傳感器數據融合算法:ADAS傳感器數據融合算法的開發

2022/04/09 20:23 · 傳感器知識資訊 ·  · 傳感器數據融合算法:ADAS傳感器數據融合算法的開發已關閉評論
摘要:

傳感器數據融合算法:ADAS傳感器數據融合算法的開發高級駕駛員輔助系統ADAS(AdvancedDriverAssistanceSystems)中有各種傳感器,無論是在傳感器內或是單獨的ECU內進行數據處理,以及整車廠和供應

傳感器數據融合算法:ADAS傳感器數據融合算法的開發

高級駕駛員輔助系統ADAS(Advanced Driver Assistance Systems)中有各種傳感器,無論是在傳感器內或是單獨的ECU內進行數據處理,以及整車廠和供應商之間的不同合作模式,都導致了ADAS數據融合系統設計的不同方式。與此同時,對于日益增長的傳感器數據進行處理的算法也日益復雜。
為了應對這種日益增長的復雜性,傳感器數據融合系統需要考慮如下方面:
多個傳感器的融合,比如多個雷達和攝像頭傳感器 可交換傳感器模型以適應不同傳感器供應商的選擇 能夠配置傳感器的數量和位置 可以實現不同的應用場景的駕駛環境模型
隨著ADAS技術的發展,傳感器數據融合技術也在不斷演變中,經歷了從單一系統到集中式數據融合的階段,對于開發測試環境提出了更高的要求。德國Vector公司攜其合作伙伴BASELABS提供了ADAS傳感器數據融合的開發環境。北匯信息作為Vector的合作伙伴,將一起為我們的客戶提供更完整的解決方案和服務。
單一系統:
在過去,目標跟蹤和融合功能的實現都由一級供應商實現,其結果就是,目標跟蹤也是有這些系統來處理的,但這樣就有悖于最初的目標——靈活選擇供應商。一個單一的傳感器系統(比如只有1個雷達的ACC)是可以被當做一個單一部件的,但使用多個傳感器的系統就無法適用了,需要一個更模塊化的解決方案。
目標跟蹤列表的組合:
不同供應商提供不同的傳感器。這些傳感器可能是獨立的傳感器(比如攝像頭)或者多傳感器系統(比如觀測車輛周圍環境的多個雷達)。為了對不同傳感器和傳感器系統的數據進行組合,沒有使用它們的原始數據,而是已經經過預處理并且已集成了追蹤算法的傳感器數據。這種架構的優勢是,不同階段之間傳輸的數據量是有限的,而且對不同的傳感器的組合也不需要太深入的傳感器相關知識。相應的劣勢是,數據的預處理意味著信息量的減少,對于越來越復雜的場景的識別顯然是不夠的。
傳感器原始數據的組合:
現在的趨勢是集中式的數據融合,將所有傳感器的原始數據一同進行處理,比如攝像頭圖像里的車輛位置、方位、雷達的距離和距離變化率。優勢是所有傳感器提供的信息都可以用于數據融合,但開發和處理的難度顯然更高。
Vector的傳感器數據融合解決方案:
Vector的傳感器數據融合解決方案vADASdeveloper 選擇了Microsoft Visual Studio作為基礎開發平臺,具有極好的開放性,在該平臺上面構建了用戶數據融合的模塊化框架,提供傳感器信息輸入接口,如CAN,Ethernet等,并且提供數據同步記錄,回放,以及豐富數據結果顯示窗口,此外,vADASdeveloper中可以無縫集成BASELABS的數據融合算法庫(Create),大大提高了數據融合算法開發的效率。vADASdeveloper提供的MATLAB/Simulink代碼編譯的插件,能夠將MATLAB中開發的算法簡單的集成到vADASdeveloper中。
在完成傳感器數據融合算法原型開發后,使用BASELABS的Code功能,能夠將在vADASdevloper中使用高級語言C#開發的算法,轉換成C代碼,以集成到嵌入式硬件平臺中。由于數據融合部分的算法主要涉及數學計算,因此,生成的C代碼與硬件平臺無關,用戶可靈活選擇硬件平臺進行集成和優化。
工程服務:
Vector攜同BASELABS不僅提供專業的開發工具平臺,也為用戶提供專業的工程服務,包括工具層面的培訓、Workshop、咨詢以及提供數據融合算法開發的技術服務,為用戶構建專業的技術能力以及項目起點,以方便用戶進行后續的控制算法開發和功能擴展。
喜歡此篇文章歡迎贊同、評論、收藏、分享支持小編~
更多相關資訊及業務介紹,歡迎訪問上海北匯信息官方網站:上海北匯信息科技有限公司
其它平臺官方賬號:
CSDN: 北匯信息的博客_上海北匯信息科技有限公司_CSDN博客-車載以太網,TPT,V2X領域博主
更多技術干貨,行業前沿動態,請關注上海北匯信息官方公眾號:北匯微信公眾號
商務合作資訊聯系方式:
電話:021-
郵箱:info@polelink.com
北匯信息成立于2010年,是一家技術驅動的創新型服務企業。北匯信息始終專注于汽車電子領域的新技術和新產品,為整車廠和零部件企業提供完整的研發、測試解決方案。從測試工具、專用測試設備、完整測試方案到實車測試服務,我們與我們的客戶一起努力,讓中國的汽車變得越來越安全、越來越舒適、越來越智能。
傳感器數據融合算法:ADAS傳感器數據融合算法的開發  第1張

