智能建筑中的多傳感器信息融合技術(shù)研究*

胡 二 偉

(上海芯物科技有限公司, 上海 201800)

0 引 言

多傳感器多源數(shù)據(jù)信息融合是利用計算機技術(shù),將來自多傳感器的多源信息和數(shù)據(jù)以一定的規(guī)則進行自動分析和融合,以完成所需的決策和估計而進行的信息融合優(yōu)化處理過程。與人的感知相似,不同的傳感器擁有其他傳感器不可替代的作用,各種傳感器進行多層次、多空間的數(shù)據(jù)信息互補和優(yōu)化組合處理,最終產(chǎn)生對監(jiān)測環(huán)境的一致性解釋。對于智能建筑行業(yè)來說,傳感器產(chǎn)品作為智能設(shè)備的核心控制組成部分,起著不可替代的橋梁作用,決定了智能控制和體驗的準確性和穩(wěn)定性。

由于智能建筑中設(shè)備類型的多樣性,以及建筑中環(huán)境的復雜性,傳統(tǒng)的利用單一檢測功能傳感器得到的設(shè)備和環(huán)境信息常常包含不確定性,導致這些不確定性產(chǎn)生的原因有多種,主要包括:① 環(huán)境噪聲引發(fā)的單一檢測功能傳感器測量的不確定性。② 傳感器信息提取方式不同引發(fā)的不確定性。③ 傳感器采集數(shù)據(jù)不完整引發(fā)的不確定性。④ 傳感器自身故障引發(fā)的不確定性等。

多傳感器數(shù)據(jù)信息融合實現(xiàn)了信息采集的多樣化,多源數(shù)據(jù)互補和優(yōu)化組合,提高了智能建筑中感知層模塊的檢測精度和準確率,為智能建筑中央控制平臺能實時掌握各智能模塊的狀態(tài)及環(huán)境監(jiān)測數(shù)據(jù)并做出合理的控制指令提供重要的數(shù)據(jù)支撐。

1 多傳感器信息融合層次

多傳感器融合在結(jié)構(gòu)上按其信息處理的抽象程度,大體上分為3個級別:數(shù)據(jù)級融合、特征級融合和決策級融合。

1.1 數(shù)據(jù)級融合

數(shù)據(jù)級融合又稱作像素級融合,屬于底層數(shù)據(jù)級融合,將多個傳感器的原始監(jiān)測數(shù)據(jù)直接進行融合,然后再從融合數(shù)據(jù)中提取出特征向量進行識別判斷。數(shù)據(jù)級融合要求多個傳感器是同質(zhì)的,即傳感器觀測的是同一物理量[1-3],否則需要進行尺度校準標定。數(shù)據(jù)級融合不存在數(shù)據(jù)丟失的問題,得到的結(jié)果也較為準確,但其計算量大,對系統(tǒng)通信帶寬要求較高。數(shù)據(jù)級融合原理示意圖如圖1所示。

圖1 數(shù)據(jù)級融合原理示意圖

1.2 特征級融合

特征級融合屬于中間層次級融合,先從每個傳感器提供的原始觀測數(shù)據(jù)中提取代表性的特征,再把這些特征融合成單一的特征向量[3],其中選擇合適的特征進行融合是關(guān)鍵,特征信息包括邊緣、方向、速度、形狀等。

特征層融合可劃分兩大類:目標狀態(tài)融合、目標特性融合。① 目標狀態(tài)融合:主要應用于多傳感器的目標識別跟蹤領(lǐng)域。融合系統(tǒng)首先對傳感器數(shù)據(jù)信息進行預處理,以完成數(shù)據(jù)信息配準,在數(shù)據(jù)信息配準之后,融合處理主要實現(xiàn)相關(guān)參數(shù)關(guān)聯(lián)和狀態(tài)估計。② 目標特性融合:也稱特征層聯(lián)合識別,實質(zhì)就是模式識別問題。在融合前必須先對提取到的特征信息進行關(guān)聯(lián)處理,再把相關(guān)特征矢量分類成有意義的組合。

