黄晓瑞等：多传感器信息融合技术及其在组合导航系统中的应用
多传感器信息融合技术及其在组合导航系统中的应用?
黄晓瑞②崔平远崔祜涛
(哈尔滨工业大学航天工程与力学系哈尔滨150001)
摘要针对组合导航系统在数据处理时存在的计算量大和故障数据相互污染的问题，提出了 -种
基于信息融合的导航参数最优估计滤波方法。文中首先介绍了信息融合的基本原理、关键技术
以及常用方法，然后以INS/GPS组合为例，对组合导航系统的工作原理和模型建立进行了详细
的分析，最后通过计算机仿真证明了该方法可提高导航系统的计算精度和速度，有较好的容错
性和环境适应性，具有实际使用价值。
关键词信息融合，组合导航，联合卡尔曼滤波
0引言
随着现代数学、现代控制理论和计算机技术的不断进步，本世纪70年代，组合导航技术也得到了迅速发展，取得了令人瞩目的成就。然而多传感器组合导航系统在数据处理问题上却存在较为严重的问题[1]，例如：1)在导航信息大量冗余的情况下，计算量过大，实时性不能保证;2)导航子系统的增加使故障率也随之增加，某一子系统出现故障而又没有及时检测出并隔离掉时，故障数据会污染整个系统，使可靠性降低1 & 3]。
本文针对组合导航系统量测信息量多，数据处理困难这一特定问题，讨论了多传感器信息融合的基本原理和方法，将信息融合这一理论性概念，与组合导航系统的结构设计绑定起来，从而建立一种系统化的思想，并对目前最有发展前途的INS/GPS组合导航系统进行了分析、建模和仿真。
1信息融合技术
1. 1基本原理
自80年代以来，传感器技术获得了迅猛发展，各种面向复杂应用背景的多传感器信息系统也随之大量涌现。在这些系统中，信息的表现形式是多种多样的，信息容量以及对处理速度的要求已大大超出人脑的信息综合处理能力，信息融合这一崭新的数据处理技术便应运而生。迄今为止，信息融合技术的研究已涉及到很多领域，理论上已形成了一个全新的研究方向。
多传感器信息融合的基本原理和出发点就是充分利用多个传感器的资源，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和时间上的冗余或互补信息，依据某种准则进行组合，以获得被测对象的一致性解释或描述，使该系统由此获得比它的各组成部分更优异的性能和更可靠的决策[4]。可以证明[5]：应用最优理论融合来自多个传感器的信息总能得到比单个传感器信息更好的对象状态估计。
但并不是说所有的有多个信息源或者多个传感器的系统都可以称得上是信息融合系统，关键是看系统如何处理这些信息。信息之间可能是相互补充、相互确认、也可能是相互矛盾或竞争的，也就是说，信息对象之间有一种关系。基于这种想法，可以将信息融合技术与某一种系统结构的设计绑定起来，从而建立一种系统化的概念。对于组合导航系统而言，多源传感器如惯性导航系统的陀螺仪和加速度计、GPS接收机等是信息融合导航系统的硬件基础，它们获得的原始量测数据是融合的对象，将其按照一定的结构方式进行融合处理，则具有最优估计的融合算法就是整个系统的核心。这样就形成了基于信息融合的组合导航系统。信息融合技术的采用能够扩展系统在时间、空间上的覆盖率，增加系统的信息利用率并提高整个系统的精度和可靠性。
1.2关键技术与一般结构
信息融合系统的关键技术有两部分：1)信息的转换;2)信息的融合。就组合导航系统而言，各子系统所量测的信息在种类和形式上都有所不同，可能有距离、速度，也可能有角度、加速度等。融合系统首先对这些数据进行预处理以完成数据配准，即通过坐标变换和单位换算，把各传感器输入的数据变
①国防基础科研基金资助项目。
?女，1971年生，博士;研究方向：信息融合，组合导航系统，GPS全球定位系统;联系人。(收稿日期：2000-0^- 11;修订日期：2000-04-04)
高技术通讯2002. 02
传 ------------ ?) mm 1
?助GPS 捕获卫￡信号
图 2 INS/GPS 组合导航系统原理图
av —_
天
图1多传感器信息融合结构示意图
1.3常用融合方法
