1概述随着城市的快速发展，特别是汽车制造业的高速化发展及其拥有量的膨胀性增长，城市交通环境日趋恶劣，汽车与人争道，交通拥堵不断加剧，交通事故屡屡发生，交通问题已经严重影响人们的正常生活；与此同时电子信息技术经过近20年以来飞速发展，无论是电子工艺技术质量，还是技术应用范围都得到了长足发展。在这种背景下，将各种先进电子信息技术运用到汽车工程中，形成以电子技术控制为核心的集成系统———智能车辆系统成为可能。将其运用在节能减排、绿色交通、交通控制等方面，以达到减轻驾驶员身体负荷，减少交通事故的发生，提高运输效率。智能车辆（Intelligentvehicle）是利用先进的电子信息技术、通信技术、人工智能技术等辨识车辆运行所处的环境和工作状态，并根据各传感器所采集的模拟信号做出转换、分析和判断，处理后得到的数据信息用来提醒驾驶员注意规避危险，或者在紧急情况下启动辅助驾驶系统帮助驾驶员操作车辆，防止意外的发生，使车辆进入一个安全的状态或者代替司机的操作实现车辆运行的自动化。一个智能车辆系统正确、可靠运行，主要依赖
基于智能车辆的多传感器数据融合算法研究与分析综述
宋维堂，张鸰（南京交通职业技术学院，江苏南京211188）
摘要：多传感器数据融合是20世纪80年代发展起来的一门新技术，将智能车辆中多个传感器采集的数据进行合成，并充分利用多感器数据间的冗余和互补特性，从而得出准确的环境信息用于地面车辆定位、车辆跟踪、车辆导航等。文章通过对现有的数据融合方法进行分类和归纳总结，对多传感器数据融合算法的研究和数据融合技术的应用情况进行阐述，为智能车辆多传感数据融合方面的研究提供参考。关键词：智能车辆；传感器；数据融合算法中图分类号：TP732U46文献标识码：A文章编号：1672－9889（2012）03－0082－04
ResearchandAnalysisonMulti-sensorDataFusionAlgorithmBasedonIntelligentVehicle
SongWeitang，ZhangLing（NanjingCommunicationsInstituteofTechnology，Nanjing211188，China）
Abstract：Multi-sensordatafusionisanewtechnologywhichdevelopedin1980s.Itcanbeusedtosynthesizetheintelligentvehicledatathatcollectedbymultiplesensors，andtakeadvantageofredundancyandcomplementarybetweenthemulti-sensordatatoarriveanaccurateenvironmentalinformationforgroundvehiclelocation，vehicletracking，vehiclenavigationetc.Basedonclassificationandsummaryofexistingdatafusionmethods，thispaperelaboratestheresearchonmulti-sensordatafusionalgorithmandtheapplicationofdatafusiontechnology.Thispapercouldprovidereferenceforresearchofmulti-sensordatafusiononintelligentvehicles.Keywords：intelligentvehicle；sensor；datafusionalgorithm
基金项目：江苏省交通科学研究项目(项目编号：2010N03）；江苏省教育厅2010年度高校哲学社会科学研究基金项目（项目编号：2010SJB630036）作者简介：宋维堂（1968-），男，安徽颖上人，副教授，研究方向为计算机应用技术。