在融合的3個層次中,特征層融合技術(shù)目前發(fā)展較為完善,其在特征層建立了一整套行之有效的特征關(guān)聯(lián)技術(shù),保證了融合信息的一致性。此級別融合對計算量和通信帶寬的要求相對降低,但由于部分數(shù)據(jù)信息的舍棄使其準確性也相應下降。特征級融合原理示意圖如圖2所示。

圖2 特征級融合原理示意圖

1.3 決策級融合

決策級融合屬于高層次級別融合,是對數(shù)據(jù)高層次級別的抽象,最終輸出一個聯(lián)合決策結(jié)果,理論上這個聯(lián)合決策結(jié)果應比任何單一傳感器的決策更精準。決策級數(shù)據(jù)信息融合在信息處理方面具有較高的靈活性,系統(tǒng)對數(shù)據(jù)信息的傳輸帶寬要求很低,能有效地綜合反饋監(jiān)測環(huán)境或目標各個側(cè)面的不同類型信息,可以處理非同步數(shù)據(jù)信息。由于監(jiān)測環(huán)境和目標的時變動態(tài)特性、先驗知識獲取困難、知識庫巨量和面向?qū)ο蟮南到y(tǒng)設(shè)計要求等原因,決策級數(shù)據(jù)信息融合理論與技術(shù)的發(fā)展仍受到一定的制約。決策級融合原理示意圖如圖3所示。

圖3 決策級融合原理示意圖

2 多傳感器信息融合方法

目前,多傳感器信息融合算法多種多樣,但沒有一種通用的融合算法能應對各種傳感器數(shù)據(jù)信息融合處理,通常都是需要根據(jù)具體的應用場景而定。在多傳感器信息融合過程中,數(shù)據(jù)信息處理的基本過程包括相關(guān)、估計和識別。相關(guān)處理要求對多數(shù)據(jù)信息的相關(guān)性進行定量分析,按照特定的判斷規(guī)則,將數(shù)據(jù)信息分成不同的組合,每個組合中的信息源都與同一源(目標或事件)關(guān)聯(lián),其常用的處理方法有最近鄰法則、最大似然法、統(tǒng)計關(guān)聯(lián)法、聚類分析法等。估計處理是通過對各種已知數(shù)據(jù)信息的融合分析處理來實現(xiàn)對待測參數(shù)及目標狀態(tài)的估計,其處理方法通常有最小二乘法、最大似然法、卡爾曼濾波法等。識別技術(shù)包括物理模型識別技術(shù)、參數(shù)分類識別技術(shù)、神經(jīng)網(wǎng)絡(luò)及專家系統(tǒng)等。

常用的多傳感器融合方法如下:

(1) 加權(quán)平均法。這是一種最簡單、最直觀的數(shù)據(jù)層融合方法,即將多個傳感器提供的冗余數(shù)據(jù)信息進行加權(quán)平均后作為融合值。該方法能實時處理動態(tài)的原始傳感器數(shù)據(jù)信息,但調(diào)整和設(shè)定相應加權(quán)系數(shù)的工作量很大,并帶有一定的主觀性。

(2) 卡爾曼濾波法[4]。用于實時融合動態(tài)的底層冗余傳感器數(shù)據(jù)信息,該方法用測量模型的統(tǒng)計特性遞推,決定統(tǒng)計意義下的最優(yōu)融合和數(shù)據(jù)估計。該方法的遞歸本質(zhì)保證了在遞歸過程中不需要大量的存儲空間,可以實時處理。它適合用于數(shù)值穩(wěn)定的線性系統(tǒng),若不符合此條件,則采用擴展卡爾曼濾波器。

(3) 多貝葉斯估計法。將環(huán)境表示為不確定的幾何物體集合,對系統(tǒng)的每個傳感器做一種貝葉斯估計[2],將每個單獨物體的關(guān)聯(lián)概率分布組合成一個聯(lián)合后驗概率分布函數(shù),通過隊列的一致性觀察來描述環(huán)境。

