隨著機器人技術(shù)的不斷發(fā)展，機器人的應(yīng)用領(lǐng)域和功能有了極大的拓展和提高。智能化已成為機器人技術(shù)的發(fā)展趨勢，而傳感器技術(shù)則是實現(xiàn)機器人智能化的基礎(chǔ)之一。由于單一傳感器獲得的信息非常有限，而且，還要受到自身品質(zhì)和性能的影響，因此，智能機器人通常配有數(shù)量眾多的不同類型的傳感器，以滿足探測和數(shù)據(jù)采集的需要。若對各傳感器采集的信息進行單獨、孤立地處理，不僅會導致信息處理工作量的增加，而且，割斷了各傳感器信息間的內(nèi)在聯(lián)系，丟失了信息經(jīng)有機組合后可能蘊含的有關(guān)環(huán)境特征，造成信息資源的浪費，甚至可能導致決策失誤。為了解決上述問題人們提出了多傳感器融合技術(shù)（multi-sensorfusion）。

　　

　　

多傳感器融合又稱多傳感器信息融合（multi-sensor information fusion)，有時也稱作多傳感器數(shù)據(jù)融合(multi-sensor data fusion)，于1973年在美國國防部資助開發(fā)的聲納信號處理系統(tǒng)中被首次提出，它是對多種信息的獲取、表示及其內(nèi)在聯(lián)系進行綜合處理和優(yōu)化的技術(shù)。它從多信息的視角進行處理及綜合，得到各種信息的內(nèi)在聯(lián)系和規(guī)律，從而剔除無用的和錯誤的信息，保留正確的和有用的成分，最終實現(xiàn)信息的優(yōu)化，也為智能信息處理技術(shù)的研究提供了新的觀念。

 

多傳感器融合的層次結(jié)構(gòu)

　　

多傳感器融合在結(jié)構(gòu)上按其在融合系統(tǒng)中信息處理的抽象程度，主要劃分為三個層次:數(shù)據(jù)層融合、特征層融合和決策層融合。

　　

1.數(shù)據(jù)層融合：也稱像素級融合，首先將傳感器的觀測數(shù)據(jù)融合,然后從融合的數(shù)據(jù)中提取特征向量,并進行判斷識別。數(shù)據(jù)層融合需要傳感器是同質(zhì)的(傳感器觀測的是同一物理現(xiàn)象),如果多個傳感器是異質(zhì)的(觀測的不是同一個物理量),那么數(shù)據(jù)只能在特征層或決策層進行融合。數(shù)據(jù)層融合不存在數(shù)據(jù)丟失的問題,得到的結(jié)果也是最準確的,但計算量大，且對系統(tǒng)通信帶寬的要求很高。

 

 

2.特征層融合：特征層融合屬于中間層次，先從每種傳感器提供的觀測數(shù)據(jù)中提取的有代表性的特征,這些特征融合成單一的特征向量,然后運用模式識別的方法進行處理。這種方法的計算量及對通信帶寬的要求相對降低,但由于部分數(shù)據(jù)的舍棄使其準確性有所下降。

 

 

3.決策層融合：決策層融合屬于高層次的融合，由于對傳感器的數(shù)據(jù)進行了濃縮,這種方法產(chǎn)生的結(jié)果相對而言最不準確,但它的計算量及對通信帶寬的要求最低。

 

 

對于特定的多傳感器融合系統(tǒng)工程應(yīng)用,應(yīng)綜合考慮傳感器的性能、系統(tǒng)的計算能力、通信帶寬、期望的準確率以及資金能力等因素,以確定哪種層次是最優(yōu)的。另外,在一個系統(tǒng)中,也可能同時在不同的融合層次上進行融合。

 

 

　　

融合算法是融合處理的基礎(chǔ)。它是將多元輸入數(shù)據(jù)根據(jù)信息融合的功能要求,在不同融合層次上采用不同的數(shù)學方法,對數(shù)據(jù)進行綜合處理,最終實現(xiàn)融合。目前已有大量的融合算法,它們都有各自的優(yōu)缺點。這些融合算法總體上法可以分為三大類型：嵌入約束法、證據(jù)組合法、人工神經(jīng)網(wǎng)絡(luò)法。

　　

1.嵌入約束法

　　

