优估计，它的递推特性使系统数据处理不需大量的存储和计算。 KF分为分散卡尔曼滤波（DKF）和扩展卡尔曼滤波（EKF）。DKF可实现多传感器数据融合完全分散化，其优点是，单个传感器节点失效不会导致整个系统失效。而EKF 的优点是，可有效克服数据处理不稳定性或系统模型线性程度的误差对融合过程产生的影响。 2.2 人工神经网络法
多传感器信息融合技术 【摘要】：多传感器的集成与融合技术已经成为智能机器与系统领域的一个重要的研究方向。它不仅可以描述同一环境特征的多个冗余的信息，而且可以描述不同的环境特征。多个传感器的使用还可以使信息采集和处理过程并行化，不仅可以得到更全面、更准确的信息，而且减少时间和成本，提高整个系统的性能。 【关键词】：信息融合；传感器功能；智能机器人；传感器 中国分类号：TN6 文献标识码：A 文章编号：1002-6908(2007)0120076-01 多传感器的集成与融合技术已经成为智能机器与系统领域的一个重要的研究方向。它涉及信息科学的多个领域，是新一代智能信息技术的核心基础之一。由于单传感器不可避免存在不确定或偶然不确定性，缺乏全面性，缺乏鲁棒性，所以偶然的故障就会导致系统失效。多传感器集成与融合技术正是解决这些问题的良方。多个传感器不仅可以描述同一环境特征的多个冗余的信息，而且可以描述不同的环境特征。多个传感器的使用还可以使信息采集和处理过程并行化，不仅可以得到更全面、更准确的信息，而且减少时间和成本，提高整个系统的性能。多传感器集成与融合的特点就是冗余性、互补性、及时性和低成本性。 1．信息融合的基本概念 “信息融合”就是对多传感器的数据进行多级别、多方面、多层次的处理，即组合或融合来自多个传感器或其他信息源的数据，以获得综合的、更好的估计。这个过程是对多源数据进行检测、结合、相关、估计和组合以达到精确的状态估计和身份估计，以及完整及时的态势评估和威胁估计。信息融合技术的优越性，主要表现在：容错性好；系统精度高；信息处理速度块；互补性强；信息获取成本低等方面。 2．多传感器信息融合技术的研究内容 多传感器集成与融合并不是简单的相加，是由5个方面的研究内容组成，即融合结构、控制结构、传感器选择策略、世界模型和融合方法。 （1）融合结构是指如何为多传感器融合建立一个通用的信息处理模式。常见的有分层相平面模式、神经网络、逻辑传感器、面向对象设计等。 （2）控制结构是指如何对多传感器集成与融合过程进行有效的控制。根据不同应用的特点，有NBS（National Bureau of Standards）传感与控制分层结构、分布式黑板和自适应学习三种方法。 （3）传感器选择是多传感器集成的一部分。它可以使多传感器系统从可用的传感器之中选择最合适的传感器组合。预选法和实时选择法是目前采用的两种
多传感器数据融合算 法
一、背景介绍： 多传感器数据融合是一种信号处理、辨识方法，可以与神经网络、小波变换、kalman滤波技术结合进一步得到研究需要的更纯净的有用信号。 多传感器数据融合涉及到多方面的理论和技术，如信号处理、估计理论、不确定性理论、最优化理论、模式识别、神经网络和人工智能等。多传感器数据融合比较确切的定义可概括为：充分利用不同时间与空间的多传感器数据资源，采用计算机技术对按时间序列获得的多传感器观测数据，在一定准则下进行分析、综合、支配和使用，获得对被测对象的一致性解释与描述，进而实现相应的决策和估计，使系统获得比它的各组成部分更充分的信息。 多传感器信息融合技术通过对多个传感器获得的信息进行协调、组合、互补来克服单个传感器的不确定和局限性，并提高系统的有效性能，进而得出比单一传感器测量值更为精确的结果。数据融合就是将来自多个传感器 或多源的信息在一定准则下加以自动分析、综合以完成所需的决策和估计任务而进行的信息处理过程。当系统中单个传感器不能提供足够的准确度和可靠性时就采用多传感器数据融合。数据融合技术扩展了时空覆盖范围，改善了系统的可靠性，对目标或事件的确认增加了可信度，减少了信息的模糊性，这是任何单个传感器做不到的。 实践证明：与单传感器系统相比，运用多传感器数据融合技术在解决探测、跟踪和目标识别等问题方面，能够增强系统生存能力，提高整个系统的可靠性和鲁棒性，增强数据的可信度，并提高精度，扩展整个系统的时间、空间覆盖率，增加系统的实时性和信息利用率等。 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。 多传感器数据融合虽然未形成完整的理论体系和有效的融合算法，但在不少应用领域根据各自的具体应用背景，已经提出了许多成熟并且有效的融合方法。多传感器数据融合的常用方法基本上
