精华内容
下载资源
问答
  • 多传感器数据融合方法
    千次阅读
    2021-04-30 09:57:13

    一、概念

    多传感器信息融合技术就是利用计算机技术将来自多传感器或多源的信息和数据,在一定的准则下加以自动分析和综合,以完成所需要的决策和估计而进行的信息处理过程。

    多传感器信息融合技术的基本原理就像人的大脑综合处理信息的过程一样,将各种传感器进行多层次、多空间的信息互补和优化组合处理,最终产生对观测环境的一致性解释。

    二、体系架构

    **1.**根据数据处理方法的不同,信息融合系统的体系结构有三种:分布式、集中式和混合式

    1)分布式:先对各个独立传感器所获得的原始数据进行局部处理,然后再将结果送入信息融合中心进行智能优化组合来获得最终的结果。分布式对通信带宽的需求低、计算速度快、可靠性和延续性好,但跟踪的精度却远没有集中式高;分布式的融合结构又可以分为带反馈的分布式融合结构和不带反馈的分布式融合结构。

    **2)集中式:**集中式将各传感器获得的原始数据直接送至中央处理器进行融合处理,可以实现实时融合,其数据处理的精度高,算法灵活,缺点是对处理器的要求高,可靠性较低,数据量大,故难于实现;

    3)混合式:混合式多传感器信息融合框架中,部分传感器采用集中式融合方式,剩余的传感器采用分布式融合方式。混合式融合框架具有较强的适应能力,兼顾了集中式融合和分布式的优点,稳定性强。混合式融合方式的结构比前两种融合方式的结构复杂,这样就加大了通信和计算上的代价。

    **2.**多传感器融合在层次结构上按其在融合系统中信息处理的抽象程度,主要划分为三个层次:数据层融合、特征层融合和决策层融合。

    **1).数据层融合:**也称像素级融合,首先将传感器的观测数据融合,然后从融合的数据中提取特征向量,并进行判断识别。数据层融合需要传感器是同质的(传感器观测的是同一物理现象),如果多个传感器是异质的(观测的不是同一个物理量),那么数据只能在特征层或决策层进行融合。数据层融合不存在数据丢失的问题,得到的结果也是最准确的,但计算量大,且对系统通信带宽的要求很高。

    **2).特征层融合:**特征层融合属于中间层次,先从每种传感器提供的观测数据中提取的有代表性的特征,这些特征融合成单一的特征向量,然后运用模式识别的方法进行处理。这种方法的计算量及对通信带宽的要求相对降低,但由于部分数据的舍弃使其准确性有所下降。

    **3).决策层融合:**决策层融合属于高层次的融合,由于对传感器的数据进行了浓缩,这种方法产生的结果相对而言最不准确,但它的计算量及对通信带宽的要求最低。

    三、多传感器融合的算法

    融合算法是融合处理的基础。它是将多元输入数据根据信息融合的功能要求,在不同融合层次上采用不同的数学方法,对数据进行综合处理,最终实现融合。目前已有大量的融合算法,它们都有各自的优缺点。这些融合算法总体上法可以分为三大类型:嵌入约束法、证据组合法、人工神经网络法

    1.嵌入约束法
      由多种传感器所获得的客观环境的多组数据就是客观环境按照某种映射关系形成的像,传感器信息融合就是通过像求解原像,即对客观环境加以了解。用数学语言描述就是,即使所有传感器的全部信息,也只能描述环境的某些方面的特征,而具有这些特征的环境却有很多,要使一组数据对应惟一的环境(即上述映射为一一映射),就必须对映射的原像和映射本身加约束条件,使问题能有惟一的解。嵌入约束法有两种基本的方法:贝叶斯估计和卡尔曼滤波

