其中，应用层面向实际应用对象，涵盖了安防监控、环境监测、智能制造、智慧城市等被测的物理环境对象；感知层基于传感网与物联网对应用层的物理环境对象进行信息的感知，信息感知涵盖了数据融合的基础理论，采用了协作感知、自适应融合、统计与估计、特征推理的理论和方法；信息层基于信息感知的数据，采用神经网络、深度学习、进化计算、粒群智能、模糊逻辑、支持向量机等人工智能的理论和方法，实现了智能感知。
「 2. 智能感知技术与人工智能的关系 」
人工智能主要分为三个阶段[3]：第一阶段为运算智能，即计算机能够快速运算和记忆存储的功能；第二阶段为智能感知，即计算机具有通过各种传感器来获取物理世界的信息的能力；第三阶段为认知智能，即计算机具有了像人一样理解、分析、推理等能力。当前社会正处于智能感知快速发展的阶段，并朝着认知智能的终极目标进军。
智能感知是人工智能与现实世界交互的基础和关键，是人工智能服务于工业社会的重要桥梁，它对于信息进行智能化的感知及测量，将有助于人工智能对信息进行识别、判断、预测和决策，对不确定信息进行整理挖掘，实现高效的信息感知，使得物理系统更加智能，智能感知涉及诸多工程领域，如海洋船舶、航空航天、土木建筑、生物化学等，这些领域都离不开对于信息的智能感知和处理。
人工智能包括信息感知和计算智能两个重要组成部分[4]。信息感知是实现人工智能的基础，计算智能是实现人工智能的关键。
信息感知利用传感系统对被测对象的变化进行测量，是信息处理的首要环节，智能感知技术具有“感、知、联”一体化的功能，涉及数据采集、数据传输与信息处理等过程，涵盖信息采集、过滤、压缩、融合等环节。其中，信息采集是获取所需事物的测量信息，必须要确保信息的准确性；信息过滤是对所采集的信息进行有效的特征提取；信息压缩是对冗余数据的去除；信息融合是指对传感器感知的信息进行融合处理、识别或判别。
计算智能由贝兹德克于1922年提出的，他认为计算智能取决于制造者提供的数值数据，不依赖于知识。要实现智能感知，就必须完成信息的感知与数据的融合。由此可知，智能感知是面向感知信息，并基于先验知识模型进行融合处理的过程。传感系统实时采集的数据信息通过感知处理，得到测量对象的状态信息。感知系统综合来源于各类传感系统和计算云等的数据，分析、提取、感知数据源的有效信息。采用感知测量网络协作获取的多传感器系统测量数据通过计算智能的方法，提取有效的特征信息，从而提高系统的感知能力。
智能感知与人工智能已成为当今世界高度关注的热门领域，如何将两者进行有机地结合，具有重要的理论和实际应用价值[5]。
「 3. 智能感知技术的特点和关键技术 」
1）智能感知技术特点
（1）要能够更加准确地获得被测对象或环境的信息，而且比任何单一传感器所获得信息具有更高的精度与准确性。
（2）能通过各个传感器性能的互补，获得单一传感器所不能获得的独立的特征信息。
（3）和传统的单一的传感器系统相比，能够以更少的时间、更小的代价获得同样的信息。
（4）能根据系统的先验知识，通过对多传感器信息的融合处理，完成分类、判决、决策等任务。
2）智能感知关键技术
（1）智能感知器。感知传感器是智能感知技术的核心之一，根据所完成任务的不同，一般可分为内部感知器和外部感知器。在应用中都应该具有以下性质：
①测量范围。传感器应能对所测信息的输入信号的最大值最小值都有显像。
②灵敏度。一般来说，在任何应用中的传感器应该具有足够的灵敏度，这样才可以在输入信号作用下有正确的信息输出。灵敏度就是输入和输出之间的关系，它表示输出相对于非测量参数输入（比如环境参数的变化）所发生的变化。当环境参数变化时，理想的情况是传感器的灵敏度变化为零或者很小，这样环境变化就很容易忽略。如果环境参数的影响比较大，是不能忽略不计的，需进一步采用补偿的方法改进。
③精确度。用来衡量传感器的实际输出与理想输出的接近程度。它说明测量结果的错误程度。任何可能的错误都会发生，这也取决于调校的方法。精确度可以用绝对值表示或者输出满量程的百分比表示。
④稳定性。通常情况下，应用于实际领域的传感器往往需要使用较长时间。因此传感器要有足够的稳定性。即传感器能在一定时间内，在相同的输入时能够有稳定的输出。对于稳定性而言，常用术语“漂移”来描述输出是随着时间而变化的，它可用输出满量程的百分比来表示。
⑤重复性。重复性对于任何传感器都非常重要，特别是用于关键应用场合的传感器。它是指传感器在重复应用中有相同量输入的情况下，有着相同数量的输出，它也被称为“可重复性”。
