曾嚴(yán)

摘 要：文章闡釋了信息融合技術(shù)應(yīng)用在智能交通中的具體內(nèi)容。常用信息融合技術(shù)歸類(lèi)，依照其特點(diǎn)分成明顯的5種類(lèi)別：神經(jīng)網(wǎng)絡(luò)、Bayes融合、推理融合、空間融合、自適應(yīng)濾波類(lèi)型。貼近日常的5種交通場(chǎng)景，具體為信息監(jiān)測(cè)與采集、交通流具體剖析、分類(lèi)篩選、誘導(dǎo)控制、定位導(dǎo)航等場(chǎng)景，將信息融合技術(shù)運(yùn)用在智能交通中，強(qiáng)調(diào)交通應(yīng)用場(chǎng)景的差異導(dǎo)致融合技巧以及算法的差別。

關(guān)鍵詞：智能交通；現(xiàn)代化電子信息技術(shù)；融合

智能交通系統(tǒng)（Intelligent Transportation System，ITS）屬于現(xiàn)代化電子信息技術(shù)的一種，針對(duì)交通運(yùn)輸進(jìn)行服務(wù)，通過(guò)檢測(cè)信息、收集信息、整理信息、分類(lèi)信息、利用信息等手段，為交通參與者帶來(lái)各種服務(wù)，改變傳統(tǒng)交通模式，推進(jìn)智能化交通的實(shí)現(xiàn)，使交通更加便捷、安全、節(jié)能、高效。ITS通過(guò)多種檢測(cè)技術(shù)收集各類(lèi)信息，常用的檢測(cè)技術(shù)包括磁感線圈檢測(cè)，食品檢測(cè)、GPS探測(cè)車(chē)檢測(cè)等。ITS還通過(guò)信息采集系統(tǒng)下屬子系統(tǒng)的協(xié)同配合，融合了異源信息以及同源信息中的各個(gè)差異性特征，提升信息采集質(zhì)量標(biāo)準(zhǔn)，有效處置單個(gè)信息源以及特征信息失效造成的失誤。所以，信息融合技術(shù)屬于ITS的重要方面。

1 信息融合技術(shù)闡釋

信息融合技術(shù)體現(xiàn)在各個(gè)行業(yè)以及領(lǐng)域中對(duì)于信息融合的理解，目前，信息融合的概念并未得到一致性的認(rèn)同和確定性的表達(dá)。通常認(rèn)為，信息融合屬于形式方面，僅是一種融合方式或者融合工具的表達(dá)，信息融合是為了收集信息的質(zhì)量逐步提升，質(zhì)量標(biāo)準(zhǔn)與應(yīng)用有很大關(guān)系。筆者認(rèn)為信息融合是各種有差異性特征信息的融合，特征信息的來(lái)源有同信息源，也有異信息源。

信息融合技術(shù)的關(guān)鍵性在于數(shù)據(jù)轉(zhuǎn)換、融合計(jì)算、數(shù)據(jù)相關(guān)、融合損失、態(tài)勢(shì)數(shù)據(jù)庫(kù)。信息融合包含的內(nèi)容很廣，融合算法需要多種算法單元共同組合，所以很難對(duì)信息融合更進(jìn)一步地分類(lèi)。本文將ITS領(lǐng)域常用的融合算法總結(jié)，具體將信息融合技術(shù)分為5大類(lèi)：神經(jīng)網(wǎng)絡(luò)、Bayes融合、推理融合、空間融合、自適應(yīng)濾波類(lèi)型。

1.1 神經(jīng)網(wǎng)絡(luò)類(lèi)

神經(jīng)網(wǎng)絡(luò)技術(shù)能夠解決傳統(tǒng)人工智能在直覺(jué)以及非結(jié)構(gòu)化信息處理上的劣勢(shì)，神經(jīng)網(wǎng)絡(luò)技術(shù)能夠應(yīng)用在模式識(shí)別、組合優(yōu)化、自動(dòng)控制、圖像處理等工作中。例如模式識(shí)別領(lǐng)域中運(yùn)用神經(jīng)網(wǎng)絡(luò)，能夠成功實(shí)現(xiàn)手寫(xiě)字符，并且對(duì)于語(yǔ)音、指紋、汽車(chē)拍照自動(dòng)識(shí)別，并采取跟蹤目標(biāo)的行為，自動(dòng)控制領(lǐng)域中使用神經(jīng)網(wǎng)絡(luò)技術(shù)可以應(yīng)用在系統(tǒng)建模以及辨識(shí)、預(yù)測(cè)控制、濾波與預(yù)測(cè)容錯(cuò)控制、參數(shù)整定、最優(yōu)控制等方面。神經(jīng)網(wǎng)絡(luò)應(yīng)用在圖像處理領(lǐng)域中，能夠有效針對(duì)圖像恢復(fù)、圖像分割、邊緣檢測(cè)、圖像增強(qiáng)、圖像壓縮等功能。以上是神經(jīng)網(wǎng)絡(luò)技術(shù)的實(shí)踐應(yīng)用，這些實(shí)踐應(yīng)用同樣能夠在ITS領(lǐng)域類(lèi)似的場(chǎng)景中使用。

