何佳洲，馬繼偉，王昱槐，安 瑾

（江蘇自動化研究所，江蘇連云港 222061）

第19屆國際信息融合會議及獲獎論文評述

何佳洲，馬繼偉，王昱槐，安 瑾

（江蘇自動化研究所，江蘇連云港 222061）

總結(jié)了第19屆國際信息融合會議的總體情況和主要特點，通過對大會報告、分會場報告以及國際信息融合界一些著名專家團隊發(fā)表論文情況的統(tǒng)計分析，提煉出國際信息融合界普遍關注的焦點和難點問題；通過對獲獎論文的分析，了解到受大會評獎委員會一致認可的年度優(yōu)秀成果和技術進步點；最后，面向高層信息融合中的不確定性處理，對信息融合領域的發(fā)展進行展望。

國際信息融合會議；獲獎論文；JDL模型；非線性濾波；擴展目標跟蹤；基于上下文信息融合

第19屆國際信息融合會議［1］于2016年7月5日至8日在德國海德堡舉行。本次會議共收到投稿論文413篇，錄用312篇，錄用率75.5%。內(nèi)容涉及數(shù)據(jù)關聯(lián)、非線性濾波、計算機視覺、目標跟蹤識別等諸多研究方向，分別被安排在44個正式會場和創(chuàng)紀錄的22個特別專題會場（Special Session），應用領域覆蓋軍事和民用領域的監(jiān)視、智能、交通控制、車輛自動化，以及生物和醫(yī)學方面的圖像、模式、行為的識別和解釋等不同的主題。

國際信息融合會議［2］自1998年以來每年舉行一次，起初該會議主要是為美國和北約等國家的工業(yè)、政府部門以及學術界的研究者提供一個交流平臺，目的是增進國際間信息融合最新理論、研究成果以及相關工程應用的交流。信息融合也稱數(shù)據(jù)融合，有較強的軍事應用背景，一直受到諸多軍方研究者密切關注并踴躍參加該系列會議，近幾年，隨著軍民融合不斷深入，信息融合領域也更加開放。令人矚目的第20屆國際信息融合大會將在中國西安召開［3］，這將是信息融合的系列會議首次來到中國，或許成為信息融合領域開放、包容發(fā)展的一個里程碑。

本文針對大會作簡要小結(jié)，從大會的總體情況、獲獎論文、融合中不確定性處理以及信息融合未來發(fā)展等方向?qū)Ρ緦脮h進行總結(jié)和分析。

1 會議總體情況

1.1 大會報告

本屆大會，學者Fredrik Gustafsson，Simon Godsill和Ba Tuong Vo給大家?guī)砹巳龍鼍实拇髸蟾?，報告?nèi)容代表著信息融合學科當今發(fā)展水平和未來潛在的突破性進展；另一場大會報告發(fā)言者Oliver Pink來自贊助商保時捷公司。

第一場大會報告是來自瑞典Link?ping大學的Fredrik Gustafsson，題目是“恩格瓦尼項目：跟蹤犀牛、護林員和偷獵者”。介紹他們從2013年開始針對野生動物安全，采用傳感器融合技術支持在肯尼亞的恩格瓦尼建立犀牛避難所的一個研究項目，恩格瓦尼項目是一個小規(guī)模的試驗計劃，主要針對由肯尼亞野生動物服務組織提出的邊境安全，項目由華盛頓特區(qū)斯廷森中心管理。研究的起因主要來自被偷獵者屠殺的犀牛數(shù)量不斷增加，目標是通過技術創(chuàng)新為護林員提供數(shù)字化保護和安全技術。場景中主要跟蹤和定位的對象包括：犀牛、護林員和偷獵者，采用的傳感器包括：動物身上的GPS標記、雷達、監(jiān)視相機、麥克風陣列、無線電臺以及無人機。

第二場大會報告來自英國劍橋大學的Simon Godsill，題目是“隨機行為和意圖及多目標動態(tài)系統(tǒng)一體化技術”。報告主要闡述了高層交互和多目標跟蹤方法和應用。報告對已有的多目標跟蹤框架進行了擴展，通過動態(tài)交互實現(xiàn)對跟蹤目標的自動學習，從而可以推理這些目標的可能意圖。該模型的原則是基于動物行為分析。2018年國際信息融合大會將在英國舉行，Simon將擔任大會主席，Simon教授領導的團隊在非線性濾波研究方面屬國際上的一個重要分支。在非線性濾波中引入意圖信息是當前研究熱點。

