1、多传感器测量信息融合定位技术研究摘要多传感器信息融合技术是近年来十分热门的研究课题，信息融合技术结合了控制理论、信号处理、概率和统计学、人工智能等诸多学科的发展。多传感器信息融合技术综合了来自多个传感器的感知数据，产生更可靠、更准确或更精确的信息，经过融合的多传感器信息具有以下特性:信息的冗余性、信息的互补性、信息的实时性和信息的低成本性。文章结合阵列在智能雷系统中的应用，提了用立体五元声阵列对声源目标进行定位，将智能雷系统中用于预警的传感器也参与到定位阵列中来，这样就在不增加传感器的条件下实现了立体阵列对声源目标的定位。关键词：多传感器技术；数据融合；传声器阵列；声源定位Multi-sens
2、or information fusion positioning technology ABSTRACTMulti-sensor information fusion technology is a very hot research topic recent years. It combines the development of control theory，signal process, intelligence，probability and statistics and so on. This technology means that integrating the data
3、perceived from several sensors and then to generate more reliable，more accurate or more precise information. The fused multi-sensor information has following characteristics: redundancy，complementary，real-time character and low cost character. Associated with the application of acoustic array in a s
4、mart mine system this paper presents，for acoustic target localization，the use of a pyramid array consisting of five sensorsThe method takes the sensor which is used for warning as a part of the location array，such that target location is achieved without increasing the number of sensors in the smart
5、 mine systemKeywords: Multi Sensor Technology, Information Fusion, Microphone Array，Sound Source Localization第页 共页目录1 绪论 11.1 课题研究的意义 .11.2 国内外声源定位的现状及发展趋势 .21.3 国内外多传感器数据融合技术的发展历史和现状 31.4 基于传声器阵列的定位方法简述 .42 多传感器信息融合技术 72.1 多传感器信息融合的定义 .72.2 多传感器信息融合技术的基本原理 .82.3 多传感器信息融合系统的层次结构 .92.4 信息融合的分类 102.4.
6、1 数据层融合 102.4.2 特征层融合 112.4.3 决策层融合 122.5 多传感器信息融合系统的拓扑结构 132.6 多传感器信息融合的一般方法 152.7 本章小结 183 几种声源定位方法介绍 .193.1 声音信号分析 193.1.1 声音信号的时域和频域分析 193.1.2 声音三要素 203.1.3 声音的采样频率 203.1.4 声音的位分辨率 203.2 声源定位原理 213.2.1 仿人双耳的声源定位原理 213.2.2 基于到达时间差的声源定位原理 213.2.3 基于声压幅度比的定位方法 22第页 共页4 系统设计 .244.1 传感器阵地选择 244.2 正四棱
