最近，我的一位同事问我，“什么是传感器融合？” 我得停下来想想。正如大法官波特·斯图尔特曾经说的， “当我看到它的时候我知道它。” 但作为一名每天都在处理这个课题的工程师，我应该能做得更好。最终我想到了以下几点：
传感器融合包括多种技术，这些技术可以：
- 权衡各种传感器的优点和缺点，以计算比使用各个部件可计算的更多的东西；
- 利用以下优势提高计算结果的质量和噪声水平：
- 传感器之间的已知数据冗余
- 系统传递函数、动力学和/或运动学知识
老天！听上去象是我课本上的东西。以身作则，会更有趣。
加速度计返回包括惯性加速度和重力的测量量。不活动时，它们会做一副很棒的倾斜仪。但是它们不能检测到围绕重力矢量的旋转。磁强计在探测地球磁场的自转时也有类似的问题。但将两者结合起来，就会有这样一种情况：两者相互补充，实现一种两者都无法单独完成的目标。
MEMS陀螺用于测量角旋转，通常可以快速响应旋转的变化。随着时间的推移，它们也往往有相当大的偏移和偏移。磁强计提供了对这些偏移项和漂移项设置界限的方法。反之，陀螺仪数据也可用作对磁干扰的二次检验。
你可以看到类似这些技术正在大量的iPhone和Android传感器应用中使用，它们现在可以下载到你的手机上。有时，你可以看到开发商应该使用这种技术的案例！
我喜欢向人们展示的传感器融合应用之一是“3D Compass”应用，我从安卓市场下载到了我的Xoom上。这个增强现实的应用融合了磁强计、加速度计和GPS信息，不仅能显示你的位置，还能显示你当前的视角。应用程序屏幕提供当前相机视图，上面叠加有虚拟罗盘和地图，定向方式与您面对和减缓当前位置的方式相同。太好了！
我希望未来几个月能看到更多像这样的创意应用。
未来几年，我们将看到基于算法的研究应用，这些算法对所研究系统的行为（包括系统中传感器的统计噪声行为）建模。通过比较测量量和预测量，通常可以将信号从原本看起来无异于噪音的东西中剔除。
低成本MEMS和固态传感器正使几年前成本高昂的消费产品和应用成为可能。我们很幸运，在微观层面处理的大部分传感器融合问题在30多年前都由NASA和航空工业在宏观层面解决。自从加入传感器设计团队后，我就得重新梳理一下我的数学和控制理论，并投资购买一些好的教科书。如果你与我一样热衷于这个话题，你可以做的不过获得下面参考文献中列出的其中一些信息。如果您对传感器融合有更好的定义，请通过响应此帖子进行共享。
参考
- 最优状态估计 — Kalman，H-infinit和非线性方法，Dan Simon，John Wiley & Sons，2006年
- 随机信号介绍和应用Kalman滤波与Matlab Exerctions and Solutions，第三版，Robert Grover Brown和Patrick Y.C. Hwang， John Wiley & Sons， 1997年
- Inertial Navigation Systems Design， Kenneth R. Britting， Artech House， 2010（经典文本，1971年首次发布）
- 捷联惯性导航技术，第二版，D.H. 蒂特顿和J.L. Weston，电气工程师研究所，2004年
- 四元数和旋转序列，杰克B.库伊佩斯，普林斯顿大学出版社，1999年