第三場大會報告是來自保時捷公司的Oliver Pink，題目是“通往自動駕駛之路的挑戰(zhàn)”。該報告重點關注周圍環(huán)境的感知和傳感器融合。

第四場大會報告來自澳大利亞的Curtin大學的Ba Tuong Vo，題目是“PHD濾波器：隨機集方法的進展”。作者認為多目標系統(tǒng)是復雜的動態(tài)系統(tǒng)，其中大量的目標和其狀態(tài)是未知的且隨著時間隨機變化。作者首次將概率假設密度濾波器引入到隨機集框架中，推動了隨機集方法的發(fā)展。很多專家認為PHD距離應用還有很長的路要走。

1.2 分會場論文

從發(fā)表的論文總體情況看，“擴展目標和群跟蹤”方面文章最多，參見表1，這表明信息融合發(fā)展隨著信息化的步伐加快，軍用的色彩在逐步褪去，軍民融合應用已經(jīng)成為主流，技術更多地蘊含在人們的日常生活當中，比如：軌道車輛、車隊、人的姿態(tài)、機器人等跟蹤問題?？梢灶A計隨著研究工作的深入，相關的應用問題也會更多更復雜。

其次是數(shù)據(jù)互聯(lián)、計算機視覺、PHD方法和非線性濾波等研究方向論文，這里PHD和非線性濾波很大一部分就與“擴展目標群跟蹤”方面的應用相關，數(shù)據(jù)互聯(lián)則作為跟蹤中永恒的基礎性問題方面，一直是大家關注的焦點，這是因為無論采用多么巧妙的方法，實際應用中錯誤關聯(lián)在所難免?！坝嬎銠C視覺”明顯與融合應用中的另一類問題——“識別問題”緊密相關，美國國防部曾經(jīng)認為戰(zhàn)場所有問題的核心都可以歸結(jié)為兩點：相關和識別，這也是該問題越來越重要核心所在。

文章數(shù)量排第三的方向有：傳感器管理、機器學習、蒙特卡羅方法、不確定推理、室內(nèi)目標跟蹤、信號處理和定向估計等，這些應用最大的特點是解決不確定性融合問題，環(huán)境（平臺）不確定性、目標性狀（種類、類型）的不確定性、各種干擾的不確定性等問題，智能化、敏捷化、人因化的處理方法是解決這類問題的核心。

表1 分會場及其論文數(shù)

續(xù)表

1.3 重要學者論文分布

國際信息融合領域研究團隊相對穩(wěn)定，主要學術團體（代表人物）在本屆大會上發(fā)表的文章情況見表2。早期由于該領域的敏感性，中國只有少量的研究人員參會，近幾屆，隨著融合領域的擴展，軍民融合得以更多地體現(xiàn)，大陸投稿、文章錄用和參會人數(shù)有逐年遞增趨勢，其中幾所高校如：成都電子科技大學、西北工業(yè)大學、西安交通大學、上海交通大學、四川大學、杭州電子科大、國防科大等學者堅持參會。工業(yè)部門參會人員較少，本屆大會江蘇自動化研究所派出多名技術人員出席。

表2 主要學術團體及其發(fā)表論文情況統(tǒng)計

續(xù)表

從論文分布、分會場和特別專題會場主持人、獲獎論文等綜合統(tǒng)計分析，國際信息融合會議依舊被美國和歐盟學者掌控，特別是從研究方向覆蓋的廣度、深度和對問題的闡述，在該領域他們依舊占據(jù)明顯的優(yōu)勢。

2 獲獎論文

本次會議評選出了一篇最佳會議論文［4］（Jean?Pierre Le Cadre Best Paper Award）和兩篇提名論文［5?6］，同時為鼓勵在信息融合領域的青年研究工作者和科學家，會議最后評選出了一篇最佳學生論文［7］（Tammy L. Blair Best Student Paper Award）和兩篇提名論文［8?9］。