由多種傳感器所獲得的客觀環(huán)境的多組數(shù)據(jù)就是客觀環(huán)境按照某種映射關(guān)系形成的像，傳感器信息融合就是通過像求解原像，即對客觀環(huán)境加以了解。用數(shù)學語言描述就是，即使所有傳感器的全部信息，也只能描述環(huán)境的某些方面的特征，而具有這些特征的環(huán)境卻有很多，要使一組數(shù)據(jù)對應(yīng)惟一的環(huán)境(即上述映射為一一映射)，就必須對映射的原像和映射本身加約束條件，使問題能有惟一的解。嵌入約束法有兩種基本的方法：貝葉斯估計和卡爾曼濾波。

 

 

2.證據(jù)組合法

　　

證據(jù)組合法認為完成某項智能任務(wù)是依據(jù)有關(guān)環(huán)境某方面的信息做出幾種可能的決策，而多傳感器數(shù)據(jù)信息在一定程度上反映環(huán)境這方面的情況。因此，分析每一數(shù)據(jù)作為支持某種決策證據(jù)的支持程度，并將不同傳感器數(shù)據(jù)的支持程度進行組合，即證據(jù)組合，分析得出現(xiàn)有組合證據(jù)支持程度最大的決策作為信息融合的結(jié)果。

　　

證據(jù)組合法是為完成某一任務(wù)的需要而處理多種傳感器的數(shù)據(jù)信息。它先對單個傳感器數(shù)據(jù)信息每種可能決策的支持程度給出度量(即數(shù)據(jù)信息作為證據(jù)對決策的支持程度)，再尋找一種證據(jù)組合方法或規(guī)則，使在已知兩個不同傳感器數(shù)據(jù)(即證據(jù))對決策的分別支持程度時，通過反復(fù)運用組合規(guī)則，最終得出全體數(shù)據(jù)信息的聯(lián)合體對某決策總的支持程度，得到最大證據(jù)支持決策，即傳感器信息融合的結(jié)果。

　　

常用的證據(jù)組合方法有：概率統(tǒng)計方法、D-S（Dempster-Shafer)證據(jù)推理法。

 

 

3.人工神經(jīng)網(wǎng)絡(luò)法

 

　　

人工神經(jīng)網(wǎng)絡(luò)通過模仿人腦的結(jié)構(gòu)和工作原理，設(shè)計和建立相應(yīng)的機器和模型并完成一定的智能任務(wù)。神經(jīng)網(wǎng)絡(luò)根據(jù)當前系統(tǒng)所接收到的樣本的相似性，確定分類標準。這種確定方法主要表現(xiàn)在網(wǎng)絡(luò)權(quán)值分布上，同時可采用神經(jīng)網(wǎng)絡(luò)特定的學習算法來獲取知識，得到不確定性推理機制。采用神經(jīng)網(wǎng)絡(luò)法的多傳感器信息融合，分三個主要步驟：

　　

(1).根據(jù)智能系統(tǒng)要求及傳感器信息融合的形式，選擇其拓撲結(jié)構(gòu)；

　　

(2).各傳感器的輸入信息綜合處理為一總體輸入函數(shù)，并將此函數(shù)映射定義為相關(guān)單元的映射函數(shù),通過神經(jīng)網(wǎng)絡(luò)與環(huán)境的交互作用把環(huán)境的統(tǒng)計規(guī)律反映網(wǎng)絡(luò)本身的結(jié)構(gòu)；

　　

(3).對傳感器輸出信息進行學習、理解，確定權(quán)值的分配，進而對輸入模式作出解釋，將輸入數(shù)據(jù)向量轉(zhuǎn)換成高級邏輯(符號)概念。

 

 

前景展望

　　

在多傳感器融合技術(shù)中，融合結(jié)構(gòu)、融合算法都占有重要地位。隨著多傳感器融合研究與應(yīng)用的深入,未來的多傳感器融合將會是一個更加復(fù)雜的信息處理過程,不僅包括許多具體的算法,而且結(jié)構(gòu)也比較復(fù)雜。如何根據(jù)實際應(yīng)用將算法與結(jié)構(gòu)有機地結(jié)合在一起,為整個融合系統(tǒng)提供更加有效的融合策略,這是未來多傳感器融合研究所要解決的主要問題。目前已有大量的融合算法,它們都存在各自的優(yōu)缺點,需要通過合理的融合結(jié)構(gòu)將這些算法組合在一起,使其揚長避短,構(gòu)成更加有效的融合方法。另外,多傳感器融合還將面臨一個難題,那就是動態(tài)與未知環(huán)境下的融合問題，這無疑會對融合方法提出更高的要求。這不僅需要性能更好的融合算法,而且需要更加靈活的融合結(jié)構(gòu),提高融合系統(tǒng)的自適應(yīng)性和魯棒性。