传感器数据融合

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、可靠的结论，使系统圆满地完成各种操作任务。归纳起来，多传感器数据融合的主要特点有：１）提高了对环境描述的能力；２）提高了系统的分辨能力和运行效率；３）提高了系统的可靠性和容错能力；４）在时间上和空间上扩展了观测的范围；５）增强了数据的可信度并降低了系统成本。由于数据的多样化，所以需要按照数据的类型和采集方式或工程需求等特点，根据具体问题及特定对象建立自己的融合层次。针对其在军事上的应用将数据融合划分为检测层、位置层、属性层、态势评估和威胁估计；根据数据融合功能的抽象层次和数据流通方式及传输形式，把数据融合分为高层次和低层次处理等。可见，数据融合层次的划分没有统一标准，一般来说目标属性级融合有三种基本结构：数据层融合、特征层融合和决策层融合结构。数据层融合——这是最低层次的融合。它首先将全部传感器的观测数据直接融合，然后对融合的数据进行特征提取和特征说明，并进行判断识别。这便要求传感器是同质的，若多个传感器是异质的，那么数据只能在特征层或决策层进行融合。其优点是能保持尽可能多的现场数据，提供其他融合层次所不能提供的细微信息。特征层融合——这是中间层次的融合。在这种方法中，每个传感器观测目标，并从观测数据中提取有代表性的特征，获得特征矢量，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。特征层融合是从传感器提供的原始数据中进行特征提取，因此，在融合前进现了一定的数据压缩，有利于实时处理，但由于数据的丢失使其准确性有所下降。决策层融合——这是最高层次的融合。在这种方法中，每个传感器观测目标，并将采集的信息进行特征提取，产生特征矢量，完成关于目标的说明，然后对各自传感器的说明结果进行融合，得到目标的一致性解释与描述。这种融合方式具有好的容错性和实时性，可以应用于异质传感器，而且在一个或多个传感器失效时也能正常工作，其缺点是预处理代价高。由于对传感器的数据进行了浓缩，这种方法产生的结果相对而言最不准确，但它对通信带宽的要求最低。数据融合的不同层次对应不同的算法，传统算法为数据融合技术奠定了不可或缺的理论基础，但近年来出现的一些新的基于统计推断、人工智能以及信息论等新方法，正成为推动数据融合技术向前发展的重要力量。下面我们重点谈一下证据组合方法进行多传感器数据融合。贝叶斯估计法是融合静态环境中多传感器低层数据的一种常用方法，其信息描述为概率分布，适用于具有可加高斯噪声的不确定性信息。证据理论法是贝叶斯方法的推广，但比贝叶斯法具有更多优点，贝叶斯方法需要先验概率，而运用证据理论法可以巧妙的解决这一问题，它是一种不确定情况下进行推理的强有力方法。多传感器数据融合最初是围绕军用系统开展研究的，此后，该项技术在军事和非军事领域的工程应用日益拓宽。在军事上它已经应用到海上监视、空-空防御和地-空防御、战场侦察、监视和目标捕获、战略防御与告警等领域。同时，在非军事领域也得到了广泛应用，如智能机器人、监测、交通管制、遥感、辅助医疗检测和诊断、工业控制领域等。多传感器数据融合在以下领域具有十分重要的应用价值和广阔的应用前景：1.海上监视一个临海的国家，领土和领海都是其神圣不可侵犯的地方。对领海的防御，实际上就是对一个国家前沿阵地的防御，因此，每个主权国家都非常重视对领海的防御。海上防御，首先就是海上监视，主要对海上目标进行探测，跟踪和目标识别，以及对海上事件和敌人作战行动进行监视。海上监视对象，包括空中、水面和水下目标，如空中的各类飞机、水面的各种舰船及水下的各类潜艇等。这些平台上可能装有各种类型的传感器，最常见的是潜艇上的声纳、飞机和舰船上的雷达及γ射线探测仪等。当然，人们也可从目标的识别结果来判断这些平台所携带的武器和电子装备。2.空-空和地-空防御空-空和地-空防御系统是专门对进入所管辖空域的各类目标进行探测、跟踪和目标识别的系统。其监视对象主要是进入所管辖领域的各类飞机、反飞机武器和传感器平台等。希望要以较高的探测概率发现目标，要对所发现的目标进行连续跟踪，不仅能够识别出大、中、小飞机，而且最好能够识别出目标的种类。监视范围大约由几千米到几百千米，所采用的传感器主要有雷达（RADAR），红外（IR），激光（LASER），无线电子支援测量系统（ESM），敌我识别（IFF）传感器，光电（EO）传感器等。3.战略预警和防御战略预警和防御的任务是探测和指示即将到来的战略行动迹象，探测和跟踪弹道导弹及弹头。它包括对敌人军事行动的观测，甚至非军事行动的政治活动。防御和监视范围为全球各个角落，所采用的传感器包括卫星、飞机和陆基的各种传感器，主要捕获世界各地的各种电磁探测、火箭的尾焰、核辐射和再入弹头的热辐射等。4.机器人控制目前，一个功能较强的智能机器人通常配置有立体视觉、听觉、距离和接近觉传感器、力/力矩传感器、多功能触觉传感器等。