多傳感器融合（Multi-sensor Fusion, MSF）是利用計算機技術(shù)，將來(lái)自多傳感器或多源的信息和數據以一定的準則進(jìn)行自動(dòng)分析和綜合，以完成所需的決策和估計而進(jìn)行的信息處理過(guò)程。

一、基本原理

多傳感器融合基本原理就像人腦綜合處理信息的過(guò)程一樣，將各種傳感器進(jìn)行多層次、多空間的信息互補和優(yōu)化組合處理，產(chǎn)生對觀(guān)測環(huán)境的一致性解釋。在這個(gè)過(guò)程中要充分利用多源數據進(jìn)行合理支配與使用，而信息融合的目標則是基于各傳感器獲得的分離觀(guān)測信息，通過(guò)對信息多級別、多方面組合導出更多有用信息。這不僅是利用了多個(gè)傳感器相互協(xié)同操作的優(yōu)勢，而且也綜合處理了其它信息源的數據來(lái)提高整個(gè)傳感器系統的智能化。

具體來(lái)講，多傳感器數據融合原理如下：

（1）多個(gè)不同類(lèi)型傳感器（有源或無(wú)源）收集觀(guān)測目標的數據；

（2）對傳感器的輸出數據（離散或連續的時(shí)間函數數據、輸出矢量、成像數據或一個(gè)直接的屬性說(shuō)明）進(jìn)行特征提取的變換，提取代表觀(guān)測數據的特征矢量Yi；

（3）對特征矢量Yi進(jìn)行模式識別處理（如聚類(lèi)算法、自適應神經(jīng)網(wǎng)絡(luò )或其他能將特征矢量Yi變換成目標屬性判決的統計模式識別法等），完成各傳感器關(guān)于目標的說(shuō)明；

（4）將各傳感器關(guān)于目標的說(shuō)明數據按同一目標進(jìn)行分組，即關(guān)聯(lián)；

（5）利用融合算法將目標的各傳感器數據進(jìn)行合成，得到該目標的一致性解釋與描述。

二、融合算法

對于多傳感器系統而言，信息具有多樣性和復雜性，因此對信息融合算法的基本要求 是具有魯棒性和并行處理能力。其他要求還有算法的運算速度和精度；與前續預處理系統和后續信息識別系統的接口性能；與不同技術(shù)和方法的協(xié)調能力；對信息樣本的要求等。一般情況下，基于非線(xiàn)性的數學(xué)方法，如果具有容錯性、自適應性、聯(lián)想記憶和并行處理能力，則都可以用來(lái)作為融合方法。

多傳感器數據融合的常用方法基本上可分為兩大類(lèi)：隨機類(lèi)和人工智能類(lèi)。

2.1 隨機類(lèi)

（1）加權平均法

信號級融合方法zui簡(jiǎn)單直觀(guān)的方法是加權平均法，將一組傳感器提供的冗余信息進(jìn)行加權平均，結果作為融合值。該方法是一種直接對數據源進(jìn)行操作的方法。

（2）卡爾曼濾波法

主要用于融合低層次實(shí)時(shí)動(dòng)態(tài)多傳感器冗余數據。該方法用測量模型的統計特性遞推，決定統計意義下的zui 優(yōu)融合和數據估計。如果系統具有線(xiàn)性動(dòng)力學(xué)模型，且系統與傳感器的誤差符合高斯白噪聲模型，則卡爾曼濾波將為融合數據提供唯 一統計意義下的zui 優(yōu)估計。

卡爾曼濾波的遞推 特性使系統處理無(wú)需大量的數據存儲和計算。但是采用單一的卡爾曼濾波器對多傳感器組合系統進(jìn)行數據統計時(shí)，存在很多嚴重問(wèn)題，例如：① 在組合信息大量冗余情況下，計算量將以濾波器維數的三次方劇增，實(shí)時(shí)性難以滿(mǎn)足。② 傳感器子系統的增加使故障概率增加，在某一系統出現故障而沒(méi)有來(lái)得及被檢測出時(shí)，故障會(huì )污染整個(gè)系統，使可靠性降低。

（3）多貝葉斯估計法

將每一個(gè)傳感器作為一個(gè)貝葉斯估計，把各單獨物體的關(guān)聯(lián)概率分布合成一個(gè)聯(lián)合的后驗概率分布函數，通過(guò)使聯(lián)合分布函數的似然函數為zui小，提供多傳感器信息的zui終融合值，融合信息與環(huán)境的一個(gè)先驗模型以提供整個(gè)環(huán)境的一個(gè)特征描述。