由于信息融合技术是一门刚刚起步的实践应用 技术，目前还没有普遍适用的概念和统一的表达方 式，各领域的信息融合方案也是各不相同的。在多 传感器信息融合技术诞生的初期，主要有两种技术 手段：贝叶斯估计、Dempster-Shafer 证据理论。应 用贝叶斯估计这种方法时，每一个命题都要有一个 先验概率，当某一个传感器的新信息到来，而此时未 知命题的数量大于已知命题的数量时，已知命题的 概率是很不稳定的。而I>S 方法在运作时，只支持 当前信息有效的命题，这样可以避免概率的不稳定 性，但Indiana 大学的Wang Pei [ 6]发现，D~S 理论积 累单独的信息源，造成事件合并后，时间权重和信任 度之间的不合理关系，因此，该方法在理论上还需进 一步探讨。神经网络在信息融合应用中也得到了迅 速的发展，主要用于目标识别与跟踪，但由于它
需要 较大的样本进行训练，使其在一些未知环境的应用
中受到限制。另外，小波理论在多传感器信息融合 领域中的应用也正在开展，多用于图像分析，目前还 不能体现更广泛的融合特性。 卡尔曼滤波在控制领域广泛应用以后，也逐渐 成为多传感器信息融合系统的主要技术手段。有很 多研究报告把卡尔曼滤波应用在信息融合领域中， 如Kelly 1 7]采用三维状态空间的卡尔曼滤波进行移 动机器人导航的信息融合系统，就取得了较好的效 果。本文采用
Carlson l3]
提出的联合卡尔曼滤波方 法对组合导航系统
进行信息融合。 2 INS/ GPS 组合导航系统的信息融合 2.1组合的原因
具有高精度、实时、连续导航的全球定位系统 GPS 自诞生之日起就备受人们关注。然而它是非 自主式导航系统，在动态环境或受遮挡时易出现“丢 换成统一的表达形式，然后将各量测系统所获得信 息的分析结果按一定的算法进行融合，得到最终的 目标状态估计。多传感器信息融合系统的一般结构 如图1所示：
从图2中可以看到，基于联合卡尔曼滤波器的 信息融合算法的设计，是整个组合系统的核心部分。 它用于实时地估计系统的误差状态，然后依据最小 均方误差估计的控制规律，对惯性导航系统进行反 馈修正，从而提高整个系统的导航精度。
2. 3状态方程与量测方程
在东北天导航坐标系中，取导航参数的误差量 作为状态变量。对于惯导系统取三维位置误差 5- = ( Dx,
Dy, &/，三维速度误差 sy = ( 8Vx, DVy, 5V 2j T 和三维
平台姿态角误差7- = ( 7{，7y ， 7z)T 。同时将GPS 接收机的钟差和钟漂5r 也作为状态变量。则组合导航系统的状态方程为：
X#(t)= F(t) X(t)+ G(t)w(t)
(1)
观测向量 Z = [ 5pi ap2 5^3 5Qi 5Q2 50/ T 取为GPS 所测量的伪距和伪距变化率与INS 提供的导航信息所对应的距离和速度之差，观测方 程为：
Z( t) = H( t)X(t) + v (t)
(2)
式（1)(2)中，F(t)为11维动态矩阵：
星”现象而导致定位中断。而惯性导航系统的最大 优点是在不依赖任何外界信息的情况下，可完全自 主的导航，但其定位误差随时间不断积累。可以看 到，二者具有极强的互补性和非相似性，将他们组合 起来，相互取长补短，就能充分利用各子系统的信 息，提高导航精度和可靠性，扩大使用范围。
2.2组合原理
INS/GPS 组合导航系统信息融合的本质，实际 上就
是将INS 和GPS 两个导航子系统所测量的信 息进行互联与状态矢量估计。即利用GPS 接收机、 惯性陀螺和加速度计的量测作为多源信息，组合导 航系统根据这些信息给出关于导航参数误差的最优 估计量。图2是顶S/ GPS 组合导航系统的工作原 理图。
黄晓瑞等：多传感器信息融合技术及其在组合导航系统中的应用
F I N S
F =
-1
P (k+ 1)
P71 (k+ 1)
(10)
(11)
F $
500
1000
1500 (S)
图4 GPS 单独导航时定位误差
( 6)
500 1000 1500(s)
图5 INS 单独导航时定位误差
作为信息融合中心的全局滤波器在完成时间更 新的同时，将各个局部滤波器的结果进行融合，并将 融合后的结果按信息守恒原则反馈到各局部滤波 0
500
1000 1500(s)
器，作为下一个滤波周期的初始值。信息的融合和
图6 INS/GPS 组合导航时定位误差
0 H = [H 1 H 2]T
为6x 11
观测矩阵；W= [ W INS W GPS]
1
、V= [ VlNS V GPS] ^ 分别为系统噪声和观测噪声，
是离散的高斯白噪声 序列。
2.4算法描述
将式（1)和式(2)离散化：