2.1 最佳論文及提名

2.1.1 一種基于模型數(shù)據(jù)驅(qū)動睡眠呼吸暫停探測方法

呼吸暫停分為中樞性呼吸暫停和阻塞式呼吸暫停（OSA），本文主要解決OSA探測問題。近年來，對OSA的探測主要采用純數(shù)據(jù)驅(qū)動的方法，通過提取心電圖（EGC）、氧飽和（SpO2）等生理信號特征，可以使用有監(jiān)督的機器學習方法，將呼吸暫停數(shù)據(jù)與非呼吸暫停數(shù)據(jù)分類然后進行探測，這些純數(shù)據(jù)驅(qū)動方法的性能在很大程度上取決于傳感器數(shù)據(jù)的數(shù)量與質(zhì)量，有很大的局限性。

獎勵類型作者／研究機構(gòu)題目最佳論文Sandeep Gutta／俄克拉荷馬州立大學一種基于模型數(shù)據(jù)驅(qū)動睡眠呼吸暫停探測方法（Model?based Data?driven Approach for Sleep Apnea Detection）提名Roslyn A.Lau／澳大利亞國防科技集團一種基于存在模型的多目標跟蹤結(jié)構(gòu)化平均場方法（A Structured Mean Field Approach for Existence?based Multiple Target Tracking）提名Branko Risti／墨爾本皇家理工大學流行病爆發(fā)實時預報：2014／2015埃博拉案例研究（Real?time Forecasting of an Epidemic Outbreak：Ebola 2014／2015 Case Study）

文獻［4］提出了一種新的阻塞性呼吸暫停（OSA）探測方法，將傳感器量測數(shù)據(jù)和心肺系統(tǒng)模型參數(shù)結(jié)合起來，提升了探測的效果。文章在心肺系統(tǒng)數(shù)學模型的基礎上引入了多元高斯過程（GP），以獲取不同個體間的生理變化。同時，將可分離核函數(shù)的和作為多元GP協(xié)方差函數(shù)，并通過使GP邊緣似然函數(shù)最大化來估計超參數(shù)。通過使用偽輸入點構(gòu)造近似GP邊緣似然函數(shù)，進而估計模型超參數(shù)，可以有效地降低計算復雜度。本文將心率量測信號劃分為連續(xù)不相交的等長區(qū)域，利用如下似然比檢驗實現(xiàn)OSA探測

其中γ是似然比檢驗的門限，信號檢驗區(qū)域長度為L，Zt＝｛z1，z2，…，zt｝是直到時間t的量測集合。仿真和實際數(shù)據(jù)均顯示出新型OSA融合框架要優(yōu)于純數(shù)據(jù)驅(qū)動檢測方法。

2.1.2 一種基于存在模型的多目標跟蹤結(jié)構(gòu)化平均場方法

多目標跟蹤問題由于目標數(shù)目、空間距離和傳感器量測的不確定性，使其成為一個富有挑戰(zhàn)性的聯(lián)合估計問題。目前，該問題比較成熟的算法是基于存在模型的聯(lián)合集成概率數(shù)據(jù)互聯(lián)算法（JIPDA），該算法的最大問題是：當目標數(shù)和量測數(shù)增加時，聯(lián)合假設數(shù)的枚舉為指數(shù)增長，為此研究人員提出了基于存在和關聯(lián)條件概率的聯(lián)合假設枚舉方法、基于可視模型的概率多假設跟蹤（PMHT?v）、概率假設密度濾波器、變分貝葉斯跟蹤器（The Variational Bayes Tracker）等多種方法，但效果并不理想。

為解決這一難題，文獻［5］提出了一種基于存在模型的多目標跟蹤結(jié)構(gòu)化平均場跟蹤器（Structured Mean Field Existence?based Tracker，SMFET），SMFET是一種將概率模型表述為最優(yōu)化問題的方法，旨在從一列不易處理的分布中得出誘導分布q，然后從q出發(fā)盡量逼近真實的后驗分布p，用公式表示即為：

在多目標跟蹤問題存在模型中，t時刻目標狀態(tài)Xt、存在變量Et、關聯(lián)變量At和量測Zt的聯(lián)合分布為p（Xt，Et，At，Zt），文章使用結(jié)構(gòu)化平均場方法將上述聯(lián)合分布表示為：

