多传感器信息融合技术综述

崔 硕，姜洪亮，戎 辉，王文扬

（1.上汽通用五菱汽车股份有限公司，广西 柳州 545000；2.中国汽车技术研究中心，天津 300300）

2016年7月1日，一辆行驶在自动巡航状态下特斯拉ModelS从侧面撞上了一辆18轮的大型货车，导致驾驶员当场死亡；2018年3月20日，一辆Uber自动驾驶车在亚利桑那州坦贝市撞上一名推着自行车穿越斑马线的女子，导致其伤重后不治身亡。分析两起事故的原因，均是由于自动驾驶系统在判读过程中，未能识别到前方障碍并及时采取制动措施。可见简单的传感器方案性能有限，容错性差，要提高传感器下运动目标跟踪的准确性和实时性［1］，实现智能网联、自动驾驶，需要多种传感器相互配合、共同构成汽车的感知系统。因此，作为无人驾驶核心算法的多传感器信息融合技术的发展与应用显得尤为重要［2-3］。

传感器作为具有信息探测和周围感知能力，能够与先验知识相结合对事件做出综合评估的设备，是实现自动检测和控制的基础。根据前瞻产业研究院发布的《中国传感器制造行业发展前景与投资预测分析报告前瞻》，目前传感器在国内已经被广泛应用于仪器仪表、家用电器、通信设备、机械制造、卫生医疗及汽车电子等各个领域。由于单个传感器自身性能的限制，所提供的信息量较少，数据类型单一，在复杂的环境中易受噪声及不相干杂波信号的干扰，难以满足智能系统对多目标和快速移动目标的检测要求［4］。近年来，随着计算机硬件和软件技术的飞速发展，工业控制技术日趋成熟，多传感器信息融合技术逐渐成为信息处理领域的研究重点［5］。不同于简单使用多个传感器，多传感器信息融合是基于现代计算机技术，通过将分布在各方位的传感器和信息源数据加以组合分析，发挥联合优势对观测对象做出准确估计的复杂处理过程。可以说多传感器信息融合体系的构建与发展，为环境监测［6］、生物信息科学、医学图像诊断与处理、故障诊断系统、智能机器人［7-8］、气象预报、军事安防［9］等方面的发展都带来了新的思路与突破。

1 研究背景与意义

“数据融合”的概念于20世纪70年代被提出，最初是为了满足C3I（command，control，communication and intelligence，指挥，控制，通信和情报）军事系统的多源相关性需求，之后迅速发展成为一门独立学科。其中，美国是数据融合技术起步最早的国家，1973年美国首次将信息融合技术适用于声呐研究；1983年，国防高级研究计划局将传感器数据融合列为计算机战略研究领域的重要课题；1984年，美国宣布成立数据融合专家组，研究进入系统化阶段；1988年，多传感器融合技术被美国国防部列为最关键的22项技术之一，得到空前重视；1988年，国际信息融合学会在美国成立，并宣布每年举办一次学术会议。与国外研究相比，中国在多传感器数据融合领域发展相对滞后。1991年，海湾战争敲响了中国发展现代化技术的警钟，一些科研组织和高校纷纷加入数据融合的研究中，但因起步较晚，尚缺乏一套完整、成熟的理论结构，在实用化方面与发达国家仍存在一定差距，为加快技术落地，中国将其列入国家863项目和国家自然基金项目进行重点支持。

多传感器融合基于多个传感器的独立观测数据，通过复合应用和算法设计获得更有效的信息，从而消除单一传感器只能获得检测目标部分信息的局限。具体来说，在测量系统中使用多传感器融合技术主要有如下优势。

1）提高了系统的测量精度。多种传感器配合使用，能够同时获取同一目标的多种不同特征信息，减少了环境、噪声等因素的干扰及判别的不确定性。

2）多传感器融合技术增加了系统的感知维度。当出现一个或多个传感器故障时，仍可在一定范围内继续测量，具有容错能力，增加了评估结果的可靠性和置信度。

3）加快了信息处理速度。相比于多个传感器同时单独使用，多传感器融合采用了并行处理技术和分布式算法，有效增加了系统的响应程度，改进了实时性。

4）增强了环境适应能力。应用多传感器融合技术采集的信息具有明显的特征互补性，对空间和时间的覆盖范围更广，弥补了单一传感器对空间的分辨率和环境的语义不确定性。

5）削减成本。可以实现利用多个价格低廉的传感器代替昂贵的传感器设备，在保证性能的基础上又可以降低成本预算。

2 多传感器融合结构

2.1 目标身份估计

在以目标身份估计为目的的体系结构下，根据多传感器信息融合技术抽象程度的不同，可以将其划分为3个层次：像素级融合、特征级融合、决策级融合［10］，一般情况下，具体应用方案根据系统特点进行合理选择。

1）像素级融合（图1）。又称为数据级融合，它将同类别的传感器采集的同类型原始数据进行融合，最大可能地保持了各预处理阶段的细微信息。但是，由于融合进行在数据的最底层，计算量大且容易受不稳定性、不确定性因素的影响。同时，数据融合精确到像素级的准确度，因而无法处理异构数据。

2）特征级融合（图2）。通过各传感器的原始数据结合决策推理算法，对信息进行分类、汇集和综合，提取出具有充分表示量和统计量的属性特征。根据融合内容，特征级融合又可以分为目标状态信息融合和目标特性融合两大类。其中，前者的特点是先进行数据配准以实现对状态和参数相关估计，更加适用于目标跟踪。后者是借用传统模式识别技术，在特征预处理的前提下进行分类组合。

