多傳感器融合（Multi-sensor Fusion, MSF）是利用計算機(jī)技術(shù)，將來自多傳感器或多源的信息和數(shù)據(jù)以一定的準(zhǔn)則進(jìn)行自動分析和綜合，以完成所需的決策和估計而進(jìn)行的信息處理過程。

一、基本原理

多傳感器融合基本原理就像人腦綜合處理信息的過程一樣，將各種傳感器進(jìn)行多層次、多空間的信息互補(bǔ)和優(yōu)化組合處理，產(chǎn)生對觀測環(huán)境的一致性解釋。在這個過程中要充分利用多源數(shù)據(jù)進(jìn)行合理支配與使用，而信息融合的目標(biāo)則是基于各傳感器獲得的分離觀測信息，通過對信息多級別、多方面組合導(dǎo)出更多有用信息。這不僅是利用了多個傳感器相互協(xié)同操作的優(yōu)勢，而且也綜合處理了其它信息源的數(shù)據(jù)來提高整個傳感器系統(tǒng)的智能化。

具體來講，多傳感器數(shù)據(jù)融合原理如下：

（1）多個不同類型傳感器（有源或無源）收集觀測目標(biāo)的數(shù)據(jù)；

（2）對傳感器的輸出數(shù)據(jù)（離散或連續(xù)的時間函數(shù)數(shù)據(jù)、輸出矢量、成像數(shù)據(jù)或一個直接的屬性說明）進(jìn)行特征提取的變換，提取代表觀測數(shù)據(jù)的特征矢量Yi；

（3）對特征矢量Yi進(jìn)行模式識別處理（如聚類算法、自適應(yīng)神經(jīng)網(wǎng)絡(luò)或其他能將特征矢量Yi變換成目標(biāo)屬性判決的統(tǒng)計模式識別法等），完成各傳感器關(guān)于目標(biāo)的說明；

（4）將各傳感器關(guān)于目標(biāo)的說明數(shù)據(jù)按同一目標(biāo)進(jìn)行分組，即關(guān)聯(lián)；

（5）利用融合算法將目標(biāo)的各傳感器數(shù)據(jù)進(jìn)行合成，得到該目標(biāo)的一致性解釋與描述。

二、融合算法

對于多傳感器系統(tǒng)而言，信息具有多樣性和復(fù)雜性，因此對信息融合算法的基本要求 是具有魯棒性和并行處理能力。其他要求還有算法的運(yùn)算速度和精度；與前續(xù)預(yù)處理系統(tǒng)和后續(xù)信息識別系統(tǒng)的接口性能；與不同技術(shù)和方法的協(xié)調(diào)能力；對信息樣本的要求等。一般情況下，基于非線性的數(shù)學(xué)方法，如果具有容錯性、自適應(yīng)性、聯(lián)想記憶和并行處理能力，則都可以用來作為融合方法。

多傳感器數(shù)據(jù)融合的常用方法基本上可分為兩大類：隨機(jī)類和人工智能類。

2.1 隨機(jī)類

（1）加權(quán)平均法

信號級融合方法zui簡單直觀的方法是加權(quán)平均法，將一組傳感器提供的冗余信息進(jìn)行加權(quán)平均，結(jié)果作為融合值。該方法是一種直接對數(shù)據(jù)源進(jìn)行操作的方法。

（2）卡爾曼濾波法

主要用于融合低層次實時動態(tài)多傳感器冗余數(shù)據(jù)。該方法用測量模型的統(tǒng)計特性遞推，決定統(tǒng)計意義下的zui 優(yōu)融合和數(shù)據(jù)估計。如果系統(tǒng)具有線性動力學(xué)模型，且系統(tǒng)與傳感器的誤差符合高斯白噪聲模型，則卡爾曼濾波將為融合數(shù)據(jù)提供唯 一統(tǒng)計意義下的zui 優(yōu)估計。