X(k +1) = 5( k + 1，k)X(k) + G(k) W(k) ( 3) Z(k )
= H (k)X (k) + V(k)
(4)
其中5( k + 1，k)为t(k)时刻至t(k + 1)时刻的 步状态转移阵：
2
3
I + F $t+
F 2J $J + F 3 + (5)
k + 1，k)--
对于式(3) (4)所描述的状态空间，可根
据观测 量，应用图3所示的基于联合卡尔曼滤波的信息融 合技术得出全局估计:X( k) = E[x (k)/z 1 (j )…
z
k (j)
， j = 1，?…k 7
GPS 和INS 两个子系统所对应的局部滤波器 独立
地进行时间更新和量测更新，它们采用的是常 规集中式卡尔曼滤波方法，得到局部最优估计i (i= 1，2)：
3
3
Xi(k+ 1/ k)= 5(k+ 1，k)X(k/k)
3
3
Xi(k+ 1/ k+ 1)= Xi(k+ 1/ k)+ Ki(k+ 1)
3
?[Zi(k+ 1)- Hi(k+ 1)]X(k+ 1/k) Pi(k+ 1/ k)= 5(k+ 1，k)
Pi(k/k) 5T (k+ 1，k)
+ Qi( k)
Ki(k+ 1)= Pi(k+ 1/k) H T (k+ 1)
?[Hi(k+ 1)Pi(k+ 1/k)H T
(k+ 1)
+ Ri(k+ 1)]- 1
Pi(k+ 1/ k+ 1)= [I- Ki(k+ 1)Hi(k+ 1)]
Pi(k+ 1/k) i= 1，2
反馈是按式(6)~式(10)
3
1
3
X(k+ 1) = P(k+ 1) 1(k+ 1)Xi(k+ 1) (7)
2
P(k+ 1) = ( 1 (k+ 1))- 1 (8)
i= 1
Q - 1 (k+ 1) = Q -11 (k+ 1) + Q->1(k+ 1)
-1
D
-1 (9) Q i 1(k+ 1) = Bi(k+ 1) Q 1(k+ 1) i = 1，2 1 1 P 尔+ 1) + P 21 (k+ 1) B (k + 1)P - 1 (k+ 1) i B1(k+ 1) + B2(k+ 1) = 1
3系统仿真
对于上面描述的系统，本文应用M at lab 软件在 实验室条件下，进行了 INS/GPS 组合导航系统静止 情况下
的数学仿真。图4~图6分别给出了 GPS 单 独导航、INS 单独导航和INS/ GPS 组合导航三种工 作状态下的x 轴的位置误差（时间间隔为1秒，B1= B2= 0.5)。从对比中可以看出，组合系统可以减小 甚至消除惯导系统误差随时间积累的性质，导航精 度主要取决于GPS 的定位精度，组合后精度和可靠 性提高。
1，2
GPS 全球定位系
统
ms 谓忖导鲰系
拽
图3 INS/ GPS 组合导航系统信息融合结构图
高技术通讯2002. 02
4结论
多传感器信息融合是一门新兴的数据处理技术，近几年来取得了令人瞩目的成果。该方法在INS/GPS组合导航系统中的应用，使整个系统的导航精度、效率和可靠性都比单纯的INS或GPS系统有所提高。同时在减少计算量、提高容错性等方面也得到了较大的改善。
参考文献：
[1]秦永元，张洪钺，汪叔华编著.卡尔曼滤波与组合导航原
理.西北工业大学出版社，1998
[2]Kerr T H. IEEE Trans. on Aerospace and Electronic Sys—
tem.s，1987，AES-23(1): 83
[3]Carlson N A. Navigathn，1994，41(3)，297
[4]郁文贤，雍少为，郭桂荣.国防科技大学
学报.1994，16 (4)：1 、
[5]Luo Ren C，Kay M G. Multisensor integration and fusion for
intelligent machines and systems. Norwood， New Jersey， USA:
A blex P ubl ish in g Co r po rat ion， 1995
[6]Wang Pei. A defect in depmste—shafer theory. Technical
Report，CS of India University， 1996
[7]Kelly A. A 3D space formulation of a navigation kalman filter for