燕山大学 多传感器信息融合技术报告 年级专业：测试计量技术17班 学生姓名：李群朱彩云杨雪莹 孙东涛李永发郭文龙 完成日期：2015年12月30日
目录 摘要 (1) 1多传感信息融合技术的基本原理 (2) 1.1 研究背景及意义 (2) 1.2 研究现状 (2) 1.2.1传感信息融合算法现状 (3) 1.2.2 传感信息融合模型现状 (4) 1.2.3 发展趋势 (5) 2 多传感信息融合技术理论知识 (5) 2.1 基本原理 (5) 2.2 多传感信息融合技术的体系构架 (6) 2.3 信息融合的主要技术 (7) 2.3.1 基于模糊理论的传感信息融合 (7) 2.3.2 基于人工神经网络的传感信息融合 (7) 2.3.3 基于D-S理论的传感信息 (8) 3 多传感信息融合技术的应用 (9) 3.1 在军事上的应用 (9) 3.2 在民用领域的应用 (9)
摘要 多传感信号融合就是利用计算机技术将来自传感器或多元的信息和数据，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用于包含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形成一门热门新兴学科和技术。我国对多传感器信息融合技术的研究已经在工程上已应用于信息的定位和识别等。而且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。 本文主要介绍多传感信号融合技术的基本原理，发展现状以以及多传感信号融合技术在军事和民事上的应用。 关键字：融合，多传感，信息
传感器作业 学号：20103074 姓名：李文博 班级：自动化1006班
多传感器信息融合技术在林业生产中的应用 1.我国林业作业装备研究现状 我国有近4000万公顷的人工林面积[15]，现有的人工林是以速生丰产林为基础发展起来的，再过2-3年人工林将逐步进入成熟林，依靠传统的人工抚育和采伐技术已经不能满足现代化林业生产的需要，未来的林业生产也要由劳动力集约型向技术集约型转变，以增加单位劳动力的生产效率，增加林区农民收入，这也是解决三农问题的一个方面；此外，人工林的抚育也具有季节性和应急性，在最佳的季节完成除草、间伐、整枝和应急性病虫害防治及运输，必须通过机械化提高效率，对于抚育间伐材的搬运和大中径材的整枝抚育作业，人工无法高质、高效地完成有关作业，需要机械化装备以实现安全高效地作业。 为了解决上述问题，北京林业大学正在研制适合我国主要人工林的集约化抚育、采伐多功能联合作业技术成套装备。 图1 林木采育联合作业机的总体图 图2 林木采育联合作业机虚拟设计图
2.信息融和在林业装备中的应用 多功能林木采育作业关键技术装备在高度非结构化环境下工作理论上是完全可以实现的。机器自主行走、机器视觉对图像的三维深度信息、方位、动态响应和暂不可视信息的获取和解释，机械臂和末端执行器对视觉传感器解释信号的理解等都需要多传感器信息融合技术的支撑。 2.作业装备的半自主导航 为了适应作业环境的变化，该装备拟配置适合我国缓坡地人工林的小转弯半径轮式车辆底盘，以及适合我国陡坡地人工林的可伸缩的仿生式履带式车辆底盘，同时利用分布式多传感器系统及其信息融合技术，辅助驾驶员实现半自主导航。该装备可以利用自身的测距装置，如超声波和远红外传感器等，测量其与预先设定的目标之间的距离，利用CCD传感器获取周边环境及边界信息，同时结合地理信息系统和全球定位系统，通过信息融合技术对多个传感器反馈信息进行综合决策，形成对环境某一方面特征的综合描述，推算出自身的位姿，完成行走机构的半自主导航。 