    2.证据组合法
      证据组合法认为完成某项智能任务是依据有关环境某方面的信息做出几种可能的决策,而多传感器数据信息在一定程度上反映环境这方面的情况。因此,分析每一数据作为支持某种决策证据的支持程度,并将不同传感器数据的支持程度进行组合,即证据组合,分析得出现有组合证据支持程度最大的决策作为信息融合的结果。
      证据组合法是为完成某一任务的需要而处理多种传感器的数据信息。它先对单个传感器数据信息每种可能决策的支持程度给出度量(即数据信息作为证据对决策的支持程度),再寻找一种证据组合方法或规则,使在已知两个不同传感器数据(即证据)对决策的分别支持程度时,通过反复运用组合规则,最终得出全体数据信息的联合体对某决策总的支持程度,得到最大证据支持决策,即传感器信息融合的结果。
    常用的证据组合方法有:概率统计方法、D-S证据推理法

    3.人工神经网络法
      人工神经网络通过模仿人脑的结构和工作原理,设计和建立相应的机器和模型并完成一定的智能任务。神经网络根据当前系统所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权值分布上,同时可采用神经网络特定的学习算法来获取知识,得到不确定性推理机制。采用神经网络法的多传感器信息融合,分三个主要步骤
      (1).根据智能系统要求及传感器信息融合的形式,选择其拓扑结构;
      (2).各传感器的输入信息综合处理为一总体输入函数,并将此函数映射定义为相关单元的映射函数,通过神经网络与环境的交互作用把环境的统计规律反映网络本身的结构;
      (3).对传感器输出信息进行学习、理解,确定权值的分配,进而对输入模式作出解释,将输入数据向量转换成高级逻辑(符号)概念。

    四、应用领域

    随着多传感器数据融合技术的发展,应用的领域也在不断扩大,多传感器融合技术已成功地应用于众多的研究领域。多传感器数据融合作为一种可消除系统的不确定因素、提供准确的观测结果和综合信息的智能化数据处理技术,已在军事、工业监控、智能检测、机器人、图像分析、目标检测与跟踪、自动目标识别等领域获得普遍关注和广泛应用。

    更多相关内容
  • 针对个传感器对某一特性指标进行测量实验的数据融合问题,利用信息理论中的Fisher信息,提出了一种新的多传感器数据融合方法。该方法以最大化各传感器测量数据包含待测参数的Fisher信息为目标函数,通过求解优化...
  • 基于聚类的多传感器数据融合方法研究.pdf
  • 论文研究-基于Bayes估计的多传感器数据融合方法研究.pdf, 对多传感器数据融合方法进行研究 ,以 Bayes估计理论为基础得到了传感器最优融合数据 ,并将它与其它方法得到...
  • 基于BP神经网络的多传感器数据融合方法.pdf
  • 物联网-智慧交通-大直径多传感器数据融合方法研究.pdf
  • 基于可信度小波神经网络的多传感器数据融合方法.pdf
  • 利用格罗贝斯统计理论剔除系统...对余下的有效数据,利用模糊理论计算其与估计值之间的模糊贴近度,并以此确定每个传感器的重要性权重,最后提出数据融合公式实现多传感器数据融合。应用实例验证了该方法的有效性。
  • 基于ARM7飞控系统多传感器数据融合方法及实现.pdf
  • 物联网-智慧传输-基于Kalman滤波—加权因子的多传感器数据融合方法研究.pdf
  • 物联网-智慧交通-多传感器数据融合方法在新型组合航姿系统中的应用研究.pdf
  • 针对非合作目标跟踪问题,为解决无线传感器网络有限带宽和相关噪声造成的精度影响,在集中式融合框架下提出了三种基于量化信息的目标跟踪算法。首先,局部传感器节点采用自适应的量化策略将观测值量化成消息,并发送...
  • 只有把传感器信息融合起来,才是实现自动驾驶的关键。”现在路面上的很汽车,甚至是展厅内的很新车,内部都配备有基于摄像头、雷达、超声波或LIDAR等不同传感器的先进驾驶员辅助系统(ADAS)。这些系统的...
  • 据此提出一种利用模糊技术进行多传感器数据融合的温度趋势判别方法, 并结 合现场实际归纳了进行融合的数据种类,建立了实时专家系统控制策略。工业实践表明,该方法鲁棒性 强、 准确率高, 具有很强的实用性...
  • 本系统针对这些问题,在对火灾发生的过程和产物作了详细了解以后,选择适当的传感器对具有明显火灾特征的几个参数进行监测,再利用D-S证据理论对所有监测数据进行融合处理得到更为准确的判定结果。  1 火灾探测对象...
  • 为解决上述问题,提出了一种基于BP神经网络算法的多传感器数据融合方法,对对象的先验要求不高,具有较强的自适应能力。仿真结果表明,采用BP神经网络对传感器数据进行融合处理大大提高了传感器的稳定性及其精度,...
  •  1 多传感器数据融合技术与D-S方法  多传感器数据融合技术结合了控制理论、信号处理、人工智能、概率和统计的发展,协同运用传感器的传感数据,提取所探测环境的近可能的有用信息,消除信息的不确定性,提高...
  • 多传感器数据融合

