多源信息融合技术的起源发展与研究应用.docx

1. 多源信息融合技术的起源发展与研究应用1 1多源信息融合的概念多源信息融合(multi-source information fusion)亦称多传感器信息融合，是一门新兴边缘学科。多源的含义是广义的，包含多种信息源如传感器、环境信息匹配、数据库及人类掌握的信息等，信息融合最初的定义是数据融合，但随着信息技术的发展，系统信息的外延不断扩大，已经远远超出了数据的简单含义，包括了有形的数据、图像、音频、符号和无形的模型、估计、评价等，故学术界、技术界均认为使用信息融合更能代表其含义。多源信息融合的优势可以表现在密集性、有效性、互补性、冗余性、实时性、低成本性、高适应性等多个方面。1. 2多源信息融合技术的起源与发展这一概念是在20世纪70年代提出的。当时新一代作战系统中依靠单一传感器提供信息已无法满足作战需要，必须运用多传感器集成来提供多种观测数据，通过优化综合处理提供相对准确的战场信息，从而更好地把握战场态势。在多传感器系统中，由于信息表现形式的多样性，信息数量的巨大性，信息关系的复杂性，以及要求信息处理的及时性，都已大大超出了人脑的信息综合处理能力，所以多传感器数据融合(Multi-sensor Data Fusion简称 MSDF)便迅速发展起来。20多年来，MSDF技术在现代 C3I(指挥、控制、通信与情报 Command, Control, Communication and Intelligence)系统中和各种武器平台得到了广泛的应用3，在工业、农业、航空航天、目标跟踪和惯性导航等民用领域也得到了普遍关注。国外对信息融合技术的研究起步较早。第二次世界大战末期，高炮火控系统开始同时使用了雷达和光学传感器，这有效地提高了高炮系统的瞄准精度，也大大提高了抗恶劣气象、抗干扰能力。现代信息融合概念 70 年代初开始萌芽。最初主要在多种雷达同时运用的条件下执行同类传感器信息融合处理，以后逐渐扩展。70 年代末期开始引入电子战、ESM 系统，引起人们高度重视。从80年代起，美国在研发，学术讨论，以及推广多源信息融合技术等方面始终走在前列。尤其在海湾战争结束后，美国更加重视信息自动综合处理技术的研究，并有效带动了其他北约国家在这方面的研究工作，如英国陆军开发了炮兵智能融合系统(AIDD)、机动和控制系统(WAVELL)等，德国准备在“豹2”坦克的改进中运用信息融合和人工智能等关键技术。 信息融合技术进入到我国，是在 1991 年波斯湾战争之后，当时美军和多国部队的远程精确打击能力震惊了世界。而国内目前装备的系统中对于战场情报处理主要还是基于单一传感器，已经很难满足现代战场瞬息万变的实际情况。国防科工委在“八五”预言项目中设立了“C3I 数据汇集技术研究”课题，国内一批高校和研究所开始广泛从事这一技术的研究工作，出现了一大批理论研究成果。20 世纪 90 年代中期，信息融合技术在国内已发展成为多方关注的共性关键技术，出现了许多热门研究方向，许多学者致力于机动目标跟踪、分布检测融合、多传感器综合跟踪和定位、分布信息融合、目标识别与决策信息融合、态势评估与威胁估计等领域的理论及应用研究，相继出现了一批多目标跟踪系统和有初步综合能力的多传感器信息融合系统。随着我国航空航天及其他相关领域的发展，可利用的导航信息源越来越多，多源信息融合技术的应用前景也愈发广阔。1. 3多源信息融合技术在航空领域的应用 1. 3. 1 典型应用组合导航导航是导引航行的简称，它的基本作用是引导飞机、舰船、车辆，甚至是个人、导弹，准确的沿着所选定的路线安全到达目的地。对于航空导航而言，五十年代出现了惯性导航系统，利用惯性敏感元件及初始位置来获得载体的姿态、速度和位置，不依赖任何外部信息，短期精度和稳定性较好，不向外界辐射能量，正是这种自主性和保密性的优点使惯导系统在航空航天航海等导航领域得到了广泛的应用，直至今天，惯导系统仍是目前航行体上主要导航设备1。