数据融合

基本概念

数据融合（Data Fusion）的目的是从一组独立的数据源生成系统的模型或表示，从中发现或检测某些外部环境或系统的单一视图或感知。其本质是通过组合多个信息源来获得比任何单一信息源更准确、更完整、更可靠的估计。

数据融合技术常见的应用是根据单个或多个传感器的多次测量来估计目标位置或运动学信息。位置或运动学信息的推导涉及两个基本过程：数据关联和状态估计。状态估计是指根据观察数据对这些值（如目标的位置、速度、加速度、角速度等）的最佳估计。

融合层次

数据融合按照处理层次可以分为三个级别：

层次	名称	融合对象	典型方法
低层	数据级融合	原始传感器数据	加权平均、像素级融合
中层	特征级融合	提取后的特征向量	联合特征空间、特征选择
高层	决策级融合	各传感器的独立决策	投票法、贝叶斯推理、D-S 证据理论

低层融合保留了最多的原始信息，但要求传感器类型相近且已精确对齐；高层融合对传感器异构性容忍度最高，但可能丢失底层细节。

核心方法

状态估计方法

在动态系统中，状态估计是数据融合的核心。常用方法包括：

• 卡尔曼滤波器：线性高斯系统中的最优估计器，通过 最小均方估计 准则递归地融合模型预测和传感器观测
• 扩展卡尔曼滤波（EKF）：将卡尔曼滤波推广到非线性系统，通过局部线性化实现近似最优
• 粒子滤波：用一组带权重的样本来近似后验分布，适用于非线性非高斯系统
• 因子图优化：将所有传感器约束建模为因子图，通过非线性最小二乘求解全局最优

数据关联方法

数据关联解决的是”哪个测量对应哪个目标”的匹配问题。常见方法有最近邻（NN）、全局最近邻（GNN）、联合概率数据关联（JPDA）和多假设跟踪（MHT）等。

应用场景

数据融合在现代工程系统中几乎无处不在。在自动驾驶领域，需要融合相机、激光雷达、毫米波雷达和 IMU 等多种传感器来实现可靠的环境感知。在机器人操作中，融合力传感器、视觉和关节编码器来实现精确的力-位置混合控制。在军事领域，多平台情报融合用于态势感知和目标识别。

卡尔曼滤波器在多传感器融合中 是最经典的融合框架，其测量融合和轨迹融合两种范式分别对应集中式和分布式的系统架构。