基于加权信息增益的并行融合AUV 协同定位方法

简杰，朱志宇

江苏科技大学 电子信息学院，江苏 镇江 212100

0 引 言

自主水下航行器（AUV）是一种无缆无人水下机器人，其自主作业能力强、隐蔽性高，拥有广泛的运用场景和极高的应用价值。随着水下探索任务日益复杂，AUV 的任务难度相应提高，单个AUV 受自身限制无法满足全部工作需求。近年来，集群化、自主化和结构混合化是AUV 融合先进控制方法下的主要发展方向。多AUV 之间的交互协作使其能够超越单个AUV 的单一功能，同时多智能体结构下的AUV 系统能够获得更高的容错性和鲁棒性，提高AUV 的作业效率和适应复杂任务的能力，具有更加广阔的应用前景[1]。

主流AUV 集群系统一般采用主从式结构，从AUV 无需与主AUV 装备同级别的传感器和处理器元件，因而可大大降低系统成本，减少在整个AUV 系统定位过程中，主AUV 上浮矫正定位卫星信号的需求，提高系统隐蔽性[2]。对于采用“n主带m从”的主从式编队结构的多AUV 系统[3]，其主AUV 装备有高级别的传感器，可自主获取精度相对较高的自定位信息，通过主从AUV 之间的相对测量，完成对缺失自身定位功能的从AUV 全局定位信息的获取。基于优化理论[4]和图论[5]的算法对通信质量及顶层集中处理能力要求较高，难以匹配基于水声信号系统的严苛条件，相较而言，基于贝叶斯滤波的协同定位算法则因其能稳定、有效地融合被测AUV 的相关定位信息[6]，而成为主流的方法。本文拟采用的消息扩散形式，只需要邻居节点之间进行单跳通信[7-9]，因而在理论上对于依靠水声通信的AUV 集群系统具有很强的适用性[10-11]。

作为一种重要的贝叶斯滤波器，无迹卡尔曼滤波（UKF）适用于非线性系统，适合处理复杂非线性运动下AUV 的定位问题[12-17]。本文拟将UKF 作为基础算法并进行改造，同时将其作为仿真分析的对比方法。相比量测均值和以网络权重为加权指标的信息融合方法，本文将从评价量测品质的角度出发，充分发挥较高准确度信号源的价值，在不失去整体可靠性的前提下提高全局定位精确度。通过采用局部滤波算法与融合算法并行运行的结构，依靠及时更新机制来保障系统的实时性。

1 系统建模

1.1 运动模型

AUV 坐标系的建模包括大地坐标系和运动坐标系。单平台AUV 的姿态以及AUV 之间的观测都是建立在以自身为原点的运动坐标系上的，使用运动坐标系便于研究AUV 之间的相对位置等运动信息。在研究AUV 在环境中的运动状态时，使用大地坐标系易于直观地表示AUV 的位置信息，故其被广泛应用于AUV 集群场景。在对由多台主AUV 观测得到的同一从AUV 位置信息进行融合时，需要完成从运动坐标系到大地坐标系的转换，以保证多个主AUV 观测的位置信息能够使用统一的坐标尺度。大地坐标系与运动坐标系的关系如图1 所示[18]。

图1 大地坐标系与运动坐标系Fig. 1 Geodetic coordinate system and motion coordinate system

如表1 所示， (x，y，z)为AUV 在运动坐标系下的位移， (u，v，w) 为 AUV 沿X，Y，Z轴方向的速度分量， (φ，θ，ψ)分别为AUV 的横摇角、纵倾角和艏摇角， (p，q，r) 为 沿X，Y，Z轴方向的角速度分量。

表1 AUV 运动参数定义Table 1 Definition of AUV motion parameters

AUV 之间通过量测获取相对位置，进而获得运动坐标系下的位置坐标。为便于计算以及系统滤波的融合，需要将该位置坐标转换到大地坐标系中。假设两坐标系的原点位置重合，经过坐标旋转，即可得到坐标系的转换矩阵S。