随着科学技术的发展，导航系统的种类也越来越多，GPS系统、多普勒导航系统、罗兰 C 导航系统、大气数据计算机导航系统相继出现，这些导航系统各有特色，优缺点并存3。然而，尚没有一种导航方式能够同时满足精度与可靠性的要求，于是便出现了组合导航系统。组合导航系统是将航行体(飞机、舰船等)上的某些或全部导航设备组合成一个统一的系统,利用两种或两种以上的设备提供多重信息,构成一个多功能、高精度的冗余系统2。组合导航系统有利于充分利用各导航系统进行信息互补与信息合作,因而成为导航系统发展的方向。高精度和高可靠性是组合导航系统的基本衡量指标，综合考虑各个导航系统的优缺点，在组合导航与制导系统中，往往将惯导系统作为主导航系统，而将其他导航定位误差不随时间积累的导航系统，如无线电导航、卫星导航、天文导航、地形及景象匹配导航等作为辅助导航系统，利用辅助信息观测量对导航系统的状态变量进行最优估计，以获得高精度的导航信息。组合系统中冗余传感器的配置以及辅助导航系统的存在，为组合系统提供了故障检测和隔离的硬件基础，故障检测与隔离算法对组合导航系统进行数据处理，为系统提供故障状态信息，构成高可靠的容错组合导航系统。国外已装机应用的组合导航系统目前主要有 INS/GPS、INS/天文、INS/地形匹配、INS/多普勒、GPS/罗兰 C 等。1. 3. 2新型应用目前，信息融合技术已在国外军事装备中得到广泛应用，新一代战斗机都采用了信息融合技术。俄罗斯和美国军方都在多传感器数据融合和信息处理技术方面进行了大量的研究工作， 如F-22 的F/A-22 通用集成处理器(CIP)，通过处理整个飞机的电子信号将数据融合转换为清晰且简明的战场情况图像，极大减少飞行员的工作载荷，使飞行员全力集中执行指定任务并保证他们能从战场安全返回。以及俄罗斯的第三代战斗机苏-27 的 TsVM-80的火控计算机能将红外瞄准、激光、光学和多模式雷达输入综合起来向屏显提供信号，具有一定程度的多传感器数据融合能力。 此外，英国国防部CONDOR项目，通过融合多谱传感器和激光障碍物传感器生成信息，将其显示在最新一代的 LCD 头盔显示器上。来自数据库和激光障碍物传感器的信息同非冷却红外和微光传感器融合的图像结合，并投影在头盔护目镜上，为飞行员提供地形威胁警告，有效提高直升机在正常和恶劣气象条件下的态势感知能力多源信息融合技术在无人机上也得到了广泛的 应用。美陆军“勇士”(Warrior)长航时无人机配备的光电/红外/激光指示(E0/IR/LO)传感器系统具有广域搜索、连续缩放功能，在瞄准时还可提供彩色电视画面。激光指示/测距装置工作在对人眼安全的波段上。该系统可对光电和红外图像进行融合，以提供更完整的细节和最好的图像分辨率7。 我国国防科技大学和西北工业大学在此方面也取得了不少研究成果。前者利用其在视觉导航上的优势，将视觉导航与其他导航方式相融合，在无人机的导航制导方面达到了国际先进水平。 2. 多源导航系统中信息融合的结构方法与模型组合导航系统作为一个多源信息融合系统，从信息的角度上讲，它是将各个导航信息源的量测信息和系统内已有的信息按照一定规则通过各种方法进行融合，形成状态的最优或次优估计，得到载体的导航信息。组合导航系统信息融合与结构分别如下图所示有图1导航传感器 (或导航系统)提供关于导航数据的测量信息。各种导航传感器的测量信息是导航定位的主要信息源，也是系统信息的主要来源。关于时空配准和预处理的关系，对预处理的概念有不同的理解，本文认为预处理是对单个导航传感器的内信息的处理，一般包括野值去除，小波降噪，数据压缩等，属于信号内处理。而时空配准是指在信息融合条件下需要考虑的信号间处理的问题，时空配准指的是各导航系统组成组合导航系统后所需进行的时间基准、量测同步、空间坐标系、量测空间等方面的统一。估计融合即通过信息融合方法对载体的导航状态进行估计。