autonomous vehicles. Technical Report，CMU- R—TI—9令19，CSof CMU，1994
Mult-Sensor Information Fusion Technique and Its Application in
Integrated Navigation System
Huang Xiaorui，Cui Pingyuan (Departement of Astronautics Engineering and Mechanics，Harbin Institute of Technology，
Harbin 150001)
Abstract
A new method of optimum navigation parameter estimate based on information fusion is presented in this paper in view of the heavy calculation and faulted-data spread in integrated navigation system. Firstly，the author introduce the basic principle， key technology and methods of information fusion，then explain the principle and mathematics model of the INS/ GPS integrated navigation system in detail， at last give the computer simulation. The results show that this method is practical for improving accuracy and calculation speed of navigation system.
Key words: Information fusion，Integrated navigation，Federal Kalman filter
多传感器数据融合技术的理论及应用 张宁110101256 摘要：多传感器数据融合技术是一门新兴前沿技术。近年来，多传感器数据融合技术已经受到广泛关注，它的理论和方法已经被应用到许多研究领域。本文主要论述了多传感器数据融合的基本概念、工作原理、数据融合特点与结构、数据融合方法及其应用领域，并总结了当前数据融合研究中存在的主要问题及其发展趋势。 关键词：多传感器；数据融合；融合方法 1引言 多传感器数据融合是一个新兴的研究领域，是针对一个系统使用多种传感器这一特定问题而展开的一种关于数据处理的研究。多传感器数据融合技术是近几年来发展起来的一门实践性较强的应用技术，是多学科交叉的新技术，涉及到信号处理、概率统计、信息论、模式识别、人工智能、模糊数学等理论。近年来，多传感器数据融合技术无论在军事还是民事领域的应用都极为广泛。多传感器数据融合技术已成为军事、工业和高技术开发等多方面关心的问题。这一技术广泛应用于复杂工业过程控制、机器人、自动目标识别、交通管制、惯性导航、海洋监视和管理、农业、医疗诊断、模式识别等领域。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。 2基本概念及融合原理 2.1多传感器数据融合概念 数据融合又称作信息融合或多传感器数据融合，对数据融合还很难给出一个统一、全面的定义。随着数据融合和计算机应用技术的发展，根据国内外研究成果，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
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。
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/a314243381.html,/Periodical_jqr2003z1037.aspx
多传感器数据融合技术
姓名：李承尚 学号： 081308309 专业：电子信息工程