其中誘導分布為：

接著將上述最優(yōu)化問題轉(zhuǎn)化為求解幾個子問題，可以分別計算出已存在的目標狀態(tài)目標存在概率和目標邊緣關聯(lián)概率。

該文的最大貢獻是：提出了將存在模型和變分法相結(jié)合的結(jié)構(gòu)化平均場多目標跟蹤算法（SMFET），相對于傳統(tǒng)多目標跟蹤中將狀態(tài)估計、數(shù)據(jù)關聯(lián)和跟蹤保持分開考慮的方法，該算法將這三者同時解決，不僅可以估計出下一時刻的目標狀態(tài)，而且可以判斷目標存在與否，解決了目標跟蹤過程中目標突然出現(xiàn)或者消失的判斷問題。同時，該算法解決了聯(lián)合集成概率數(shù)據(jù)關聯(lián)中聯(lián)合假設枚舉的復雜度問題，是解決多目標跟蹤方法的一大進步，為多目標跟蹤和群目標跟蹤的研究，提供了新的解決方案和思路。

2.1.3 流行病爆發(fā)實時預報：2014／2015埃博拉案例研究

預測流行病期間的病例數(shù)量對于相關部門的規(guī)劃和干預至關重要。一種方法是使用大規(guī)模的基于代理的仿真模型來模擬一個國家或地區(qū)的全部人口的日?；顒?。另一種方法是使用一種合適的結(jié)構(gòu)化人口模型隨機非線性濾波框架，然后再應用一個連續(xù)貝葉斯估計預測的泰勒方法，例如擴展卡爾曼濾波、集合卡爾曼濾波、粒子濾波。

文獻［6］研究了一個隨機非線性濾波框架用于估計并預測在2014／2015埃博拉病毒流行期間非洲西部Sierra Leone的病例數(shù)量。該框架提供了一種比基于代理的大規(guī)模仿真模型更簡單可靠的方法。本文提出的方法基于隨機SEIR（Susceptible，Exposed，Infected，Removed Compartmental Model）動態(tài)模型和由負二項分布模擬的似然函數(shù)進行粒子濾波。對粒子濾波進行逐漸修正以防止少數(shù)不規(guī)則數(shù)據(jù)引起的粒子損耗。為便于進行性能比較，本文提出將報告的病例數(shù)與估計病例數(shù)的如下巴氏距離作為性能指標。

其中p（κn｜z1：n）可以用核估計來近似，使用高斯核可得

實驗證明，僅使用報告中的累積病例數(shù)，并不能估計出潛伏期與感染期，但是，基于這兩個參數(shù)的先驗，則可能提供一個可靠的未來病例數(shù)的短期預測。

2.2 最佳學生論文及提名

獎勵類型作者／大學題目最佳學生論文Lingyi Zhang／康涅狄格大學求解大m情形m-最優(yōu)三維動態(tài)調(diào)度問題的方法（Approaches for Solving m?Best 3?Dimen?sional Dynamic Scheduling Problems for Large m）提名Filip Tronarp／芬蘭阿爾托大學帶非附加重尾噪聲的非線性系統(tǒng)σ點濾波（Sigma?Point Filtering for Nonlinear Systems with Non?additive Heavy?tailed Noise）提名Gang Yao／康涅狄格大學基于迭代EMD的陀螺儀輔助視覺跟蹤（Gyro?aided Visual Tracking Using Iterative Earth Mover's Distance）

2.2.1 求解大m情形m?最優(yōu)三維動態(tài)調(diào)度問題方法

文獻［7］提出了一種新的m-最優(yōu)三維調(diào)度問題的有效解法，其中m可以很大（到104）。作者首先給出了一個通用的三維調(diào)度問題的嚴格數(shù)學描述，接著提出了一種兩階段解決方案：第一階段，使用由Murty提出的m-最優(yōu)搜索空間分解方法，將原問題空間分解為一系列子問題；第二階段，通過放松三維規(guī)劃問題的一個限制條件，同時使用拉格朗日松弛法將一個三維分配問題放松為二維分配問題，通過JVC（Jonker?Volgenant?Castanon）算法得出二維分配問題解的一個上界，之后重新加入約束條件將所得二維分配問題轉(zhuǎn)化為一個單一交通規(guī)劃問題或者拍賣問題，求出該問題的一個可行解和解下界，通過重復更新拉格朗日乘子，當問題可行解的上下界間隙很小時，則得到原問題的一個接近最優(yōu)解的次優(yōu)解。