运动坐标系可由转换矩阵转换为大地坐标系：

AUV 个体运动学方程如下：

式中，vx,vy,vz为个体移动速度在运动坐标下的分量。

1.2 量测模型

两AUV 每隔时间T进行一次协同定位，k时刻下，由主AUV 坐标解算出其与从AUV 坐标的相对距离，可以表示为

1.3 状态与观测模型

单AUV 的平台状态由平台的位置、速度、姿态等元素组成。综合考虑平台的动力学特性，确定输入参变量，加入高斯噪声后，建立运动方程。由全体平台的状态、输入和噪声可以得到整个协同定位系统的状态方程。任意从AUV 节点i的状态空间模型如下所示。

状态方程：

观测方程：

式中：Xk为被测AUV 的真实状态变量，包含位置、速度、姿态等信息；为观测变量，为被测AUV 的真实观测值，考虑到相对距离量测模型的非线性，状态方程中的f(x)和 观测方程中的h(x)均为非线性函数；Qk-1为 预测噪声；Rk为观测噪声。假设Qk-1和Rk均为高斯白噪声，满足正态分布。

2 算法设计

2.1 阈值加权改善粗差

图2 阈值加权算法流程图Fig. 2 Flow chart of threshold weighting algorithm

2.2 局部信息滤波

局部信息滤波选用UKF 为底层方法。UKF是在贝叶斯滤波和卡尔曼滤波（KF）的基础上，利用无迹变换（UT）对函数的概率密度做近似处理，求出目标事件的期望和方差，然后将非线性问题转变成卡尔曼滤波问题。由于无迹变换具有二阶精度，所以UKF 也具有二阶精度，这也符合多AUV 系统的复杂度。对于上文已经建立的系统模型（5），（6）（式（5）、式（6）），已知当前时刻被探测AUV 节点状态Xk-1的预估期望（对于前一时刻，为后验估计均值）和协方差，将协方差矩阵分解LLT=， 其中要求必须为正定。为了将该AUV 的状态传递函数f(Xk-1)近似为正态分布，进行无迹变换，取Sigma 点，状态变化得到被探测节点状态先验值的近似概率密度，该先验值满足正态分布N(,)，上一时刻的后验期望为=，则有

式中，R为观测误差。

观测到被测AUV 节点的观测值Ym，完成更新步，得到k时刻被测AUV 节点的状态后验期望和后验方差为：

至此，k时刻的状态后验估计值和协方差已获得，可进入下一个循环，继续递推。

2.3 信息增益加权融合算法

在信息论与概率统计中，熵（entropy）是表示随机变量不确定性的度量[19]，设X是一个取有限个值的离散随机变量，其概率分布为：

则随机变量X的熵定义为

通常，式中的对数是以2 为底或是以e（自然对数）为底，这时，熵的单位分别称作比特或是纳特。

显然，由定义式可知，熵值越大，随机变量的不确定性就越大。

设有随机变量 (X,Y)，其联合概率分布为

条件熵H(X|Y)表 示在已知随机变量Y的条件下随机变量X的不确定性。随机变量Y给定条件下的随机变量X的条件熵H(X|Y)，定义为Y给定条件下X的条件概率分布的熵对Y的数学期望：

条件熵H(X|Y)表 示在已知随机变量Y的条件下随机变量X的不确定性。

在UKF 的应用情境下，观测值作为外部观测所获得的特征Y，其条件熵H(X|Y)表示在获得外部观测值Y的条件下状态值X的不确定性。条件熵H(X|Y) 对 状态估计值X的信息增益g(X,Y)，为先验状态值X的经验熵H(X)与 观测值Y给定条件下X的 条件熵H(X|Y)之差，即

一般地，熵H(X)与 条件熵H(X|Y)之差也称为互信息。

在UKF 算法中，状态信息和观测信息之间存在因果关系，由于测量误差的存在，观测值不能真实地反映状态值，该滤波方法的本质是利用观测信息去估计状态的真实值，以减小观测值的不确定度。信息增益表示已得知特征Y的信息而使得X的信息不确定性减少的程度[20]。

在n主m从 AUV 的 系 统 中，设 定 共 有i个 主AUV，分别对编号为j的从AUV 进行位置观测，主AUVi获得一组被测AUV 的状态观测值和一组优化后的局部信息滤波值。

由式（20）可知，编号为i的AUV 执行一次完整的局部信息滤波后，观测值Ym作为外部观测所获得的特征，对状态先验估计值的信息增益可以写作

定理1[6]：主AUV 对被测AUV 的状态观测信息X1,X2, ···,Xn服 从n维 高斯分布N(μ,Σ),其 中 期 望为 μ，协方差矩阵为 Σ，则被测AUV 的状态值X的经验熵可以写为

