多传感器信息融合技术及其发展趋势

摘要:阐述了信息融合的定义、设计流程及信息融合的处理过程,分析并比较了多传感器信息融合的层次。介绍了多传感器信息融合的技术和方法及其在军、民事领域方面的应用。在此基础上提出了有待解决的问题,并分析了多传感器信息融合的发展趋势与进展。

关键词:信息融合;多传感器;应用;趋势

中图分类号:TP212文献标识码:A文章编号:1009-3044(2009)34-9808-03

Multi-sensor Information Fusion Technology and Its Developing Trend

WANG You-quan1,2

(1.College of Electronic Science and Engineering, National University of Defense Technology, Changsha 410073, China; 2.Army of 66011, Beijing 102600, China)

Abstract: The definition,design and process of the information fusion are described.The multi-sensor information fusion levels are analyzed and compared, and its technology,methods and application in the military and civil fields are introduced.On the analysis basis,the issues to be considered are provided and the developing trend of multi-sensor information fusion is analyzed.

Key words: information fusion; multi-sensor; application; developing trend

在信息融合领域,人们经常提及“数据融合与信息融合(Data Fusion & Information Fusion & Multi-source information fusion & Multi-sensor information fusion)”。 实际上它们是有差别的,一些人倾向于认为信息融合比数据融合的概念更广泛,这主要是由于“信息”这一术语似乎是包含“数据”, 另外一些人则倾向于认为数据融合比信息融合更广泛,而更多的学者把“数据融合”与“信息融合”等同看待。从技术上来讲,数据通常解释为信息的具体化。“信息融合”一词更广泛、更确切、更合理、更具概括性。信息不仅包含了数据,而且也包含了信号和知识。近年国际上已开始流行 Information Fusion 的说法。

1 什么是信息融合

信息融合的定义大都是功能性的描述,JDL[1](Joint Directions of Laboratories:美国三军组织实验室理事联合会)从军事应用的角度将信息融合进行定义,信息融合是一种多层次、多方面的处理过程(包括对多源数据进行检测、相关、组合和估计等),以提高状态和特性的估计精度、实现对战场态势和威胁及其重要程度的实时完整的评价。JDL当前的最新定义是:“信息融合是组合数据或信息以估计和预测实体状态的过程”。 Dasarathy[2]:信息融合是协同利用多源信息(传感器、数据库、 人为获取的信息)进行决策和行动的理论、技术和工具,旨在比仅利用单信息源或非协同利用部分多源信息获得更精确和更稳健的性能。

广义的理解,信息融合未必一定体现在多个信息源。具体的融合对象有:信号、数据、图像、属性、知识、 准则等。

对单源信息进行融合的例子:在一个时间段进行滤波、平滑及预测,在一个固定的时间点进行分解和融合。

当然,与单传感器相比,多传感器系统的复杂性大大增加,由此也会产生一些不利因素,如增加了系统成本,因尺寸、重量、功耗、辐射增大带来的易被敌方发现等,因而在设计多传感器系统时必须综合考虑,以实现系统的最优性能。

2 信息融合基础概念

2.1 基本原理

多传感器信息融合是人类或其它逻辑系统中常见的基本功能。人非常自然地运用这一能力把来自人体各种感官(眼、耳、鼻,手,口)的信息(景物,声音,气味,触觉)组合起来,然后根据知识和经验并按其习惯的思路对信息进行处理,以提出解决问题的方案。在信息融合系统中,感官就是系统的各种传感器,经验相当于统计学中的先验知识,思路便是人们常说的模型、算法,根据多传感器信息进行综合、分析、判断,这就是信息融合[8]。

由此可见,多传感器信息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信息依据某种准则来进行组合,以获取对被测对象全面正确的解释或描述。 信息融合的基本目标是通过数据组合而不是出现在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,提高传感器系统的有效性。

2.2 设计流程

该设计流程由任务表述;汇集和关联;结构和算法;评估、训练等四部分构成,具体流程如图1。

2.3 典型信息融合处理过程

多传感器信息融合是将来自多传感器或多源的信息和数据模仿情报专家的综合信息处理能力进行智能化处理,从而获得更为全面、准确和可信的结论。其信息融合处理过程如图2。

2.4 信息融合的层次

按信息抽象的不同层次将信息融合分为五级[3-4],包括了从检测到威胁判断的完整过程:

第一级:检测级融合->目标检测判决;

第二级:位置级融合->目标位置及航迹,跟踪;

第三级:目标识别级融合->目标属性分类或身份估计;

第四级:态势估计(Situation Assessment-SA)->对战场上战斗力量分配情况的分析评价过程;