飞行器自身的导航、航行信息与编队中其它的飞行器的导航、航行信息融合后形成编队态势，而对目标的警戒、跟踪则形成敌方态势。根据曼特卡尔费法则，网络费用与节点数成正比，而网络价值则是节点数的二次函数，因此组合后的导航系统将比多个导航系统简单罗列更具价值。组合导航系统能有效提高导航系统定位精度，能增强导航系统工作可靠性，能提高系统自动化智能化程度，能提升航空航行的安全性，并且能提高航行的经济性。现代导航系统的信息处理技术一般都采用最优估计法。最优估计法是利用最优估计技术将两种不同的传感器的测量信息或将两种不同导航系统的导航信息综合在一起，进行状态估计和校正的最优控制法。而采用最优估计或信息融合技术设计的组合导航系统，能实时反映和调整误差模型中的参数，使模型参数逐渐接近真实情况，并实时地求得导航系统误差状态的最优估计值，从而根据这些误差的最优估计值进行校正，使导航误差最小。通常称采用估计和信息融合技术的组合导航系统为最优组合导航系统。在最优组合导航系统中，卡尔曼滤波技术是目前最为常用和成熟的信息融合技术，是一种最优具有递推形式的线性最小方差估计方法。利用卡尔曼滤波，可以克服被组合设备各自的缺点、发挥各自的长处，使组合系统的精度优于任一系统单独使用时的精度。利用卡尔曼滤波对组合导航系统进行最优组合有两种途径：一种是集中式卡尔曼滤波，另一种是分散化卡尔曼滤波。集中式卡尔曼滤波采用一个卡尔曼滤波器来集中的处理所有导航子系统的信息，在理论上可以给出误差状态的最优估计，优点是数据全面、无信息丢失、最终判决结论置信度高；缺点是滤波器状态维数高，计算负担重，不利于滤波的实时进行，容错性能差，不利于故障诊断。在众多的分散化滤波中，Carlson 提出的联邦滤波器（Federated Filter）,由于设计的灵活性、计算量小、容错性能好而受到重视。航空多传感器组合导航系统模型如下图所示，由多种参数测试系统、数字式导航计算机和各种显示系统组成，它可以工作在其中一种导航工作状态，也可以工作在两种或两种以上的组合导航工作状态。这时它能在不同的飞行条件下以其中最佳的导航工作状态进行导航，并对其他的导航工作状态的有关参数进行修正。当最佳的导航工作状态出现故障时，能自行诊断，在确认为故障后，能自行拆除它所提供的信号，并自动转入其他的导航工作状态。有图23. 多源导航系统中信息融合的关键技术根据组合导航系统中信息融合的过程，首先要对从不同传感器系统的信号数据进行数据预处理操作，即要将多传感器数据无误差地转换到时间和空间同步统一的基准时标下，再对预处理过后的信号数据进行特征提取和融合计算。3.1多传感器的时空配准方法传感器的配准指多传感器数据“无误差”转换时所需进行的处理过程。多传感器的配准问题可分为时间配准和空间配准两个方面。时间配准指的是将各传感器时间同步到统一基准时标下，并将不同步的量测信息配准到同一融合时刻。而空间配准不仅包括传感器坐标系的统一，更是将各传感器坐标系中的信息变换到统一的导航坐标系中，而且包括校正各传感器因空间位置所造成的偏差。 4. 1. 1 时间配准方法从时间配准的角度来说，时间配准在导航领域和目标跟踪领域所关注的问题是一致的，都是要配准不同步测量信息。从实现方法来说，主要是有两种思路：一是在融合估计前消除时间上的不同步，二是针对异步的量测信息采用异步融合的方法。对于第一种思路消除时间不同步来说，现有的针对GPS/INS组合导航系统的专门方法包括采取硬件的办法，以GPS脉冲为时标信号，对INS进行分频修正，以达到同步；也可以通过分段拟合测量时间延迟的范围，再通过扩充状态法估计时间延迟量；还有可通过测量时间差，再通过拉格朗日差值计算INS在GPS时间点上的虚拟值。对于第二种思路异步融合，在航空导航中的代表性方法有：通过计算融合周期内子滤波器的输出次数，计算在融合时间上的同步时间差，再对子滤波器的输出进行 K 次计数后，再计算子滤波器在融合时间点上的输出，得到全局次优估计；非等间隔联合滤波方法，将各子系统周期的最大公约数和最小公倍数作为计算周期和融合周期，当没有量测信息输出时，进行时间更新，而在量测输出的时刻同时进行 Kalman 滤波器的时间更新和量测更新，从理论上解决了非等间隔滤波的全局最优。