图1 像素级融合

图2 特征级融合

3）决策级融合（图3）。决策级融合的特点是高层次，需要处理不同类型的传感器对同一观测目标的原始数据，并完成特征提取、分类判别，生成初步结论，然后根据决策对象的具体需求，进行相关处理和高级决策判决，获得简明的综合推断结果。决策级融合具有实时性好、容错性高的优点，面对一个或者部分传感器失效时，仍能给出合理决策。

2.2 目标状态估计

在目标状态估计方面，根据数据处理方法的不同，多传感器信息融合系统的体系结构可以分为：分布式、集中式和混合式。具体设计结构需要根据系统应用性能的要求综合评估决定。目标状态识别框图如图4所示。表1为3种融合结构的性能对比。

图3 决策级融合

图4 多传感器数据融合目标识别框图

表1 多传感器信息融合系统不同结构性能对比

1）分布式。分布式结构在各独立节点都设置了相应的处理单元，用于初步处理传感器获取的原始信息，然后再送入统一的信息融合中心，配合数据融合算法进行多维优化、组合、推理，以获取最终结果。该结构计算速度快，在某一传感器失灵的情况下仍能继续工作，可靠性更高。适用于远距离传感器信息反馈，但在低通信带宽中传输会造成一定损失，精度较低。

2）集中式。在集中式结构中，多个传感器获取的原始数据不需要进行任何处理，直接送入信息融合中心。该结构的优点是具有较高的融合精度，算法多样，实时性好。缺点是数据流向单一，缺少底层传感器之间的信息交流，并且由于处理中心运算量大，需要维护较大的集中数据库，降低了工作速度，增加了硬件成本。

3）混合式。混合式同时具有分布式和集中式两种结构，兼顾二者的优点，能够根据不同需要灵活且合理地完成信息处理工作，但是对结构设计要求高，降低了系统的稳定性。

3 多传感器融合算法

3.1 基于物理模型

基于物理模型的多传感器数据融合算法是根据物理模型模拟观测结果，并获取其与真实观测对象特征之间的相关性，通过预先设置的系数阈值判断二者匹配程度。其中，最主要的代表就是卡曼（Kalman）滤波技术。卡曼滤波算法可以分为标准卡曼滤波、区间卡曼滤波和两阶段卡曼滤波，能够动态、实时地融合低层次传感器数据，依据系统的递推特性做出合理估计，适用于不同层次原始数据间的融合，不需要系统强大的存储能力，具有信息损失小的优点，缺点是需要建立精确的观测对象模型，数据需求量大，适用范围比较窄。

3.2 基于参数分类技术

依照是否需要先验知识，可以划分为有参技术与无参技术，主要是从测量的数据中获取属性说明，并与测量数据形成一种直接映射关系，常用的该类算法有贝叶斯估计、人工神经网络等。与卡曼滤波不同，贝叶斯估计适用于静态环境。它利用条件概率组合多种传感器信息，并且能够通过似然函数最小化方法，将各单独传感器的关联概率联合成后验分布函数。

3.3 基于认知方法

基于认知的方法以先验知识为基础，需要深入了解观测目标的组成及内部关联结构，根据原始数据或属性特征模仿人类的启发式推理过程，做出判决，以专家系统最为常用。

4 多传感器融合应用

近年来，随着集成电路设计、电子技术、近代信号处理、计算机技术等的发展，多传感器信息融合技术己经发展成为一个新兴的热点学科，在军事和民事等各个领域得到了广泛重视与应用。

4.1 地球环境监测

将多传感器融合技术应用于地球环境监测方面，不仅能够监督地形地貌，而且能够实现对气象模式、植被生长、矿产资源等信息的监测与识别，并且为大气污染、汽车尾气排放、辐射、原油泄漏等环境威胁情况提供及时反馈。

4.2 军事防御系统

多传感器信息融合在军事上的应用由来已久，国内外都投入了大量的人力物力，美、法、日等发达国家已经建立了上百个以数据融合为核心技术的军事防御系统，其中以美国的全源信息分析（ASAS）系统、战术陆军和空军指挥员自动情报保障（LENSCE）系统发展最迅速。近年来，中国也加快开展海上监视、地-空防御、空-空防御为一体的战略防御系统的研究，把信息融合列为国防科技的重点项目。

4.3 医疗

在医学领域，多传感器信息融合技术的应用为人体结构研究和多种疾病的诊断提供了更可靠的信息。以癌症为例，通过医学造影技术、x射线图谱、图像提取设备、超声波图像等多种数据融合更容易识别癌变组织，提出严谨论断。

5 结束语

多传感器数据融合技术的应用扩大了观测数据的覆盖范围，提高了置信度和分辨率，增强了应用系统的鲁棒性和容错能力，而且并未增加系统的响应时间，做到了真正意义上的性能兼顾。但同时也对软硬件都提出了更高的要求，在硬件层面，要求配备数量足够、种类不同的传感器设备，才能够保证充分且有冗余的信息获取量；软件层面，要具有足够优化的融合算法，提供大量的先验模型，才能实现最终决策的快速性和正确性。数据融合是信息科学发展的必然阶段，随着现代科学技术的不断发展，融合算法不断完善，其必将在包括无人驾驶在内的各领域得到更广泛的应用，成为一项可靠、有效、实用的信息处理工具，推动人类社会的进步。