（4）D-S證據推理法

該方法是貝葉斯推理的擴充，包含3個(gè)基本要點(diǎn)：基本概率賦值函數、信任函數和似然函數。

D-S方法的推理結構是自上而下的，分為三級：第 一 級為目標合成，其作用是把來(lái)自獨立傳感器的觀(guān)測結果合成為一個(gè)總的輸出結果（ID）；第 二級為推斷，其作用是獲得傳感器的觀(guān)測結果并進(jìn)行推斷，將傳感器觀(guān)測結果擴展成目標報告。這種推理的基礎是：一定的傳感器報告以某種可信度在邏輯上會(huì )產(chǎn)生可信的某些目標報告；第三級為更新，各傳感器一般都存在隨機誤差，因此在時(shí)間上充分獨立地來(lái)自同一傳感器的一組連續報告比任何單一報告更加可靠。所以在推理和多傳感器合成之前，要先組合（更新）傳感器的觀(guān)測數據。

（5）產(chǎn)生式規則

采用符號表示目標特征和相應傳感器信息之間的聯(lián)系，與每一個(gè)規則相聯(lián)系的置信因子表示它的不確定性程度。當在同一個(gè)邏輯推理過(guò)程中，2個(gè)或多個(gè)規則形成一個(gè)聯(lián)合規則時(shí)，可以產(chǎn)生融合。應用產(chǎn)生式規則進(jìn)行融合的主要問(wèn)題是每個(gè)規則置信因子的定義與系統中其他規則的置信因子相關(guān)，如果系統中引入新的傳感器，需要加入相應的附加規則。

2.2 AI類(lèi)

（1）模糊邏輯推理

模糊邏輯是多值邏輯，通過(guò)指定一個(gè)0到1之間的實(shí)數表示真實(shí)度（相當于隱含算子的前提），允許將多個(gè)傳感器信息融合過(guò)程中的不確定性直接表示在推理過(guò)程中。如果采用某種系統化的方法對融合過(guò)程中的不確定性進(jìn)行推理建模，則可以產(chǎn)生一致性模糊推理。

與概率統計方法相比，邏輯推理存在許多優(yōu)點(diǎn)，它在一定程度上克服了概率論所面臨的問(wèn)題，對信息的表示和處理更加接近人類(lèi)的思維方式，一般比較適合于在高層次上的應用（如決策）。但是邏輯推理本身還不夠成熟和系統化。此外由于邏輯推理對信息的描述存在很多的主觀(guān)因素，所以信息的表示和處理缺乏客觀(guān)性。

模糊集合理論對于數據融合的實(shí)際價(jià)值在于它外延到模糊邏輯，模糊邏輯是一種多值邏輯，隸屬度可視為一個(gè)數據真值的不精 確表示。在MSF過(guò)程中，存在的不確定性可以直接用模糊邏輯表示，然后使用多值邏輯推理，根據模糊集合理論的各種演算對各種命題進(jìn)行合并，進(jìn)而實(shí)現數據融合。

（2）人工神經(jīng)網(wǎng)絡(luò )法

神經(jīng)網(wǎng)絡(luò )具有很強的容錯性以及自學(xué)習、自組織及自適應能力，能夠模擬復雜的非線(xiàn)性映射。神經(jīng)網(wǎng)絡(luò )的這些特性和強大的非線(xiàn)性處理能力，恰好滿(mǎn)足多傳感器數據融合技術(shù)處理的要求。在多傳感器系統中，各信息源所提供的環(huán)境信息都具有一定程度的不確定性，對這些不確定信息的融合過(guò)程實(shí)際上是一個(gè)不確定性推理過(guò)程。神經(jīng)網(wǎng)絡(luò )根據當前系統所接受的樣本相似性確定分類(lèi)標準，這種確定方法主要表現在網(wǎng)絡(luò )的權值分布上，同時(shí)可以采用學(xué)習算法來(lái)獲取知識，得到不確定性推理機制。利用神經(jīng)網(wǎng)絡(luò )的信號處理能力和自動(dòng)推理功能，即實(shí)現了多傳感器數據融合。

三、應用領(lǐng)域

多傳感器數據融合作為一種可消除系統的不確定因素、提供準確的觀(guān)測結果和綜合信息的智能化數據處理技術(shù)，已在軍 事、工業(yè)監控、智能檢測、機器人、圖像分析、目標檢測與跟蹤、自動(dòng)目標識別等領(lǐng)域獲得普遍關(guān)注和廣泛應用。

（1）機器人

多傳感器數據融合技術(shù)的另一個(gè)典型應用領(lǐng)域為機器人。目前主要應用在移動(dòng)機器人和遙操作機器人上，因為這些機器人工作在動(dòng)態(tài)、不確定與非結構化的環(huán)境中（如“勇氣”號和“機遇”號火星車(chē)）。這些高度不確定的環(huán)境要求機器人具有高度的自治能力和對環(huán)境的感知能力，而多傳感器數據融合技術(shù)正是提高機器人系統感知能力的有效方法。實(shí)踐證明：采用單個(gè)傳感器的機器人不具有完整、可靠地感知外部環(huán)境的能力。智能機器人應采用多個(gè)傳感器，并利用這些傳感器的冗余和互補的特性來(lái)獲得機器人外部環(huán)境動(dòng)態(tài)變化的、比較完整的信息，并對外部環(huán)境變化做出實(shí)時(shí)的響應。目前，機器人學(xué)界提出向非結構化環(huán)境進(jìn)軍，其核心的關(guān)鍵之一就是多傳感器系統和數據融合。