7、锥形阵定位原理 244.3 定位误差分析 .274.3.1 oid对定向精度的影响： .274.3.2 i对定距精度的影响： .28结论和展望 .30参考文献 .31致谢 .34第 1 页 共 34 页1 绪论1.1 课题研究的意义声音是我们所获取的外界信息中非常重要的一种。不同物体往往发出自己特有的声音，而根据物体发出的声音，人们可以判断出物体相对于自己的方位。有些应用场合，人们需要用机器来完成声音定位这个功能，这时就用到声源定位技术。确定一个声源在空间中的位置是一项有广阔应用背景的研究，在民用领域，它在可视电话、视频会议、助听装置、监控系统、智能机器人、鲁棒语音识别等领域有着广泛的应用。另
8、外声源定位技术一直在地震研究、水下目标定位 1和压力容器的无损检测 2中有着重要的应用，同时也应用于航空航天领域中舱体的落点测量等。在军事领域，声源定位技术也有着广阔的发展空间。据 2003 年 4 月 8 日国防在线报道，2003 年的美伊战争期间，为了应对“巴格达之战” ，美国国防部颁发的联合城区作战条令描述了美军未来的城区巷战武器，其中就包括“狙击手声测定位系统” 。它在战场上能及时探测出狙击手的位置，有效的保护战士的生命。该系统采用 2 个置于保护区两侧的传声器阵列或 6 个分布在保护区内的单向传声器。传声器通过电缆或射频链路与指挥节点相连。该系统可探测到 90%的射击，定位精度可达到
9、方位 1.2、水平 33。另外，试设想一下未来的可视电话，如果在电话上装上声源定位系统，实时探测出人说话的方位，则我们可以控制可视电话的摄像头跟踪移动的说话人。无论人在屋里的哪一个角落，摄像头始终都可以将人拍在图像正中间。这样，我们可以在任意的位置使用固定安装的视频电话。由于人在使用这种视频电话时可以自由活动，势必使得电话交流更加生动有趣。而使用这种可视电话来进行视频会议将给与会者带来很大的方便。声音给人们带来了方便，丰富了人们的生活。而对声源位置的确定能给大家有效的利用声音提供帮助。事实证明，声源定位系统是一个很有意义的研究课题。第 2 页 共 34 页1.2 国内外声源定位的现状及发展趋势
10、在雷达、声纳、医学、通讯、航空航天技术等诸多领域中，阵列信号处理己有着广泛的应用。在国际上，将传声器阵列技术用于语音信号处理的研究源于二十世纪八十年代后。随后，许多国家(如美国、德国、法国、意大利、日本等)和地区相继开展了这方面的研究工作。1985 年 Flanagan 将传声器阵列引入到大型会议的语音增强中,1987 年Silverman 将传声器阵列引入到语音识别系统，1992 年又将阵列信号处理用于移动环境下的语音获取，后来将其应用于说话人识别 4。1995 年 Flanagan 在混响环境下用阵列信号处理对声音进行捕获。1996 年 Silverman 和 Brandstein 开始将
11、其应用于声源定位中，用于确定和实时跟踪说话人的位置 5。中国在这方面的研究工作起步较晚，目前对声源定位的研究刚起步，发表的相应论文较少。国际上经过多年的研究，声源定位算法已经比较的成熟，而且正如同 1.1 节应用背景中所阐述的，己经有一些初步的实际可用的定位系统。例如，文献 6中就使用了拥有 24 个传声器的传声器阵列。文献 7除了能对单个静止声源定位外，还对多个声源的定位问题进行了深入的研究。而国内在这方面的研究就比较的匮乏。有人用物理手段来测量声音到达各传感器的时间差，如文献 8设想使用自制的时差测量物理装置在一个固体媒质平面上进行声源定位。文献 9概括了传声器阵列定位方法，并就其中一种定
12、位方法给出了仿真实验结果，仿真结果过于简单。文献 10讨论了基于传声器均匀线阵和均匀圆阵的声源定位方法，并给出了简单的仿真结果。文献 11分析了几类主要的源定位方法,并给出了基于可控波束形成的源定位的仿真结果。可见国内在声源定位方面的研究还不够深入，很多方法只能够提供仿真结果支持。因此，我们决定建立一个实际可用的能确定声源位置的声源定位系统，把我们的研究更推进一步。不论何种声源定位原理，都需要分析两个或多个传声器对同一段声音采集的差别，根据这个差别得出定位结果。这要求对声音进行同步采集，也就是要使用同一个采样脉冲序列对多个传声器拾取的声音信号进行量化。根据理论的推算，各路声音采集的同步误差要限
