多传感器数据融合在融合来自不同距离传感器的数据时具有优势，可用于扫描包含精细和粗糙细节的场景。该研究提出了一种新的多传感器距离数据融合方法，旨在增加生成的整个曲面模型的描述性内容。
首先，提出了一种新的基于凸松弛技术的扫描范围数据集训练框架来解决基于放宽高斯混合模型的方法。距离数据的分类是基于一个训练过的统计模型。在数据融合实验中，使用了激光距离传感器和Kinect (V1)。
基于分割准则，将激光距离传感器获取的较细区域距离数据与Kinect较粗区域距离数据进行融合。融合的距离信息克服了各自距离传感器的缺点，即激光扫描仪是精确的，但需要时间，而Kinect是快速的，但不是很精确。融合范围数据集的表面模型生成一个高度精确、真实的场景表面模型。本文以“Multi-sensor data fusion for accurate surface modeling”为题发布于《Soft Computing》杂志上。
研究背景
多传感器距离数据融合是将来自冗余和/或互补的传感设备的三维信息集成到一起，以生成完整和准确的场景表示的过程。机器人运动规划、计算机视觉、虚拟现实、工业设计、原型设计、文化遗产记录、动作识别、监视等都需要三维环境(或物体)模型的生成。
上述应用需要对三维结构的准确感知，以处理复杂的场景，特别是感兴趣区域的更精细的细节。例如，精确的三维曲面的可用性对自主移动机器人的路径规划和跟踪至关重要，从而找到两个位置之间的最优路径。
有源距离传感器，基于相干(激光)和非相干光技术，如脉冲、三角激光扫描仪、相移和条纹编码投影系统，是非常常见的距离传感。业余用户可以很容易地操作主动传感器，因为它自动提供了一个高质量的表面范围数据集，而且对环境光照条件最不敏感。
然而，这些传感器在视场、扫描时间、分辨率、噪声等方面都有其优缺点。因此，针对多个传感器适当选择和集成不同的三维采集算法，对于生成准确的曲面模型至关重要。
该研究的主要研究重点是利用不同的三维感知方式来改善集成三维数据集的描述特征。然而，从不同的距离传感器提取的距离数据往往具有不同的统计特性，由于现实世界固有的不确定性和不连续性，有效地结合三维数据并不是一项简单的任务。
高斯混合模型(GMM)是一种标准的建模工具已经被广泛应用于数据聚类。标准高斯混合模型的一个缺点是不能处理空间依赖性，对数据的不均匀性和噪声总是很敏感。因此，用期望最大化优化技术求解该问题可能陷入局部极小值问题。然而，GMM的问题可以通过在段的边界长度上加上凸松弛技术来解决，从而获得更有效的结果。
在该研究中，研究者提出了一种新的参数化训练模型的范围数据集，该模型是通过使用凸松弛方法拟合高斯混合模型(GMM)在一个标记的训练数据集。分类器框架根据训练模型上三维点的空间分布对三维数据集进行分类。分类器模型将获取的距离数据分为两部分:较粗的(地面)数据和较细的(高度变化的)区域数据。
在一个参考系中，融合的距离数据集是通过将从激光距离传感器获得的较细区域数据与Kinect数据的较粗区域进行整合得到的。融合的距离数据集消除了两种距离传感器的缺点，互相补充。三维数据融合改进了场景生成的整个表面模型的描述内容。
该研究提出的多传感器数据融合技术是在研究者的机器人实验室生成的真实场景的距离数据集上进行的。该融合方法用C++/Matlab2014a编写，并在Intel(R)Core(TM)i7-2600 CPU、8GB RAM和Windows 7操作系统的计算机上进行了实验。首先，将范围数据集分类为两类：较细区域和较粗区域。
图为激光测距传感器bKinect系统
图为激光测距传感器与Kinect系统的比较(V1)
图为a沙质的场景，b在Kinect框架中的沙地场景的表面，c从激光传感器获得的更精细的区域表面，以及d沙质场景的融合三维曲面模型
图为a–h不同的场景i–p场景的相应精确集成曲面模型
在每一个实验中，都观察到了该算法的精确收敛性。表中列出了所提出的松弛GMM方法与其他分类精度范围数据的方法的比较。实验结果表明，与其他常用的分割方法相比，所提出的松弛GMM方法大大提高了分割精度。
研究结论
该研究提出了一种新的距离数据融合方法，通过融合不同距离传感器的互补距离信息来提取和快速生成地表模型。首先，利用凸松弛法求解高斯混合模型(GMM)，提出了新的概率训练框架。
分类算法利用训练好的统计模型将范围数据分类为更细和更粗的数据集。融合生成的距离数据是激光距离传感器的较细区域距离数据和Kinect传感器(V1)的较粗区域距离数据的融合。实验结果表明了该方法的鲁棒性，验证了真实曲面模型的正确性。
该方法的主要优点是它独立于距离数据的格式和分辨率，同时保留了场景的描述内容。在未来，研究者希望扩展所提出的框架，以适用于不同距离传感器的集成在移动机器人的场景。此外，该方法还可推广到融合地面/空中激光扫描数据集或多光谱数据集构建城市模型、文化遗产遗址记录等机器视觉问题。
参考文献：Mahesh K. Singh, Ashish Dutta & K. S. Venkatesh Multi-sensor data fusion for accurate surface modeling Soft Computing 14449–14462(2020)
