随着移动机器人拥有越来越高度感知能力和强大的信息处理能力，使它具有越来越多的功能并且可以完成不同的任务。移动机器人的感知能力类似于人体的感官系统，为了准确地感知事物，必须多个器官相互配合，才能完整地感知整个环境信息。移动机器人感知环境也需要多个或多种传感器才能更完整地感知环境。因此，提出了多传感器信息融合技术的问题，这也是移动机器人感知环境方法研究的难点。

图1  机器人上配置的各类传感器

       多传感器信息融合是一种信息处理方法，旨在解决在系统中使用多个或多种传感器的问题。通过集成多类同构的冗余信息或异构传感器的互补信息，可以更准确地评估观察对象，从而做出正确的判断和决策。与单个传感器相比，多传感器信息融合提高系统的检测性能，扩大时空覆盖范围，提高系统的可靠性和可维护性，提高容错性和鲁棒性。

融合原理

       多传感器信息融合基本原理是：（1）N 种不同类型的传感器收集观测目标的数据；（2）对传感器输出数据（离散或连续时间函数数据，输出矢量，成像数据或直接属性描述）进行变换，以提取表示观测数据的特征矢量Yi ；（3）通过模式识别对特征向量Yi进行处理，以完成对每个传感器的描述 ；（4）将每个传感器的目标描述数据按照同一目标进行分组，即关联；（5）融合算法用于合成每个目标的传感器数据，以获得对目标的一致解释和描述。

图2  信息融合原理

层次划分

       多传感器融合在结构上按其在融合系统中信息处理的抽象程度，主要划分为三个层次 : 数据层融合、特征层融合和决策层融合。

       数据层融合是最低级别的融合，具体过程为将传感器测量的原始数据可以精确到单个值。由于这种原始数据尚未处理，因此融合级别具有最大程度地保留原始数据详细信息的能力。但是，该方法计算量大，抗干扰能力差。传感器的性能和状态对这种数据融合有很大的影响。

       特征层融合是中间级别的融合，具体过程是从传感器测量的原始数据中提取特征，保留有效信息，消除噪声和冗余信息，以及然后对这些特征进行分类和匹配，以使这些特征可以一对一地对应于相应的传感器和被观察物体。该方法同时考虑了数据级融合和决策级融合，因此在抗干扰和细节保存方面取得了良好的效果。

       决策层融合是最高级别的融合，具体过程是在检测到每个传感器的数据之后，得出一致的最优值。决策层融合方法灵活性高，对传感器性能的依赖性较小，抗干扰能力强，但会造成严重的信息丢失，无法获取详细信息，融合前需要进行大量的数据预处理。

融合架构

       融合架构可分为串联形式、并联形式和混合形式。三者的区别是：串联形式依时序读取传感器信息，强调信息采集的时序性；并联形式同步读取传感器信息，强调信息采集的同步性；混合形式是串联形式和并联形式的组合，具有多个融合中心。

图3  信息融合架构

融合方法

       由于传感器信息在融合过程中将以不同种形式表现出来，从而增加了多传感器信息融合的复杂性和多样性，因此，多传感器信息融合的研究必须涉及许多基础理论领域。 

• 贝叶斯估计。贝叶斯估计是通过最大似然估计函数，剔除传感器中无用和偏差大的观测数据，然后进行融合。 

• 模糊理论。通过模糊集合和模糊隶属度，将传感器信息中的不确定性转换0-1上来，适用于系统不确定性建模，并且模糊理论常和神经网络结合。但模糊理论缺点在于会损失系统的精度。 

• D-S证据推理。D-S证据推理是不确定推理方法的一种，首先得到各个传感器的信任函数，之后通过 D-S组合原则对这些数据进行融合，并据此来判断目标特征和决策，D-S证据推理很好地结合了主观不确定信息。

• 卡尔曼滤波理论。卡尔曼滤波理论是一种递推式的最优估计理论，其建立测量和估计方程来实现递推式计算。一般卡尔曼滤波用在数据融合较低层面上，直接对传感器信号进行处理，有效去除干扰信息。 

• 神经网络理论。神经网络是当前应用十分广泛和流行的理论，其通过建立仿人类神经结构的网络，实现数据的非线性映射能力，尤其在融合系统没有函数模型的情况下，其通过测试数据的大量训练得到网络结构和映射关系，并具有良好的自适应性，十分适合复杂多传感器数据融合的场景。

       由于移动机器人的工作环境不是静态的，包含很多不确定因素，结构特征也不明显，所以他们是最先采用信息融合技术的机器人。信息融合在移动机器人中的典型应用包括：多个2D激光雷达地图的融合、视觉图像与3D激光点云的融合，轮式里程计与IMU的融合等。信息融合使机器人具备了极高的自我管理能力和感知能力，同时还可以使机器人准确判断实时自身条件，指导其身体作出正确的肢体动作。通过大量实验证明，采用单一传感器机器人和使用多传感器的机器人在感知外部环境的能力方面是不可比拟的。