多传感器数据融合是一门新兴技术，在军事和非军事领域中都到了广泛应用、多传感器数据融合技术汲取了人工智能、模式识别、统计估计等多门学科的相关技术，计算机技术的快速发展以及数据融合技术的成熟为数据融合的广泛应用提供了基础。 多传感器数据融合是一个新兴的研究领域，是针对一个系统使用多种传感器这一特定问题而展开的一种关于数据处理的研究。多传感器数据融合技术是近几年来发展起来的一门实践性较强的应用技术，是多学科交叉的新技术，涉及到信号处理、概率统计、信息论、模式识别、人工智能、模糊数学等理论。多传感器融合技术已成为军事、工业和高技术开发等多方面关心的问题。这一技术广泛应用于C3I（command，control，communication and intelligence）系统、复杂工业过程控制、机器人、自动目标识别、交通管制、惯性导航、海洋监视和管理、农业、遥感、医疗诊断、图像处理、模式识别等领域。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。美国研究机构就在国防部的资助下，开展了声纳信号解释系统的研究。目前，在工业控制、机器人、空中交通管制、海洋监视和管理等领域也朝着多传感器融合方向发展。多传感器融合技术成为军事、工业和高技术开发等多方面关心的问题。 1 基本概念及融合原理
1．1 多传感器数据融合概念 数据融合又称作信息融合或多传感器数据融合，对数据融合还很难给出一个统一、全面的定义。随着数据融合和计算机应用技术的发展，根据国内外研究成果，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。 1．2 多传感器数据融合原理 多传感器数据融合技术的基本原理就像人脑综合处理信息一样，充分利用多个传感器资源，通过对多传感器及其观测信息的合理支配和使用，把多传感器在空间或时间上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。具体地说，多传感器数据融合原理如下：（1）N个不同类型的传感器（有源或无源的）收集观测目标的数据； （2）对传感器的输出数据（离散的或连续的时间函数数据、输出矢量、成像数据或一个直接的属性说明）进行特征提取的变换，提取代表观测数据的特征矢量Yi； （3）对特征矢量Yi进行模式识别处理（如，聚类算法、自适应神经网络或其他能将特征矢量Yi变换成目标属性判决的统计模式识别法等）完成各传感器关于目标的说明； （4）将各传感器关于目标的说明数据按同一目标进行分组，即关联；
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。
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在汽车中的应用 摘要：传感器经常应用在现代智能汽车系统中，是一个能提高道路交通安全具有前景的工具。基于车上感知系统的启用，如雷达，激光或视频技术等，这些车都具备了检测道路上是否有威胁的能力，预计会出现的危险驾驶情况，并积极采取行动，碰撞避撞。除了在汽车上应用多种传感器形成组合系统外，复杂的信号处理和传感器数据是否能融合也是整个系统能否稳健和可用的重要因素。本论文中，我们将用原始传感器测量的数据（低级）和数据融合方法（高级别）来确定测量点。我们模拟传感器的现象、道路交通情况、数据融合范例、信号处理算法和探讨不同传感器的数据相结合的影响水平上对多传感器系统的离散事件仿真手段进行抽象事件模拟。 关键词：多传感器数据融合、仿真、智能汽车、环境感知、汽车 1、前言 在提高道路交通安全的同时减少致命车祸的数量，是世界各地汽车生产商和研究机构未来要解决的艰巨任务。为了提高交通安全，不但要有路边的智能基础设施，还要有先进的交通工具和信息服务能力，并努力提高各个车辆之间信息的交流。目前，传感器技术因在军事和民用航空领域应用广泛而广为人知。雷达，激光，超声波或视频设备等传感器技术在汽车上的应用，使车辆对周围环境信息的感知能力大大提高，并能预见周围环境所具有主动的或被动的威胁及时采取行动尽早和有效地避免碰撞话减少或减轻事故的损害程度，使汽车具有了主动保护能力。智能车辆的基础是先进驾驶辅助系统（ADAS），但它严重依赖于传感器的数据信息，所以传感器获取周围信息质量的好坏，决定着智能车的决策力。而传感器的性能是受本身感知范围、视角、天气鲁棒性、功耗和布局等因素约束的。