3.1.2 空间配准方法而对于空间配准，包括坐标系统一和传感器空间偏差消除两方面内容。导航空间配准只进行平台内的配准，而无需进行平台间的配准，应关注不同传感器之间空间距离所造成的测量不同载体位置得到的非刚体运动参数的差别。在坐标系统一方面，不同坐标系其实是物理体系描述空间的不同方式，根据坐标系原点、坐标系轴祥和坐标系重点的参数的不同得到各种不同的坐标系。通过不同坐标系之间的转换完成不同坐标系下的导航参数的描述统一，是导航学中的一个常见的问题。3.2 多源信息融合导航技术的分析3.2.1 卡尔曼滤波技术随着组合导航系统的日趋小型化，数字化及多功能化,信息融合方法也在不断地进行改进。在组合导航中, 卡尔曼滤波是目前最成功，应用最广泛的信息融合技术。卡尔曼滤波器是一种数据处理方法。在通信，控制和其它领域中,凡是从被噪声污染的信号中确定波形或状态,都可用卡尔曼滤波,卡尔曼滤波理论最初是由美国学者Kalman于1960年提出的,其主要特点是将现代控制理论中状态空间的概念引入滤波技术,将所要估计的信号作为状态,用状态方程来描述系统,因而能够解决以前难以处理的多维非平稳随机过程的估计问题。卡尔曼滤波的特点是采用了递推计算的方法,不需要了解过去时刻的测量值,只需根据当前时刻的测量值和前一时刻的估计值,即可递推计算出所需信号当前时刻的估计值,因此数据存储量小，实时性强，非常适合电子计算机计算,便于实际的工程应用。高精度组合导航系统的设计就是其最成功的应用领域之一。利用卡尔曼滤波技术，可以克服被组合设备各自的缺点，发挥各自的长处，使组合导航系统的精度优于任一系统单独使用时的精度。集中式卡尔曼滤波理论上是最优的，但最优性是以增加计算负担和实现难度为代价，在实际中实现是相当困难的。同时集中式卡尔曼滤波器计算量大，容错性差，级联滤波精度下降等局限性使得多传感器组合导航系统的优势无法充分体现。多项研究表明,卡尔曼滤波器在导航中的应用是相当成功的:以GPS和INS的输出误差为观测量,应用标准的卡尔曼滤波器对状态误差作出最优估计，有效地提高了系统的导航精度。在简化系统误差模型中,用两状态卡尔曼滤器融合光纤陀螺和GPS的信号,实现了系统精确可靠的导航,提高了系统的可靠性。在无人直升机的导航领域中,运用卡尔曼滤波进行数据融合也是一种非常经典的方法。3.2.2 联合卡尔曼滤波技术随着导航设备和状态变量的不断增加,集中式卡尔曼滤波进行数据优化处理时,会遇到所谓的“维数灾难”,给计算机带来巨大的计算负担,不仅如此,由一个滤波器处理全部观测量,不利于故障的诊断和隔离,且当有一个子系统发生故障又没有及时检测出并隔离掉,则整个导航系统都会被污染。为解决这一矛盾,科学家提出了分散化滤波算法,目前应用较为广泛的算法有两种,即Bierman的分散滤波和Carlson的联合滤波,其中Carlson联合滤波作为美国空军“公共滤波器”的算法基础,计算量小,编排灵活,容错性能好且不必改变已存在的滤波模式而备受青睐。联合滤波解决了“维数灾难”及故障隔离等集中式卡尔曼滤波所不能解决的问题,但它与集中式卡尔曼滤波一样,均是基于单一模型的滤波。当实际系统模型发生改变或外部环境发生改变时,Carlson的联合滤波同样对状态估计的误差就会增大,甚至发散。为此,科学家又将自适应的方法应用到联合滤波中,来解决系统的不确定性。3.2.3 自适应滤波技术自适应系统最基本，最主要的性质是它的时变,自调整性能。自适应滤波方法有很多种,系统噪声水平漫步连续匹配法，状态与偏差解祸估计的自适应滤波算法，Kalman滤波衰减因子自适应估计算法等均采用自适应的方法调节滤波器的建模误差,在解决系统的不确定性上起到了很大作用。