・706・　　　　　

计算机测量与控制.2002.10(11)　

Computer Measurement &Control 　

综　　述

收稿日期:2002-07-04。

作者简介:高翔(1967-),女,江苏省宿迁人,讲师,博士生,主要从事智能机器人、临场感技术及传感器检测技术等方向的科研和教学工作。

王勇(1961-),男,上海市人,副教授,主要从事智能机器人、临场感技术、计算机测控技术等方向的教学及科研工作。

文章编号:1671-4598(2002)11-0706-04　　　　　　中图分类号:TP274　　　　　　文献标识码:A

数据融合技术综述

高　翔1,2,王　勇1,2

(1.南京邮电学院电子工程系,江苏南京　210003; 2.东南大学仪器科学与技术系,江苏南京　210096)

摘要:文章综述了多传感器数据融合的历史、发展及应用,讨论了多传感器数据融合的基本原理、相关技术及方

法、存在的问题、研究方向,最后介绍了数据融合的应用领域,特别是智能机器人领域的应用。

关键词:多传感器;数据融合;信息处理

Survey of Multisensor Information Fusion

G AO Xiang 1,2,WAN G Y ong 1,2

(1.Department of Electronic Engineering ,Nanjing University of Posts and Communications ,Nan jing 　210003,China ;

2.Department of Instrument Science and Engineering ,S outheast University ,Nanjing 　210096,China )Abstract :The history ,development and the applications of multisensor information fusion are summarized.The basic theo 2ry ,correlative technology ,subsistent problems and the direction of studies are discussed.At last ,the a pplication fields ,es pecial 2ly the intelligent robot are introduced.

K ey w ords :multisensor ;information fusion ;signal processing

1　引言

1973年,美国防部资助开发了声纳信号理解系

统,数据融合技术在该系统中得到了最早的体现。70年代末,在公开的技术文献中开始出现基于多系统的信息整合意义的融合技术。80年代,传感器技术的飞速发展推动了数据融合技术的研究。1984年美国三军组织成立了数据融合技术专家组(DFS )。在军事领域,单传感器提供的信息已无法满足作战需要,必需运用包括微波、毫米波、电波、红外、激光

等各种有源和无源探测器在内的多传感集成来提供多种观测数据,通过优化综合处理,实时发现目标,获取目标状态统计,识别目标属性,分析行为意图和态势评估,精确制导,辅助决策等。在多传感器系统中,信息表现形式的多样性、信息量的巨大性、信息关系的复杂性以及要求信息处理的实时性,已大大超出了传统信息处理方法的能力,一种新的信息处理方法———多传感器信息融合(MSDF ———multi -sensor data fusion )技术运应而生。

近20年来,数据融合技术已广泛应用于许多军

事及民用领域[1-5]。军事应用包括海上监视、空———空和地———空防御、战场情报、监视和获取目标、战略预警和防御等。非军事应用包括遥感、设备自动监视、医疗诊断、机器人技术、智能检测系统等[6-7]。

数据融合技术简言之即:来自多个传感器或多源信息进行综合处理,从而得到更为准确、可靠的结论。更严格的定义即:利用计算机技术对按时序获取的若干传感器的观测信息在一定准则下加以自动分析、综合以完成需要的决策和估计任务而进行的信息处理过程。

2　数据融合技术的基本原理

多传感器信息融合是人类或其他生物系统中普遍存在的一种基本功能。人类通过应用这一能力把来自人体各个传感器(眼、耳、鼻、四肢)的信息(外物、声音、气味、触觉)组合起来并采用先验知识去统计,理解周围环境和正在发生的事件。多传感器信息融合技术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,把多个传感器在时间和空间上的冗余或互补信息依据某种准则进行组合,以获取被观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优化组合导出更多有效信息。它的最终目的是利用多个传感器共同或联合操作的优势,来提高多个传感器系统的有效性。

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数据处理方式相比,后者是对人脑信息处

理的一种低水平模仿;而前者可更大程度获取被探测目标和环境的信息量。多传感器数据融合与经典信号处理方法之间存在着本质区别:前者的信息现有更复杂的形式,而且可以在不同的信息层次上出现,信息层次包括:数据层(象素层)、特征层和决策层(证据层)。

3　数据融合的种类及层次

数据融合主要分为两类:第一类是局部或自备式,它收集来自单个平台上多个传感器的数据。第二类是全局式或区域融合,它优化组合来自空间和时间上不相同的多个平台、多个传感器的数据。

按照数据抽象的3个层次,融合可分为3类:象素级融合、特征级融合和决策级融合。

4　数据融合的相关技术和方法

数据融合是一种数据综合和处理技术,是许多传统学科和新技术的集成和应用,如通信、模式识别、决策论、不确定性理论、信号处理、估计理论、最优化技术、计算机科学、人工智能和神经网络等。近年来,不少学者又将遗传算法、小波分析技术、虚拟技术引入数据融合[8-16]。