    2021-10-27 20:28:39
    多传感器数据融合-开场白 今天新开一个专栏,多传感器数据融合,理由很简单,我要准备开题了,小论文也被提上议程了。另外数据结构我也会持续更新(虽然很久没更新了),但是现在的...多传感器数据融合多传感器数据融合

    多传感器数据融合-开场白

    今天新开一个专栏,多传感器数据融合,理由很简单,我要准备开题了,小论文也被提上议程了。另外数据结构我也会持续更新(虽然很久没更新了),但是现在的重心是阅读文献。另外说明一下,移动机器人中不论是激光SLAM还是视觉SLAM都会用到多个传感器,怎么融合这些数据,提高机器人定位精度依然是研究热点,从一开始的卡尔曼滤波还是蒙特卡洛粒子滤波到现在的非线性优化,都是在解决多传感器数据融合问题,这个系列文章主要是以非线性优化为主,分析的论文主要是以ICRA。



    前言

    什么是传感器:
    例如:手机的相机,听筒,指纹解锁硬件……都是传感器。
    他们的作用就像人的触觉、味觉、听觉、视觉等一样,拥有对对自然环境的数据获取的功能。


    一、数据融合是什么?

    示例:桌子上有一颗苹果,观察位置以后,我们闭着眼睛走过去,拿起它。这里面就包含了数据融合,双脚在走向桌子的时候脑海里在记录自己走了多远的距离定位自己的位置,走到桌边的时候我们会下意识去摸桌子,再次确定自己的位置。
    可能这里例子不太准确,但是就是在说明不同传感器获取的数据可以帮助我们确定做的同一件事情。不同传感器有自己的采样频率,例如惯性测量单元IMU采样频率就很高,激光雷达采样频率差不多有30Hz,在相同时间段内,怎么确定同一个时间戳内的不同传感器的数据的问题,就是传感器数据融合问题。

    二、发展过程

    1.卡尔曼滤波KF

    以滤波为主的数据融合在机器人发展历程中占据了很长的一段时间。它的核心思想是,通过上一次的估计约束这一次的估计。例如:
    状态方程为x=f(x)+w
    观测为y=g(x)+v
    在这个方程中f(x),g(x)为线性,w,v为噪声,如果我们的传感器是0误差的,那么我们所有观测的数据都是完全正确的,那么就不存在滤波的课题。这个世界是充满不确定性的,而卡尔曼滤波的思想就是在通过公式先验估计出下一个状态值,通过卡尔曼系数作用于传感器观测值以及先验估计:

    x = x − − k ( y − x − ) x=x^{-}-k(y-x^{-}) x=xk(yx)

    其中 x − x^{-} x为先验估计,y为传感器观测,k为卡尔曼系数(0≤k≤1)
    k=0时,代表更相信先验估计( x − = f ( x ) x^{-}=f(x) x=f(x),这里先验估计就是在理想情况下,没有噪声)
    k=1时,代表更相信观测;
    卡尔曼滤波大致就是这个道理,一维二维三维甚至多维都是这个原理例如一个匀速行走的人行走速度为x1,行走距离为x2,即行走状态是一个二维的,我们通过一个摄像头去观测这个人的行走速度,行走距离。如果这个人能保证一直匀速,相机能完全测量正确,那就没滤波的事了。但正如之前所说。正是由于人不能保证时刻匀速,相机测量能百分之百精确,势必会造成误差。此时我们就需要通过卡尔曼滤波来解决这个事情。这里就分为预测和更新两个部分,因为我们需要得到不同时刻卡尔曼系数的值,不同时候的后验估计。
    在这里插入图片描述
    公式的具体推导:卡尔曼滤波器,CAN博士讲得非常仔细而且浅显易懂。