(4) D-S證據(jù)推理法。該方法是貝葉斯方法的推廣,用置信區(qū)間描述傳感器信息,滿足比貝葉斯概率理論更弱的條件,是一種在不確定條件下進行推理的強有力的方法,適用于決策層級別的融合[4]。D-S方法的推理結(jié)構(gòu)是自上而下的,分為三級:第一級為目標合成,其作用是把來自獨立傳感器的觀測結(jié)果合成為一個總的輸出結(jié)果。第二級為推斷,其作用是獲得傳感器的觀測結(jié)果并進行推斷,將傳感器觀測結(jié)果擴展成目標報告。這種推理的基礎(chǔ)是:一定的傳感器報告以某種可信度在邏輯上會產(chǎn)生可信的某些目標報告。第三級為更新,各傳感器一般都存在隨機誤差,因此在時間上充分獨立地來自同一傳感器的一組連續(xù)報告比任何單一報告更加可靠。所以在推理和多傳感器合成之前,要先組合(更新)傳感器的觀測數(shù)據(jù)。

(5) 帶有置信因子的產(chǎn)生式規(guī)則。采用符號表示傳感器信息和目標屬性之間的聯(lián)系,與每一個規(guī)則相關(guān)聯(lián)的置信因子表示其不確定性程度。當在同一個邏輯推理過程中,2個或多個規(guī)則形成一個聯(lián)合規(guī)則時,可以產(chǎn)生融合。應用產(chǎn)生式規(guī)則進行融合的主要問題是每個規(guī)則置信因子的定義與系統(tǒng)中其他規(guī)則的置信因子相關(guān),如果系統(tǒng)中引入新的傳感器,需要修改規(guī)則[4]。

(6) 模糊邏輯推理。模糊邏輯是多值邏輯,通過指定一個0到1之間的實數(shù)表示真實度(相當于隱含算子的前提),允許將多個傳感器信息融合過程中的不確定性直接表示在推理過程中。如果采用某種系統(tǒng)化的方法對融合過程中的不確定性進行推理建模,則可以產(chǎn)生一致性模糊推理[4]。

與概率統(tǒng)計方法相比,邏輯推理存在許多優(yōu)點,在一定程度上克服了概率論所面臨的問題,對信息的表示和處理更加接近人類的思維方式,一般比較適合在高層次上的應用(如決策)。但是邏輯推理本身還不夠成熟和系統(tǒng)化。此外,由于邏輯推理對信息的描述存在很多的主觀因素,所以信息的表示和處理缺乏客觀性。

模糊集合理論對于數(shù)據(jù)融合的實際價值在于其外延到模糊邏輯,模糊邏輯是一種多值邏輯,隸屬度可視為一個數(shù)據(jù)真值的不精確表示。在MSF過程中,存在的不確定性可以直接用模糊邏輯表示,然后使用多值邏輯推理,根據(jù)模糊集合理論的各種演算對各種命題進行合并,進而實現(xiàn)數(shù)據(jù)融合。

(7) 人工神經(jīng)網(wǎng)絡(luò)法。神經(jīng)網(wǎng)絡(luò)具有很強的容錯性以及自學習、自組織及自適應能力,能夠模擬復雜的非線性映射。神經(jīng)網(wǎng)絡(luò)的這些特性和強大的非線性處理能力,恰好滿足多傳感器數(shù)據(jù)融合技術(shù)處理的要求。在多傳感器系統(tǒng)中,各信息源所提供的環(huán)境信息都具有一定程度的不確定性,對這些不確定信息的融合過程實際上是一個不確定性推理過程。神經(jīng)網(wǎng)絡(luò)根據(jù)當前系統(tǒng)所接受的樣本相似性確定分類標準,這種確定方法主要表現(xiàn)在網(wǎng)絡(luò)的權(quán)值分布上,同時可以采用學習算法來獲取知識,得到不確定性推理機制[5-6]。利用神經(jīng)網(wǎng)絡(luò)的信號處理能力和自動推理功能,即實現(xiàn)了多傳感器數(shù)據(jù)融合。