與傳統(tǒng)算法相比，新的兩階段方法，由于使用了Murty提出的m-最優(yōu)搜索空間分解方法，可以在相對較短的時間得到原問題的大量解，擁有數(shù)量眾多的可行解，在實際問題中無疑給決策者提供了巨大的便利；由此，拉格朗日松弛法的使用不僅精簡了解空間，而且也加快了問題的求解過程。

總體上說，該文提出的新方法提高了求解該類問題的效率，同時為解決更為復雜的多維動態(tài)調(diào)度問題提供了新思路。

2.2.2 帶非附加重尾噪聲的非線性系統(tǒng)σ點濾波

狀態(tài)估計在航空航天、智能手機、行人車輛位置推算以及室內(nèi)導航等的傳感器融合中有非常廣泛的應用。學生氏t濾波器是為線性系統(tǒng)而設計的，但是這種架構(gòu)也可以擴展到非線性系統(tǒng)。比如：有學者研究采用變分貝葉斯方法，解決非線性系統(tǒng)帶加性噪聲、高斯狀態(tài)轉(zhuǎn)換以及學生氏t觀測問題。

文獻［8］提出了一種非線性系統(tǒng)σ點濾波方法，其中符合學生氏t分布過程噪聲和量測噪聲，使系統(tǒng)具有非加性。文章使用仿真數(shù)據(jù)和行人航位推算試驗的真實數(shù)據(jù)對算法進行了評估，并且同無跡卡爾曼濾波（UKF）與擴展學生氏t濾波（ESTF）進行比較，結(jié)果表明：在仿真試驗中，非線性學生氏t濾波器能夠更快修正狀態(tài)估計誤差，在行人航位推算試驗中，σ點學生氏t濾波器的軌跡長度與真實距離最接近，同時其環(huán)路閉合偏差最小，說明σ點學生氏t濾波器有更好的濾波效果。

2.2.3 基于迭代EMD的陀螺儀輔助視覺跟蹤

文獻［9］提出了一種基于迭代EMD的陀螺儀輔助視覺跟蹤算法。陸地移動距離（EMD，Earth Mover′s Distance）作為一種分布相似度測量指標，本身對目標外形的改變和光照情況的變化具有很強的適應性，這種性質(zhì)決定了其在圖像跟蹤領域的應用價值，在視覺跟蹤領域，EMD可以被用作在連續(xù)的視頻序列中搜尋目標最優(yōu)候選模板時的相似度度量。文章提出了一種單調(diào)收斂的迭代最優(yōu)化算法，即在當前目標模板位置的基礎上，計算出候選目標模板的EMD，并將其作為目標候選模板權(quán)重的函數(shù)，接著通過重復計算目標模板EMD的導數(shù)來搜尋目標新的位置，從而達到持續(xù)跟蹤目標的目的。此外，成像設備放置在一個運動平臺上，可能遭受到突然且較大的運動，使視頻序列產(chǎn)生較大的幀間移動，為了保證跟蹤算法持續(xù)收斂，文章使用一個與成像設備同步的陀螺儀信息來補償成像設備發(fā)生的旋轉(zhuǎn)和移動，完成了目標的穩(wěn)定跟蹤。

相對于傳統(tǒng)陀螺儀輔助跟蹤方法，本文提出的方法主要有以下優(yōu)勢：

1）將EMD作為視覺跟蹤中目標和候選目標相似度測量的標準，并給出了具體使用方法，該相似度測量標準對由于光照條件、目標姿勢和部分遮擋引起的改變具有很好的魯棒性。文章將該算法與互信息跟蹤器和基于核函數(shù)的均值漂移跟蹤器（kernel?based Mean?shift tracker）相比較，驗證了該方法在光照變化時跟蹤目標的準確性。