411　相关处理技术

相关处理要求对传感器和多源测量信息的相关性进行定量分析,按照一定的判别原则,将信息分为不同的集合,每个集合中的信息都与同一源关联。常用的相关技术和算法有最近邻法则、最大似然法、最优差别、统计关联和联合统计关联等。

412　估计理论

1795年Guass提出最小二乘法,引入了使用带有估计误差的多个观测数据的概念。1912年Fisher 在最大似然估计法中运用观测结果的概率密度函数,使估计的概率密度函数的对数值最大。20世纪40年代,K olmogrov和Winner对统计估计概念进行了补充,用于连续和离散的测量序列中。直到20世纪70年代,推出了一种实用的递推估计器———卡尔曼滤波器。作为线性系统的状态估计技术还有线性自回归滤波、两点外推滤波、最小二乘滤波和加权最小二乘滤波。另外,在非线性系统中,常用的还有扩展kalman滤波及迭代扩展kalman滤波方法。但是这些估计方法存在一定的局限性:第一,要有关于测量误差的统计知识,如:误差的协方差阵;第二,要具有一个能把各种测量结果与参数关联起来的线性模型,如捷联惯性导航系统中的姿态方程。第三,要求测量数据来自同一目标或事件。

413　识别技术

比较成熟的识别技术有贝叶斯法、模板法、表决法等,以及有证据推理(dempster-shafer)法、神经网络、专家系统法。

在历史上,贝叶斯理论曾是解决多传感器数据融合的最佳方法,但是其存在严重缺陷:要求每个传感器必须在公共抽象级上以贝叶斯可信度作出响应,而实际上大多数传感器不可能提供,即很难根据贝叶斯理论给出精确的可信度表示。

作为贝叶斯理论扩充的D-S推理技术,在传感器的数据融合中得到了广泛的应用。Waltz[17-18]和Bogler等人研究了基于D-S技术的多传感器目标识别、军事指挥等系统。但Dempster亦有其局限性:要求证据。为克服此缺点,文献[19]提出了可用证据相关场合的组合公式。Dempster同时又具有组合规则灵敏性,为此文献[20]提出了一种解决方法。在D-S理论中,如何根据实际情况构造基本概率赋值函数,是在实际应用中面临的一个重要课题。文献[21-23]给出了相应的论述。

数据融合技术除了基于统计方法外,还有基于信息论的融合,如聚类分析方法、自适应神经网络分析法等。聚类分析法———主要用于目标识别和分类。一般说来,相似性度量的定义,聚析算法的选择,数据的排列方位,甚至输入数据的次序,都可以影响聚类结果。Aldenerfer和Blashfield分析了这些因素的影响。

许多例子表明,基于神经网络理论的数据融合方法优于传统的聚类分析法,尤其当输入数据中带有噪声和数据不完整时。但是,此方法目前并不成熟,有相当多的热点问题期待继续研究:网络模型、网络的层次和每层的节点数、网络学习策略、神经网络和传统分类方法的关系及综合应用等。

基于认识模型的多传感融合(MSF)方法是模仿人类从其多传感器(眼、耳、鼻、四肢)数据来辨别实体的识别过程模型。包括模糊集合理论、逻辑模板法以及基于知识或专家系统等方法。

虽然A T技术(包括ES/K BS)在MSF融合技术中有重要的作用,但其相对不成熟,仍存在许多热点问题有待研究,国内外许多学者致力于信号处理和传输的时延、传感器的空间分布、专家经验和知识的获取表示、决策过程的多级抽象、知识库规模、时变动态数据、系统的实时性要求等。

5　数据融合存在的问题及研究方向

511　当前数据融合研究存在的问题

数据融合是一门新兴的学科,目前尚存在以下的问题:

(1)未形成基本的理论框架和广义融合算法:目前,绝大多数的融合研究皆是针对特定的应用领域的　・708・计算机测量与控制　第10卷

特定问题开展的(混合结构,分布式)。即根据问题的种类,各自建立直观的融合准则,形成“最佳”融合方案,未形成完整的理论框架和融合模型,使得融合系统的设计具有一定的盲目性。

(2)关联的二义性:关联的二义性是数据融合的主要障碍,传感器测量的不精确性和干扰等都是引起关联二义性的因素。如何降低关联二义性是数据融合研究以待解决的问题。

(3)数据融合方法与融合系统实施存在的问题:目前,大多数数据融合是经一种简单的方法合成信息,并未充分有效地利用多传感器所提供的冗余信息,融合方法研究也还处于初步阶段。而且目前很多研究工作亦是基础研究,仿真性工作。因此,数据融合系统的设计实施还存在许多实际的问题:传感器动态测量误差模型的建立、传感器系统优化、复杂动态环境下系统实时性、大型知识库的建立与管理、与其它领域的很多新技术的“嫁接与融合”,如人工智能技术、计算神经网络计算、遗传算法、进化计算、虚拟现实技术性等。

