此种方法是将一组传感器提供的冗余信息进行加权平均, 并将加权平均值作为信息融合值。它是一种最简单、最直观地对多传感器低层数据的信息融合方法。该方法存在的最大弊端就是很难获得最优加权平均值, 而且, 确定权值需要花费大量的时间。
6.2",Kalman滤波及其扩展
用于实时融合动态的低层次冗余传感器数据。该方法用测量模型的统计特性递推决定在统计意义下是最优的融合数据估计。如果系统具有线性动力学模型, 且系统噪声和传感器噪声是符合高斯分布的白噪声, 那么, Kalman滤波为融合数据提供唯一的统计意义下的最优估计。这种方法的递推特性使得其计算速度快, 且不需要过多的存储空间。随着计算机技术的飞速发展, Kalman 滤波的计算要求与复杂性已不再阻碍该方法的实际应用。现在这种方法越来越受到人们的青睐, 尤其是在多传感器多目标跟踪系统中更显出其独特的优点, 如, Tomatis 等人采用基于Kalman滤波混合法实现了移动机器人的导航, 试验结果表明: 在1.15 km 的路程上成功率达到96%。从移动机器人的跟踪精度来看, 偏离目标点的误差仅为9mm。
工程实际应用中, 系统模型线性程度的假设或者数据处理不稳定性时, 将对信息融合过程产生较大影响。在这种情况下, 常常采用扩展Kalman滤波( EKF )取代常规的Kalman滤波。EKF是移动机器人实现即时定位与导航的重要方法, 在移动机器人定位和导航中, 利用传感器融合和非线性模型预测控制方法, 并以扩展的Kalman滤波实现最优估计。采用Kalman滤波器通过统计特征进行状态估计, 并实现噪声引起的误差最小。 6.3", Bayes估计
Bayes估计是融合静态环境中多传感器低层信息的一种常用方法, 其信息描述为概率分布, 适用于具有可加高斯噪声的不稳定性。该融合方法产生于多传感器融合技术的初期。应用Bayes估计方法时, 首先, 应描述出模型; 然后,赋予每个命题一个先验概率; 再使用概率进行推断, 特别根据信息数据估计置信度获取结果。但是, 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, 已知命题的概率是非常不稳定的。该方法主要应用于移动机器人自身的状态估计以及对运动目标的识别与跟踪等方面。 6.4", Dempster-Shafer证据推理
证据推理的概念首先由Dempster于1967年提出, 后来, 由他的学生Shafer 进一步发展完善。Dempster-Shafer证据推理是Bayes方法的扩展, 而又不同于Bayes方法。Bayes估计仅仅使用了一个代替前提概率为真的一个值, 当前提相互关联时, Bayes方法难以保证估计的一致性。Dempster-Shafer方法使用一个不稳定区间, 通过不稳定未知前提的先验概率来避免Bayes方法的不足。由于Dempster-Shafer证据推理法研究问题的方式和内容特别适合处理多传感器集成系统的信息融合问题, 因此, 该证据推理现已成为信息融合的一个重要理论基础。在移动机器人领域中, 这一方法现已被成功地应用于移动机器人对目标的识 别。
Dempster-Shafer证据推理的优点是不需要指定先验概率; 其缺点是一般情况下计算量非常大, 而且, 在工程实际应用中, 如何有效获取基本概率赋值也有待于进一步深入研究。Dempster-Shafer 理论只积累单独的信息源, 而当事件合并后, 时间权重与信任度之间存在不合理关系, 因此, 该理论还需进一步深入研究完善。
6.5", 模糊逻辑与人工神经网络
利用模糊逻辑可将多传感器数据融合过程中的不确定性直接表示在推理过程中。基于模糊规则的目标识别融合计算非常简单, 通过指定一个0到1之间的实数来表示真实度, 这相当于隐式算子的前提。但它不象Dempster-Shafer方法: 随着证据的积累的同时, 逐步增长可能目标对象的概率取值, 减少不可能目标对象的概率取值。近年来, 模糊集合推理被广泛应用于移动机器人目标识别与路径规划方面。Sasiadek利用模糊逻辑和扩展的Kalman滤波进行传感器信息融合。
人工神经网络方法是一种仿效生物神经系统的信息处理方法。一个神经网络包括以各种方式联接的多层处理单元。神经网络对输入的数据进行非线性变换, 从而完成了聚类分析技术所进行的从数据到属性的分类。基于神经网络的多传感器信息融合有以下特点: 具有统一的内部知识表示形式, 通过特定的学习算法可以将神经网络获取的传感器信息进行融合, 获得相应网络参数; 可将知识规则转换成数字形式, 便于建立知识库; 不用建立系统精确的数学模型, 非常适合于非线性测试情况; 具有大规模并行处理的能力, 使得系统信息处理速度非常快, 并且, 具有很强的容错性和鲁棒性。
基于神经网络的信息融合实质上是一个不确定性推理过程。充分利用外部环境的信息, 实现知识的自动获取以及在此基础上进行联想推理。经过大量的学习和推理, 将不确定环境的复杂关系融合为系统能够理解的符号。神经网络的研究对于多传感器信息融合提供了一种很好的方法, 其非线性逼近能力在信息融合中非常引人注目, 通常采用的是三层感知器模型和BP算法。
目前, 在移动机器人多传感器信息融合中, 神经网络主要用于对移动机器人目标的识别, 获得移动机器人对于障碍物影像的精确的估计, 正确地引导机器人运动。采用神经网络的多传感器信息融合方法, 能够解决移动机器人的自主行走问题。为了有效地改善神经网络信息融合的效果和速度, 利用阵列神经网络进行信息融合的结构模型, 可以通过子网络实现信息的分化与融合。
传统的神经网络结构对于大量学习样本, 需要的隐结点数非常大, 甚至需要很多的隐含层, 因此, 需要很大的计算工作量。限于计算机的运行速度, 导致实时性很差, 这也是今后亟待进一步解决的问题。
7.发展趋势
随着电子技术以及VLSI技术的飞速发展, 传感器结构将朝着并行体结构发展, 因此, 开发并行计算能力的软件和硬件, 来满足具有大量数据且计算复杂的多传感器信息融合的要求, 是多传感器信息融合技术的主要发展趋势之一。多传感器信息融合技术硬件的主要发展方向为: 研究出能处理多传感器信息的集成电路芯片, 不断研制出新型移动机器人用传感器, 并且, 不断使传感器模型和接口实现标准化。
目前, 多传感器信息融合算法很多, 但大多数算法都是以线性正态分布的平稳随机过程为前提。因此, 开发新型的信息融合算法, 进一步提高多传感器融合系统的性能, 解决非线性以及非平稳正态分布的实际信息融合还有待于进行深入的研究。
人工智能可使系统本身具有良好的柔性与可理解性,因而, 能够处理复杂的问题。对人工智能的研究将会在传感器选择、自动任务误差检测与恢复等领域发挥巨大的作用。目前, 人工智能在多传感器信息融合中的应用已经是国内外研究的一个热点。
移动机器人在未知环境下的多传感器信息融合, 主要解决其自主定位与导航问题。目前, 基于多传感器信息融合的移动机器人自主定位与环境建模取得的研究成果, 大多局限于室内结构化环境中。有关决策规则的鲁棒性、传感器布置的效果、生物传感器方法的适应性以及自定位、运动规划和控制与机器人动态的综合考虑等方面问题仍有待于深入研究, 特别是非结构环境下移动机器人技术将是今后机器人技术发展的重点。