单个传感器往往无法克服这些弱点，所以通常会使用多种传感器。然而传感器的信号处理和传感器数据融合是一个复杂的过程，它需要考虑系统的可靠性。各种算法在处理各测量点时，需要结合现实环境对传感器的数据信息进行过滤处理。基于系统融合范例中的数据是在特定环境中采集的数据，在低级别的数据中，数据是与各种设备的原始数据相结合来处理早期信号和将算法应用到测量点。高级别的数据融合策略是将各个传感器的数据进行前期处理之后再进行专门的能力聚类、关联、过滤并以融合后的信息作为检测对象。这两种方法在熵信息、计算复杂性和适应性上都有自己的优势和劣势。在本文中，我们将对一个离散事件进行模型仿真分析，它包括多种传感器系统，如雷达或激光束反射、道路交通情况
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。
收稿日期:2002203217 作者简介:毛士艺(1935-),男,浙江黄岩人,教授,100083,北京. 多传感器图像融合技术综述 毛士艺 赵 巍 (北京航空航天大学电子工程系) 摘 要:对国内外多传感器图像融合技术的发展状况进行了介绍,描述了 图像融合的主要步骤,概括了目前主要图像融合方法的基本原理,并对各种方法的性能进行了定性分析.给出了评价图像融合效果的标准和方法,指出了图像融合技术的发展方向. 关 键 词:图像处理;图像合成;传感器;图像融合 中图分类号:T N 911.73文献标识码:A 文章编号:100125965(2002)0520512207 近20年,随着传感器技术和计算机计算能力的提高,多传感器图像融合技术的应用越来越广泛.在军事领域,以多传感器图像融合为核心内容的战场感知技术已成为现代战争中最具影响力的军事高科技.20世纪90年代,美国海军在SS N 2 691(孟菲斯)潜艇上安装了第1套图像融合样机,可使操纵手在最佳位置上直接观察到各传感器的全部图像[1],[2].1998年1月7日《防务系统月刊》电子版报道,美国国防部已授予BTG 公司2项合同,其中一项就是美国空军的图像融合设计合同,此系统能给司令部一级的指挥机构和网络提供比较稳定的战场图像.在遥感领域,大量遥感图像的融合为更方便、更全面地认识环境和自然资源提供了可能[3]～[5],其成果广泛应用于大地测绘、植被分类与农作物生长势态评估、天气预报、自然灾害检测等方面.1999年10月4日,由我国和巴西联合研制的“资源一号”卫星发射升空,卫星上安装了我国自行研制的CC D 相机和红外多光谱扫描仪,这两种航天遥感器之间可进行图像融合,大大扩展了卫星的遥感应用范围.在医学成像领域,CT 、MR 和PET 图像的融合提高了计算机辅助诊 断能力[6].2001年11月25日～30日在美国芝加哥召开了每年一度的RS NA 北美放射学会年会,在会议上GE 公司医疗系统部展销了其产品Dis 2covery LS.Discovery LS 是GE 公司于2001年6月 刚推出的最新PET/CT ,是世界上最好的PET 与最高档的多排螺旋CT 的一个完美结合,具有单体PET 不能比拟的优势.它可以完成能量衰减校正、 分子代谢影像(PET )与形态解剖影像(CT )的同机 图像融合,使检查时间成倍地降低.在网络安全领域,多尺度图像融合技术可将任意的图像水印添加到载体图像中,以确保信息安全[7]. 在各个应用领域的需求牵引下,各国学者对多传感器图像融合技术的研究也越来越重视.在多传感器信息融合领域中,图像融合是应用最为广泛,发表文献最多的一个方向.从文献[8]可看出,在参与统计的信息融合文章中,信号层的信息融合文章占53%.同时,我们做了这样一个调查,在Ei C om pendexWeb 数据库中用“image fusion ”作为关键词,检索从1980年到2001年摘要中出现这一词组的文章数目.1980年至1984年,这方面的文章只有4篇;1995年至1999年增加到603篇;2000年和2001年两年就有299篇.从中可以看出国际学术界对图像融合技术的重视程度与日俱增. 为了使国内同行对图像融合技术有一个较为全面的了解,本文在参考国内外文献的基础上,对目前常用的图像融合技术进行了概括和评述.文章首先介绍了图像融合研究的基本内容,将图像融合的概念界定到像素级;接着描述了各种图像融合技术的基本原理,对它们的优缺点进行了定性分析,给出了评价图像融合技术的方法. 1 多传感器图像融合技术研究内容 多传感器图像融合属于多传感器信息融合的范畴,是指将不同传感器获得的同一景物的图像 2002年10月第28卷第5期北京航空航天大学学报 Journal of Beijing University of Aeronautics and Astronautics October 2002V ol.28 N o 15