证明如下：X1,X2, ···,Xn的分布函数为

则有

为便于表述，式(24)可写为式(25)与式(26) 的和，其中第1 项为

第2 项为

由式(24)～式(26)可知，

所以，主AUVi预估的状态先验值和后验值的条件熵可以分别写为：

融合i组AUV 测量结果所得被测从AUV 的位置状态信息为

权值wi由下式给出：

3 并行结构的分布式融合算法

主AUV 平台可以通过UKF 提高定位精度，但各主AUV 与被测从AUV 的相对位置的状态不一致，从而导致一次完整滤波迭代周期不一致，同时，主、从AUV 之间完成一次水声通信的周期也不一致。若将滤波网络设计成级联结构，信息增益加权融合结果与UKF 的输出将作为彼此的输入在整个结构中循环。然而，受主、从AUV 相对位置的状态不同且动态变化的影响，各主AUV 的滤波周期不一致且不断变化，信息增益加权融合周期随之变化甚至是拉长，在级联结构中往复循环，整个算法的周期将被无限制拉长，从而逐渐失去定位实时性。

并行结构的分布式滤波融合算法如图3 所示。各主AUV 滤波拥有相同的可靠性，即各主AUV 拥有同级别的坐标转换误差和量测误差，然后以此为前提，在各主AUV 优质滤波效果的基础上，以滤波信息增益为权值对多条滤波结果进行加权融合，进一步改善滤波误差，融合结果将更加接近被测AUV 状态的真实值。

图3 并行融合分布式滤波算法Fig. 3 Parallel fusion distributed filtering algorithm

同时，采用UKF 的局部信息滤波将由各主AUV 独立完成，与系统整体的信息增益加权算法并行运行，以使加权融合算法并非一定要在所有参与融合的滤波迭代周期内完成融合，即加权融合可以在任意长度的时间间隔内完成，从而使算法免遭因多个滤波器完成时间不一致而导致的困扰。

图4 给出了一种融合信息数据包顺序到达的情况。加权滤波融合和局部无迹滤波的融合周期及迭代周期分别为Tw和TL， 其中TL实质上就是被测AUV 的观测周期，在相对位置状态没有较大变化的短时间内可以将其看作是固定的，而Tw则由所有参与观测的主AUV 滤波信号到达从AUV的时间决定。显然，Tw随着变化的通信情况呈现略大于最长TL的情形，基于水声通信的特点，加权融合也必定滞后于对应时刻的局部滤波。由图可见，3 台主AUV 的局部信息滤波的迭代周期TL1，TL2和TL3较为接近。3 台主AUV 均可在下一观测周期完成前接收从AUV 发送的加权融合结果，信息包顺序到达，作为UKF 的状态先验值参与局部滤波运算。

图4 信息顺序到达Fig. 4 Information arrives in order

图5 给出了一种融合信息数据包乱序到达的情况。主AUV3 可以在下一观测周期完成前接收从AUV 发送的加权融合结果，信息包顺序到达，参与局部滤波运算。然而，主AUV1 和主AUV2在获取更接近于真实值的融合结果前，已经完成了下一观测周期，融合结果无法参与该周期的滤波运算。

图5 信息乱序到达Fig. 5 Information arrives out of order

针对上述信息增益加权融合结果乱序到达的问题，建立了并行融合的即时更新机制，以使加权融合的对象均为最新的局部后验估计结果，如图6 所示。

图6 及时更新机制Fig. 6 Timely update mechanism

主AUV1 由于其自身的状态特点，一次迭代滤波周期较短，被测从AUV 的状态信息更新更为频繁，相较于t2时 刻的滤波结果，AUV1 在t3时刻的滤波结果与AUV2 和AUV3 在t2时刻的测量结果在时间上更为接近，更能真实地反映当前被测从AUV 的状态信息。这种及时更新AUV1 滤波结果的方法不仅可以保障系统整体融合目标的实时性，也充分利用了系统融合结果参与各主AUV的局部滤波。同样，Tw由所有参与观测的主AUV滤波信号到达从AUV 的时间决定，很显然，及时更新机制使得融合信息为当前各主AUV 所测得的最新状态值，从AUV 完成一次完整的信息获取即可对结果进行融合，这样的融合周期会随着信息跟随信息获取时间呈现略微的动态变化。动态变化的加权融合周期在一定程度上对观测周期不一的主AUV 量测系统起到了动态调节作用。至此，每一次融合都将针对最新状态信息进行计算，而融合结果也可以被局部信息滤波充分利用。

