信息与智能交通控制平台融合技术分析

    曾严

    摘 要：文章阐释了信息融合技术应用在智能交通中的具体内容。常用信息融合技术归类，依照其特点分成明显的5种类别：神经网络、Bayes融合、推理融合、空间融合、自适应滤波类型。贴近日常的5种交通场景，具体为信息监测与采集、交通流具体剖析、分类筛选、诱导控制、定位导航等场景，将信息融合技术运用在智能交通中，强调交通应用场景的差异导致融合技巧以及算法的差别。

    关键词：智能交通；现代化电子信息技术；融合

    智能交通系统（Intelligent Transportation System，ITS）属于现代化电子信息技术的一种，针对交通运输进行服务，通过检测信息、收集信息、整理信息、分类信息、利用信息等手段，为交通参与者带来各种服务，改变传统交通模式，推进智能化交通的实现，使交通更加便捷、安全、节能、高效。ITS通过多种检测技术收集各类信息，常用的检测技术包括磁感线圈检测，食品检测、GPS探测车检测等。ITS还通过信息采集系统下属子系统的协同配合，融合了异源信息以及同源信息中的各个差异性特征，提升信息采集质量标准，有效处置单个信息源以及特征信息失效造成的失误。所以，信息融合技术属于ITS的重要方面。

    1 信息融合技术阐释

    信息融合技术体现在各个行业以及领域中对于信息融合的理解，目前，信息融合的概念并未得到一致性的认同和确定性的表达。通常认为，信息融合属于形式方面，仅是一种融合方式或者融合工具的表达，信息融合是为了收集信息的质量逐步提升，质量标准与应用有很大关系。笔者认为信息融合是各种有差异性特征信息的融合，特征信息的来源有同信息源，也有异信息源。

    信息融合技术的关键性在于数据转换、融合计算、数据相关、融合损失、态势数据库。信息融合包含的内容很广，融合算法需要多种算法单元共同组合，所以很难对信息融合更进一步地分类。本文将ITS领域常用的融合算法总结，具体将信息融合技术分为5大类：神经网络、Bayes融合、推理融合、空间融合、自适应滤波类型。

    1.1 神经网络类

    神经网络技术能够解决传统人工智能在直觉以及非结构化信息处理上的劣势，神经网络技术能够应用在模式识别、组合优化、自动控制、图像处理等工作中。例如模式识别领域中运用神经网络，能够成功实现手写字符，并且对于语音、指纹、汽车拍照自动识别，并采取跟踪目标的行为，自动控制领域中使用神经网络技术可以应用在系统建模以及辨识、预测控制、滤波与预测容错控制、参数整定、最优控制等方面。神经网络应用在图像处理领域中，能够有效针对图像恢复、图像分割、边缘检测、图像增强、图像压缩等功能。以上是神经网络技术的实践应用，这些实践应用同样能够在ITS领域类似的场景中使用。

    1.2 Bayes融合类

    Bayes融合是将静态环境内多传感器底层数据进行融合，在具有可加高斯噪声的不确定信息情况下使用此方法。Bayes融合凸显出两项较为棘手的问题，分别是求解最优融合律以及最优分站压缩律。一些学者已经得出了一类特定通讯模式的最优融合律，然而一般通讯模式下的多传感器Bayes融合系统的最优融合律仍未得出。一般情况下，这两个问题能够逐步转化为传感器融合律给定以及传感器观测独立条件下的分布式Bayes二元判决。所以，Bayes二元判决属于Bayes融合的构成部分。

    1.3 推理融合类

    一般看来，对于不确定性问题的组合以及处置方式人们采用权方法。不确定推理理论重点可以体现在Bayes推理、证据推理、模糊逻辑推理、基于规则的推理，除此以外，投票法、连续下届预测、非单调逻辑、模糊积分法也包含在内。尽管各种方法有自身的优势方面和劣势因素，证据推理根据不确定性的组合、量测等优势方面受到人们的重点关注。

    2 信息融合技术应用在智能交通中的具体体现

    2.1 信息融合技术应用在车辆检测以及信息采集方面

    在对Haar-like特征和Adaboost分类器的不断完善过程中，创新道路车辆级联融合检测方法，将Haar-like特征和HOG特征共同融合，试验结果显示出该方法对于检测道路车辆有一定效果。信息融合技术应用于交通信息采集工作中重点体现在路侧设备以及车载终端多元信息融合。