第五级:威胁估计(Threat Assessment-TA)->敌方威胁能力及企图。

在这种功能模型描述中,前三个层次的信息融合适合于任意的多传感器信息融合系统,而后两个层次主要适用于军事C3I系统中的信息融合。融合单元信息融合各层次的比较,详见表1。

3 信息融合涉及的学科

作为一种信息综合和处理技术,信息融合实际上是许多传统学科和新技术相结合的一个边缘新兴学科,以下扼要介绍这些技术手段。

1) 信号处理与估计理论:信号处理与估计理论包括Kalman滤波等线性滤波技术,扩展Kalman滤波(EKF)和Gauss滤波(GSF)等非线性滤波技术,UKF滤波,基于随机采样技术的粒子滤波,Markov链等非线性估计技术,期望极大化EM算法,设计优化指标,实现最优估计(最小化风险法和最小化能量法等)。

2) 统计推断方法:统计推断方法包括经典推理、Bayes推理、证据推理、随机集理论、支持向量机等。

3) 信息论的方法:运用优化信息度量的手段融合多源数据,从而获得问题的有效解决。典型算法有熵的方法、最小描述长度方法(MDL)等。

4) 人工智能方法(artificial intelligence):人工智能方法包括模糊逻辑、神经网络、遗传算法、不确定性推理、专家系统、逻辑模板法、品质因数法(FOM)等。

5) 其他:决策论的方法,用于高级别的决策融合;几何方法,充分探讨环境与传感器模型的几何属性达到融合目的;数据结构与数据库管理等。

4 主要应用与关联领域

信息融合技术起源于军事领域,信息融合在军事上应用最早、范围最广,涉及战术或战略上的检测、指挥、控制、通信和情报任务的各个方面。主要的应用有采用多传感器的自主式武器系统和自备式运载器,广域监视系统,基于多传感器的截获、跟踪和指令控制的火控系统,情报收集系统,敌情指示和预警系统,态势与威胁估计,军事力量的指挥和控制站。如,俄罗斯研制的米28新型战斗机,使用了多传感器信息融合技术,融合了来自雷达、红外、电视摄像机、航空仪表、夜视仪等传感器的信息,构成了数据融合系统。

近年来,多传感器融合系统也在民事应用领域得到了较快发展,主要应用领域包括:图像融合,工业智能机器人,遥感,刑侦故障诊断,智能交通,金融领域。

5 信息融合要解决的几个关键问题[5]

1) 数据对准与信息相关:在多传感器信息融合系统中,每个传感器提供的观测数据都在各自的参考框架之内。在对这些信息进行组合之前,必须首先将它们变换到同一个参考框架中去。但要注意的是,由于多传感器时空配准引起的舍入误差必须得到补偿。信息相关就是要对各传感器获得的信息进行关联处理。信息相关的核心问题之一是要克服传感器测量的不准确性和干扰等引起的相关二义性,即保持信息的一致性;另一个核心问题就是要控制和降低相关计算的复杂度,开发出合适的相关处理算法和模型。

2) 同类或异类数据:多传感器提供的数据在属性上可以是同类也可以是异类,而异类多传感器较之同类传感器,其提供的信息具有更强的多样性和互补性;但同时由于异类数据在时间上的不同步,数据率不一致以及测量维数不匹配等特点,使得对这些信息的融合处理更困难。

3) 观测数据的不确定性:由于传感器工作环境的不确定性,导致观测数据包含有噪声成分,以及传输过程的各种干扰,传感器、人、数据库、压缩量化方法、信息模型、算法局限等。在融合处理中需要对多源观测数据进行分析验证,并补充综合,在最大限度上降低数据的不确定性。

4) 不完整、不一致和虚假数据:由于时、空、频等方面的感知局限,感知过程、人、算法等引起的多义性和冲突等。信息融合系统需要能够对这些不完整数据、不一致数据以及虚假数据进行有效的融合处理。

5) 粒度:由于粒度级别不同、稀疏与稠密、处理级别、抽象级别不同,所以一个可行的融合方案应该可以工作在各种不同的粒度级别上。

6) 数据库:数据库不仅要及时存储当前各传感器的测量数据,并把它们及时提供给融合推理,还应向融合推理提供所需要的各种其他数据。与此同时,数据库还应存储融合推理的中间结果、最终态势和决策分析结果等。数据库既包含当前实时数据,还包括非实时的先验数据等,它所要解决的难题是容量大、搜索快、开放互联性好,并具有良好的用户接口,因此,要开发出更有效的数据模型、有效查找的搜索机制,以及分布式多媒体数据库管理系统等。

