信息與智能交通控制平臺融合技術分析

曾嚴

摘 要：文章闡釋了信息融合技術應用在智能交通中的具體內容。常用信息融合技術歸類，依照其特點分成明顯的5種類別：神經網絡、Bayes融合、推理融合、空間融合、自適應濾波類型。貼近日常的5種交通場景，具體為信息監測與采集、交通流具體剖析、分類篩選、誘導控制、定位導航等場景，將信息融合技術運用在智能交通中，強調交通應用場景的差異導致融合技巧以及算法的差別。

關鍵詞：智能交通；現代化電子信息技術；融合

智能交通系統（Intelligent Transportation System，ITS）屬于現代化電子信息技術的一種，針對交通運輸進行服務，通過檢測信息、收集信息、整理信息、分類信息、利用信息等手段，為交通參與者帶來各種服務，改變傳統交通模式，推進智能化交通的實現，使交通更加便捷、安全、節能、高效。ITS通過多種檢測技術收集各類信息，常用的檢測技術包括磁感線圈檢測，食品檢測、GPS探測車檢測等。ITS還通過信息采集系統下屬子系統的協同配合，融合了異源信息以及同源信息中的各個差異性特征，提升信息采集質量標準，有效處置單個信息源以及特征信息失效造成的失誤。所以，信息融合技術屬于ITS的重要方面。

1 信息融合技術闡釋

信息融合技術體現在各個行業以及領域中對于信息融合的理解，目前，信息融合的概念并未得到一致性的認同和確定性的表達。通常認為，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，信息融合是為了收集信息的質量逐步提升，質量標準與應用有很大關系。筆者認為信息融合是各種有差異性特征信息的融合，特征信息的來源有同信息源，也有異信息源。

信息融合技術的關鍵性在于數據轉換、融合計算、數據相關、融合損失、態勢數據庫。信息融合包含的內容很廣，融合算法需要多種算法單元共同組合，所以很難對信息融合更進一步地分類。本文將ITS領域常用的融合算法總結，具體將信息融合技術分為5大類：神經網絡、Bayes融合、推理融合、空間融合、自適應濾波類型。

1.1 神經網絡類

神經網絡技術能夠解決傳統人工智能在直覺以及非結構化信息處理上的劣勢，神經網絡技術能夠應用在模式識別、組合優化、自動控制、圖像處理等工作中。例如模式識別領域中運用神經網絡，能夠成功實現手寫字符，并且對于語音、指紋、汽車拍照自動識別，并采取跟蹤目標的行為，自動控制領域中使用神經網絡技術可以應用在系統建模以及辨識、預測控制、濾波與預測容錯控制、參數整定、最優控制等方面。神經網絡應用在圖像處理領域中，能夠有效針對圖像恢復、圖像分割、邊緣檢測、圖像增強、圖像壓縮等功能。以上是神經網絡技術的實踐應用，這些實踐應用同樣能夠在ITS領域類似的場景中使用。

1.2 Bayes融合類

Bayes融合是將靜態環境內多傳感器底層數據進行融合，在具有可加高斯噪聲的不確定信息情況下使用此方法。Bayes融合凸顯出兩項較為棘手的問題，分別是求解最優融合律以及最優分站壓縮律。一些學者已經得出了一類特定通訊模式的最優融合律，然而一般通訊模式下的多傳感器Bayes融合系統的最優融合律仍未得出。一般情況下，這兩個問題能夠逐步轉化為傳感器融合律給定以及傳感器觀測獨立條件下的分布式Bayes二元判決。所以，Bayes二元判決屬于Bayes融合的構成部分。

1.3 推理融合類

一般看來，對于不確定性問題的組合以及處置方式人們采用權方法。不確定推理理論重點可以體現在Bayes推理、證據推理、模糊邏輯推理、基于規則的推理，除此以外，投票法、連續下屆預測、非單調邏輯、模糊積分法也包含在內。盡管各種方法有自身的優勢方面和劣勢因素，證據推理根據不確定性的組合、量測等優勢方面受到人們的重點關注。

2 信息融合技術應用在智能交通中的具體體現

2.1 信息融合技術應用在車輛檢測以及信息采集方面

在對Haar-like特征和Adaboost分類器的不斷完善過程中，創新道路車輛級聯融合檢測方法，將Haar-like特征和HOG特征共同融合，試驗結果顯示出該方法對于檢測道路車輛有一定效果。信息融合技術應用于交通信息采集工作中重點體現在路側設備以及車載終端多元信息融合。