13、制在几个纳秒范围内 12，才不至于太影响定位结果。另外，声源定位系统如果要实现对运动声源的定位，就要求数据同步采集系统能实时的第 3 页 共 34 页将采集到的数据传输至主机供定位程序使用，其最大能容忍的传输延迟由运动声源的运动速度决定。由于定位算法对声源定位系统中声音数据的采集提出了特殊的要求，建立实用的声源定位系统的关键是要使得数据采集能满足算法要求。1.3 国内外多传感器数据融合技术的发展历史和现状信息融合开始于 20 世纪 70 年代，1983 年美国国防高级研究计划局出的战略计算机计划中，将多传感器信息融合列为重大研究课题。1984 年美国防部(DOD)成立了数据融合专家组(DFS-
14、Data Fusion Subanal)，负责指导、织并协调有关这一国防关键技术的系统研究。1988 年又将其列入国防部 22 项键技术之一。同时其它西方发达国家和国际组织(如英、日、德、法及欧共体)也积极开展了信息融合技术研究工作。1986 年开始每年 IEEE 主办的“机器与自动化”(Roboties and Automation)学术会议上都有专门关于信息融合的专。各种学术刊物也纷纷开辟专栏和出版专集，交流和探讨信息融合的有关问题 13。多传感器信息融合技术从 80 年代末期开始从零星的分散研究转变为一个独的研究领域。随着其应用范围的不断扩大，该项技术的发展得到越来越多国的重视。美、英、
15、日等国已开发一些实用的系统。某些军事方面的研究成果 1991 年的海湾战争中得到实战验证。国际上，信息融合研究已具备了比较良的环境，取得了长足的进展，研究者们对融合的理论体系、算法开发及工程用等方面都进行了一些探索。1998 年成立了国际信息融合学会(International Society of Information Fusion简称 ISIF)，总部设在美国，每年举行一次信息融合际学术大会。作为对该领域研究成果的系统总结。近年来，结合人工神经网系统、自动机器人导航系统、自学习自组织系统、图像变换探测技术及文字别技术等工作的开展，形成了一些有价值的信息融合方法，如补偿性学习融方法、Mah
16、ler 的随机融合方法、主动感知法、专家系统法、参数模板法、物模型方法等等。国内关于信息融合技术的研究则起步相对较晚，已经装备部队的一批指挥自化系统和正在研制的系统中，所进行的信息处理工作水平还不能作为典型的息融合系统，或只能作为其初级阶段。20 世纪 80 年代，人们开始从事多目标踪技术研究，到了 80 年代末才开始出现有关多传感器信息融合技术研究的报。20 世纪90 年代初，这一领域在国内才逐渐形成高潮。在政府、军方和各种金部门的资助第 4 页 共 34 页下，国内一批高校和研究所开始广泛从事这一技术的研究工作，现了一大批理论研究成果。与此同时，也有几部信息融合领域的学术专著和著出版，其中
17、，代表性的专著有:周宏仁、敬忠良和王培德的机动目标跟 、敬忠良的神经网络跟踪理论及应用 、康耀红的数据融合理论及应用 、靖宇的战场数据融合技术 、刘同明、夏祖勋和解洪成的数据融合技术及用 、何友、王国宏、彭应宁的多传感器信息融合及应用 、权太范的信融合神经网络一模糊推理理论及应用 。有代表性的译作有:赵宗贵等人的多感器数据融合 、 数据融合方法概论 ，张秀兰等人的跟踪和数据关联与水下信号和数据处理等 20 世纪 90 年代中期，信息融合技术在国内己发展为多方关注的共性关键技术，出现了许多热门研究方向，许多学者致力于机目标跟踪、分布监测融合、多传感器综合跟踪与定位、分布信息融合、目标别与决策信息
18、融合、姿态评估与威胁估计等领域的理论及应用研究，相继出了一批多目标跟踪系统和有初步综合能力的多传感器信息融合系统，所以有由相信我国信息融合的发展前景 14。1.4 基于传声器阵列的定位方法简述在无噪声、无混响的情况下，距离声源很近的高性能、高方向性的单传声器可以获得高质量的声源信号。但是，这要求声源和传声器之间的位置相对固定，如果声源位置改变，就必须人为地移动传声器。若声源在传声器的选择方向之外，则会引入大量的噪声，导致拾取信号的质量下降。而且，当传声器距离声源很远，或者存在一定程度的混响及干扰的情况下，也会使拾取信号的质量严重下降。为了解决单传声器系统的这些局限性，人们提出了用传声器阵列进行
19、声音处理的方法。传声器阵列是指由一定的几何结构排列而成的若干个传声器组成的阵列。相对于单个传声器而言具有更多优势，它可以电子瞄准的方式从所需要的声源方向提供高质量的声音信号，同时抑制其他的声音和环境噪声，具有很强的空间选择性，无须移动传声器就可对声源信号自动监测、定位和跟踪，如果算法设计精简得当，则系统可实现高速的实时跟踪定位。所谓声源定位技术就是根据传声器接收的数据确定自然声源或人为声源的位置。传统定位是采用雷达技术，而基于传声器阵列的定位系统相对于传统的雷达跟踪定位而言具有隐蔽性、不易受干扰。第 5 页 共 34 页正是由于其独特优势，基于传声器阵列的应用已经成为一门新型的技术。同时，由于