第9卷第3期2012年6月Vol.9No.3Jun.2012现代交通技术ModernTransportationTechnology第3期所获得的车辆和道路信息的数量，也就是通过各种传感器准确地捕捉环境信息然后加以分析处理。因此，如何将通过传感器得到的信息加以有效处理、分析，并准确无误地了解环境的技术研究是非常重要的。到目前为止，任何一种单一功能的传感器都不能保证随时随地地提供完全可靠的信息，因此，综合考虑各种传感器的优势，充分考虑利用多个传感器数据间的冗余和互补特性，将多个传感器采集获取的信息进行有机合成，即采用多传感器融合技术，获得车辆运行所需要的、综合的信息已成为智能车辆系统重点研究和解决的问题。2多感器数据融合算法2.1数据融合的基本原理传统的信号采集通常由单一的传感器来完成，即使采用多种传感器也只是从多个侧面独立地反映目标信息。而现实情况下，需要同时处理多个信号，而这些信号都来源于多个信号源，即多传感器。为避免多感器带来的信息冗余，需要将采集的信息依据某种规则优化组合，产生对观测环境一致性的解释和描述，因此要求对信息进一步处理。多感器数据融合，就是对多传感器的数据进行多级别、多方面、多层次的处理，即融合来自多个传感器的数据，以获得综合的、更好的估计。其数据融合原理如下［2］：（1）多个不同类型的传感器（有源或无源的）采集观测目标数据；（2）提取传感器的输出数据（离散的或连续的时间函数、输出矢量、成像数据或一个直接的属性说明）的特征，即提取代表观测数据的特征矢量；（3）完成对特征矢量的模式识别处理（例如：汇聚算法、自适应神经网络或其他能将特征矢量变换成目标属性判决的统计模式识别法等），即完成各传感器对目标的说明；（4）按同一目标对各个传感器关于目标的说明数据进行分组，即关联；（5）将每一目标的各传感器数据利用融合算法进行合成，获得了该目标的一致性解释与描述。2.2数据融合算法多感器数据融合是近30年来兴起的新技术，它是应用电子传感器技术、信号处理技术以及数学工具、计算机等技术对数据进行多层次、多方面的处理过程。按照层次来分，通常把数据融合分为数据层融合、中级融合和高级融合。数据层融合又称像素级融合，过程较为简单，是指对采集到的原始数据进行直接融合，以期获得可靠精确的数据。中级融合是利用从各个传感器观测得到的数据提取的特征信息进行综合分析和运用模式识别的方法进行处理，这种融合也叫特征级融合。高级融合较为复杂，是先对各个传感器得到的信息属性进行处理，然后再对各个传感器处理后得到的结果进行融合，得到对系统的融合决策结果，这种融合也叫决策级融合。3种层次的融合采用的方法，可分为随机和人工智能2类。随机类方法有：加权平均法、卡尔曼滤波法、贝叶斯估计法、D-S证据推理法、产生式规则等，可应用于3层融合的各个层次。人工智能类方法有：模糊逻辑理论、神经网络、粗集理论、小波分析理论和支持向量机等，只应用于较高层次的融合。（1）卡尔曼滤波卡尔曼滤波算法是指在已知系统数学模型的情况下，利用状态空间方程和测量模型递推出在统计意义下最优的融合数据估计。利用卡尔曼滤波能有效地使图像对准，使它们可在特征层融合，并可在出现环境噪声和传感器噪声时减少有关环境中物体位置的不确定性。多项研究表明，卡尔曼滤波法在智能车辆定位、导航，车辆防碰撞判断等领域得到了广泛的应用。柏钢［4］等针对GPS/DR车辆组合导航的特点，提出了一种分布式卡尔曼滤波算法，融合GPS和DR信息，Will［3］等人应用两状态卡尔曼滤波器去融合光纤陀螺和GPS的信号，实现了车辆系统精准的导航。研究结果表明，卡尔曼滤波算法具有良好的实时性能，有效地提高了车辆导航系统的容错能力和可靠性。卡尔曼滤波计算精度与事先根据统计估计出的噪声有关，要求没有模型化的噪声必须是白噪声，而现实中的噪声通常是有色噪声；观测模型和系统模型建立的过程中误差总会存在；有时会出现一个或多个不可观测的状态变量；递归的计算特点是状态数越多，精度越高，但计算机时间成倍增加，舍入误差也会随着计算步数的增加而导致一些问题。这些情况都有可能造成系统实际误差的产生。但是，由于卡尔曼滤波在智能车辆导航实践中的广泛使用，其在多传感器融合领域中的特殊地位，如何在车辆运行中有效运用是值得研究的问题。（2）D-S证据推理法宋维堂，等：基于智能车辆的多传感器数据融合算法研究与分析综述83··现代交通技术2012年