3.1 目标的识别与定位 所谓三维视觉信息包括从摄像机到物体之间的距离、物体的大小和形状、各物体之间的关系等。根据人工林作业环境的特殊性和复杂性，该装备主要采用当前高度实用的关节型机械臂作为本体结构，获取对象的位姿，经过运动规划和运动学反解,求出关节空间的运动解来控制关节电机的运动。因此，对于机械臂的视觉系统而言，不仅要探测到目标的存在，还要计算出目标的空间坐标。获取对象三维坐标的方法有两种[16] ：多目立体视觉，融合多个摄像机观察到的目标特征,重构这些特征的三维原像,并计算出目标的空间坐标；结构光法，选择激光、微波或超声波等光源,采用光栅法、移动投光法获取距离图像和反射图像，经联合分析测出物体的形状和空间分布。如果能利用多传感器融合技术将二者结合起来，由视觉系统获取原始平面图像，计算其形心坐标，再利用结构光法测量目标的深度信息，就能够实现更精确的路径规划和自主避障。 3.2 执行机构的柔顺控制 根据不同作业对象的物理特性,应采取不同的抓持专用机构。这些机构主要包括判断模块、状态识别模块、控制模块和反馈控制模块。在判断模块和状态识别模块中，目标定位主要依据分布式视觉传感器和接近觉传感器的信息融合；抓取状态的判断是通过于将分布式触觉传感器、节力矩传感器和关节角度传感器的输出融合起来，得到腕部力矩的变化量、抓取力的变化量、滑动量和抓取位置的变化量，从而实现对目标的稳定抓取。
2.5.4传感器信息融合的实例—机器人中的传感器信息融合 传感器信息融合技术在机器人领域有着广泛的应用，从而也对传感器信息融合技术的发展起到了促进作用。我们介绍的是一种自主移动装配机器人。顾名思义，这种机器人是用于搞装配工作的。 1.自主移动装配机器人的组成、结构 图2-40 自主移动装配机器人 图2-40是自主移动装配机器人示意图。由图可见，机器人主要由超声波传感器、视觉传感器、触觉传感器、力觉传感器、测距传感器、控制和信息融合计算机以及机械手等部件组成。由此可以看出，机器人是一个典型的多传感器系统，机器人进行工作的技术核心就是传感器信息融合。图2-40机器人的自主移动是建立在视觉传感器、测距传感器和超声波传感器信息融合的基础上；机械手装配作业是建立在视觉传感器、触觉传感器和力觉传感器信息融合的基础上。该机器人的信息融合结构为并行结构。 2.机器人自主移动的信息融合 ⑴建立环境模型 首先建立多传感器信息的已知三维环境模型。模型采用分层表示：①最底层为环境的具体特征，如环境中物体的长度、宽度、高度及距离等。环境具体特征要与传感器提供的数据一致。②高层是抽象的用符号表示的环境特征。 ⑵控制机器人移动的各传感器的作用 视觉传感器采集的环境特征是最主要的信息；另外，视觉传感器的信息还用于引导测距传感器和超声波传感器对准被测物体。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获得环境中同一对象在不同条件下的近似三维表示。 ⑶传感器的数据融合 将以上三种传感器的测量数据进行融合，这时每种传感器的坐标框架首先变换到共同的坐标框架中，然后采用以下几种方法得到机器人对环境的精确估计： ①相对于机器人位置的相对位置定位法。 ②目标运动轨迹记录法。 ③参照环境静坐标的绝对位置定位法。
第 4卷第 1期智能系统学 报Vol . 4№ . 12009年 2月 CAA I Transacti ons on I ntelligent Syste m s Feb . 2009 一种基于多传感器信息融合的故障诊断方法 马大中 , 张化光 , 冯健 , 刘金海 (东北大学信息科学与工程学院 , 辽宁沈阳 110004 摘要 :, 进行诊断 . 增加系统判断的准确性 . . 