傳感器數據融合算法:基于BP神經網絡的多傳感器數據融合技術優化

摘 要: 傳統的數據融合算法要求獲得比較精確的對象數學模型,對于復雜的難于建立模型的場合無法適用。為解決上述問題,提出了一種基于BP神經網絡算法的多傳感器數據融合方法,對對象的先驗要求不高,具有較強的自適應能力。仿真結果表明,采用BP神經網絡對傳感器數據進行融合處理大大提高了傳感器的穩定性及其精度,效果良好。
關鍵詞: 數據融合;神經網絡;多傳感器網絡
大多數無線傳感器網絡應用是由大量傳感器節點構成的,共同完成信息收集、目標監視和感知環境的任務。在信息采集的過程中,若采用各個節點單獨傳輸數據到匯聚節點的方法,會產生大量冗余信息,從而浪費大量的通信帶寬和寶貴的能量資源,這顯然是不合適的[1]。此外還會降低信息的收集效率,影響信息的及時采集。為避免上述問題,人們采用了一種稱為數據融合(或稱為數據匯聚)的技術。所謂數據融合是指將多份數據或信息進行處理,組合出更高效、更符合用戶需求的數據的過程[2]。在大多數無線傳感器網絡應用中,許多時候只關心監測結果,并不需要收到大量原始數據,數據融合是處理該類問題的有效手段。根據融合操作的級別劃分為數據級融合[3]、特征級融合[4]以及決策級融合[5]。數據級融合是指通過傳感器采集的數據融合,是最底層的融合,通常僅依賴于傳感器的類型。特征級融合是指通過一些特征提取手段,將數據表示為一系列的特征向量,從而反映事物的屬性,是面向監測對象的融合。決策級融合是根據應用需求進行較高級的決策,是最高級的融合。無線傳感器網絡的數據融合技術可以結合網絡的各個協議層來進行。例如在應用層,可通過分布式數據庫技術,對采集的數據進行初步篩選,達到融合效果;在網絡層,可以結合路由協議,減少數據的傳輸量;在數據鏈路層,可以減少MAC層的發送沖突和頭部開銷,節省能量的同時,保證信息的完整性。無線傳感器網絡的數據融合技術只有面向應用需求的設計才會真正得到廣泛的應用。
目前許多學者提出了很多傳感網數據融合算法,D-S方法[6]和貝葉斯算法[7]作為一種處理不確定性問題的重要的數據融合方法,已經廣泛應用于各種數據融合系統中,但是該方法主要是依靠自身的傳感器的采集,這種方法融合精度不高,具有一定的不確定性等,BP神經網絡算法是一種監督式的學習算法,其主要思想是通過采用梯度搜索技術對已知網絡入侵樣本進行學習,最終實現網絡的實際輸出值與期望輸出值的均方值誤差最小。
本文充分利用了BP神經網絡的優點,主要研究了傳感網絡數據融合方法,提出了一種改進的基于BP神經網絡算法在傳感網絡數據融合中的應用,依據不同的融合目標對傳感器信息進行選擇過濾和優化處理,仿真結果表明了本文算法的有效性和實用性,節約了數據融合的能量。
1 BP神經網絡的多傳感器數據融合技術
1.1 BP神經網絡算法
BP神經網絡[8]是一種前饋式神經網絡,是目前使用最廣泛的一種神經網絡,一般包括輸入層、若干隱含層和輸出層三部分,網絡結構如圖1所示。