2）使用陀螺儀測量數(shù)據(jù)補償成像設備產(chǎn)生的鏡頭抖動、傾斜和旋轉(zhuǎn)。即在補償計算了成像設備自身運動的基礎上，再利用iEMD（iterative Earth Mover's Dis?tance）算法進行目標視覺跟蹤，確保了iEMD算法收斂性，同時也提供了一種在實際情況下更有效運行的跟蹤器。

3 數(shù)據(jù)融合中的不確定性

1961年卡爾曼提出了一種新的濾波估計方法，之后被命名為卡爾曼濾波器，該方法在航空、航天、船舶及其相關的信號處理、信息處理、自動控制等領域的推動作用幾乎超越其它任何方法。同時，卡爾曼濾波器對于信息融合領域的工作者無疑是經(jīng)典和基礎，其影響力足以與德國科學家高斯提出最小二乘估計并列。

國際著名信息融合專家David L.Hall以著述多而聞名，他撰寫的論文和專著對數(shù)據(jù)融合問題、理論和方法闡述深入淺出，幾乎成為這個時代數(shù)據(jù)融合領域的代言人，絕大部分初學者都是在他的文章引導下進入該領域。為此，本屆會議上，美國空軍研究實驗室Erik Blasch等撰寫文章［10］，回顧Hall主要貢獻和觀點（這也說明Hall對美國軍方的影響力），從最早參加創(chuàng)建JDL模型，底層信息融合（Low?Level Information Fusion，LLIF）包含濾波、估計和目標跟蹤和分類的控制，高層信息融合（High?level Information Fusion，HLIF）目標是管理傳感器、用戶和任務；最新JDL模型中增加了一個第五層——用戶精煉，強調(diào)達成用戶的需求。這些模型演化進程中，Hall起到了非常關鍵的作用。圖1是最新的JDL模型［10］。

圖1 包含用戶精煉層的JDL模型［10］

上下文信息包括地理空間情報（比如：道路網(wǎng)路、有益的位置）、目標類型（例如：車輛、船隊）、文化因素（比如：多媒體、社交網(wǎng)絡），以及任務的目標等，在其中任何一種情況，上下文均能為目標跟蹤和分類實時收集信息提供指導，同時，來自文本報告的目標意圖分類信息也可以與來自多個觀測源的目標跟蹤和識別結(jié)果進行關聯(lián)。圖2中突出強調(diào)了上下文對于融合的作用。

Hall的重要貢獻包括：1）對JDL層級的透徹理解和分析；2）數(shù)據(jù)融合軟件和工具調(diào)查和綜述；3）數(shù)據(jù)融合的組織應用；4）信息融合培訓和教學；5）數(shù)據(jù)融合的設計和前程中的實際問題；6）聚焦用戶（認知）難題，5級融合；7）探索硬?軟數(shù)據(jù)融合方法；8）近期在不確定性表示工作組評估技術（Evaluation of Technologies for Uncertainty Representation Working Group，ETURWG）有關不確定性融合方面的討論。

Hall總結(jié)出了數(shù)據(jù)融合的幾個所謂不足（圈套）：1）融合永遠不能取代好傳感器；2）下層的處理無法彌補上層處理的差錯（失效）；3）如果不同性能傳感器獲取的信息運用不正確，傳感器融合將導致性能下降；4）不存在所謂的數(shù)據(jù)融合的魔術般／黃金算法；5）永遠不會有足夠的訓練數(shù)據(jù)；6）數(shù)據(jù)融合系統(tǒng)價值的量化非常困難；7）融合不是一個靜態(tài)的處理。

數(shù)據(jù)融合的不足類似于ETURWG工作組對傳感器融合的評估準則的討論，圖3給出了一個不確定性表示和推理的評價框架（Uncertainty Representation and Reasoning Evaluation Framework，URREF）概念。很多觀點Hall在10多年前就已經(jīng)提出。