3 多傳感器信息融合在智能建筑節(jié)能中的應用

對智能建筑行業(yè)來說,傳感器產(chǎn)品作為智能設(shè)備的核心控制組成,承擔著不可替代的橋梁作用,它決定著智能化控制和體驗的精度和穩(wěn)定。

針對建筑用傳感器高精度和智能化的需求,提出了一種基于MEMS技術(shù)的建筑用系列高精度智能傳感器融合模組-多模融合人體存在感知模塊,融合模塊采用毫米波雷達、MEMS紅外陣列測溫模塊、溫度傳感器和光照度傳感器融合設(shè)計、多模融合算法設(shè)計,以彌補單一傳感器的不足,實現(xiàn)信息采集多樣化,多源數(shù)據(jù)互補和優(yōu)化組合處理,提高模塊的檢測精度和準確率,配合邊緣計算控制系統(tǒng)和平臺決策控制系統(tǒng)實現(xiàn)對終端設(shè)備的數(shù)字化、智能化安全管控。

多模融合人體存在感知模塊PCB板頂層元器件布局如圖4所示。

圖4 多模融合人體存在感知模塊PCB板頂層元器件布局

(1) MEMS紅外陣列測溫模塊數(shù)據(jù)會受環(huán)境溫度、光照影響較大,因此傳感器集成了環(huán)境溫度和光照度傳感器,通過大量收集監(jiān)測數(shù)據(jù)來校準算法,盡可能增加MEMS紅外陣列測溫的準確性。

(2) MEMS紅外陣列測溫還有一個最大的影響因素,那就是測溫的距離,同樣的溫度距離遠近不同,傳感器模塊收到的熱信號差異很大(可以理解為在空間上距離越遠熱量損失越大)。因此結(jié)合毫米波雷達的測距功能可以更加精準地為測溫提供距離數(shù)據(jù),從而通過算法進一步完善測溫數(shù)據(jù)的精準度。

(3) 融合模塊選擇一發(fā)三收的毫米波雷達,獲取被測物體角度位置、速度和強度信息。結(jié)合MEMS紅外陣列測溫數(shù)據(jù),通過大量的機器學習,過濾掉如風吹窗簾動這些干擾數(shù)據(jù),通過對近距離人體的呼吸胸腔特定變化、遠距離人員運動情況(遠距離無法精確獲取呼吸情況)來判斷是否有人在被探測區(qū)域。

(4) MEMS紅外陣列測溫模塊對被測區(qū)域進行熱源分布分析(有位置信息但分辨率不夠),并結(jié)合雷達(速度、強度信息和角度位置信息)對后期數(shù)據(jù)AI分析,可以相對準確地知道被測區(qū)域的人員大致分布信息及人員流動信息。

(5) 多傳感器之間通過網(wǎng)絡(luò)通信共享數(shù)據(jù),邊緣計算盒子結(jié)合一個區(qū)域多個傳感器,匯總該區(qū)域的數(shù)據(jù),做AI數(shù)據(jù)分析,可有效地指導整個被測區(qū)域人員流動、靜止、睡眠等數(shù)據(jù),在不涉及隱私的前提下盡量精準地得到用戶的行為習慣,然后再聯(lián)動相關(guān)設(shè)備。根據(jù)人員密集情況和溫濕度情況自動調(diào)整空調(diào)、新風、窗簾等,在節(jié)能的同時盡可能提高所在區(qū)域人員的舒適性。