20、它涉及到阵列信号处理、数字信号处理、模式识别和数据融合等多方面的理论知识，因而成为声音信号处理中难度大、且具有挑战性的研究课题。传声器阵列的声音信号处理与传统的阵列信号处理主要有以下几种不同：（1）传统的阵列信号处理技术处理的信号一般是有一个调制载波的窄带信号，如通信信号和雷达、声呐信号等，此时阵列接收信号的相位差由载波中心频率和阵列结构决定，而传声器阵列处理的信号没有载波，其频率分布大部分集中在300Hz3500Hz 之间，中心频率随声源的变化而变化，因此传声器阵列处理是一个复杂的多频宽带信号。（2）传统的阵列信号处理技术处理的信号一般为平稳或准平稳信号，相关函数可以通过时间相关来准确获得，
21、而传声器阵列要处理的信号通常为短时平稳的声音信号，用时间平均来求得准确的相关函数比较困难。（3）传统的阵列信号处理一般采用远场模型，而传声器阵列信号处理要根据不同的情况选择远场模型还是使用近场模型。近场模型和远场模型最主要的区别在于是否考虑传声器阵列各阵元因接收信号幅度衰减的不同所带来的影响，对于远场模型，信源到各阵元的距离差与整个传播距离相比非常小，可忽略不计，对于近场模型，信源到各阵元的距离差与整个传播距离相比较大，必须考虑各阵元接收信号的幅度差。四、在传统的阵列信号处理中，噪声一般为高斯噪声(包括白、色噪声)，与信源无关，在传声器阵列信号处理中噪声既有高斯噪声，也有非高斯噪声，这些噪声可
22、能和信源无关，也可能相关。由于上述阵列信号处理间的区别，给传声器阵列信号处理带来了极大的挑战，而实际中的声源多位于传声器阵列的近场范围内，因此用于远场定位的算法和模型必须进行改进后才能使用，当信源离传声器阵列较近时，人们熟知的基于平面波前的远场模型不再适用，必须采用更为精确也更为复杂的基于球面波前的近场模型，声波在传播过程中要发生幅度衰减，其幅度衰减因子与传播距离成正比，信源到传声器阵列各阵元的距离是不同的，因此声波波前到达各阵元时，幅度也是不同的。另外，当声音信号在传播时，由于反射、衍射等原因，使得到达传声器的声音信号的路径除了直达路径外还存在着多条其它路径，从而产生接收信号的幅度衰减、音质
23、变差等不利影响，这种现象第 6 页 共 34 页称为混响（Reverberation)。混响效应的存在产生了很多不利影响，如所获取的声音质量下降、声源定位的精度严重降低等。理论上讲，可用反滤波或反卷积的方法来消除混响，但这要求已知精确的混响冲激响应，而混响冲激响应又与环境有关且往往是时变的，因此实际上这种方法是很难实现的。第 7 页 共 34 页2 多传感器信息融合技术2.1 多传感器信息融合的定义数据融合是一个多级、多层面的数据处理过程，主要完成对来自多个信息源的数据进行自动检测、关联、相关、估计及组合等的处理。多传感器数据融合比较确切的定义可概括为:利用计算机技术对按时序获得的若干传感器的
24、观测信息在一定准则下加以自动分析、综合以完成所需的决策和任务估计而进行的信息处理过程 15。多传感器信息融合中的各个传感器得到的信息可能是实时的或非实时的，快变的或缓变的，确定或不确定的，互补的或互相矛盾的。多传感器信息融合就是充分地利用多个传感器资源，通过对各种传感器及其观测信息的合理支配与使用，将各种传感器在空间和时间上的互补与冗余信息依据某种优化准则组合起来，产生对观测环境的一致性解释和描述。多传感器信息融合系统与单传感器信号处理方式相比，多传感器信息融合系统可以有效的利用传感器资源，可以更大程度的获得被测目标和环境的信息量。多传感器信息融合和单传感器信号处理方法之间也存在本质的区别，其
25、关键在于信息融合所处理的多传感器信息具有更复杂的形势，而且可以在不同的信息层次上出现。多传感器信息融合是人类和其它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(眼、耳、鼻、四肢)所探测的信息(景物、声音、气味和触觉)与先验知识进行综合的能力，以便对其周围的环境和正在发生的事件做出估计。由于人类的感官具有不同度量特征，因而可测出不同空间范围的各种物理现象，这一过程是复杂的，也是自适应的。它将各种信息(图像、声音、气味和物理形状或描述)转化成对环境的有价值的解释 16。多传感器信息融合的基本目标是基于各传感器分离观测信息，通过对信息的优化组合导出更多有效信息，这是最佳协同
