《传感器》课件_第12章_传感器新技术.ppt

§12.5多传感器信息融合技术决策层在每个传感器对目标做出识别后，将多个传感器的识别结果进行融合，最终得到整体一致的决策具有好的容错性和实时性，可以应用于异质传感器，而且在一个或多个传感器失效时也能正常工作定义：优点：缺点：预处理代价高§12.5多传感器信息融合技术多传感器信息融合的基本过程一12.5.3多传感器信息融合的一般方法1、相关处理基本过程分为2、估计处理3、识别§12.5多传感器信息融合技术相关处理含义：相关处理要求对多信息的相关性进行定量分析，按照一定的判断原则，将信息分成不同的集合，每个集合中的信息源都与同一源(目标或事件)关联。最近邻法则最大似然法统计关联法聚类分析法处理方法：§12.5多传感器信息融合技术估计处理含义：估计处理是通过对各种已知信息的综合处理来实现对待测参数及目标状态的估计最小二乘法最大似然法卡尔曼滤波法处理方法：§12.5多传感器信息融合技术识别技术1、物理模型识别技术2、参数分类识别技术识别技术包括3、神经网络4、专家系统§12.5多传感器信息融合技术常用的多传感器信息融合算法二加权平均法将多个传感器提供的冗余信息进行加权平均后作为融合值。该方法能实时处理动态的原始传感器读数，但调整和设定权系数的工作量很大，并带有一定的主观性。聚类分析法根据事先给定的相似标准，对观测值分类，用于真假目标分类、目标属性判别等。§12.5多传感器信息融合技术贝叶斯估计法融合时必须确保测量数据代表同一实体(即需要进行一致性检验)，其信息不确定性描述为概率分市，需要给出各个传感器对目标类别的先验概率，具有一定的局限性。多贝叶斯估计法将环境表示为不确定几何物体的集合，对系统的每个传感器做一种贝叶斯估计，将每个单独物体的关联概率分市组合成一个联合后验概率分市函数，通过队列的一致性观察来描述环境。§12.5多传感器信息融合技术卡尔曼滤波法用于实时融合动态的底层冗余传感器数据，用模型的统计特性递推决定统计意义下最优的融合数据计。它的递归本质保证了在递归过程中不需要大量的存储空间，可以实时处理；它适合用于数值稳定的线性系统，若不符合此条件，则采用扩展卡尔曼滤波器。人工神经网络和模糊推理神经网络和模糊推理是近年来用于多传感器融合的计算智能新方法。§12.5多传感器信息融合技术统计决策理论将信息的不确定性表示为可加噪声，先对多传感器数据进行鲁棒假设测试，以验证其一致性；再利用一组鲁棒最小最大决策规则对通过测试的数据进行融合。Shafer—Dempster证据推理是贝叶斯方法的推广，用置信区间描述传感器信息，满足比贝叶斯概率理论更弱的条件，是一种在不确定条件下进行推理的强有力的方法，适用于决策层融合。§12.5多传感器信息融合技术专家系统模拟专家的经验知识、决策及推理过程，采用知识库技术，产生一系列规则，从而完成目标的识别分类、势态评估等。带有置信因子的产生式规则用符号表达传感器信息和目标属性之间的关系，将不确定性描述为置信因子。此方法的缺点是当系统条件发生变化时(如引入新的传感器)，需要修改规则。§12.5多传感器信息融合技术斯坦福大学研制的移动装备机器人一12.5.4多传感器信息融合实例该机器人能实现多传感器信息的集成与融合。在未知或动态环境中的自主移动建立在视觉(双摄像头)、激光测距和超声波传感器融合的基础上；而机械手装配作业的过程则建立在视觉、触觉和力觉传感器信息融合的基础上。该机器人采用信息融合结构为集中式结构。§12.5多传感器信息融合技术该移动机器人的多传感器信息融合二视觉传感器提取的环境特征是最主要的信息。激光测距传感器在较远距离上获得物体较精确的位置，而超声波传感器用于检测近距离物体。当将三者在不同时刻测量的距离数据融合时，每个传感器的坐标框架首先变换到共同的坐标框架中，然后采用参照机器人本身的相对位置定位法、目标运动轨迹记录法和参照环境静坐标的绝对位置定位法得到机器人位置的精确估计。§12.9传感器网络技术12.9.1概述无线传感器网络的概念一无线传感器网络(WirelessSensorNetwork)是由随机分布的集成微型电源、敏感元件、嵌入式处理器、存贮器、通信部件和软件的一簇同类或异类传感器节点与网关节点构成的网络。每个传感器节点都可以对周围环境数据进行采集、简单计算以及与其他节点及外界进行通信。无线传感器网络基站§12.9传感器网络技术无线传感器网络的特点二无线传感器网络除了具有AdHoc网络的移动性、断接性、电源能力局限等共同特征以外，还具有以下几个方