4 多傳感器信息融合技術(shù)存在的問題與數(shù)據(jù)融合發(fā)展趨勢

隨著傳感器技術(shù)、數(shù)據(jù)處理技術(shù)、計算機技術(shù)、網(wǎng)絡(luò)通信技術(shù)、人工智能技術(shù)、并行計算軟件和硬件技術(shù)等相關(guān)技術(shù)的發(fā)展,尤其是人工智能技術(shù)的進步,新的、更有效的數(shù)據(jù)融合方法將不斷推出,多傳感器數(shù)據(jù)融合必將成為未來復雜工業(yè)系統(tǒng)智能檢測與數(shù)據(jù)處理的重要技術(shù),其應用領(lǐng)域?qū)⒉粩鄶U大。多傳感器數(shù)據(jù)融合不是一門單一的技術(shù),而是一門跨學科的綜合理論和方法,并且是一個不很成熟的新研究領(lǐng)域,尚處在不斷變化和發(fā)展過程中。

4.1 數(shù)據(jù)融合存在的問題

數(shù)據(jù)融合存在的問題具體如下:

(1) 尚未建立統(tǒng)一的融合理論和有效廣義的融合模型及算法。

(2) 對數(shù)據(jù)融合的具體方法的研究尚處于初步階段。

(3) 還沒有很好地解決融合系統(tǒng)中的容錯性或魯棒性問題。

(4) 關(guān)聯(lián)的二義性是數(shù)據(jù)融合中的主要障礙[4]。

(5) 數(shù)據(jù)融合系統(tǒng)的設(shè)計還存在許多實際問題。

4.2 數(shù)據(jù)融合發(fā)展趨勢

數(shù)據(jù)融合發(fā)展趨勢具體如下:

(1) 建立統(tǒng)一的融合理論、數(shù)據(jù)融合的體系結(jié)構(gòu)和廣義融合模型。

(2) 解決數(shù)據(jù)配準、數(shù)據(jù)預處理、數(shù)據(jù)庫構(gòu)建、數(shù)據(jù)庫管理、人機接口、通用軟件包開發(fā)問題,利用成熟的輔助技術(shù),建立面向具體應用需求的數(shù)據(jù)融合系統(tǒng)。

(3) 將人工智能技術(shù),如神經(jīng)網(wǎng)絡(luò)、遺傳算法、模糊理論、專家理論等引入數(shù)據(jù)融合領(lǐng)域。利用集成的計算智能方法(如模糊邏輯+神經(jīng)網(wǎng)絡(luò)、遺傳算法+模糊+神經(jīng)網(wǎng)絡(luò)等)提高多傳感融合的性能。

(4) 解決不確定性因素的表達和推理演算,如引入灰數(shù)[4]的概念。

(5) 利用有關(guān)的先驗數(shù)據(jù)提高數(shù)據(jù)融合的性能,研究更加先進復雜的融合算法(未知和動態(tài)環(huán)境中,采用并行計算機結(jié)構(gòu)多傳感器集成與融合方法的研究等)。

(6) 在多平臺/單平臺、異類/同類多傳感器的應用背景下,建立計算復雜程度低,又能滿足任務要求的數(shù)據(jù)處理模型和算法。

(7) 構(gòu)建數(shù)據(jù)融合測試評估平臺和多傳感器管理體系。

(8) 將已有的融合方法工程化與商品化,開發(fā)能夠提供多種復雜融合算法的處理硬件,以便在數(shù)據(jù)獲取的同時實時地完成融合。

5 結(jié) 語

在多傳感器融合技術(shù)中,融合結(jié)構(gòu)、融合算法都占有重要地位。隨著多傳感器融合研究與應用的深入,未來的多傳感器融合將會是一個更加復雜的信息處理過程,不僅包括許多具體的算法,而且結(jié)構(gòu)也比較復雜。

如何根據(jù)實際應用將算法與結(jié)構(gòu)有機地結(jié)合在一起,為整個融合系統(tǒng)提供更加有效的融合策略,這是未來多傳感器融合研究要解決的主要問題。目前已有大量的融合算法,它們都存在各自的優(yōu)缺點,需要通過合理的融合結(jié)構(gòu)將這些算法組合在一起,使其揚長避短,構(gòu)成更加有效的融合方法。