    2.2 信息融合技术应用在车联网分类识别方面

    车联网分类识别中具体渗透信息融合技术的内容很多。根据识别对象的区别，能够将其归为交通物理目标方面。交通物理目标中，信息融合技术体现在车型、交通标志、车牌的识别。车型识别主要通过车辆轮廓特点，其中体现了空间融合技术的使用。例如，相关者提取车辆地刺感应波的多项重要特征，选取3种特征开展空间融合识别，试验结果显示有效。有学者选取尺度相同的特征转换技术，要求进行车型识别，将多视角特征不断改变，达到分区融合识别效果。一些学者选择一种基于空间融合技术的车型识别方法，采取宽带雷达完成车辆距离像，通过3种线性子空间方式的组合完成高性能实时车型识别。车牌识别则采取神经网络匹配法较多。

    2.3 信息融合技术应用在车联网诱导控制方面

    信息融合技术应用于车联网诱导控制方面具体体现在路网控制以及车流调控诱导。车流调控诱导中，信息融合技术能够作用于最优路径搜索，并且为快速路控制提供有效帮助。最优路径搜索方面，将重庆市渝中半岛路网作为例子，最优路径搜索算法通常由两种：第一是将混沌选择策略作为基础的蚁群算法的创新，这种方式能够避免基本一群算法造成的局部最优，导致早熟停滞的劣势结果，这种算法能够提升全局搜索质量；第二是带免疫机理的粒子群算法，这种算法能够避免牛顿法局部收敛问题，解决粒子群算法局部最优问题，其全局寻优能力超过了粒子群算法以及遗传算法。面对快速路控制，学者采取系统性分析提出两种动态起止点估计模型，一种是针对快速路通道的给予自适应卡尔曼滤波，另一种是针对城市快速路网的给予交通分配。仿真结果显示出，两种动态起止点模型具有稳固性。

    2.4 车辆定位导航中具体应用信息融合技术

    车辆定位导航系统中逐渐渗透信息融合技术重点体现在车辆定位以及地图位置关联性匹配两个方面。车辆定位的作用具体分为卫星车辆定位以及视频流车体定位，衛星车辆定位属于重点关注的研究内容。面对城市路网状况的复杂性，传统方式的卫星定位技术不能提供精确的信息，伴随逐渐增多的车辆，传统卫星定位方式已经凸显其落后，应采取其他辅助方式，例如路侧信息、车载信息综合起来融合定位，应用多传感器数据融合技术开展定位工作。这种技术的优势在于集合多种信息进行全面剖析，卫星车辆定位过程中，多数融合方法也被称为卡尔曼滤波类。在GPS和惯性导航系统（Inertial Navigation System， INS）中引入卡尔曼滤波，通过3种有区别的耦合方式完成融合。采取无迹卡尔曼滤波将卫星信息以及车载信息全面融合，仿真结果显示出该方式提供的定位信息更加精准，尤其是在路况复杂的环境中。

    地图匹配的方式一般是推理融合方式，应用频率最高的是D-S证据推理。一旦需要将各类信息之间的关系进行协调，D-S方法凸显出经验丰富。地图匹配新算法中综合了权值D-S证据推理以及概率决策理论，使用导航系统现有信息对于车辆位姿规则进行设置，确保新的组合推理规则不会提升决策风险，并能在处置证据中的冲突信息凸显出有效性。将全局D-S方法以及道路拓扑关系作为依托，该方式能够应用最短准则全面剖析道路匹配因素，完成直接投影匹配。

    3 结语

    目前看来，我国ITS发展能够凸显出3个弱势方面：主导缺失、技术水平较低、模式较难实现。技术方面的劣势重点在于：（1）精密传感器不能够采取自主研发和生产；（2）交通信息智能化处理以及智能存储有待加强。按照ITS性质，交通信息的重要处理措施是融合，ITS中同样注重融合技术的使用。本文经过详细地剖析和阐释得出下列结论：场景的区别导致融合技巧以及算法的差异；融合技术运用在ITS中并非数学复制方式，应体现出交通专业特点，贴近具体交通场景特点来合理应用。