BP神經網絡算法是一種監督式的學習算法,其主要思想是通過采用梯度搜索技術對已知網絡入侵樣本進行學習,最終的目的就是網絡的實際輸出值與期望輸出值的均方值誤差最小。在BP神經網絡的學習過程中,輸入信號從輸入層經隱含層單元逐層處理,并傳向BP神經網絡的輸出層,每一層BP神經元只影響下一層神經元的狀態。如果在BP神經網絡輸出層得不到期望的輸出,那么就要進行BP神經網絡反向傳播,將輸出信號的誤差沿原來的連接通路返回,通過不斷調整各層神經元的權重,最終使均方值誤差最小。其基本學習過程如下:

在網絡訓練之前,首先必須要對數據進行歸一化處理,以保證網絡層輸出不會太小。這里中心向量的初始值pi由訓練樣本確定,其中pi=(pi1,pi2,pi3,pi4,pi5),i=1,2,…,10。若其屬于第一類數據變化的訓練樣本集,表示為{S1,S2,…,Sm}, 中心向量p1中各元素的初始值為這些樣本輸入向量中每個元素的平均值。 然后采用梯度下降法分別調整中心向量、寬度和系數及最后一層的權值。在訓練過程中,先選取較大的學習速率,如果后一步的訓練誤差大于前一步的訓練誤差, 就減小學習速率,使得網絡收斂。 由于加入了每個類別中心向量的先驗信息,網絡權值的調整限制在了一定范圍內,避免陷入局部最小點。本文考慮了數據融合的有損融合和無損融合問題,算法的主要描述步驟如下:
(1)用選定的N個傳感器檢測系統狀態;
(2)采集N個傳感器的測量信號并進行預處理;
(3)對預處理后的N個傳感器信號進行特征選擇;
(4)對特征信號進行歸一化處理,為神經網絡的輸入提供標準形式;
(5)將歸一化的特征信息與已知的系統狀態信息作為訓練樣本,送神經網絡進行訓練,直到滿足要求為止。該訓練好的網絡作為已知網絡,只要將歸一化的多傳感器特征信息作為輸入送人該網絡,則網絡輸出就是被測系統的狀態。
2 仿真與結果分析
在Windows操作系統下,本文所有的實驗都是在PC P4 T2310 1.86 GHz,2 GB RAM,InteG顯卡的計算機上完成的,實驗環境為MATLAB7.0。對本文提出的神經網絡數據融合模型進行仿真測試,根據融合前后數據信息含量劃分為無損融合和有損融合,前者在數據融合過程中所有細節信息均被保留,只去除冗余的部分信息,后者通常會省略一些細節信息或降低數據的質量。
本文對有損融合、無損融合與沒有進行數據融合的實驗結果進行了比較。在仿真試驗中,本文在一定的范圍內放置一定參數的節點,10個源節點沿著一條路由路徑在4~6跳的范圍內發出連續的比特。為了對數據融合的有效性進行研究,本文增加了節點的發送頻率,數據流發送速度為1.5~3.7包/s,仿真重復30遍,端到端的延時為1 s。
如圖3所示,在網絡繁忙的時候,與不進行數據融合的結果相比,無損融合和有損融合都可以顯著地減少平均的延時。因為融合技術可以控制信息傳遞的數量。這里要注意的是,有損融合在保留延遲的區域之下總是成功的,而無損融合僅是點上的成功,在此之后系統將變得過載。