关键词 :D 2S 证据理论 ; ; :. :167324785(2009 0120072204 A fault di a gnosis method based on multi 2sensor i n for mati on fusi on MA Da 2zhong, ZHANG Hua 2guang, FENG J ian, L IU J in 2hai (College of I nfor mati on Science and Engineering, Northeastern University, Shenyang 110004, China Abstract:A t p resent, there are high m isinf or mati on rates and m issing report rates in leakage testing and warning syste m s f or oil and gas p i pelines . Thus, a method using multi 2sens or inf or mati on fusi on t o conduct diagnosis was p r oposed in this paper . I n the p r ocess of inf or mati on fusi on, we t ook advantage of weighted fusi on t o increase the accuracy of syste m judg ment, since the characteristic para meters of different sens orswere distinct . Experi m ental re 2sults showed the effectiveness of the method . Keywords:D 2S evidence theory; fault diagnosis; multi 2sens or; infor mati on fusi on 收稿日期 :2008211207.
数据融合也称为信息融合，是将来自多个传感器或多源的信息进行综合处理，从而得出更为全面、准确和可靠的结论。数据融合出现于２０世纪７０年代，源于当时军事领域的需要，称为多源相关、多传感器混合数据融合，并于２０世纪８０年代建立其技术。美国是数据融合技术起步最早的国家，在随后的十几年时间里各国的研究开始逐步展开，并相继取得了一些具有重要影响的研究成果。和国外相比，我国在数据融合领域的研究起步较晚。海湾战争结束以后，数据融合技术引起国内有关单位和专家的高度重视。一些高校和科研院所相继对数据融合的理论、系统框架和融合算法展开了大量研究，但基本上处于理论研究的层次，在工程化、实用化方面尚未取得有成效的突破，许多关键技术问题尚待解决。 多传感器数据融合是人类和其他生物系统中普遍存在的一种基本功能。人类本能地具有将身体上的各种功能器官所探测到的信息与先验知识进行融合的能力，以便对周围的环境和正在发生的事件作出估计。多传感器数据融合的基本原理就像人脑综合处理信息的过程一样，它充分利用多个传感器资源，通过对这些传感器及其获得信息的合理支配和使用，把其在时间或空间上的冗余或互补信息依据某种准则来进行综合，以获得被测对象的一致性解释或描述，使该系统由此而获得比它的各组成部分的子集所构成的系统具备更优越的性能。 具体而言，多传感器数据融合基本原理如下： １）多个不同类型的传感器获取目标的数据； ２）对输出数据进行特征提取，从而获得特征矢量； ３）对特征矢量进行模式识别，完成各传感器关于目标的属性说明； ４）将各传感器关于目标的属性说明数据按同一目标进行分组，即关联； ５）利用融合算法将每一目标各传感器数据进行合成，得到该目标的一致性解释与描述。 在各种系统中，靠单一的传感器不能满足对目标、环境的识别和控制的要求。若对不同传感器采集的数据单独、孤立地进行加工，不仅会导致数据处理工作量的剧增，而且割断了各传感器数据之间的有机联系，丢失数据有机组合蕴涵的特征，造成数据资源的浪费。因此，要对多传感器的数据进行综合处理即数据融合，从而得出更为准确、