2.2 信息融合技術應用在車聯網分類識別方面

車聯網分類識別中具體滲透信息融合技術的內容很多。根據識別對象的區別，能夠將其歸為交通物理目標方面。交通物理目標中，信息融合技術體現在車型、交通標志、車牌的識別。車型識別主要通過車輛輪廓特點，其中體現了空間融合技術的使用。例如，相關者提取車輛地刺感應波的多項重要特征，選取3種特征開展空間融合識別，試驗結果顯示有效。有學者選取尺度相同的特征轉換技術，要求進行車型識別，將多視角特征不斷改變，達到分區融合識別效果。一些學者選擇一種基于空間融合技術的車型識別方法，采取寬帶雷達完成車輛距離像，通過3種線性子空間方式的組合完成高性能實時車型識別。車牌識別則采取神經網絡匹配法較多。

2.3 信息融合技術應用在車聯網誘導控制方面

信息融合技術應用于車聯網誘導控制方面具體體現在路網控制以及車流調控誘導。車流調控誘導中，信息融合技術能夠作用于最優路徑搜索，并且為快速路控制提供有效幫助。最優路徑搜索方面，將重慶市渝中半島路網作為例子，最優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的蟻群算法的創新，這種方式能夠避免基本一群算法造成的局部最優，導致早熟停滯的劣勢結果，這種算法能夠提升全局搜索質量；第二是帶免疫機理的粒子群算法，這種算法能夠避免牛頓法局部收斂問題，解決粒子群算法局部最優問題，其全局尋優能力超過了粒子群算法以及遺傳算法。面對快速路控制，學者采取系統性分析提出兩種動態起止點估計模型，一種是針對快速路通道的給予自適應卡爾曼濾波，另一種是針對城市快速路網的給予交通分配。仿真結果顯示出，兩種動態起止點模型具有穩固性。

2.4 車輛定位導航中具體應用信息融合技術

車輛定位導航系統中逐漸滲透信息融合技術重點體現在車輛定位以及地圖位置關聯性匹配兩個方面。車輛定位的作用具體分為衛星車輛定位以及視頻流車體定位，衛星車輛定位屬于重點關注的研究內容。面對城市路網狀況的復雜性，傳統方式的衛星定位技術不能提供精確的信息，伴隨逐漸增多的車輛，傳統衛星定位方式已經凸顯其落后，應采取其他輔助方式，例如路側信息、車載信息綜合起來融合定位，應用多傳感器數據融合技術開展定位工作。這種技術的優勢在于集合多種信息進行全面剖析，衛星車輛定位過程中，多數融合方法也被稱為卡爾曼濾波類。在GPS和慣性導航系統（Inertial Navigation System， INS）中引入卡爾曼濾波，通過3種有區別的耦合方式完成融合。采取無跡卡爾曼濾波將衛星信息以及車載信息全面融合，仿真結果顯示出該方式提供的定位信息更加精準，尤其是在路況復雜的環境中。

地圖匹配的方式一般是推理融合方式，應用頻率最高的是D-S證據推理。一旦需要將各類信息之間的關系進行協調，D-S方法凸顯出經驗豐富。地圖匹配新算法中綜合了權值D-S證據推理以及概率決策理論，使用導航系統現有信息對于車輛位姿規則進行設置，確保新的組合推理規則不會提升決策風險，并能在處置證據中的沖突信息凸顯出有效性。將全局D-S方法以及道路拓撲關系作為依托，該方式能夠應用最短準則全面剖析道路匹配因素，完成直接投影匹配。

3 結語

目前看來，我國ITS發展能夠凸顯出3個弱勢方面：主導缺失、技術水平較低、模式較難實現。技術方面的劣勢重點在于：（1）精密傳感器不能夠采取自主研發和生產；（2）交通信息智能化處理以及智能存儲有待加強。按照ITS性質，交通信息的重要處理措施是融合，ITS中同樣注重融合技術的使用。本文經過詳細地剖析和闡釋得出下列結論：場景的區別導致融合技巧以及算法的差異；融合技術運用在ITS中并非數學復制方式，應體現出交通專業特點，貼近具體交通場景特點來合理應用。