當產生的信息量超出實時容量時,有損融合通過聚集較小比例的包來保持端到端延遲。如圖4所示,融合具有非零的損失率。
如圖5所示,在擁塞出現之前,無損融合和有損融合可以通過減少控制消息的數量和傳播的數量達到能源的節約。從圖3、圖4和圖5可以看出,本文提出的神經網絡傳感器網絡數據融合模型是一種有效的數據融合處理方法。采用BP神經網絡對傳感器數據進行融合處理,輸出輸入穩定簡單。

數據融合是利用計算機技術將來自多個傳感器或多源的觀測信息進行分析、綜合處理。從而得出決策和估計任務所需信息的處理過程。針對傳統的傳感器網絡數據融合算法需要獲得對象比較精確數學模型,對于復雜難于建立的模型場合無法適用等問題,本文提出了一種基于BP神經網絡的多傳感器數據融合方法,算法首先建立三層網絡結構,接著提取數據庫中屬性數據的特征值并作為網絡的輸入,然后通過調節輸入向量與中心向量的距離及中心向量的值確定網絡權值,最后對數據進行有效融合,仿真實驗結果表明采用BP神經網絡對傳感器數據進行融合處理大大提高了傳感器的穩定性及其精度,效果良好。
參考文獻
[1] 畢艷忠,孫利民.傳感器網絡中數據融合[J].計算機科學,2004,31(7):101-103.
[2] ZHAO J,GOVINDAN R,ESTRIN D.Residual energy scans for monitoring wireless sensor networks[C].Proceedings of the IEEE Wilress Communications and Networking Conference(WCNC’02),2002:17-21.
[3] 付劍波,劉衛國.無線傳感器網絡的一種多層數據融合方案[J].傳感器與微系統,2007,26(12):15-18.
[4] 任豐原,黃海寧,林闖.無線傳感器網絡[J].軟件學報,2003,14(7):1282-1291.
[5] NORDEN W V,JONG J D,BOLDERHEIJ F,et al.Intelligent task scheduling in sensor networks[C].Proceedings of 8th International Conference on Information Fusion,2005.
[6] BARBANCHO J,CarlosLeón,MOLINA F J,et al.Using artificial intelligence in routing schemes for wireless networks[J].Computer Communications,2007(30):2802-2811.
[7] 陳斌,萬江文,吳銀鋒,等.神經網絡和證據理論融合的管道泄漏診斷方法[J].北京郵電大學學報,2009,32(2):5-9.
[8] 俞黎陽,王能,張衛.無線傳感器網絡中基于神經網絡的數據融合模型[J].計算機科學,2008,35(12):43-47.
[9] SUNG W T.Employed BPN to multi-sensors data fusion for environment Monitoring Services[J].Autonomic and Trusted Computing,2009(6):149-163.