卡爾曼濾波的遞推 特性使系統(tǒng)處理無需大量的數(shù)據(jù)存儲和計算。但是采用單一的卡爾曼濾波器對多傳感器組合系統(tǒng)進(jìn)行數(shù)據(jù)統(tǒng)計時，存在很多嚴(yán)重問題，例如：① 在組合信息大量冗余情況下，計算量將以濾波器維數(shù)的三次方劇增，實時性難以滿足。② 傳感器子系統(tǒng)的增加使故障概率增加，在某一系統(tǒng)出現(xiàn)故障而沒有來得及被檢測出時，故障會污染整個系統(tǒng)，使可靠性降低。

（3）多貝葉斯估計法

將每一個傳感器作為一個貝葉斯估計，把各單獨(dú)物體的關(guān)聯(lián)概率分布合成一個聯(lián)合的后驗概率分布函數(shù)，通過使聯(lián)合分布函數(shù)的似然函數(shù)為zui小，提供多傳感器信息的zui終融合值，融合信息與環(huán)境的一個先驗?zāi)Ｐ鸵蕴峁┱麄€環(huán)境的一個特征描述。

（4）D-S證據(jù)推理法

該方法是貝葉斯推理的擴(kuò)充，包含3個基本要點(diǎn)：基本概率賦值函數(shù)、信任函數(shù)和似然函數(shù)。

D-S方法的推理結(jié)構(gòu)是自上而下的，分為三級：第 一 級為目標(biāo)合成，其作用是把來自獨(dú)立傳感器的觀測結(jié)果合成為一個總的輸出結(jié)果（ID）；第 二級為推斷，其作用是獲得傳感器的觀測結(jié)果并進(jìn)行推斷，將傳感器觀測結(jié)果擴(kuò)展成目標(biāo)報告。這種推理的基礎(chǔ)是：一定的傳感器報告以某種可信度在邏輯上會產(chǎn)生可信的某些目標(biāo)報告；第三級為更新，各傳感器一般都存在隨機(jī)誤差，因此在時間上充分獨(dú)立地來自同一傳感器的一組連續(xù)報告比任何單一報告更加可靠。所以在推理和多傳感器合成之前，要先組合（更新）傳感器的觀測數(shù)據(jù)。

（5）產(chǎn)生式規(guī)則

采用符號表示目標(biāo)特征和相應(yīng)傳感器信息之間的聯(lián)系，與每一個規(guī)則相聯(lián)系的置信因子表示它的不確定性程度。當(dāng)在同一個邏輯推理過程中，2個或多個規(guī)則形成一個聯(lián)合規(guī)則時，可以產(chǎn)生融合。應(yīng)用產(chǎn)生式規(guī)則進(jìn)行融合的主要問題是每個規(guī)則置信因子的定義與系統(tǒng)中其他規(guī)則的置信因子相關(guān)，如果系統(tǒng)中引入新的傳感器，需要加入相應(yīng)的附加規(guī)則。

2.2 AI類

（1）模糊邏輯推理

模糊邏輯是多值邏輯，通過指定一個0到1之間的實數(shù)表示真實度（相當(dāng)于隱含算子的前提），允許將多個傳感器信息融合過程中的不確定性直接表示在推理過程中。如果采用某種系統(tǒng)化的方法對融合過程中的不確定性進(jìn)行推理建模，則可以產(chǎn)生一致性模糊推理。

與概率統(tǒng)計方法相比，邏輯推理存在許多優(yōu)點(diǎn)，它在一定程度上克服了概率論所面臨的問題，對信息的表示和處理更加接近人類的思維方式，一般比較適合于在高層次上的應(yīng)用（如決策）。但是邏輯推理本身還不夠成熟和系統(tǒng)化。此外由于邏輯推理對信息的描述存在很多的主觀因素，所以信息的表示和處理缺乏客觀性。

模糊集合理論對于數(shù)據(jù)融合的實際價值在于它外延到模糊邏輯，模糊邏輯是一種多值邏輯，隸屬度可視為一個數(shù)據(jù)真值的不精 確表示。在MSF過程中，存在的不確定性可以直接用模糊邏輯表示，然后使用多值邏輯推理，根據(jù)模糊集合理論的各種演算對各種命題進(jìn)行合并，進(jìn)而實現(xiàn)數(shù)據(jù)融合。