512　数据融合的研究方向

(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A I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。Muhlexbein分析了多层传感器网络的局限性,并猜想下一代神经网络将是遗传神经网络。

(2)兼有稳健性和准确性的融合算法和模型的研究。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。目前,国内外已有不少学者致力于此,针对具体的应用对象提出了相应的各种模型及算法。

(3)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(1012bytes),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方法。目前已有许多学者致力于此领域的研究,提供了多种数据挖掘方法:如基于泛化的空间数据挖掘方法、空间数据聚类、近似计算与聚类、挖掘光栅数据库。POSS -Ⅱ[36]提出了决策树方法的分类稳定性优于神经网络。1996年,Shek研发了CONQU EST(基于内容的空间和时间查询)[37]。

(4)开发推理系统,以进行融合过程中的状态估计和决策分析。

(5)研究数据融合的体系结构:在Reiner和Yannor提出的集中式、自主式和混合式结构的基础上,又有学者提出了多级混合结构的设计思想[24-30]。

6　数据融合技术应用领域

虽然数据融合技术起源于军事领域,但已扩展到了民用领域并已取得了较广泛的应用。在军事领域中,到目前为止,美、英、法、意、日、俄等国家已研制出了百种军事信息融合系统,比较典型的有: TCAC———战术指挥控制,B ETA———战场利用和目标截获系统,A IDD———炮兵情报数据融合等。民用领域:(1)工业过程监视:核反应堆监视和石油工业中的平台监视事典型例子。(2)工业机器人:机器人通过融合来自多个传感器的信息,用于避碍,执行指令。随着传感器技术的发展,机器人上的传感器数量将不断增加,以便其获得更多的环境及对象信息,正确且灵活的行动,为此,机器人信息融合技术的研究日益受到了重视。Hailar移动机器人首次采用多传感器信息融合形成未知环境实物模型,将视觉、听觉、触觉和激光测距等传感器集成起来,使之能在未知环境中操作。Stanford大学将立体视觉、滑觉和超声波传感器用在机器人上,用Kalman滤波技术融合传感器信息取得成功[38]。我国对多传感器信息融合的智能机器人、智能系统的研究日益重视,并开展了相关的研究[39-41]。东南大学自1992年开始,先后承担了国家863高技术智能机器人传感器实验室、国家自然科学基金委员会和国家863高技术航天领域专家委员会下达的系列机器人研究项目,机器人数据融合技术已成为研究的重点问题之一。(3)遥感。(4)金融系统。(5)交通管理系统:数据融合技术可应用于地面车辆定位、车辆跟踪、车辆导航、交通管制等方面及空中交通管制系统。

7　结束语

数据融合技术方兴未艾,几乎一切信息处理方法都可以应用于数据融合系统。随着科学技术的发展,尤其是人工智能技术的进步,新的、更有效的数据融合方法将不断推出,并取得广泛的应用。

参考文献:

[1]何友,王国宏.多传感器信息融合及应用[M].北京:

电子工业出版社,2000.

[2]刘国明,夏祖勋,解洪成.数据融合技术及其应用

[M].北京:国防工业出版社,1998.第11期高翔:数据融合技术综述・709・　

[3]HALL D L.Mathematical techniques in multisenser data fu2

sion[M].Artech House,London,1992.

[4]康耀红.数据融合理论与应用[M].西安:西安电子科

技大学出版社,1997.

[5]WAL TZ E,LL INAS J.Multisenser data fusion[M].

New Y ork:Artech House,Inc.,1990.

[6]李圣怡,等.多传感器融合理论及在智能制造系统中的

应用[M].长沙:国防科技大学出版社,1998.

[7]滕召胜,等.智能检测系统与数据融合[M].北京:机

械工业出版社,2000.

[8]陈国良,王煦法,庄镇泉.遗传算法及应用[M].北

京:人民邮电出版社,1996.

[9]刘以安,曹奇英,刘同明,高贵明.基于遗传模拟退火

算法的机动多目标数据关联问题研究[J].华东船舶工业学院学报,2000,(6):32-37

[10]王宁,郭立,金大胜,朱嘉.遗传算法在多传感器目标

静态数据关联中的应用[J].数据采集与处理,1999,

(1):18-21.

[11]张立明.人工神经网络及其应用[M].上海:复旦大

学出版社,1994.

[12]汪海渊,朱彦东,杨东援.数据融合技术及其在交通领

域中的应用[J].交通与计算机,2001,19:42-45. [13]CHEN W K.Mathematics for Circuits and Filters[M].