多传感器融合方法 一、 数学知识 1、 期望 定义1设X 是离散型随机变量，它的概率函数是：k k ,1,2,P X X p k === （） 如果1k k k x p ∞ =∑有限，定义X 的数学期望 ()1 k k k E X x p +∞ ==∑ 定义2设X 是连续型随机变量，其密度函数为()f x ，如果()x f x ∞ -∞ ?有限，定 义X 的数学期望为 ()()E x xf x dx +∞-∞ =? 2、 条件数学期望 定义X 在Y y =的条件下的条件分布的数学期望称为X 在Y y =的条件下的条件期望。 当(),X Y 为离散随机向量时 ()()||i i i E X Y y x P X x Y y ====∑ 当(),X Y 为连续随机向量时 ()()|y ||x E X Y y xp x y dx +∞-∞ ==? 3、 贝叶斯公式 定义设Ω为试验E 的样本空间，B 为E 的事件，12,,n A A A 为Ω的一个划分，且 ()0P B >，()()01,2,,i P A i n >= ，则
()()() ()() 1 ||,1,2,|i i i n j j j P B A P A P A B i n P B A P A == =∑ 称此为贝叶斯公式。 4、 贝叶斯估计 期望损失：??(|)(,)(|)R x p x d θλθθθθΘ =? 损失函数：?(,)λθ θ，把θ估计为?θ所造成的损失 常用损失函数：2??(,)()λθ θθθ=-，平方误差损失函数 如果采用平方误差损失函数，则θ的贝叶斯估计量?θ是在给定x 时θ的条件期望，即： []?|(|)E x p x d θθθθθΘ ==? 同理可得到，在给定样本集χ下，的贝叶斯估计是： []?|(|)E p d θθχθθχθΘ ==? 求贝叶斯估计的方法：（平方误差损失下） ● 确定θ的先验分布()p θ ● 求样本集的联合分布 1(|)(|)N i i p p x θχθ==∏ ● 求的后验概率分布 (|)() (|)(|)()p p p p p d χθθθχχθθθ Θ = ? ● 求的贝叶斯估计量 ?(|)p d θθθχθΘ =? Gaussian 情况，仅参数θμ=未知 给定样本集χ，已知随机变量()2~,k x N μσ均值未知而方差已知。均值变量
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
多传感器信息融合学习心得 通过一学期的学习，对多传感器信息融合有了一定的了解，学习了多传感器信息融合中的多种方法，并在小组论题和作业中都有所体现，下面我谈一下自己的学习心得。 一、多传感器信息融合的产生与发展 多传感器信息融合是由美国军方在20世纪70年代提出的，通过对各传感器获得的未知环境特征信息的分析和综合,得到对环境全面、正确的估计,它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。主要用于对军事目标（舰艇、飞机等）的检测、定位、跟踪和识别，具体应用在海洋监视、空对空或地对空防御系统等。 二、多传感器信息融合主要方法 多传感器信息融合是建立在传统的估计理论和识别算法的基础之上，主要有卡尔曼滤波、贝叶斯理论、D-S证据理论和小波变换等，下面我简单介绍一下各种算法。 1）卡尔曼滤波 卡尔曼滤波器实际上是一个最优化自回归数据处理算法。首先，我们先要引入一个离散控制过程的系统。该系统可用一个线性随机微分方程来描述：X(k)=A X(k-1)+B U(k)+W(k) 再加上系统的测量值： Z(k)=H X(k)+V(k) 上两式子中，X(k)是k时刻的系统状态，U(k)是k时刻对系统的控制量。A 和B是系统参数，对于多模型系统，他们为矩阵。Z(k)是k时刻的测量值，H是测量系统的参数，对于多测量系统，H为矩阵。W(k)和V(k)分别表示过程和测量的噪声。他们被假设成高斯白噪声(White Gaussian Noise)，他们的方差分别是Q，R（这里我们假设他们不随系统状态变化而变化）。 假设现在系统的状态是k，根据系统模型，可以基于系统上一状态而预测出现在状态： X(k|k-1)=A X(k-1|k-1)+B U(k) (1)