（2）遙感

多傳感器融合在遙感領(lǐng)域中的應用，主要是通過(guò)高空間分辨力全色 圖像和低光譜分辨力圖像的融合，得到高空問(wèn)分辨力和高光譜分辨力的圖像，融合多波段和多時(shí)段的遙感圖像來(lái)提高分類(lèi)的準確性。

（3）智能交通管理系統

數據融合技術(shù)可應用于地面車(chē)輛定位、車(chē)輛跟蹤、車(chē)輛導航以及空中交通管制系統等。

（4）復雜工業(yè)過(guò)程控制

復雜工業(yè)過(guò)程控制是數據融合應用的一個(gè)重要領(lǐng)域。目前，數據融合技術(shù)已在核反應堆和石油平臺監視等系統中得到應用。融合的目的是識別引起系統狀態(tài)超出正常運行范圍的故障條件，并據此觸發(fā)若干報警器。通過(guò)時(shí)間序列分析、頻率分析、小波分析，從各傳感器獲取的信號模式中提取出特征數據，同時(shí)，將所提取的特征數據輸入神經(jīng)網(wǎng)絡(luò )模式識別器，神經(jīng)網(wǎng)絡(luò )模式識別器進(jìn)行特征級數據融合，以識別出系統的特征數據，并輸入到模糊專(zhuān)家系統進(jìn)行決策級融合；專(zhuān)家系統推理時(shí)，從知識庫和數據庫中取出領(lǐng)域知識規則和參數，與特征數據進(jìn)行匹配（融合）；zui后，決策出被測系統的運行狀態(tài)、設備工作狀況和故障等。

四、存在問(wèn)題及發(fā)展趨勢

隨著(zhù)傳感器技術(shù)、數據處理技術(shù)、計算機技術(shù)、網(wǎng)絡(luò )通訊技術(shù)、人工智能技術(shù)、并行計算軟件和硬件技術(shù)等相關(guān)技術(shù)的發(fā)展，尤其是人工智能技術(shù)的進(jìn)步，新的、更有效的數據融合方法將不斷推出，多傳感器數據融合必將成為未來(lái)復雜工業(yè)系統智能檢測與數據處理的重要技術(shù)，其應用領(lǐng)域將不斷擴大。多傳感器數據融合不是一門(mén)單一的技術(shù)，而是一門(mén)跨學(xué)科的綜合理論和方法，并且是一個(gè)不很成熟的新研究領(lǐng)域，尚處在不斷變化和發(fā)展過(guò)程中。

（1）存在問(wèn)題及發(fā)展趨勢

尚未建立統一的融合理論和有效廣義融合模型及算法；對數據融合的具體方法的研究尚處于初步階段；還沒(méi)有很好解決融合系統中的容錯性或魯棒性問(wèn)題；關(guān)聯(lián)的二義性是數據融合中的主要障礙；數據融合系統的設計還存在許多實(shí)際問(wèn)題。

（2）發(fā)展趨勢

建立統一的融合理論、數據融合的體系結構和廣義融合模型；解決數據配準、數據預處理、數據庫構建、數據庫管理、人機接口、通用軟件包開(kāi)發(fā)問(wèn)題，利用成熟的輔助技術(shù)，建立面向具體應用需求的數據融合系統；將人工智能技術(shù)，如，神經(jīng)網(wǎng)絡(luò )、遺傳算法、模糊理論、專(zhuān)家理論等引入到數據融合領(lǐng)域；利用集成的計算智能方法（如，模糊邏輯＋神經(jīng)網(wǎng)絡(luò )，遺傳算法＋模糊＋神經(jīng)網(wǎng)絡(luò )等）提高多傳感融合的性能；解決不確定性因素的表達和推理演算，例如：引入灰數的概念；利用有關(guān)的先驗數據提高數據融合的性能，研究更加先進(jìn)復雜的融合算法（未知和動(dòng)態(tài)環(huán)境中，采用并行計算機結構多傳感器集成與融合方法的研究等）；在多平臺／單平臺、異類(lèi)／同類(lèi)多傳感器的應用背景下，建立計算復雜程度低，同時(shí)，又能滿(mǎn)足任務(wù)要求的數據處理模型和算法；構建數據融合測試評估平臺和多傳感器管理體系；將已有的融合方法工程化與商品化，開(kāi)發(fā)能夠提供多種復雜融合算法的處理硬件，以便在數據獲取的同時(shí)就實(shí)時(shí)地完成融合。