26、作用的结果。它的最终目的是利用多个传感器共同或联合操作的优势，来提高整个传感器系统的有效性。如何有效的利用多传感器提供的信息，并应用到系统的行为决策中，这就需要用到信息融合技术。传感器之间的冗余数据增强了系统的可靠性，传感器之间的互补数据扩展了单个传感器的性能。第 8 页 共 34 页2.2 多传感器信息融合技术的基本原理多传感器信息融合是针对一个系统中使用多个或多类传感器问题而展开的一种信息处理方法。一般在环境和对象很复杂且具有不确定性时，单一传感器只能获得局部的、片面的环境特征信息。且由于传感器还受到其自身品质、性能的影响，采集到的信息往往是不完善的，带有较大的不确定性。因而经常在一个系统
27、中使用多个同类传感器或者多个异类传感器。在模仿人脑综合处理复杂问题的信息融合系统中，各种传感器的信息具有不同的特征:有实时的或者非实时的，快变的或者缓变的，模糊的或者确定的，相互支持或互补，也可能互相矛盾或竞争。而多传感器数据融合的基本原理也就像人脑综合处理信息一样，充分利用多个传感器资源，通过对这些传感器及其观测信息的合理支配和使用，把多个传感器在空间或时间上的冗余或互补数据依据某种准则来进行组合，以获得被测对象的一致性解释或描述。数据融合的基本目标是通过数据组合(不是只依靠输入信息中的任何个别元素)，推导出更多的信息，这是最佳协同作用的结果，即利用多个传感器共同或联合操作的优势，提高传感器
28、系统的有效性。多传感器数据融合系统与所有单传感器信号处理或低层次的多传感器数据处理方式相比，单传感器信号处理或低层次的多传感器数据处理都是对人脑信息处理的一种低水平模仿，它们不能像多传感器信息融合系统那样有效地利用多传感器资源。多传感器数据融合系统可以更大程度地获得被探测目标和环境的信息量 17。多传感器信息融合技术可以对不同类型的数据和信息在不同层次上进行综合，它处理的不仅仅是数据，还可以是证据和属性等。用于融合的信息既可以是未经处理的原始数据，也可以是经过处理的数据。处理后的数据既可以是描述某个过程的参数或状态估计，也可以是支持某个命题的证据，或赞成某个假设的决策。在融合过程中，需要对这些
29、性质不同、变化多样的信息进行复合推理，以此改进分类器的决策能力，提高图像分析器的识别能力，增加跟踪器的精度，增强控制器的控制能力。信息融合的目标是基于各传感器分离观测信息，通过对信息的优化组合导出更多的有效信息。这是最佳协同作用的结果，它的最终目的是利用多个传感器共同或联合操作的优势，来提高整个传感器系统的有效性。多传感器信息融合和单传感器处理相比，主要具有以下优点 18:第 9 页 共 34 页(1)增强了系统的生存能力。多个传感器的量测信息之间有一定的互补性，当有若干传感器不能利用或受到干扰，或某个目标或事件不在覆盖范围时，一般总会有一种传感器可以提供信息。(2)扩展了空间覆盖范围。通过多
30、个交叠的传感器作用区域，扩展了空间覆盖范围，因为一种传感器有可能探测到其他传感器探测不到的地方。(3)扩展了时间的覆盖范围。用多传感器的协同作用提高了探测效率，因为某个传感器在某个时间段上可能探测到其他传感器在该时间段上不能顾及的目标或事件。(4)提高了可信度。因为用一种或多种传感器对同一目标或事件加以确认。(5)降低了信息的模糊度。多传感器的联合信息降低了目标或事件的不确定性。(6)改进了探测性能。对目标或事件的多测量的有效融合，提高了探测的有效性。(7)提高了空间分辨率。多传感器的合成可以获得比任何单一传感器更高的分辨率。(8)增加了量测空间维数。系统不易受到敌方行动或自然现象的破坏，因而
31、增加了量测空间维数。(9)成本低、质量轻、占空间少。多个传感器的使用，使得对传感器的选择更加灵活和有效，因而可达到成本低、质量轻、占空少的目的。2.3 多传感器信息融合系统的层次结构从信息融合功能的角度出发，融合可以分为五个层次:第一个层次为检钡 l/判决融合，第二个层次为空间(位置)融合，第三个层次为属性数据融合，第四个层次为态势评估，第五个层次为威胁估计 19。第一、二两个层次的信息融合适应于任何的多传感器信息融合系统，后三个层次主要适用于 C31(情报指挥控制与通信)系统中的信息融合。这是一种广义的信第 10 页 共 34 页息融合分级法，它更有利于数据融合系统的研究。从处理的对象层次看