（2）人工神經(jīng)網(wǎng)絡(luò)法

神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的容錯性以及自學(xué)習(xí)、自組織及自適應(yīng)能力，能夠模擬復(fù)雜的非線性映射。神經(jīng)網(wǎng)絡(luò)的這些特性和強(qiáng)大的非線性處理能力，恰好滿足多傳感器數(shù)據(jù)融合技術(shù)處理的要求。在多傳感器系統(tǒng)中，各信息源所提供的環(huán)境信息都具有一定程度的不確定性，對這些不確定信息的融合過程實際上是一個不確定性推理過程。神經(jīng)網(wǎng)絡(luò)根據(jù)當(dāng)前系統(tǒng)所接受的樣本相似性確定分類標(biāo)準(zhǔn)，這種確定方法主要表現(xiàn)在網(wǎng)絡(luò)的權(quán)值分布上，同時可以采用學(xué)習(xí)算法來獲取知識，得到不確定性推理機(jī)制。利用神經(jīng)網(wǎng)絡(luò)的信號處理能力和自動推理功能，即實現(xiàn)了多傳感器數(shù)據(jù)融合。

三、應(yīng)用領(lǐng)域

多傳感器數(shù)據(jù)融合作為一種可消除系統(tǒng)的不確定因素、提供準(zhǔn)確的觀測結(jié)果和綜合信息的智能化數(shù)據(jù)處理技術(shù)，已在軍 事、工業(yè)監(jiān)控、智能檢測、機(jī)器人、圖像分析、目標(biāo)檢測與跟蹤、自動目標(biāo)識別等領(lǐng)域獲得普遍關(guān)注和廣泛應(yīng)用。

（1）機(jī)器人

多傳感器數(shù)據(jù)融合技術(shù)的另一個典型應(yīng)用領(lǐng)域為機(jī)器人。目前主要應(yīng)用在移動機(jī)器人和遙操作機(jī)器人上，因為這些機(jī)器人工作在動態(tài)、不確定與非結(jié)構(gòu)化的環(huán)境中（如“勇氣”號和“機(jī)遇”號火星車）。這些高度不確定的環(huán)境要求機(jī)器人具有高度的自治能力和對環(huán)境的感知能力，而多傳感器數(shù)據(jù)融合技術(shù)正是提高機(jī)器人系統(tǒng)感知能力的有效方法。實踐證明：采用單個傳感器的機(jī)器人不具有完整、可靠地感知外部環(huán)境的能力。智能機(jī)器人應(yīng)采用多個傳感器，并利用這些傳感器的冗余和互補(bǔ)的特性來獲得機(jī)器人外部環(huán)境動態(tài)變化的、比較完整的信息，并對外部環(huán)境變化做出實時的響應(yīng)。目前，機(jī)器人學(xué)界提出向非結(jié)構(gòu)化環(huán)境進(jìn)軍，其核心的關(guān)鍵之一就是多傳感器系統(tǒng)和數(shù)據(jù)融合。

（2）遙感

多傳感器融合在遙感領(lǐng)域中的應(yīng)用，主要是通過高空間分辨力全色 圖像和低光譜分辨力圖像的融合，得到高空問分辨力和高光譜分辨力的圖像，融合多波段和多時段的遙感圖像來提高分類的準(zhǔn)確性。

（3）智能交通管理系統(tǒng)

