何為多傳感器融合算法？常用的融合算法包括哪些

因?yàn)槎?a href="http://ttokpm.com/v/tag/117/" target="_blank">傳感器的使用會(huì)產(chǎn)生大量需要處理的數(shù)據(jù)，因此通常通過(guò)融合算法來(lái)對(duì)數(shù)據(jù)進(jìn)行優(yōu)化。不同傳感器采集到的信息可能相互之間可能會(huì)不同甚至是有矛盾，使用融合算法可以幫我們弄懂如何保證系統(tǒng)能夠準(zhǔn)確處理這些數(shù)據(jù)，使系統(tǒng)最終做出及時(shí)、正確的決策，這非常重要。

何為多傳感器融合算法？

融合算法不僅需要處理數(shù)據(jù)的多樣性和復(fù)雜性，而且需要提高實(shí)時(shí)性和精度。雖然多傳感器數(shù)據(jù)融合算法目前沒(méi)有完整的理論體系，但是對(duì)于多種不同領(lǐng)域的應(yīng)用，已經(jīng)提出許多成熟且有效的融合算法。融合算法可以概括為隨機(jī)、人工智能兩大類(lèi)。隨機(jī)類(lèi)融合算法有加權(quán)平均法、卡爾曼濾波、多貝葉斯估計(jì)法等，人工智能類(lèi)融合算法有模糊邏輯、神經(jīng)網(wǎng)絡(luò)等。在自動(dòng)駕駛中，常用的融合算法包括加權(quán)平均法、卡爾曼濾波法、神經(jīng)網(wǎng)絡(luò)。這三種方法具有直觀性、容錯(cuò)性及普適性。

加權(quán)平均法

加權(quán)平均法融合數(shù)據(jù)信息可以通過(guò)獲取各種傳感器信號(hào)的平均值來(lái)實(shí)現(xiàn)。若某一個(gè)傳感器的信號(hào)比其它傳感器更可信，則為該傳感器分配更高的權(quán)重，以增加其對(duì)融合信號(hào)的貢獻(xiàn)。加權(quán)平均法是信號(hào)級(jí)融合最簡(jiǎn)單、最直觀的一種算法，可以對(duì)傳感器接收到的冗余信息進(jìn)行加權(quán)平均。加權(quán)平均法可以對(duì)原始數(shù)據(jù)直接進(jìn)行使用。通過(guò)加權(quán)平均法，可以在圖像識(shí)別中對(duì)模糊圖像進(jìn)行處理，使圖像識(shí)別更加清晰與準(zhǔn)確。

卡爾曼濾波

卡爾曼濾波是一種常用的自適應(yīng)傳感器融合算法，用于消除系統(tǒng)中的冗余，預(yù)測(cè)系統(tǒng)的狀態(tài)?？柭鼮V波采用一個(gè)線(xiàn)性空間模型，系統(tǒng)的當(dāng)前狀態(tài)取決于先前的狀態(tài)?？柭鼮V波狀態(tài)空間模型為：

Xk=AXk－1+Bu+Gw（1）

Zk=HXk+v（2）

式中：Xk為k時(shí)刻狀態(tài)向量;Xk－1為k－1時(shí)刻狀態(tài)向量;A為狀態(tài)轉(zhuǎn)移矩陣;B為輸入轉(zhuǎn)換矩陣;G為過(guò)程噪聲轉(zhuǎn)移矩陣;u為輸入向量;w為過(guò)程中噪聲向量;Zk為k時(shí)刻系統(tǒng)測(cè)量信息;H為測(cè)量矩陣;v為測(cè)量噪聲向量?？柭鼮V波在圖像識(shí)別中是一種常見(jiàn)的融合算法，可以進(jìn)行降噪，并增強(qiáng)魯棒性。卡爾曼濾波雖然是數(shù)據(jù)層面的融合，但是對(duì)于傳感器的融合而言非常重要。

神經(jīng)網(wǎng)絡(luò)

不同于卡爾曼濾波，神經(jīng)網(wǎng)絡(luò)提供非線(xiàn)性傳遞函數(shù)和并行處理能力，可以幫助執(zhí)行圖像融合。神經(jīng)網(wǎng)絡(luò)由稱(chēng)為神經(jīng)元的處理節(jié)點(diǎn)連接而成。建立神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合模型，根據(jù)多傳感器數(shù)據(jù)輸入和輸出之間的關(guān)系，分配神經(jīng)元和互連權(quán)值。神經(jīng)網(wǎng)絡(luò)既有多層前饋型，也有遞歸型。神經(jīng)網(wǎng)絡(luò)融合輸出信號(hào)和輸入信號(hào)，計(jì)算相應(yīng)的權(quán)重y：

y=∑wixi（3）

式中：wi為權(quán)重;xi為傳感器數(shù)據(jù)。

傳統(tǒng)神經(jīng)網(wǎng)絡(luò)將圖像一層一層映射，最后進(jìn)行特征提取。目前，多用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行融合。卷積神經(jīng)網(wǎng)絡(luò)可以看作是特征提取與分類(lèi)器的結(jié)合體，單從各個(gè)層的映射來(lái)看，類(lèi)似于特征提取的過(guò)程，提取不同層次的特征。神經(jīng)網(wǎng)絡(luò)的容錯(cuò)性很強(qiáng)，能夠用于復(fù)雜的非線(xiàn)性映射環(huán)境。神經(jīng)網(wǎng)絡(luò)強(qiáng)大的容錯(cuò)性及自學(xué)習(xí)、自組織、自適應(yīng)能力等特性，滿(mǎn)足多傳感器數(shù)據(jù)融合技術(shù)處理的要求。神經(jīng)網(wǎng)絡(luò)在數(shù)據(jù)模型中，主要根據(jù)當(dāng)前系統(tǒng)所接受的樣本相似性確定分類(lèi)標(biāo)準(zhǔn)，這一過(guò)程表征為網(wǎng)絡(luò)的權(quán)值分布?？梢岳蒙窠?jīng)網(wǎng)絡(luò)的信號(hào)處理能力和自動(dòng)推理功能，實(shí)現(xiàn)多傳感器數(shù)據(jù)融合。如圖為四層神經(jīng)網(wǎng)絡(luò)模型。

結(jié)語(yǔ)：

在自動(dòng)駕駛技術(shù)中，如何使用融合算法以及如何選擇合適的算法非常重要，需要根據(jù)所選擇的傳感器以及融合體系分類(lèi)等原因綜合考慮，合理使用融合算法，可以事半功倍，因此在自動(dòng)駕駛領(lǐng)域，人們要花很多很多時(shí)間去解決算法問(wèn)題。