⑥静态和动态特性。当为某个应用领域选择传感器时，传感器的静态和动态特性都要考虑到，如上升时间、时间参数和响应建立时间。例如利用压力传感器测量动态气流速度变化的风洞应用中，传感器的信号输出必须随着风速变化，此时就需要快速的响应时间，否则达不到监测要求。但是响应时间也不是越快越好，过快的传感器响应会引入未过滤和不需要的系统噪声或者湍流压力波动等，造成对系统监测的干扰。因此，在设计中理解传感器的静态和动态特性需求是十分重要的。
⑦能量收集。传感器已广泛用于无线传感网络（WSN）中，为保证网络传感器能量持续供应，可采用能量收集技术实现网络传感器部件长效供电。能量收集是利用环境中的能量进行收集并实现应用。目前能量收集可利用机械振动、光能、温度变化、电磁场、风能、热能、化学能等。其中以机械振动和光能的应用最为广泛。
⑧温度变化以及其他环境参数变化的补偿。由于环境温度、湿度和其他环境参数的变化，传感器的响应也会受到影响。为了减少外部因素而造成的影响，传感器的信号调整部分必须要有合适的补偿机制。
（2）多传感器数据融合。数据融合是20世纪80年代诞生的信息处理技术[6]，主要解决多传感器信息处理问题，多传感器数据融合研究如何充分发挥各个传感器的特点，把分布在不同位置的多个同类或不同类型传感器所提供的局部、不完整的观察信息加以综合，利用其互补性、冗余性，克服单个传感器的不确定性和局限性，提高整个传感器系统的有效性能，以形成对系统环境相对完整一致的感知描述，提高测量信息的精度和可靠性，从而提高智能识别系统识别、判断、决策、规划、反应的快速性和准确性，同时也降低其决策风险（如图3所示）。
图3 数据融合的过程
智能感知需要多种人工智能方法的综合集成应用。人工智能方法主要涵盖神经网络、深度学习、模糊计算和进化计算等方面，以实现复杂系统的智能应用。
「 4. 智能感知技术应用 」
智能感知技术要求因应用领域不同，各有侧重[7]。
1）在军用领域的应用
在军用领域，要求智能感知以及导航系统具有更强的自主性和可靠性。例如：卫星导航系统凭借其全球性、连续性、高精度，是目前应用最广的导航系统，比如美国的GPS，我国的北斗。卫星导航系统属于无线电导航方式，通过太空中的卫星对地发射无线电信号，载体通过接收信号并对自身进行定位，这种导航方式易受到外界干扰。在现代战争中，卫星导航系统这种弱点容易被利用，造成严重后果。例如在2011年与2017年，伊朗通过干扰与模拟卫星导航信号，诱捕了美国两架无人机。所以随着战争对抗性的增强，就要求智能导航系统具有更强的自主性与可靠性。
近年来DARPA（Defense Advanced Research Projects Agency，美国国防高级研究计划局）制定了多项卫星导航阻止环境下的导航发展计划（指的是由于自然或人为因素，卫星导航系统无法使用的环境）。2014年DARPA启动了轻质小型自动化（fast lightweight autonomy，FLA）计划，Udine提高了小型无人机在GPS阻止环境中执行自主飞行任务的能力。2016年麻省理工学院完成了FLA项目首飞，其研发的小型旋翼飞行器达到了20m/s的飞行速度。2017年，FLA项目进行了避障飞行测试。试验飞行器中搭载了惯性传感器、激光雷达、视觉传感器等多类传感器，实现了自主避障飞行。2018年，FLA项目进行了室内自主感知、路径规划飞行测试。
2）在民用领域的应用
在民用领域[8]，随着现代化社会的发展，各类行业对智能感知也提出了许多方面的需求。特别是在环境感知方面应用较为广泛，又可进一步分为：
（1）室外环境感知。室外环境感知应用最多的两方面是无人驾驶车辆和无人机。无人车的技术结构主要分为环境感知、导航定位、路径规划和运动控制四个方面[9-10]。（图4）
（2）室内环境感知。在智能制造领域室内环境感知的应用在特种工作机器人上得到了充分体现。机器人环境感知技术伴随着机器人的出现而产生。机器人的环境一般是指机器人所处的空间环境，机器人通过对环境的认知来定位、避障和导航。随着机器人技术的进步，机器人环境的概念也在拓宽，除了它的运动空间环境，还包括其它一些自然环境因素，例如气体环境、气候参数等。在煤矿、化工场等场所，人类已经在利用机器人动态感知危险气体的浓度，或者通过气味搜索危险源。（图5）