4 仿真分析

为了直观地验证和分析本文所提方法，在三维坐标上进行仿真，设计2 个仿真案例，分别给出多台分别按照不同航线运动的主AUV 和1 个按照预设路线运动的从AUV。

案例1 中，3 台主AUV 均在同一高度平面内以1 kn 的速度匀速航行，从原点开始，方向分别为正北、正东和东北（北偏东45°）。从AUV 在x∈[0 m,100 m]，y∈[0 m,100 m]，z∈[0 m,500 m]范围内，在x-y平面内对AUV3 保持跟随，做下滑与爬升的变加速度运动。将从AUV 的运动轨迹设定为理论轨迹，为抛物面中的一条斜截线，其运动轨迹方程具体的表达式为

对于在Z轴方向做变加速度运动的从AUV，表示其部分状态信息的状态方程为

式中，a为加速度。

状态方程整体可以简写为

观测方程为

式中：Xk为被测AUV 在三维坐标下的位置状态变量；为观测变量，为被测AUV 的真实观测值；运动噪声被假定为零均值高斯白噪声，协方差矩阵Q=5·diag([1,1,1])，测量噪声的协方差矩阵R=2.5×107·diag([1,1,1])。

4.1 单台主AUV 对从AUV 的滤波定位

如图7 所示，假设从AUV 理想的运动路径为真实值，用黑色表示；单台主AUV 对该从AUV的观测值以蓝色的“+”表示，对应产生的局部滤波信息以红色的“〇”表示。同时，将观测值与滤波结果反映到二维坐标上，可见观测值相对真实值有明显的偏差，甚至有明显的观测值漂移，但滤波结果却十分接近于真实值，基于UKF 的局部信息的滤波效果明显。

图7 局部信息滤波结果Fig. 7 Filtering results of partial information

4.2 多台主AUV 对从AUV 的协同滤波定位以及加权融合

3 台主AUV 和被定位的从AUV 都从起始点开始按照预设的方向航行，其中AUV1 朝向正东方向保持水平位置航行，同样，AUV2 在保持同一水平面位置的情况下，向正北方向航行，AUV3 向东北（北偏东45°）方向航行。从AUV 按照式（32）所给路线对AUV3 保持跟随。

图8 所示为多AUV 局部滤波结果，其中红色“+”代表AUV1 对从AUV 位置的观测值，红色“〇”为AUV1 对观测值的滤波定位结果；类似地，蓝色“+”和蓝色“〇”分别代表AUV2 的观测值和滤波结果；黄色“+”和黄色“〇”分别代表AUV3 的观测值和滤波结果，品红色“*”表示3 组滤波结果的加权融合值。

图8 多AUV 局部滤波结果Fig. 8 Local filtering results of multiple AUVs

与单平台主AUV 的定位相同，3 台主AUV分别对从AUV 进行观测，多台主AUV 观测均值与加权信息增益融合算法优化值的对比如图9 所示。图9 中的3 幅图分别为融合结果在(x，y)，(y，z)，(z，x)平面下的描述。

可见，尽管3 台主AUV 局部滤波结果的精确度各不相同，但基于加权信息增益的融合方法输出的结果稳定、平滑，且对真实值的跟踪性能有明显提高，相比简单的平均值处理（图9 中绿色星号标注的观测均值），该融合方法对滤波结果有明显的优化作用。

图9 加权信息增益融合算法效果对比Fig. 9 Comparison of the effect of weighted information gain fusion algorithm

以第70 次迭代时刻下的滤波结果为例，各主AUV 的滤波数据及融合权值如表2 所示。

表2 系统滤波与融合结果Table 2 Filtering and fusion results of AUV system

3 台主AUV 量测的滤波结果精度不一，对应地，获取的信息增益也不同。采用本文所述融合方法，以完成一次滤波迭代所获取的信息增益为评价指标，信息增益越大，消除观测值的不确定性程度越大，在融合加权中所占的权重也就越大，这样可以提高精度滤波数据的可靠性，使多组滤波结果按照可靠性加权，从而提高数据整体的精度。

