输电线除冰机器人多传感器信息融合障碍物信息检测方法
决策级融合是对每个信息源都进行变换处理得到身份估计，并对这些身份估
计进行融合处理，其进行的目标识别是直接针对具体决策目标，每个传感器分别
对目标进行初步判决和估计，再通过决策级数据融合处理得到最终的联合判决，
为移动机器人的决策控制提供依据和帮助。决策级融合是最高层次的数据融合，
其主要优点是具有良好的兼容性、抗干扰能力强、灵活性高、融合结果信息全面。
２．１．３多传感器信息融合算法
多传感器数据融合技术虽然未形成完整的理论体系和有效的融合算法，但是
作为一种智能化的数据综合处理技术，在不少应用领域实践积累下，已经发展出
了许多先进的融合方法。多传感器信息融合的算法涉及了信号处理、模式识别、
估计理论、最优化理论、计算机人工智能等诸多学科的知识，是实现多源数据协
调优化和综合处理的途径。近年来经过许多学者的研究和努力，多传感器信息融
合算法获得了很大的发展和进步，常用的方法可以大致分为信号处理和估计理论
方法、识别方法、统计推断和参数方法、人工智能方法四类【２３１，各所包含的算法
类如表２．１所示：
表２．１多传感器信息融合算法的分类
信号处理和
估计理论方法递推方法：卡尔曼滤波、扩展卡尔曼滤波、极大似然法非递推方法：小波变换技术、加权平均法、最小二乘法
参数模板法、聚类分析法、学习量子化、Ｋ．ｍｅａｎ聚类法、
Ｋｏｈｏｎｅｎ特征图、ＡＲＴ、ＡＲＴＭＡＰ、Ｆｕｚｚｙ－ＡＲＴＮｅｔｗｏｒｋ等识别方法
统计推断和
参数方法经典推理、贝叶斯理论、Ｄ．Ｓ证据理论、广义证据理论、随机集（ＲａｎｄｏｍＳｅｔ）理论等
人工智能方法基于规则的推理及专家系统、神经网络、模糊逻辑、遗传算法等
卡尔曼滤波：卡尔曼滤波器是最小均方误差估计器，用于实时动态的冗余多
源数据信息融合。融合系统根据前一时刻的估计值和观测值，使用状态模型和递
推方法来进行数据融合的递推估计。卡尔曼滤波的目标系统模型由矩阵形式的状
态方程和观测方程描述，对应的状态转移矩阵和观测矩阵及其相关方程矩阵可以
是时变的，它通过对测量误差和卡尔曼滤波的增益进行估计和调整，不断逼近目
标信息的真实值，预测动态系统的状态模型。而实际中许多系统是非线性的，若
系统和测量误差仍可以用高斯白噪声来描述，则可以选择扩展卡尔曼滤波，通过
求期望和方差的偏导来进行线性化的处理，并计算当前估计来实现行非线性系统
的数据融合。
卡尔曼滤波是一种高效的递归滤波器，具有系统数据处理的数据存储和计算
量小的优点，是最优化回归数据处理算法和状态参数估计方法，能够从大量包含
噪声的测量数据中预测动态系统的状态。在移动机器人的导航控制、数据融合、
计算机图像处理、通信雷达系统、自动控制领域获得了广泛地应用。因此非常适