1.2 Bayes融合類(lèi)

Bayes融合是將靜態(tài)環(huán)境內(nèi)多傳感器底層數(shù)據(jù)進(jìn)行融合，在具有可加高斯噪聲的不確定信息情況下使用此方法。Bayes融合凸顯出兩項(xiàng)較為棘手的問(wèn)題，分別是求解最優(yōu)融合律以及最優(yōu)分站壓縮律。一些學(xué)者已經(jīng)得出了一類(lèi)特定通訊模式的最優(yōu)融合律，然而一般通訊模式下的多傳感器Bayes融合系統(tǒng)的最優(yōu)融合律仍未得出。一般情況下，這兩個(gè)問(wèn)題能夠逐步轉(zhuǎn)化為傳感器融合律給定以及傳感器觀測(cè)獨(dú)立條件下的分布式Bayes二元判決。所以，Bayes二元判決屬于Bayes融合的構(gòu)成部分。

1.3 推理融合類(lèi)

一般看來(lái)，對(duì)于不確定性問(wèn)題的組合以及處置方式人們采用權(quán)方法。不確定推理理論重點(diǎn)可以體現(xiàn)在Bayes推理、證據(jù)推理、模糊邏輯推理、基于規(guī)則的推理，除此以外，投票法、連續(xù)下屆預(yù)測(cè)、非單調(diào)邏輯、模糊積分法也包含在內(nèi)。盡管各種方法有自身的優(yōu)勢(shì)方面和劣勢(shì)因素，證據(jù)推理根據(jù)不確定性的組合、量測(cè)等優(yōu)勢(shì)方面受到人們的重點(diǎn)關(guān)注。

2 信息融合技術(shù)應(yīng)用在智能交通中的具體體現(xiàn)

2.1 信息融合技術(shù)應(yīng)用在車(chē)輛檢測(cè)以及信息采集方面

在對(duì)Haar-like特征和Adaboost分類(lèi)器的不斷完善過(guò)程中，創(chuàng)新道路車(chē)輛級(jí)聯(lián)融合檢測(cè)方法，將Haar-like特征和HOG特征共同融合，試驗(yàn)結(jié)果顯示出該方法對(duì)于檢測(cè)道路車(chē)輛有一定效果。信息融合技術(shù)應(yīng)用于交通信息采集工作中重點(diǎn)體現(xiàn)在路側(cè)設(shè)備以及車(chē)載終端多元信息融合。

2.2 信息融合技術(shù)應(yīng)用在車(chē)聯(lián)網(wǎng)分類(lèi)識(shí)別方面

車(chē)聯(lián)網(wǎng)分類(lèi)識(shí)別中具體滲透信息融合技術(shù)的內(nèi)容很多。根據(jù)識(shí)別對(duì)象的區(qū)別，能夠?qū)⑵錃w為交通物理目標(biāo)方面。交通物理目標(biāo)中，信息融合技術(shù)體現(xiàn)在車(chē)型、交通標(biāo)志、車(chē)牌的識(shí)別。車(chē)型識(shí)別主要通過(guò)車(chē)輛輪廓特點(diǎn)，其中體現(xiàn)了空間融合技術(shù)的使用。例如，相關(guān)者提取車(chē)輛地刺感應(yīng)波的多項(xiàng)重要特征，選取3種特征開(kāi)展空間融合識(shí)別，試驗(yàn)結(jié)果顯示有效。有學(xué)者選取尺度相同的特征轉(zhuǎn)換技術(shù)，要求進(jìn)行車(chē)型識(shí)別，將多視角特征不斷改變，達(dá)到分區(qū)融合識(shí)別效果。一些學(xué)者選擇一種基于空間融合技術(shù)的車(chē)型識(shí)別方法，采取寬帶雷達(dá)完成車(chē)輛距離像，通過(guò)3種線性子空間方式的組合完成高性能實(shí)時(shí)車(chē)型識(shí)別。車(chē)牌識(shí)別則采取神經(jīng)網(wǎng)絡(luò)匹配法較多。