为展示滤波效果和信息增益加权融合的效果，本文引用累计平均误差为状态测量指标来作为对定位测量效果的评价。UKF 对先验值具有依赖性，随着迭代次数的增加，滤波结果会更加接近于真实值。如图10 所示，AUV1，AUV2 和AUV3的局部滤波结果相比真实值的累计平均误差，能如实地反映这一特性。受AUV3 前期误差较大的影响，融合结果也具有较高的测量误差，但仍优于AUV3 的滤波结果。在呈现非线性较强的运动中期时间段，由于底层的UKF 在解决非线性方面能力较强，故3 台主AUV 的滤波结果均较稳定，各组的分布式滤波结果稳定且可靠性接近，基于信息增益的加权融合结果也呈现出低误差的优质表现，最终融合结果的误差远小于局部滤波误差。

图10 案例1 的累计平均误差Fig. 10 Cumulative average error in Case 1

如表3 所示，选取5 个迭代时刻下的绝对误差作为参考，列出了3 台主AUV 滤波量测所得结果以及系统滤波加权融合结果。为考察3 组主AUV 的滤波数据离散情况，模拟了工程实际测量环境，并将滤波均值假设为该数组的真值。

表3 案例1 的系统滤波与融合绝对误差对比Table 3 Absolute errors comparison of system filtering and fusion results in Case 1

为了更加直观地反映各组结果与真实值之间的拟合程度，以表3 中数据为基础，引入均方误差和拟合标准差作为量化指标，对各组结果进一步予以了对比，结果如表4 所示。

表4 案例1 的系统滤波与融合拟合程度对比Table 4 Fitting precision comparison of system filtering and fusion results in Case 1

由表3 和表4 可以看出，在不同时刻下，3 组主AUV 滤波结果的精度是无规律变化的，因而无法确定出一组能够保证全过程、高质量的滤波数据。在所选取的5 个迭代时刻下，无论是实时标准误差，还是反映拟合程度的均方误差和拟合标准差，滤波融合结果都明显小于3 组主AUV 的独立滤波结果。而以信息增益加权的融合结果，则使得滤波结果得以平稳输出，且相对于各主AUV 的滤波量测结果而言，融合滤波结果与真实值的拟合程度得到了极大提高。如图11 所示，AUV1 对被测AUV 的滤波定位结果相较于AUV2 和AUV3，拥有更小的误差，3 台主AUV 拥有不同品质的测量结果。从系统3 组滤波定位值的角度考虑，相比滤波平均值，融合结果更加接近于最优结果，并且能保持平稳且精确的滤波效果，完整地传递系统最优性能。从性能上看，加权融合也是依据滤波效果来对系统的多组滤波结果进行优化整合，然后突出选择其中一组精确度更高的滤波结果。

图11 不同精确度的滤波融合效果Fig. 11 Filter fusion results with different accuracy

由式（28）～式（32）可知，AUVi的滤波状态先验值与后验值的条件熵差值越大，一次滤波的信息增益就越大，其对应的在系统中的加权权重值wi也就越大。滤波信息增益反映了AUVi由于局部信息滤波使得对被测AUV 状态信息获取的不确定性减少的程度，这在一定程度上直接体现了滤波效果的好坏，也即状态信息的不确定性降低得越多，滤波效果越好。以信息增益为权重指标的加权融合算法本质上是提高优质滤波结果的可靠性，从而让优质的滤波结果得以突出。图12所示为观测误差矩阵Q=7.5·diag([1,1,1])时系统滤波融合的累计平均误差。从中可见，3 组主AUV的局部滤波累计平均误差有显著增加，但融合结果的累计误差仍维持在较低水平，且融合定位结果输出平滑、稳定。观测误差的提高使得3 组局部滤波结果在初始阶段精确度差异较大，消除定位不确定度的程度较大，但同样也带来了滤波精确度高越高，信息增益越大的特点。相比观测误差较小的系统，在较大的观测误差系统中，局部滤波精确度提高的能力会在信息增益这一具体值上得到更明显的体现，当进入整体融合加权时，精确度提高较大的那组局部滤波结果将得到凸显。