Boca Raton,Washtington,D. C.2000.

[14]周先敏,陈隽永,王光泰.多分辨数据融合中信号的分

解与重构[J].电子科技大学学报,1998,3:231-235.

[15]赵巍,刘先省,晁锐,潘泉.动态系统的实时多尺度估

计和融合算法[J].河南大学学报,2000,30(4):25-

29.

[16]赵巍,刘志国,晁锐,潘泉.小波变换在动态估计和数

据融合中的应用[J].河南科学,2001,19(1):26-30 [17]WAL TZ E L,BU EDE D M.Data fusion and decision su p2

port for command and control.IEEE Trans.on S ystem, Man and Cybernetics[J].1986,16(16):865-879. [18]WAL TZ E L.Data fusion for C3I system[Z].Interna2

tional C3I Handbook,EW Communications,Palo Alto, Ca,1986.

[19]肖人彬,王雷,等.相关证据合成方法的研究[J].模

式识别与人工智能,1994,6(3):227-234.

[20]HAI YENHAN,R.L.K AASHY AP.Belief combination

and propagation in a lattice-structured inference network [J].IEEE.Trans on System,Man and Cybernetics, 1990,SMC-20:45-67.

[21]L IU L J,Y AN GJ Y.Model based ob ject classification us2

ing fused data[J].SPIE,1991,(1611):65-73. [22]万继宏,刘后铭.一种高性能目标识别融合算法[J].

电子科技大学学报,1995,24(2):137-142.

[23]Y A GER R R,K ACPRZYK J,FEDRIZZI M.Adcances

in the dempster-shafer theory of evidence[M].John Wi2 ley&.S ons,INC,1994.

[24]田振新,张韶华.多传感器数据的多级分布式融合

[A].火力与指挥控制年会论文[C].青岛,1997,5:

113-116.

[25]蓝金辉,周兆英,李勇.混合结构的数据融合方法在目

标识别中的应用[J].仪器仪表学报,2001,22(3):313

-314.

[26]关键,何友,彭应宁.多传感器分布式检测综述[J].

系统工程与电子技术,2002,(12):11-15.

[27]TENN EY R R,SANDEL N R.Detection with distributed

sensors[J].IEEE Trans.On AES,1981,17(4):501-

510.

[28]VARSHN EY P K.Distributed detection and data fusion

[M].New Y ork:S pringer-Verlag,1996.

[29]V ISWANA THAN R,THOMOPOULOS S C A,TUMU2

LURI R.Optimal serial distributed decision[J].IEEE Trans.on AES,1981,17(4):501-510.

[30]刘源,崔宁周,谢维信,等.具有模糊信息和自学习权

重的分布式检测算法[J].电子学报,1999,27(3):9

-12.

[31]涂国平.多传感器数据融合的稳健处理方法[J].数据

采集与处理,1998,(1):85-87.

[32]康耀红.传感目标检测性能评估[J].航空计算技术,

1998,(2):15-18.

[33]刘同明,刘伟.空间数据挖掘技术的研究和发展趋势

[J].遥感信息,1999,(3):2-6.

[34]周荫清,洪信镇.多传感器信息融合技术[J].遥测遥

感,1996,(1):16-22.

[35]周锐,申功勋,房建成,祝世平.多传感器融合目标跟

踪[J].航空学报,1998,(5):536-540.

[36]FA YY AD M,piatets-shapire G.Advances in knowledge

discovery and data mining[M].Menlo park CA:AAA1/

MIT Press.

[37]SHEK E C,MUN TRA R R.Etal.Scalable ex ploratory

data mining of distributer,geoscientific data[A].In pro2 ceedings of the srcond international conference on knowledge discovery and data mining[C],Menlo park,CA:AAA1/

press,1996,32-37.

[38]周得泽,袁南儿,应英.计算机智能监测控制系统得设

计及应用[M].北京:清华大学出版社,2002.

[39]王磊,等.多传感器技术及其应用[M].北京:国防

工业出版社,2001.

[40]王文学,赵姝颖.多智能足球机器人系统的关键技术

[J].东北大学学报,2001,(2):192-195.

[41]邱远,何发昌,彭键.一种机器人非视觉多传感器信息

融合方法[J].电子学报,1996,(8):94-97.

[42]ABIDI M A,G ONZAL EZ R C.Data fusion in robotics

and machine intelligence[M].Academic Press,INC.

1992.

[43]李开生,等.定位传感器及其融和技术综述[J].计算

机自动测量与控制,2001,9(4):1-3.

[44]夏克寒,等.基于参数估计的数据融合方法在余度捷联

惯性测量装置中的应用[J].计算机自动测量与控制, 2001,9(6):12-15.下载本文