2.3 信息融合技術(shù)應(yīng)用在車(chē)聯(lián)網(wǎng)誘導(dǎo)控制方面

信息融合技術(shù)應(yīng)用于車(chē)聯(lián)網(wǎng)誘導(dǎo)控制方面具體體現(xiàn)在路網(wǎng)控制以及車(chē)流調(diào)控誘導(dǎo)。車(chē)流調(diào)控誘導(dǎo)中，信息融合技術(shù)能夠作用于最優(yōu)路徑搜索，并且為快速路控制提供有效幫助。最優(yōu)路徑搜索方面，將重慶市渝中半島路網(wǎng)作為例子，最優(yōu)路徑搜索算法通常由兩種：第一是將混沌選擇策略作為基礎(chǔ)的蟻群算法的創(chuàng)新，這種方式能夠避免基本一群算法造成的局部最優(yōu)，導(dǎo)致早熟停滯的劣勢(shì)結(jié)果，這種算法能夠提升全局搜索質(zhì)量；第二是帶免疫機(jī)理的粒子群算法，這種算法能夠避免牛頓法局部收斂問(wèn)題，解決粒子群算法局部最優(yōu)問(wèn)題，其全局尋優(yōu)能力超過(guò)了粒子群算法以及遺傳算法。面對(duì)快速路控制，學(xué)者采取系統(tǒng)性分析提出兩種動(dòng)態(tài)起止點(diǎn)估計(jì)模型，一種是針對(duì)快速路通道的給予自適應(yīng)卡爾曼濾波，另一種是針對(duì)城市快速路網(wǎng)的給予交通分配。仿真結(jié)果顯示出，兩種動(dòng)態(tài)起止點(diǎn)模型具有穩(wěn)固性。

2.4 車(chē)輛定位導(dǎo)航中具體應(yīng)用信息融合技術(shù)

車(chē)輛定位導(dǎo)航系統(tǒng)中逐漸滲透信息融合技術(shù)重點(diǎn)體現(xiàn)在車(chē)輛定位以及地圖位置關(guān)聯(lián)性匹配兩個(gè)方面。車(chē)輛定位的作用具體分為衛(wèi)星車(chē)輛定位以及視頻流車(chē)體定位，衛(wèi)星車(chē)輛定位屬于重點(diǎn)關(guān)注的研究?jī)?nèi)容。面對(duì)城市路網(wǎng)狀況的復(fù)雜性，傳統(tǒng)方式的衛(wèi)星定位技術(shù)不能提供精確的信息，伴隨逐漸增多的車(chē)輛，傳統(tǒng)衛(wèi)星定位方式已經(jīng)凸顯其落后，應(yīng)采取其他輔助方式，例如路側(cè)信息、車(chē)載信息綜合起來(lái)融合定位，應(yīng)用多傳感器數(shù)據(jù)融合技術(shù)開(kāi)展定位工作。這種技術(shù)的優(yōu)勢(shì)在于集合多種信息進(jìn)行全面剖析，衛(wèi)星車(chē)輛定位過(guò)程中，多數(shù)融合方法也被稱(chēng)為卡爾曼濾波類(lèi)。在GPS和慣性導(dǎo)航系統(tǒng)（Inertial Navigation System， INS）中引入卡爾曼濾波，通過(guò)3種有區(qū)別的耦合方式完成融合。采取無(wú)跡卡爾曼濾波將衛(wèi)星信息以及車(chē)載信息全面融合，仿真結(jié)果顯示出該方式提供的定位信息更加精準(zhǔn)，尤其是在路況復(fù)雜的環(huán)境中。

地圖匹配的方式一般是推理融合方式，應(yīng)用頻率最高的是D-S證據(jù)推理。一旦需要將各類(lèi)信息之間的關(guān)系進(jìn)行協(xié)調(diào)，D-S方法凸顯出經(jīng)驗(yàn)豐富。地圖匹配新算法中綜合了權(quán)值D-S證據(jù)推理以及概率決策理論，使用導(dǎo)航系統(tǒng)現(xiàn)有信息對(duì)于車(chē)輛位姿規(guī)則進(jìn)行設(shè)置，確保新的組合推理規(guī)則不會(huì)提升決策風(fēng)險(xiǎn)，并能在處置證據(jù)中的沖突信息凸顯出有效性。將全局D-S方法以及道路拓?fù)潢P(guān)系作為依托，該方式能夠應(yīng)用最短準(zhǔn)則全面剖析道路匹配因素，完成直接投影匹配。

3 結(jié)語(yǔ)

目前看來(lái)，我國(guó)ITS發(fā)展能夠凸顯出3個(gè)弱勢(shì)方面：主導(dǎo)缺失、技術(shù)水平較低、模式較難實(shí)現(xiàn)。技術(shù)方面的劣勢(shì)重點(diǎn)在于：（1）精密傳感器不能夠采取自主研發(fā)和生產(chǎn)；（2）交通信息智能化處理以及智能存儲(chǔ)有待加強(qiáng)。按照ITS性質(zhì)，交通信息的重要處理措施是融合，ITS中同樣注重融合技術(shù)的使用。本文經(jīng)過(guò)詳細(xì)地剖析和闡釋得出下列結(jié)論：場(chǎng)景的區(qū)別導(dǎo)致融合技巧以及算法的差異；融合技術(shù)運(yùn)用在ITS中并非數(shù)學(xué)復(fù)制方式，應(yīng)體現(xiàn)出交通專(zhuān)業(yè)特點(diǎn)，貼近具體交通場(chǎng)景特點(diǎn)來(lái)合理應(yīng)用。