D-S证据推理是一种广义的Bayes推理方法，通常处理因不确定信息所引起的不确定性。证据推理首先由Dempster提出构造不确定推理模型的一般框架，将命题的不确定问题转化为集合的不确定问题，之后Shafer对该理论进行了补充，从而形成了处理不确定信息的D-S证据推理。D-S证据推理利用概率分配函数、信任函数、似然函数来描述客观证据对命题的支持程序，用它们之间的推理与运算来进行目标识别。D-S证据理论可以不需要先验概率和条件概率密度，但是它存在潜在的指数复杂度问题和要求证据是独立的问题。王檀彬等人［5］通过CCD摄像头获取的信息跟踪路面标志线行驶，用D-S证据理论和模糊处理的方法对多个超声波传感器的信息进行融合。仿真结果表明该信息处理和融合方法能够有效地判断障碍物，从而达到良好的智能车避障导航效果。（3）模糊逻辑推理模糊逻辑推理使用论域、隶属度函数等手段建立起多传感器信息的不确定性描述，然后通过合成运算模糊推理出相应的融合结果。多传感器在融合过程中，因为融合信息的不确定性，不可能将信息直接进行归类或采用某种明确的规则，因此，模糊逻辑推理方法被广泛采纳。实际上，推理过程中将已知规则归纳为前因与结果两论域间的模糊关系，再将前因论域的现有知识与归纳得到的模糊关系进行合成运算，推出当前知识下的结论，这种模糊关系不仅实现了多传感器输出数据空间与目的数据空间之间较为复杂的非线性映射关系，并且具有较强的鲁棒性和容错性。与卡尔曼滤波法不同，模糊逻辑推理方法不用建立精确的数学模型，也就避免了因为系统模型不准确而产生的误差。（4）人工神经网络人工神经网络是涉及神经科学、人工智能、计算机科学等多个领域的交叉学科，是采用可物理实现的系统来模仿人脑神经细胞结构和功能的系统，是根据典型样本通过学习建立起来的一个综合样本信息的权值网络，该网络在样本处具有理想的输出，对非样本输入由于其具有泛化能力，也能表现出较好的结果。人工神经网络因其特有的非线性适应性信息处理能力与其他技术的融合，已经成为一大研究热点。多传感器融合即是建立起多源不确定冗余信息与融合结果之间的映射关系，人工神经网络显著的特点是以任意精度实现网络输入和输出之间复杂的线性或非线性映射关系；人工神经网络通过网络变换和动力学行为得到了并行分布式的信息处理功能，决定了其结合的多传感器融合系统具有很强的实时性和容错性；人工神经网络对观测的各种不确定信息具有非常强的自学习能力、联想存储功能和高速寻找优化解的能力。人工神经网络的应用领域非常广泛，尤其在模式识别、人工智能、控制工程、优化计算和联想记忆、信号处理等应用领域更为擅长。2.3多种数据融合方法间的集成多传感器数据融合算法虽然很多，但每种数据融合算法都有其局限性，利用各种方法之间的互补性，将几种算法进行有机结合，可以取长补短，取得比单一采用一种算法更好的结果。（1）模糊逻辑和神经网络相结合神经网络技术是模拟人类大脑神经进行信息处理的一门技术，是由大量处理单元互联组成的系统，处理单元按层次结构的形式组织，每层上的处理单元以加权的方式与其他层上的处理单元联接，采用并行结构和并行处理机制，因而，神经网络具有分布存储、并行处理、自学习、自组织以及非线性映射等优点，能够模拟复杂的非线性映射。神经网络学习收敛性差，不适合表达基于规则的知识。而模糊逻辑控制规则过多，缺乏自学习和自适应能力。将两者结合形成模糊神经网络（FNN）可以实现优势互补，能够实现模糊规则的自动获取和隶属函数的自动生成。刘金强［6］等人针对智能小车避障问题，提出了一种将模糊逻辑和神经网络相结合的融合方法———Takagi-Sugeno（T-S）模糊神经网络方法。基于此方法的数据融合算法应用在智能小车避障运动中，采用多只超声波传感器和红外线传感器探测障碍物的距离和方向，采集的各种数据利用T-S模糊神经网络进行融合。通过试验仿真表明：此方法能够使智能小车对障碍物的灵活避障和导航行进。（2）模糊逻辑和卡尔曼滤波相结合卡尔曼滤波算法适合于线性系统的目标跟踪，并且一般适用于平稳的随机过程，它要求系统具有线性的动力学模型，且系统噪声和传感器噪声是高斯分布白噪声模型，并且计算量大，对出错数据非常敏感。在实际中，系统的状态参量不断受到不能确定的干扰，在使用不精确或错误的模型和噪声统计设计卡尔曼滤波器时经常导致滤波结果失真，滤波过程容易产生发散。为了防止这个问题的发生，