但是这些方法都是基于单一模型,不能保证在数学推导上对平稳过程及非平稳过程的估计均是最优的。3.2.4 多模型滤波技术多模型估计理论是对传统的自适应估计理论的一种推广,其目的在于能对各种复杂的，高度不确定的，含跳变函数的系统给出一种行之有效的估计理论。对于复杂系统,利用常规的自适应估计器进行估计往往效果不好,因为系统从一种操作环境突然变化到另一种操作环境,系统的参数将产生很大变化,这时常规自适应估计器难于跟随参数的实际变化,造成模型不准确,从而基于此模型而设计的估计器性能不佳。在这种背景下,人们提出了利用多模型来逼近系统的动态性能,再基于多模型设计出多模型估计器,这种估计器对复杂系统能达到较好的估计精度，跟踪速度以及稳定性。多模型估计理论于20世纪70年代研制成功,并在90年代再度成为自适应估计理论的一个研究热点。1984年美国学者Blom首先提出了交互式多模型(IMM)算法。该算法以其滤波精度高,鲁棒性强,被广泛应用和研究,已成为混合估计领域的主流。九十年代中期,Maybeck等学者成功地将多模型自适应估计(MMAE)理论应用于飞行控制中,完成对一个或两个(非同时发生的)执行器或传感器故障进行检测与隔离。近年来,由于导航系统越来越要求具备高度的隐蔽性和机动性,在解决模型不确定性上具有很多优点的交互式多模型与多模型自适应估计也越来越受到重视,已成为组合导航系统应用研究中的一个研究热点,有着重要的实用价值和广泛的应用前景。3.2.5 基于Bayes方法的信息融合技术Bayes方法是多传感器融合技术应用最早的融合算法,并且曾在历史上被誉为解决多传感器数据融合的最佳方法,它本质上是一个模式分类器,主要适用于决策层或特征层的数据融合。Bayes方法建立在概率论和条件独立的基础上,它在由原因和结果构成的概率关系网中进行推理,故有时也称为Bayes网。根据其先验概率和样本提供的信息来确定其先验概率,然后根据最小错误概率判决准则,从基本的模式类中选取概率密度最大的一种假设作为融合结果。此外,还有一种最小风险判别规则,即在Bayes公式中乘入风险权值,选取平均风险最小的判决作为融合结果。Bayes算法虽以其理论成熟,计算公式简单,计算量小而获得广泛的应用, 且在先验概率己知的情况下,贝叶斯方法是最优的方法。但它也存在这一些严重的缺陷:第一,当先验概率知识中出现差错时,贝叶斯方法鲁棒性较差;第二,它要求每个传感器必须在公共抽象级以上以贝叶斯可信度作出响应,而实际上的大多数传感器不可能提供,即Bayes公式中的后验概率密度在实际中是很难得到的。3.2.6 基于人工神经网络的信息融合技术人工神经网络可以以任意精度实现网络输入和输出之间的复杂的线性或非线性映射关系；其并行机制可使多传感器融合系统的计算能力大大加强,从而具有很好的容错性和实时性；人工神经网络在进行数据融合计算时不要求知道传感器的任何先验知识,无需初始值和误差模型等,而仅仅利用各个传感器提供的测量数据就可以通过训练得到数据融合值。人工神经网络方法即是根据典型样本,通过学习建立起一个综合了样本信息的权值网络,使得该网络在样本点处具有理想输出。同时,由于神经网络具有一定的泛化能力,故其在非样本输入时,也能有较好的输出结果。基于神经网络的这些特性,它在组合导航中的应用有采用B样条模糊神经网络,成功的融合来自GPS，惯性测量单元，微波雷达，专用避障系统TCAS(Traffic Alert and Collision Avoidance System)和基础数据库的不同类型，不同层次的信息,有效的为直升机规划了避障路线,其结果好于卡尔曼滤波器的融合结果。 但作为一种新兴的方法,在实际的应用中,采用神经网络进行数据融合仍面临很多问题:如网络结构和节点数的选取方法至今仍找不到具体的准则,在学习算法的确定方面也尚未能找到性能与计算速度的最佳平衡点,系统稳定性，过学习与欠学习等问题也严重影响着神经网络在传感器融合领域的实际应用。多源融合技术在航空导航领域