32、，第一级属于低级融合，它是经典信号检测理论的直接发展。第二级和第三级属于中间层次，是最重要的两级，是进行态势评估和威胁估计的前提和基础。实际上，融合本身主要发生在前三个级别上，而态势评估和威胁估计只是在某种意义上与信息融合具有相似的含义。第四和第五级则是决策级融合，即高级融合，他们包括对全局态势的发展和某些局部形势的估计。2.4 信息融合的分类多传感器信息融合与过去的经典信号处理方法之间有着本质的区别，其关键在于信息融合所处理的多传感器信息具有更复杂的形式，最重要的是多传感器信息融合可以在不同的信息层次上工作。信息融合的分类方法有很多，现在较为常用的是按融合过程的顺序和融合层次的高低分类，分成
33、低级、中级和高级，并根据融合的层次和实质内容，将其与数据级、特征级和决策级对应起来，因此多传感器信息融合划分为三个层次 20 21，分别为:数据层融合、特征层融合和决策层融合。2.4.1 数据层融合数据层融合也被称为象素级融合，是对传感器的原始信息以及预处理的各阶段产生的信息分别进行融合处理，其融合模型如图 2.1 所示。这是最低层次的融合，如成像传感器中通过对包含若干像素的模糊图像进行图像处理和模式识别来确认目标属性的过程就属于数据层上的融合。为了实现这种数据级的信息融合，所有传感器必须是同类型的或是相同量级的。通过对原始数据进行关联，来确定己融合的数据是否与同一目标或实体有关。有了融合的传
34、感器数据之后就可以完成像单传感器一样的识别处理过程。第 11 页 共 34 页传感器 1传感器 n关联数据层联合特征提取属性裁决联合属性裁决.传感器 2图 2.1 数据层融合模型数据层融合的优点在于尽可能多的保持了景物的原始信息，能够提供其它两种融合层次所不具有的细微信息。由于没有信息损失，它具有较高的融合性能。但数据层融合也存在一定.的局限性，主要表现为:处理的传感器信息量大，处理代价高;传感器原始信息的不确定性、不完整性和不稳定性要求融合时有较高的纠错处理能力;进行融合的传感器信息必须来自于同质传感器;由于通信量大，其抗干扰能力较差。2.4.2 特征层融合特征层融合属于中间融合层次，首先从
35、传感器测得的原始数据中提取充分表示量或充分统计量作为其特征信息(特征可以是目标的边缘、方向、速度等)然后根据不同的特征对多传感器信息进行分类、聚类和综合，其融合模型如图 2.2 所示。第 12 页 共 34 页传感器 1传感器 2传感器 n特征提取关联特征曾融合属性裁决联合属性裁决.图 2.2 特征层融合模型特征层融合可以分为目标状态信息融合和目标特性融合。特征层目标状态信息融合主要应用于多传感器目标跟踪领域。融合系统首先对传感器数据进预处理，以此完成数据配准，然后进行融合处理，主要实现参数相关和状态矢量估计。特征层目标特性融合就是特征层联合识别，具体的融合方法是模式识别的相关技术，但在融合前
36、必须先对特征进行相关处理，对特征矢量进行分类组合。特征层融合的优点在于既保持了足够数据的重要信息，又实现了可观的信息压缩，有利于提高处理过程的实时性。并且由于所提取的特征直接与决策分析有关，因而融合结果能最大限度的给出决策分析所需要的特征信息。特征层融合的不足之处在于对数据的预处理提出了严格的要求，必须应用关联过程将特征向量分成有意义的组合。2.4.3 决策层融合决策层融合是指首先利用来自各种传感器的信息对目标属性进行独立的决策，然后对各自得到的决策结果进行融合，以得到整体一致的决策，它是融合中的最高层次，如图 2.3 所示。第 13 页 共 34 页传感器 1传感器 2传感器 n特征提取关联
37、决策层融合属性裁决联合属性裁决.属性判决属性判决属性判决I/D1I/D2I/Dn图 2.3 决策层融合模型由于其融合结果为指挥决策提供依据，因此，决策级融合必须从具体决策问题的需求出发，充分利用特征级融合所提取的测量对象的各类特征信息，采用适当的融合技术来实现。决策级融合是三级融合的最终结果，是直接对具体决策目标的，融合结果直接影响决策水平。决策层所采用的主要方法有贝叶斯推断、D-S 证据理论、模糊集理论、专家系统方法、人工神经网络等。另外，决策层融合还采用一些启发的信息融合方法，来进行仿人融合判决。决策层融合采用分布式的融合体系。决策级融合的优缺点正好与数据级融合相反，是在高层次上进行的融合