數(shù)據(jù)融合技術(shù)可應(yīng)用于地面車輛定位、車輛跟蹤、車輛導(dǎo)航以及空中交通管制系統(tǒng)等。

（4）復(fù)雜工業(yè)過程控制

復(fù)雜工業(yè)過程控制是數(shù)據(jù)融合應(yīng)用的一個重要領(lǐng)域。目前，數(shù)據(jù)融合技術(shù)已在核反應(yīng)堆和石油平臺監(jiān)視等系統(tǒng)中得到應(yīng)用。融合的目的是識別引起系統(tǒng)狀態(tài)超出正常運(yùn)行范圍的故障條件，并據(jù)此觸發(fā)若干報警器。通過時間序列分析、頻率分析、小波分析，從各傳感器獲取的信號模式中提取出特征數(shù)據(jù)，同時，將所提取的特征數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)模式識別器，神經(jīng)網(wǎng)絡(luò)模式識別器進(jìn)行特征級數(shù)據(jù)融合，以識別出系統(tǒng)的特征數(shù)據(jù)，并輸入到模糊專家系統(tǒng)進(jìn)行決策級融合；專家系統(tǒng)推理時，從知識庫和數(shù)據(jù)庫中取出領(lǐng)域知識規(guī)則和參數(shù)，與特征數(shù)據(jù)進(jìn)行匹配（融合）；zui后，決策出被測系統(tǒng)的運(yùn)行狀態(tài)、設(shè)備工作狀況和故障等。

四、存在問題及發(fā)展趨勢

隨著傳感器技術(shù)、數(shù)據(jù)處理技術(shù)、計算機(jī)技術(shù)、網(wǎng)絡(luò)通訊技術(shù)、人工智能技術(shù)、并行計算軟件和硬件技術(shù)等相關(guān)技術(shù)的發(fā)展，尤其是人工智能技術(shù)的進(jìn)步，新的、更有效的數(shù)據(jù)融合方法將不斷推出，多傳感器數(shù)據(jù)融合必將成為未來復(fù)雜工業(yè)系統(tǒng)智能檢測與數(shù)據(jù)處理的重要技術(shù)，其應(yīng)用領(lǐng)域?qū)⒉粩鄶U(kuò)大。多傳感器數(shù)據(jù)融合不是一門單一的技術(shù)，而是一門跨學(xué)科的綜合理論和方法，并且是一個不很成熟的新研究領(lǐng)域，尚處在不斷變化和發(fā)展過程中。

（1）存在問題及發(fā)展趨勢

尚未建立統(tǒng)一的融合理論和有效廣義融合模型及算法；對數(shù)據(jù)融合的具體方法的研究尚處于初步階段；還沒有很好解決融合系統(tǒng)中的容錯性或魯棒性問題；關(guān)聯(lián)的二義性是數(shù)據(jù)融合中的主要障礙；數(shù)據(jù)融合系統(tǒng)的設(shè)計還存在許多實際問題。

（2）發(fā)展趨勢

建立統(tǒng)一的融合理論、數(shù)據(jù)融合的體系結(jié)構(gòu)和廣義融合模型；解決數(shù)據(jù)配準(zhǔn)、數(shù)據(jù)預(yù)處理、數(shù)據(jù)庫構(gòu)建、數(shù)據(jù)庫管理、人機(jī)接口、通用軟件包開發(fā)問題，利用成熟的輔助技術(shù)，建立面向具體應(yīng)用需求的數(shù)據(jù)融合系統(tǒng)；將人工智能技術(shù)，如，神經(jīng)網(wǎng)絡(luò)、遺傳算法、模糊理論、專家理論等引入到數(shù)據(jù)融合領(lǐng)域；利用集成的計算智能方法（如，模糊邏輯＋神經(jīng)網(wǎng)絡(luò)，遺傳算法＋模糊＋神經(jīng)網(wǎng)絡(luò)等）提高多傳感融合的性能；解決不確定性因素的表達(dá)和推理演算，例如：引入灰數(shù)的概念；利用有關(guān)的先驗數(shù)據(jù)提高數(shù)據(jù)融合的性能，研究更加先進(jìn)復(fù)雜的融合算法（未知和動態(tài)環(huán)境中，采用并行計算機(jī)結(jié)構(gòu)多傳感器集成與融合方法的研究等）；在多平臺／單平臺、異類／同類多傳感器的應(yīng)用背景下，建立計算復(fù)雜程度低，同時，又能滿足任務(wù)要求的數(shù)據(jù)處理模型和算法；構(gòu)建數(shù)據(jù)融合測試評估平臺和多傳感器管理體系；將已有的融合方法工程化與商品化，開發(fā)能夠提供多種復(fù)雜融合算法的處理硬件，以便在數(shù)據(jù)獲取的同時就實時地完成融合。