图12 提高观测误差的系统滤波效果Fig. 12 System filtering effect to improve observation error

案例2 中，参与系统测量的主AUV 数量增加，部分主AUV 做复杂运动，并且加入了4 台主AUV 的运动噪声。如图13 所示，主AUV 的运动轨迹已标出，从AUV 保持着与AUV1，AUV2 和AUV3 之间的队形，始终处于三者的中心，5 台AUV 沿X轴方向维持队列前进，其中3 台主AUV 做匀速运动，主AUV1 和从AUV 做变加速运动。

图13 多AUV 协同定位结果Fig. 13 Cooperative localization results of multiple AUVs

前文已针对主AUV 个体拥有不同精度和提高部分AUV 量测误差的情况进行讨论，为了验证融合方法的适用性，案例2 给出了更高的定位精度，其中运动噪声（高斯白噪声）的协方差矩阵Q=0.5·diag([1,1,1])，测量噪声的协方差矩阵R=1.5·107*diag([1,1,1])。4 台主AUV 的局部滤波结果和观测均值与加权信息增益融合算法的优化值的对比如图14 所示。为了直观地展示融合结果数据，在X,Y,Z坐标量测值的基础上分别予以了作图。

图14 加权信息增益融合算法效果对比Fig. 14 Comparison of the effect of weighted information gain fusion algorithm

可见，在系统整体定位精度提高后，局部滤波与融合结果的精度也会随之提高，以信息增益为权值指标的融合算法对局部滤波融合的效果依然良好，对4 组局部滤波结果也有明显的优化作用。在增加参与融合的局部滤波个体数量后，融合结果对抗误差较大的局部滤波值的能力更加稳定，更多局部样本的加入使得融合结果更接近于真实值。

表5 所示为在选取的5 个迭代时刻下AUV系统的局部滤波与融合结果间的实时误差。

表5 案例2 的系统滤波与融合绝对误差对比Table 5 Absolute errors comparison of system filtering and fusion results in Case 2

如表5 所示，进行独立滤波的个体越多，系统获得的滤波结果差异性越大，呈现出定位精度不稳定的特点，而滤波融合结果则可以做到精度相对稳定的定位输出，并且整体保持在高于各组滤波结果精度的水平。

表6 给出了4 组主AUV 局部滤波和融合结果的拟合标准差。

表6 案例2 的系统滤波与融合拟合程度对比Table 6 Fitting precision comparison of system filtering and fusion results in Case 2

如表6 所示，融合结果相比4 组独立的滤波结果其拟合标准差维持在较低的水平，其与真实值之间拟合的程度更高。尽管在第75 次迭代时刻因受局部滤波效果的影响，系统拟合效果变差，但该融合方法依然可以明显降低拟合误差，提高系统定位精度的稳定性。

图15 给出了4 组主AUV 局部滤波和融合结果的累计平均误差。由图可见，区别于案例1，案例2 因设定了更高的定位精度，局部滤波结果的精度随之提升，在各组滤波结果都能够高质量且稳定输出的情况下，融合方法对局部滤波的提升依旧明显。

图15 案例2 的累计平均误差Fig. 15 Cumulative average error in Case 2

以上列出的2 个案例从不同的编队数量、编队方式、行驶路径和定位精度上验证了以信息增益为加权指标的融合方法的有效性，该方法在融合多源滤波信息方面效果较好，能够提高系统定位精度。融合结果充分利用了对多组滤波信息的优劣选择能力。

5 结 语

多主多从模式在AUV 集群系统中十分常见。在本文中，主AUV 平台通过局部信息滤波产生从AUV 的定位信息，而面对多台主AUV 产生的定位信息，从AUV 仅需一个准确的自身定位信息即可。本文利用信息论中的信息熵概念，依据局部信息滤波的信息增益，对多台主AUV滤波信息进行加权计算，使得被测从AUV 仅依据局部信息滤波即可得到更接近于真实值的自身定位信息。信息增益反映了局部信息滤波器对观测数据的优化情况，其以对观测信号的优化程度为指标，将多个主AUV 滤波信息进行加权融合计算从而产生唯一的定位信息。局部信息滤波与信息增益加权融合算法并行运行，通过利用及时更新机制提高滤波结果与融合结果的实时性和运算效率，提高了整个算法的实时性。由于局部信息滤波完全可以做到大幅度地准确优化观测值，且滤波结果本身已经平滑可靠，所以此融合方法以信息增益为加权指标科学、合理，能起到进一步优化局部滤波结果的作用。