    2.卡尔曼滤波存在的问题

    卡尔曼滤波的最大问题是要求运动方程(状态方程)和观测方程是线性,或者近似是线性的。
    对于非线性系统我们可以使用扩展卡尔曼利用泰勒展开把非线性函数近似转化为线性函数。亦或者使用无迹卡尔曼把非线性函数(这个非线性函数转换成线性函数的效果很差)通过各种变换把非线性函数映射成服从正态分布的函数。再利用卡尔曼滤波处理。
    无迹卡尔曼滤波公式的具体推导:无迹卡尔曼滤波器公式推导


    总结

    当然还有很多变种的卡尔曼滤波器算法,这里就不一一列举了。但是卡尔曼滤波或者是粒子滤波被非线性优化取代的重要原因是因为滤波只能用于静态环境中,对动态环境效果很差。卡尔曼滤波一般用于静态环境,例如电池电量检测等。

    在以后将开始讲非线性优化为主以及分析ICRA和IROS两个NB的国外顶会中对于多传感器融合的分析与总结。

    展开全文
  • 文中建立了功能完整的多传感器数据融合模型,使用最邻近数据关联( NNDA)算法提取目标航迹,采 用三次样条插值实现时间配准,并将传感器性能作为权重应用到航迹对的融合中,使用加权平均的方法融合航 迹对。引用回声状态...
  •  1 多传感器数据融合技术与D-S方法  多传感器数据融合技术结合了控制理论、信号处理、人工智能、概率和统计的发展,协同运用传感器的传感数据,提取所探测环境的近可能的有用信息,消除信息的不确定性,提高...
  • 研究生系列教材:多传感器数据融合及其应用(最新版)
  • MEMS陀螺仪随机序列趋势项提取算法.pdfMEMS陀螺仪随机序列趋势项提取算法.pdfMEMS陀螺仪随机序列趋势项提取算法.pdfMEMS陀螺仪随机序列趋势项提取算法.pdfMEMS陀螺仪随机序列趋势项提取算法.pdf
  • 针对目前传感器数据融合过程中,各传感器的可靠度估计困难和测量数据融合结果精度较低的问题,利用模糊理论中的相关性函数, 提出了传感器的相互支持程度计算的新方法,并基于最小二乘原理, 对支持程度高的传感器数据...
  • 准则下考察传感器的融合权重, 提出一种新的多传感器数据融合方法. 通过个性能指标折中估计传感器权重, 以降低决策的主观性和偶然性; 提出从不同融合级别来定义个准则, 定性地提高了准则的信息量; 在没有...
  • 对文献[5]提出的Cao方法进行了改进,提出一种新的嵌入延迟相空间重构方法,不仅能够判断最小嵌入维数,还能够确定最佳时间延迟矢量。Cao方法的应用领域得以扩展,使得相空间重构问题可以在一个判断标准下完成。...
  • 为减小倾角传感器角度测量误差造成的液压支架高度测量累积误差,提出了一种基于多传感器数据融合的液压支架高度测量方法,即利用分批估计算法和自适应加权算法将分别通过掩护梁和前连杆处倾角传感器所测角度计算得到的...
  • 在回顾数据分类和信息熵的基础上, 提出...该方法根据传感器数据自熵和互熵的关系实现冲突、冗余和补充的数据分类,建立多传感器数据分类结构并进行分类融合.实例分析说明了这种数据分类方法的合理性和分类融合的有效性.
  • 特别是,本文对多传感器数据融合技术进行了综述,包括其优势和具有挑战性的方面。 基于推理,估计和分类,讨论现有多传感器数据融合技术的局限性; 尽管有一些关于数据融合的特定和一般文献评论。
  • 由于传感器自身以及通信延迟等原因, 使得异步多传感器数据融合问题比同步问题的研究更 切合实际。 对连续时间系统在融合中心和各传感器节点分别进行异步离散化处理, 离散后过程噪声与测 量噪声以及测量...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 37,834
精华内容 15,133
关键字:

多传感器数据融合方法