圖2 信息融合的層級［10］

圖3 URREF本體，版本2［10］

Hall給出了避免數(shù)據(jù)融合不足的方法：1）通過對傳感器技術透徹分析，建立觀測現(xiàn)象與需求推斷之間的映射關系；2）檢查傳感器數(shù)據(jù)的上下文為傳感器處理智能化選擇算法；3）通過系統(tǒng)性算法選擇和快速原型工具實現(xiàn)實際數(shù)據(jù)集的均衡；4）采用混合模式識別的方法克服訓練數(shù)據(jù)不足的局限性；5）性能指標和效能指標必須能定義和估計數(shù)據(jù)融合系統(tǒng)的可用性；6）智能化4級處理必須能夠監(jiān)控和改善整體的數(shù)據(jù)融合處理過程。

圖4描述了基于效果的行動（effects?based opera?tions，EBO）架構(gòu)中的多智能數(shù)據(jù)信息融合，左邊給出數(shù)據(jù)融合信息組（Data Fusion Information Group，DFIG）過程模型中的層級，涉及認知域、信息域和物理域。物理域包括數(shù)據(jù)刻畫（L0）和目標評價（L1），信息域通過傳感器管理（L4）在物理域數(shù)據(jù)的基礎上對態(tài)勢（L2）和影響（L3）進行估計，認知域包括用戶（L5）和任務（L6）的精煉過程。

圖4 采用基于效果推理的信息融合［10］

4 未來展望

Hall在1997年著名的綜述［11］中，將數(shù)據(jù)融合定位為一類特定的工程應用問題。近年來，隨著傳感器、互聯(lián)網(wǎng)、無線通信等技術的發(fā)展，數(shù)據(jù)融合的研究更多關注的是人們的日常應用，如公共安全、野生動物保護、無人駕駛汽車、機器人控制、金融行情分析、社會經(jīng)濟發(fā)展預測等實際日常問題。而“與國防相關的信息融合技術研究和開發(fā)將越來越呈現(xiàn)‘附帶性’研究的特性［12］，…，”但領域的擴展必然帶來更多不確定性。

由此，數(shù)據(jù)融合領域一些基礎性難點問題解決，也顯得尤為迫切，比如：非線性濾波、擴展目標跟蹤、基于上下文的信息融合等。

1）非線性濾波：Simon教授解決思路是，在目標動態(tài)模型中加入行為交互和未觀測意圖，采用數(shù)字化貝葉斯濾波策略，運用粒子濾波和馬爾科夫鏈蒙特卡洛方法加以實現(xiàn)。

2）擴展目標跟蹤：隨著雷達分辨率的提高，目標回波的不是一個點而是“云團”，此時，傳統(tǒng)意義下單個檢測對應一個目標的假設不再成立，這就是所謂擴展目標跟蹤（Extended Target Tracking，ETT）。Koch［13］提出了一種解決擴展目標跟蹤問題常用可計算的框架，通過將目標假設成一個橢圓擴展，從而采用隨機矩陣建立目標橢圓擴展模型，作為附加狀態(tài)變量進行估計和跟蹤。這里，目標的動態(tài)狀態(tài)采用高斯分布建模，而目標橢圓擴展采用逆Wishart分布模型。實際上，回波的大小與傳感器的分辨率精度和目標尺寸有關，即使是一般的傳感器，在跟蹤群目標時，也會遇到類似問題。在該領域傳感器分辨率建模、多傳感器擴展目標跟蹤等問題是當前研究的熱點。

3）基于上下文的信息融合：在地面目標跟蹤、海上監(jiān)視和基于位置的服務（Location?Based Services，LBS）等應用中，目標的行為和數(shù)據(jù)源的特征以環(huán)境（如：地形類型和天氣條件）作為先決條件，甚至決定他們的邏輯過程及其與其它實體交互的方式。因此，上下文被認為是改善跟蹤性能的關鍵組成部分。一種方法是將上下文知識表示為靜態(tài)或動態(tài)變量，從而與非線性擴展卡爾曼濾波或粒子濾波集成。文獻［14］認為上下文信息是描述實體行為的決定性要素；外部和內(nèi)在（Ex?ternal and Internal）上下文差異之于描述實體行為的重要性。

本屆Fusion2016的會議地點位于內(nèi)可河畔的海德堡會議中心，是一座19世紀晚期建筑，外表古樸與古鎮(zhèn)融為一體；內(nèi)部雖經(jīng)裝修，墻壁和內(nèi)飾奢華亮麗，閃耀著哥特式建筑特有的藝術光輝。海德堡古城融合了千年風雨，依然彌久芬芳，信息融合的未來亦如此。

［1］ http：∥www.fusion2016.org［EB／OL］.