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
多传感器数据融合技术在移动机器人中的应用 摘要 机器人多传感器数据融合是当今科学研究的热点问题。综述了多传感器数据融合技术在移动机器人几个工作阶段中的应用。指明了移动机器人领域中多传感器数据融合技术的发展趋势。 关键词 移动机器人多传感器数据融合 Abstract Nowadays, the multi-sensor data fusion of robots is an intensive topic in scientific research. The application of multi-sensor data fusion technology in mobile robots' several sessions is described. At last, future development trends of this technology are also presented. Key Word mobile robot m ulti-sensor data fusion 前言 随着传感器种类的日益丰富和传感器技术的飞速发展，多传感器数据融合技术得到了越来越多的关注。并且由于其在解决探测、跟踪和识别等问题上具有生存能力强，能够增强系统检测性能、可信度、鲁棒性和可靠性，可以提高测量数据精度，扩展系统的时间和空间覆盖范围[1]等优势，多传感器数据融合在军事、农业、工业等各个领域上的应用越来越
频繁。其中，数据融合技术在机器人研究领域的应用也正处在快速发展的阶段，特别是在移动机器人中，数据融合技术的应用就更为广泛了。本文比较分析了现有移动机器人上所应用的多传感器数据融合技术，并对未来移动机器人研究领域内数据融合技术的发展进行了合理的展望。 正文 3.3 移动机器人多传感器数据融合的实现 对于不同结构的移动机器人而言，其涉及的传感器装置不同，相应所采用的数据融合技术也不尽相同。目前，移动机器人领域中采用的多传感器数据融合方法主要包括：卡尔曼滤波、贝叶斯估计、加权平均算法、模糊逻辑算法、神经网络算法、小波变换法、Dempster-Shafer(D-S)理论等。应用这些方法可以进行数据层、特征层以及决策层等不同的层次的融合，也可以实现内部航迹推算系统信息、测距传感器信息、全局定位信息之间的信息融合，进而可以保证移动机器人能全面、准确地感知自身状态和周围的环境，从而能做出正确的判断和决策[9]。 智能的移动机器人能实现目标识别、目标物体位姿测量、精确自定位、导航、目标跟踪等一系列功能。在实现不同功能的过程中，移动机器人所用到的传感器数量和种类可能不同，各种数据融合算法在不同阶段的适用性和优劣性也不一样。一般,直接对数据源进行操作时,可以采用神经网络或加权平均算法等；利用对象的统计特性和概率模型进行操作时,可采用贝叶斯估计、多贝叶斯估计、卡尔曼滤波、统计决策理论等；而在系统的决策层,采用基于规则推理的方法比较好,如模糊逻辑、证据推理、产生式规则等[10]。 3.3.1 多传感器数据融合算法在移动机器人目标识别中的应用 神经网络算法是一种效仿生物神经系统的处理方法，它从人脑的结构出发来研究人的智能行为，模拟人脑信息处理的功能[11]。它具有良好的容错性、层次性、可塑性、自适应、联想记忆和并行处理能力。正是由于神经网络算法的种种优越性，其在数据融合中的应用越来越广泛。 目前，在各种数据融合算法中，神经网络算法比较适用于移动机器人对目标的识别，它能够使移动机器人对障碍物有精确的认识和估计，从而得出正确的运行轨迹。采用基于神经网络的数据融合方法，能够较好地解决移动机器人的正确导航和自主行进问题。为了有效地改善神经网路数据融合的计算速度和实现效果，可以采用阵列式神经网络的数据融
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