7) 信息安全:军用信息融合系统汇集了各类传感器和信息源的信息,以及信息融合的中间数据和最终结果信息等,这些信息通常具有不同级别的保密要求和访问权限。信息融合系统在实现信息融合功能的同时,还必须保证这些信息的安全,能够让应该使用信息的用户及时访问、获取所需信息,同时又要限制用户的存取权限。为此,必须对各种输入输出数据进行严格的分类,按照规定的保密程序及时把信息融合结果分发到各级用户,并保证满足保密要求。

8) 性能评估[6]:信息融合的另一个重要问题就是如何量化信息融合系统的功效。由于信息融合理论和技术的发展仍处于完善和成熟过程之中,再加上实际应用的具体问题的千差万别,要真正建立完整的、实用的评估体系仍是非常困难的。

6 多传感器信息融合今后的发展趋势

随着多传感器信息融合技术的发展,在军事和民事方面的广泛应用,近年来发展迅速,但该技术尚处于不断发展变化阶段,尚有许多工作要作,在此仅简述其中的一些主要研究方向[3-4,10]。1) 多传感器分布检测研究;2) 多传感器综合跟踪算法研究;3) 异类传感器信息融合技术研究;4) 多层估计的一般理论研究;5) 水下传感器信息融合技术研究;6) 多目标跟踪与航迹关联的联合优化问题;7) 多传感器跟踪中的航迹起始问题;8) 目标识别及其融合技术研究;9) 图像融合技术研究;10) 信息融合系统性能评估技术研究;11) 信息融合中的数据库和知识库技术研究;12) 传感器资源分配和管理技术研究;13) 人工智能技术在信息融合中的应用研究;14) 信息融合系统的工程实现;15) 随机集理论在信息融合中的应用;16) 信息融合系统的性能测试与度量、评估;17) 交叉学科的交流是未来信息融合技术研究的热点。

7 结束语

随着人工智能技术和工业技术的发展,信息融合技术正朝着智能化、集成化的趋势发展,可以预见其将在以下几个方面取得进展[3,8]:

1) 确立信息融合理论标准和系统结构标准。目前的实际应用项目都是针对特定的对象和领域所进行的,缺乏统一的系统模型建立标准和系统结构标准;

2) 改进融合算法提高系统性能。在完善原有算法基础上充分吸收其他学科、领域的最新成果,研究适应并行处理的融合算法;

3) 发展并完善JDL模型,以解决现有JDL模型所不能处理的非军事应用问题;

4) 传感器资源管理优化,针对具体应用问题,建立信息融合中的数据库和知识库,研究高速并行推理机制,是信息融合技术工程化及实际应用中的关键问题,是未来的研究重点之一;

5) 建立系统设计的工程指导方针,研究信息融合系统的工程实现[7]。信息融合系统是一个具有强烈不确定性的复杂大系统,如何提高现有理论、技术、设备,保证融合系统的精确性、实时性以及低成本是未来研究重点之一;

6) 建立测试平台,研究系统性能评估方法[11]。如何建立评价机制,对信息融合系统进行综合分析和评价,以衡量融合算法的性能,也是亟待解决的问题。

参考文献:

[1] 王润生.信息融合[M].北京:科学出版社,2007.

[2] Dasarathy B. Sensor Fusion Potential Exploitation Innovative Architectures and Illustrative Applications[J].Proceedings of IEEE,1997,85(1):24-38.

[3] 何友,王国宏.多传感器信息融合及应用[M].2版.北京:电子工业出版社,2007.

[4] 何友,关欣,王国宏.多传感器信息融合研究进展与展望[J].宇航学报,2005,26(4).

[5] 韩崇昭,朱艳洪.多源信息融合[M].北京:清华大学出版社,2006.10-13.

[6] Zhu Y M. Multisensor Decision and Estimation Fusion.Boston:Kluwer Academic Publishers,2003.

[7] 朱林,徐兴杰,张晓囡,等.信息融合系统工程方法[J].火力与指挥控制,2008,33(3).

[8] 刘同明,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,1998:14-16.

[9] 王凤朝,黄树采,韩朝超.多传感器数据融合及其新技术研究[J].航空技术算法,2009,39(1).

[10] Lawrence A klein .Sensor and Data Fusion Concepts and Applications.SPIE Optical Engineering Press,1999.

[11] Laere J. Challenges for IF performance evaluation in practice[C].Seattle,WA,USA:12th International Conference on Information Fusion,2009.

推荐访问： 发展趋势 传感器 融合 技术 信息