38、，包括态势估计和威胁判断等，融合的结果为指挥控制决策提供依据。决策层融合的优点在于实时性好，当一个或多个传感器失效时仍能给出最终决策，具有良好的容错性。对传感器依赖性小，传感器可以是同质的，也可以是异质的。但是，决策层融合要对原始信息进行预处理，因此信息的转换量很大。目前在有关信息融合的大量研究成果都是在决策层上取得的，并且构成了信息融合的研究的一个热点。但由于环境和目标的时变动态特性、先验知识获取的困难、知识库的巨量特性、面向对象的系统设计要求，决策层融合理论和技术的发展仍受到阻碍。对于具体的融合系统而言，它所接收到的信息可以是单一层次上的信息，也可第 14 页 共 34 页以是几种层次上的
39、信息。融合的基本策略就是先对同一层次上的信息进行融合，从而获得更高层次的融合信息，然后再汇入相应的高融合层次。因此总的来说，信息融合的本质是对多源信息进行由低至高的整合，逐层抽象的信息处理过程。但在某些情况下，高层信息对低层信息的融合要起反馈控制的作用，即高层信息有时也参与低层信息的融合。而且，在一些特殊的情况下，也可以先进行高层信息的融合。因此，在应用信息融合技术时，采用多层融合方法使系统达到高性能是当今在移动机器人领域中的一个研究热点。2.5 多传感器信息融合系统的拓扑结构多传感器信息融合通常在一个被称为信息融合中心的信息综合处理器中完成，而一个融合中心本身可能包含另一个信息融合中心。多传
40、感器信息融合可以是多层次、多方式的，所以研究融合的拓扑结构十分必要。多传感器信息融合的拓扑结构主要有集中型、分散型、混合型、反馈型等几种 22。(1)集中型信息融合中心直接接收来自被融合传感器的原始信息，此时传感器仅起到了信息采集的作用，不预先对数据进行局部处理和压缩，因而对信道容量要求较高，一般适用于小规模一的融合系统。该信息融合的结构如图 2.4 所示。传感器 1传感器 2传感器 n.信息融合中心 输出图 2.4 集中型多传感器信息融合结构(2)分散型第 15 页 共 34 页分散型信息融合系统中，各传感器本身的处理器已完成局部的信息处理，只向信息融合中心提供局部处理的结果。这一结构带来的
41、优点是结构冗余度高、计算负荷分配合理、信道压力轻，但由于各传感器进行了局部信息处理，阻断了原始信息间的交流，可能会导致部分信息的丢失。该信息融合的结构如图 2.5 所示。传感器 1传感器 2传感器 n.信息融合中心 输出局部处理局部处理局部处理图 2.5 分散型多传感器信息融合结构(3)混合型混合型多传感器信息融合的结构如图 2.6 所示，它吸收了分散型和集中型信息融合结构的优点，既有集中处理，又有分散处理，各传感器信息均可多次利用。这一结构能得到比较理想的融合结果，适用于大型的多传感器信息融合系统，但其结构复杂，计算量很大。.信息融合中心 输出传感器 1 传感器 2传感器 1传感器 1 传感
42、器 2 传感器 n图 2.6 混合型多传感器信息融合结构第 16 页 共 34 页(4)反馈型当系统对处理的实时性要求很高时，如果总是试图强调以最高的精度去融合多传感器系统的信息，则无论融合的速度多快都不可能满足要求，这时，利用信息的相对稳定性和原始积累对融合信息进行反馈再处理将是一种有效的途径。当多传感器系统对外部环境经过一段时间的感知后，传感器系统的融合信息已能够表述环境中的大部分特征，该信息对新的传感器原始信息融合具有很好的指导意义。如图 2.7 所示，信息融合中心不仅接收来自传感器的原始信息，而且接收已经获得的融合信息，这样能够大大提高融合的处理速度。传感器原始信息 信息融合中心已融合
43、信息反馈图 2.7 反馈型多传感器信息融合结构2.6 多传感器信息融合的一般方法作为一种智能化综合处理技术，信息融合是许多传统学科和新技术的集成与应用。广义的信息融合涉及到检测技术、信号处理、通信、模式识别、决策论、不确定性理论、估计理论、最优化理论、计算机科学、人工智能和神经网络等诸多学科。尽管信息融合至今尚未建立一套完整、成熟的理论与方法，但是许多应用领域的研究人员根据各自具体的应用背景，已经提出了许多比较有效的融合方法，常用的包括以下几种 23 24。(1)加权平均法加权平均法是一种最简单、最直观的融合方法，即将一组冗余的传感器原始信息进行加权平均，其结果作为融合值。该方法能实时处理传感
