HandbookOfMultisensorDataFusion读书报告.doc

读书报告 ——“Handbook Of Multisensor Data Fusion”-Hong.Cheng 简述 多传感器信息融合技术在军事和民用领域均有很广泛的用途。军事领域有自动目标识别、敌我判别、战场监控和无人驾驶车辆控制等领域的应用。民用领域则应用与复杂机械、环境监控、医疗诊断等领域。 该技术设计信号处理、模式识别、统计学估计和人工智能等技术。 本书一共分为5个部分。第一部分介绍了数据融合领域的一些专业术语和模型。第二部分介绍了多传感器多目标跟踪技术的各种观点。这本书的第三方面谈到了数据融合系统的设计和研发。第四部分谈的是数据融合技术具备的广阔应用空间。第五部分提供了一些关于数据融合技术的网站供参考。 多传感器数据融合简介 多传感器数据融合其实不是一个新的概念了。人和动物在进化的过程中依靠自身拥有的多重感知能力来获取精确的环境信息、识别危险、提升生存能力。虽然概念并不新颖，但是随着科技的发展，现在的计算机已经有能力模仿人和动物的自然数据融合能力，这极大的推动了这门学科的发展，使得数据融合理论从一个多学科交叉的理论技术转变为具有标准专业名词，坚实的数学基础，完善的系统涉及法则的学科。 多传感器的优势 多传感器对比单一传感器有这些优势：提高对目标进行位置和速度估计的准确度；充分利用传感器的布局提升观测结果；通过扩展物理视角提升对目标的可观测性。多传感器数据融合的核心优势就是在于将各个传感器的优点结合起来，组成综合性能更优的观测系统。其缺点也很明显，即系统设计复杂，成本高。 三种融合处理方案 对于由多传感器获得的数据，有3个基本的处理方案：直接融合；将各个传感器的数据特征向量按顺序融合并呈现；单独处理每个传感器的数据，然后再将它们的结果综合考虑以获得最终结果。 如果多个传感器均测量的是一个物理现象，那么可以将原始数据直接融合，用于融合原始数据的方法为一些经典的估计方法，例如卡尔曼滤波。 如果各个传感器测量的数据并非有相同量纲，那么就需要将他们在特征层面或者决策层面进行融合。 特征层面融合涉及到提取多个传感器的数据中有代表性的特征，再进行融合。决策层面的融合则要求传感器预先对目标的位置，分布和身份做初步评估，然后将各传感器的评估结果综合汇总得到最后的结论。其涉及的方法有权重决策方法，经典推理方法，贝叶斯方法等。 数据。 数据融合模型 历史上，缺少统一的术语是制约数据融合技术发展的重要原因。为了方便军事研究人员和系统研发人员的交流，Joint Directors of Laboratories（JDL）数据融合工作小组致力于修订数据融合相关的专业术语。他们的成果是创立一个数据融合的处理模型并编撰了术语词典。 JDL模型是一个两层结构，在顶层，数据融合过程被概念化为传感器输入，人机接口，数据管理，资源预处理和四个子进程。结构如下图1所示 图1 目标处理层的目的是联合传感器的数据，获得关于目标位置、速度、分布和身份的更加准确的数据。 态势处理层的作用是尝试将当前的目标、事件和环境因素综合考虑，并分析他们的联系。 威胁感知层的作用是将当前的态势外推至未来，来预测可能存在的威胁。 过程优化层则是监控整个数据融合过程，评估并提高整个事实系统的性能。 数据融合领域广泛认可该模型，由此模型涉及的名词变成为了该领域内的统一的专业术语。 数据融合与JDL模型 什么是数据融合 对数据融合，有如下简明定义： 数据融合是综合数据或者信息来估计货预测目标状态的的过程。 数据融合问题，围绕着一系列的相关问题展开：估计并预测某事物的外部状态和内部状态，并分析事物间的相关性。 数据融合系统的复杂性在于：（i）表现观测结果的不确定性（ii）融合非同一量纲的信息（iii）存储和处理大量数据。 JDL模型 JDL模型如图2所示 图2 JDL模型的大概结构已经在前文中给出。每个层的作用也作了简单的解释。作为一个模型，它应该要能帮助我们回答一下问题： 这个问题是否早已解决？ 这个问题是否有其他的形式，并且已经被解决？ 是否有和该问题有相似约束条件的相关问题？ 是否有个该问题有相同技术盲点的问题？ 该问题是否能呗分解以便于解决 能否将该问题的限制条件放宽来将问题转化为一个熟悉的问题来解决? 总的来看，JDL数据融合模型作为一个功能性模型，它的贡献在于分离数据融合问题的各个技术领域，扩展已经存在的领域，鼓励各个领域间协调合作。