傳感器數據融合算法:多傳感器數據融合算法.doc

一、背景介紹:
多傳感器數據融合是一種信號處理、辨識方法,可以與神經網絡、小波變換、kalman濾波技術結合進一步得到研究需要的更純凈的有用信號。
多傳感器數據融合涉及到多方面的理論和技術,如信號處理、估計理論、不確定性理論、最優化理論、模式識別、神經網絡和人工智能等。多傳感器數據融合比較確切的定義可概括為:充分利用不同時間與空間的多傳感器數據資源,采用計算機技術對按時間序列獲得的多傳感器觀測數據,在一定準則下進行分析、綜合、支配和使用,獲得對被測對象的一致性解釋與描述,進而實現相應的決策和估計,使系統獲得比它的各組成部分更充分的信息。
多傳感器信息融合技術通過對多個傳感器獲得的信息進行協調、組合、互補來克服單個傳感器的不確定和局限性,并提高系統的有效性能,進而得出比單一傳感器測量值更為精確的結果、
 最優加權因子及所對應的均方誤差:
(多傳感器方法的理論依據:設n個傳感器的方差分別為σ21,σ22,…,σ2n因為X 1 X 2 ,… ,X n 彼此獨立并且為X 的無偏估計所以E[ (XXp)(X-Xq)]=0,(p ≠q;p=1 ,2 ,…,n;q=1 ,2 ,…,n),故σ2從式可以看出總均方誤差σ2 是關于各加權因子的多元二次函數因此σ2 必然存在最小值。該最小值的求取是加權因子W1W2,…,Wn滿足式約束條件的多元函數極值求取。同理因為X1X2,…,X n為X的無偏估計所以 X 1(k)X 2(k),… ,X n(k)也一定是X 的無偏估計故
因為Xp(p=12,…,n)為X的無偏估計即E[X-Xp]=0(p=12 … ,n),所以可得
同理由于Xp(p=12 …,n)為X的無偏估計所以 Xp(k)也一定是X 的無偏估計最小均方誤差估計
在推導過程中是以均方誤差最小做為最優條件因而該估計算法的均方誤差一定是最的。為了進一步說明這一點我們用所得的均方誤差σ2min與用單個傳感器均值做估計和用多傳感器均值平均做估計的均方誤差相比較σ2Lmin為測量數據的個數為k,則所以
下面我們討論與用多個傳感器均值平均做估計均方誤差相比較的情況。
所謂用多個傳感器均值平均做估計是用n 個傳感器測量數據的樣本平均再做均值處理而得到的估計,即此時均方誤差為
同理Xp(k)一定為X 的無偏估若我們事先已經將各個傳感器的方差進行排序,且不妨設
,則根據契比雪夫不等式得
各傳感器方差σp2 的求取
Wp*決定各個傳感器的方差σp2。一般不是已知的,我們可根據各個傳感器所提供的測量值,依據相應的算法,將它們求出。
設有任意兩個不同的傳感器p、q 其測量值分別為X pX q ,所對應觀測誤差分別為Vp、V q,其中,Vp、V q,因為Vp、V qX p、X q 的互協方差函數Rpq滿足,X p的自互協方差函數Rpp滿足作差得
對于Rpp、Rpq為kRpp的時間域估計值為Rpp(k)Rpq的時間域估計值為Rpq(k)則
如用傳感器q(q ≠ p ;q=12,…,n)與傳感器p做相關運算則可以得到Rpq(k)(q ≠pq=1,2,…,n)值。因而對于R pq可進一步用R pq(k)的均值Rp(k)來做為它的估計即
Rpp與pq的時間域的估計值,從而可估計出各個傳感器的方差。
2.2基于最小二乘原理的多傳感器加權融合算法
以存在隨機擾動環境中的不同參數多傳感器為研究對象,基于最小二乘原理,提出了一種加權融合算法,推導出各傳感器的權系數與測量方差的關系。并且根據測量信息,提出了一種方差估計學習算法,實現對各傳感器測量方差的估計,從而對各傳感器的權值進行合理的分配。該算法簡單,能快速、準確的估計出待測物理量的狀態信息。
同種類型不同參數的多個傳感器對存在隨機擾動環境中的某一狀態進行測量時,如何使狀態的估計值在統計意義上更加接近于狀態的真實值,針對這一問題進行了研究。依據最小二乘原理,推導出了多傳感器的加權融合公式,并且在最優原則下,得出測量過程中各傳感器的測量方差與其權系數的關系。
針對以上不足,充分利用多傳感器測量這一特點,將傳感器內部噪聲與環境干擾綜合考慮,提出了一種對各傳感器測量方差及待測物理量狀態進行實時估計的算法。
設n個傳感器對某系統狀態參數的觀測方程為:,式中,x為一維狀態量;Y為n維測量向量,設,e為n維測量噪聲向量,包含傳感器的內部噪聲及環境干擾噪聲,設,H為已知n維常向量。采用加權最小二乘法從測量向量Y中估計出狀態量x的估計量。加權最小二乘法估計的準則是使加權誤差平方和取最小值。其中W是一個正定對角加權陣,設,對之求偏導,令得
到加權最小二乘估計:
對測量噪聲作如下假設:(1)各傳感器的測量噪聲為相互獨立的白噪聲;(2)由于測量噪聲是傳感器內部噪聲和環境干擾等多種相互獨立因素引起的,利用概率傳感器數據融合算法:ADAS傳感器數據融合算法的開發  第2張