［2］ http：∥www.inforfusion.org［EB／OL］.

［3］ http：∥www.fusion2017.org［EB／OL］.

［4］ Sandeep Gutta，Qi Cheng，Hoa D.Nguyen，Bruce A. Benjamin.Model?based Data?driven Approach for Sleep Apnea Detection.［C］∥Proceedings of 19th International Conference on Information Fusion，Heidelberg，Germany，2016，7：828?835.

［5］ Roslyn A.Lau，Jason L.Williams.A Structured Mean Field Approach for Existence?based Multiple Target Track?ing.［C］∥Proceedings of 19th International Conference on Information Fusion，Heidelberg，Germany，2016，7：1111?1118.

［6］ Branko Ristic，Peter Dawson.Real?time Forecasting of an Epidemic Outbreak：Ebola 2014／2015 Case Study.［C］∥Proceedingsof19thInternationalConferenceon Information Fusion，Heidelberg，Germany，2016，7： 1983?1990.

［7］ Lingyi Zhang，David Sidoti，Krishna R.Pattipati，David Castanon.Approaches for Solving m?Best 3?Dimensional Dynamic Scheduling Problems for Large m.［C］∥Pro?ceedings of 19th International Conference on Information Fusion，Heidelberg，Germany，2016，7：53?58.

［8］ Filip Tronarp，Roland Hostettler，Simo S¨arkk¨a.Sigma?Point Filtering for Nonlinear Systems with Non?Additive Heavy?tailedNoise.［C］∥Proceedingsof19th International Conference on Information Fusion，Heidel?berg，Germany，2016，7：1859?1866.

［9］ Gang Yao，Michael Williams，Ashwin Dani.Gyro?aided Visual Tracking Using Iterative Earth Mover's Distance.［C］∥Proceedings of 19th International Conference on In?formationFusion，Heidelberg，Germany，2016，7：2317?2323.

［10］Erik Blasch，Paulo C.G.Costa，J.Pieter De Villiers，et al.Pragmatic Data Fusion Uncertainty Concerns：Tribute to Dave L.Hall.［C］∥Proceedings of 19th International Conference on Information Fusion，Heidelberg，Germany，2016，7：472?479.

［11］Hall，D.L.Llinas J.An introduction to multisensor data fusion［J］.Proceedings of the IEEE.，1997，85（1）：6?23.

［12］KochW.TrackingandSensorDataFusion—Methodological Framework and Selected Applications［M］. Science Business Media，2013.

［13］Koch JW.Bayesian approach to extended object and cluster tracking using random matrices［J］.IEEE Transac?tions on Aerospace and Electronic Systems，2008，44（3）：1042?1059.

［14］Snidaro L，Garciaj，Linasj.Context?based information fu?sion：a survey and discussion［J］.Information Fusion，2015，25：16?31.

Review of 19thInternational Conference on Information Fusion and its Awarded Papers

HE Jia?zhou，MA Ji?wei，WANG Yu?huai，An Jin
（Jiangsu Automation Research Institute，Lianyungang 222061，China）

This paper summarizes the plenary talks and the regular reports given in Fusion2016（the 19thInternational Con?ference on Information Fusion）.Through the statistical analysis of the papers presented by the several famous fusion teams，some focus areas and issues are put up and investigated.Then，we review the Best Student Award papers together with their Runners?up，which recognize excellences among researchers and scientists in information fusion in the last year，and general?ly accepted by the conference award committee.Finally，we consider the uncertainty of the high level information fusion，and we also discuss some developments and trends of several prosperous areas.

fusion2016；awarded papers；JDL model；nonlinear filtering；extended object tracking；context?based informa?tion fusion

E911；TP273

A

10.3969／j.issn.1673?3819.2016.06.028

1673?3819（2016）06?0135?10

2016?11?03

2016?11?17

何佳洲（1966?），男，江蘇丹徒人，博士，研究員，研究方向為信息融合。

馬繼偉（1992?），男，碩士研究生。

王昱槐（1989?），男，碩士研究生。

安 瑾（1981?），男，碩士，高級工程師。