44、器原始的动态信息，适合于动态环境。(2)卡尔曼滤波及其扩展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，那第 17 页 共 34 页么，Kalman 滤波为融合数据提供唯一的统计意义下的最优估计。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 方法是用正态分布来表示位姿概率分布，在正常条件下具有有效和准确的定位性能 25。有时在使用不精确或错误的模型和噪声统计设计 K
45、alman 滤波器时会导致滤波器性能变坏，甚至使滤波发散。为了解决此问题，产生了自适应Kalman 滤波 26、去偏转换测量 Kalman 滤波和无偏转换测量 Kalman 滤波 27。针对目标状态的概率密度随时间演变的特点，又有 Monte Carlo 粒子滤波法。而且现在也有很多研究者将 Kalman 滤波法和其它融合算法相结合，比如将模糊理论和Kalman 滤波相结合的多传感器数据融合在实际应用中也取得了较好的效果 28。Kalman 滤波方法用于实时融合动态的低层次冗余传感器数据。Kalman 滤波具有递推特性，其计算要求和复杂性影响了其计算速度，但随着计算机技术的飞速发展，这些将不再
46、阻碍此法的实际应用。(3)贝叶斯估计贝叶斯估计是融合静态环境中多个传感器信息的一种方法，其信息描述为概率分布。贝叶斯方法用于多传感器信息融合时，先将多个传感器提供的各种不确定性信息表示为概率，将相互独立的决策看作一个样本空间的划分，然后使用贝叶斯条件概率公式对它们进行处理，最后通过某些规则给出系统的决策。在对传感器数据进行融合时，必须确保测量数据代表同一实体，即需要对传感器测量进行一致性检验。Durrant-Whyte 将任务环境表示为不确定几何物体集合的多传感器模型，提出了传感器信息融合的多贝叶斯估计方法。多贝叶斯估计把每个传感器作为一个贝叶斯估计，将各单独物体的关联概率分布组合成一个联合后
47、验概率分布函数，通过使联合分布函数的似然函数最小，可以得到多传感器信息融合的最终融合值。(4)统计决策理论统计决策理论适用于静态环境，与多贝叶斯估计相比较，它的不确定性为可加噪声，所以其不确定性的适用范围更广。不同传感器观测到的数据必须经过一个鲁棒综合测试用来检验它的一致性，经过一致性检验的数据用鲁棒极值决策规则第 18 页 共 34 页融合。(5)Dempster-Shafer 证据理论Dempster-Shafer 证据理论是贝叶斯方法的推广，由 Dempster 首先提出,随后由Shafer 进一步发展起来的一种不确定推理理论。贝叶斯方法必须给出先验概率，而证据理论可以巧妙的解决这一问题
48、，它能在不确定的条件下进行推理能够处理由不知道引起的不确定性。D-S 证据理论应用于机器人的多传感器信息融合时，由各传感器获得信息产生的特征度量就构成了该理论中的证据，每个传感器就相当于一个证据源。(6)支持向量机支持向量机 SVM(Support Vector Machine)最初是由 Vapnik 提出的一种新兴的基于统计学习理论的学习方法。它通过构造最优超平面，使得对未知样本的分类误差最小。与神经网络的启发式学习方式和实现中带有的很大的经验成分相比，SVM 具有更严格的理论和数学基础，不存在局部最小问题。小样本学习使它具有很强的泛化能力，不过分依赖样本的数量和质量。SVM 己成为当前机器
49、学习的一个研究热点，并且己经应用于多传感器信息融合中 34。具体实际应用表明，该方法适用于解决小样本、高维特征空间和不确定条件下的多传感器信息融合问题，提高了融合结果的准确性和可靠性，提高了输入数据信息的利用效率和融合方法的灵活性。但由于本身支持向量机的理论和实践研究还都不够成熟，所以基于支持向量机的信息融合方法还有待完善。(7)模糊逻辑模糊逻辑是一种多值逻辑，通过指定一个 0 到 1 之间的实数来表示真实度，允许将多传感器信息融合过程中的不确定性直接表示在推理过程中。如果采用某种系统化的方法对融合过程中的不确定性进行建模，则可以产生一致性模糊推理。(8)神经网络神经网络可以根据当前系统接收到的样本的相似性确定分类标准，这种确定方法主要表现在网络的权值分布上，同时可以采用神经网络特定的学习算法来获取知识，得到不确定性的推理机制。基于神经网络的多传感器信息融合具有以下特第 19 页 共 34 页点:具有统一的内部知识表示形式，通过学习方法可将网络获得的传感器信息进行融合，获得相关网络的参数，并且可以将知识规则转化成数字形式，便于建立知识库。神经网络的研究对于机器人多传感器信息融