傳感器數據融合算法:多傳感器數據融合:算法、結構設計與應用

收藏
查看我的收藏
0
有用+1
已投票
0
多傳感器數據融合:算法、結構設計與應用
語音
編輯
鎖定
討論
上傳視頻
上傳視頻
《多傳感器數據融合:算法、結構設計與應用》是2019年4月國防工業出版社出版的圖書,作者是[法]Hassen、Fourati。
書 名
多傳感器數據融合:算法、結構設計與應用
作 者
[法]Hassen、Fourati
出版社
國防工業出版社
出版時間
2019年4月
頁 數
680 頁
定 價
209 元
開 本
16 開
裝 幀
平裝
ISBN
目錄
1
內容簡介
2
圖書目錄
多傳感器數據融合:算法、結構設計與應用內容簡介
編輯
語音
《多傳感器數據融合:算法、結構設計與應用》包含了來自于不同學科的很新數據融合概念和技術。由世界靠前的融合領域研究者和學者貢獻,全書共34章,大致分為兩部分,涵蓋了基礎理論和很近的理論進展,以及多傳感器數據融合應用。每章自身完整,可單獨或者與書中其他章節相結合閱讀。在部分中,至23章致力于多傳感器數據融合算法設計方面優選水準和新的進展,提供了很優融合和多傳感器濾波方面的新材料和成果。在第2部分,第24到34章主要展示多傳感器數據融合在不同領域的發展,比如醫療應用、導航、交通(流量)分析等。
[1]
多傳感器數據融合:算法、結構設計與應用圖書目錄
編輯
語音
章 現代情報和安全問題對信息融合技術的能力挑戰第2章 傳感器數據融合:以數據為中心的先進算法回顧和新興趨勢概述第3章 信息融合理論的應用第4章 面向信息管理企業的JDL模型(Ⅲ)改進第5章 隨機集信息融合基礎第6章 帶過程噪聲的動態系統最優融合第7章 數據融合的模糊多判據方法第8章 異類傳感器聽分布式檢測和數據融合第9章 基于信息質量的融合系統評估0章 傳感器故障魯棒融合1章 多傳感器卡爾曼濾波和數據融合中相關信息的處理2章 容積信息濾波器――多傳感器融合理論與應用3章 線性等式約束系統的估計融合4章 基于容積卡爾曼濾波器的異步多傳感器非線性信息融合5章 多傳感器概率假設密度濾波器解析實現6章 帶乘性噪聲的多傳感器多速率系統信息融合估計7章 濾波誤差和量測噪聲協方差奇異時的最優分布式卡爾曼濾波融合8章 累計狀態密度及其在目標跟蹤中的應用9章 基于信任函數的多傳感器多目標分類解決方案第20章 認知無線傳感器網絡中的決策融合第21章 代理意見間形成一致性的動態第22章 非高斯不確定性網絡中分布式貝葉斯融合第23章 網絡物理系統的進攻――復原傳感器融合第24章 基于證據理論的多傳感器數據融合水質量評估第25章 再生式生命保障系統顆粒傳感器融合方法第26章 圖像融合性能評估:從指標到認知第27章 醫學圖像的特征與數據融合綜述第28章 多傳感器數據融合結構設計以及在體育運動評估中的應用第29章 從理論到飛行測試:彈頭姿態估計中的數據融合第30章 數據融合在遠程健康與自動診斷中的應用……
詞條圖冊
更多圖冊
參考資料
1.

多傳感器數據融合:算法、結構設計與應用
.京東[引用日期2020-06-09]

您可能感興趣的文章

本文地址:http://www.marisaherron.com/70362.html
文章標簽: ,   ,  
版權聲明:本文為原創文章,版權歸 ceomba 所有,歡迎分享本文,轉載請保留出處!

文件下載

老薛主機終身7折優惠碼boke112

上一篇:
下一篇:

評論已關閉!