多传感器系统采得的信息将大大增加，而这些信息在时间、空间、可信度、表达方式上各不相同，这些对信息的处理和管理工作提出了新的要求。若对各种不同的传感器采集的信息进行单独、独立地加工不仅会导致信息处理工作量的增加，而且切断了各传感器信息间的内在联系，丢失信息有机组合可能蕴含的有关环境特征，从而造成信息资源的浪费。从另一方面看，由于传感器感知的是同一环境下不同（或相同）侧面的有关信息，所以这些信息的相关是必然的，由此，多传感器系统要求采用与之相应的信息综合处理技术，以协调各传感器间的工作。5.医疗诊断无论是中医的“望、闻、问、切”，还是西医的“视、触、叩、听”，都说明医疗诊断是多种信息的融合。而近年来随着大量高新技术的发展和应用，各种医疗设备获得的医学图像可以非常直观的方式展示人体內部的形态结构或有关生理参数的空间分布，成为近代医学中的一种不可缺少的诊断手段。由于各种医学设备的成像原理不同，得到的图像所体现的信息也不同，而把配准后的不同图像进行融合，可得到单独任何一幅图像无法获得的信息。如CT图像和MRI图像的融合，CT对密度差异较大的组织效果好，MRI可很好地识别软组织，所以CT与MRI医学图像融合具有广泛的临床应用价值。6.遥感遥感应用主要是对地面目标或实体进行监视、识别与定位。其中包括对自然资源，如水力资源，森林资源和矿产资源等的调查与定位；对自然灾害、原油泄漏、核泄漏、森林火灾和自然环境变化进行监测等。例如一个农业资源监视系统，不仅可以对农作物的生产情况、种植面积、是否发生病虫害等进行监测和了解，而且还可以对农作物进行估产；一个气象卫星上的遥感传感器要全天候地对天气与气候变化进行监测、预测，还要实时获得气象云图。遥感使用的传感器主要有合成孔径雷达，主要是一些利用多谱传感器的图像系统，在利用多源图像进行融合时，要利用像素级配准。最典型的两个例子，如NASA（美国国家航空航天局）使用的用于监视地面情况的地球资源卫星及考察行星和太阳系的宇宙探测器哈勃（Hubble）航空望远镜。数据融合的关键问题是:数据转换、数据相关技术、态势数据库、融合推理和融合损失等。1.数据转换由于各传感器输出的数据形式、对环境的描述和说明等都不一样,数据融合中心为了综合处理这些不同来源的信息,首先必须把这些数据转换成相同的形式、相同的描述和说明之后,才能进行相关处理。数据转换的难度在于,不仅要转换不同层次之间的信息,而且同样需要转换对环境或目标的描述或说明的不同之处和相似之处(目标和环境的先验知识也难以提取)。即使是同一层次的信息,也存在不同的描述或说明。另外,坐标的变换是非线性的,其中的误差传播直接影响数据的质量和时空校准;传感器信息异步获取时,若时域校准不好,将直接影响融合处理的质量。2.数据相关技术数据相关的核心问题是如何克服传感器测量的不精确性和干扰等引起的相关二义性,即保持数据的一致性;如何控制和降低相关计算的复杂性,开发相关处理、融合处理和系统模拟的算法和模型。3.态势数据库态势数据库可分为实时数据库和非实时数据库。实时数据库的作用是把当前各传感器的测量数据及时提供给融合推理,并提供融合推理所需要的各种其它数据。同时也存贮融合推理的最终态势/决策分析结果和中间结果。非实时数据库存贮传感器的历史数据、有关目标的和环境的辅助信息以及融合推理的历史信息。态势数据库所要解决的难题是容量要大,搜索要快,开放互联性好,并具有良好的用户接口,因此要开发更有效的数据模型、新的有效查找和搜索机制(如启发式并行搜索机制)以及分布式多媒体数据库管理系统等。4.数据损失数据融合处理过程中的信息损失,如目标配对和相关过程中一旦出错,将损失定位跟踪信息,识别及态势评定也将出错;若各传感器数据中没有公共的性质,将难以融合。数据融合以后的发展方向主要有以下几个：1.建立数据融合的基础理论,这包括进一步研究融合技术的数学基础,对于同类信息相融合的数值处理:主要研究其各种最优、次优分散式算法;对于不同类型信息相融合的符号处理方法,引进其它领域的一些新技术:如具备学习功能的新型AI技术、进化算法、小波分析技术、进化神经网络等。其中进化算法与神经网络相结合已成功地用于基于时间序列分析的财政预算。2.开展对兼有稳健性和准确性的融合算法和模型的研究。多传感器数据融合从本质上说是一个参数估计问题,或者说是一个算法问题。信号处理技术及其软件的实现方法在数据融合中占了相当大的比重。应加强对国内外研究成果的跟踪,借鉴成功经验,着重研究相关处理、融合处理、系统模拟算法和模型,开展对数据融合系统的评估技术和度量标准研究。3.分布式处理结构所具有的独特优点(信道容量要求低,系统生命力强,工程易于实现),将使其在检测、估计、跟踪方法中进一步发展。4.研究数据融合用的数据库和知识库,高速并行检索和推理机制。利用大型空间数据库中数据和知识进行推理是融合系统过程中的关键任务,但其数据量往往非常庞大,这就有必要深入研究和探讨用于空间数据库的知识发现机制和处理方法。5.开发更加有效的推理系统,以进行融合过程中的状态估计和决策分析。6.人工智能可使系统本身具有较好的柔性和可理解性,同时