Слияние датчиков - Sensor fusion

Слияние сенсоров - это процесс комбинирования сенсорных данных или данных, полученных из разрозненных источников, так что результирующая информация имеет меньшую неопределенность, чем это было бы возможно при использовании этих источников по отдельности. Например, потенциально можно получить более точную оценку местоположения внутреннего объекта, объединив несколько источников данных, таких как видеокамеры и сигналы локализации WiFi. Термин « уменьшение неопределенности» в этом случае может означать более точный, более полный или более надежный или относиться к результату возникающего вида, например стереоскопическому зрению (вычисление информации о глубине путем комбинирования двухмерных изображений с двух камер с немного разными точки зрения).

Не указано, что источники данных для процесса слияния должны исходить от идентичных датчиков. Можно выделить прямое слияние , непрямое слияние и слияние выходов первых двух. Прямое объединение - это объединение данных датчиков от набора разнородных или однородных датчиков, мягких датчиков и исторических значений данных датчиков, в то время как косвенное объединение использует источники информации, такие как априорные знания об окружающей среде и человеческий фактор.

Слияние датчиков также известно как слияние данных (мультисенсор) и является подмножеством слияния информации .

Примеры датчиков

• Акселерометры
• Электронные меры поддержки (ESM)
• Флэш-лидар
• Глобальная система позиционирования (GPS)
• Инфракрасная / тепловизионная камера
• Магнитные датчики
• МЭМС
• Фазированная антенная решетка
• Радар
• Радиотелескопы , такие как предлагаемая матрица квадратных километров , самый большой датчик из когда-либо построенных
• Сканирующий лидар
• Сейсмические датчики
• Гидролокатор и другая акустика
• Гидроакустические буи
• Телекамеры
• → Дополнительный список датчиков

Алгоритмы

Слияние датчиков - это термин, который охватывает ряд методов и алгоритмов, в том числе:

• Центральная предельная теорема
• Фильтр Калмана
• Байесовские сети
• Демпстер-Шафер
• Сверточная нейронная сеть

Примеры расчетов

Ниже показаны два примера расчетов слияния датчиков.

Обозначим и обозначим два измерения датчика с отклонениями шума и соответственно. Одним из способов получения комбинированного измерения является применение взвешивания с обратной дисперсией , которое также используется в сглаживателе с фиксированным интервалом Фрейзера-Поттера, а именно: ${\ displaystyle {\ textbf {x}} _ {1}}$${\ displaystyle {\ textbf {x}} _ {2}}$ ${\ Displaystyle \ scriptstyle \ sigma _ {1} ^ {2}}$${\ Displaystyle \ scriptstyle \ sigma _ {2} ^ {2}}$${\ displaystyle {\ textbf {x}} _ {3}}$

${\ displaystyle {\ textbf {x}} _ {3} = \ sigma _ {3} ^ {2} (\ sigma _ {1} ^ {- 2} {\ textbf {x}} _ {1} + \ сигма _ {2} ^ {- 2} {\ textbf {x}} _ {2})}$ ,

где - дисперсия комбинированной оценки. Можно видеть, что объединенный результат представляет собой просто линейную комбинацию двух измерений, взвешенных по их соответствующей дисперсии шума. ${\ displaystyle \ scriptstyle \ sigma _ {3} ^ {2} = (\ scriptstyle \ sigma _ {1} ^ {- 2} + \ scriptstyle \ sigma _ {2} ^ {- 2}) ^ {- 1} }$

Другой метод объединения двух измерений - использование оптимального фильтра Калмана . Предположим, что данные генерируются системой первого порядка, и пусть обозначает решение уравнения Риккати фильтра . Применяя правило Крамера при вычислении усиления, можно обнаружить, что коэффициент усиления фильтра определяется по формуле: ${\ displaystyle {\ textbf {P}} _ {k}}$

${\ displaystyle {\ textbf {L}} _ {k} = {\ begin {bmatrix} {\ tfrac {\ scriptstyle \ sigma _ {2} ^ {2} {\ textbf {P}} _ {k}} { \ scriptstyle \ sigma _ {2} ^ {2} {\ textbf {P}} _ {k} + \ scriptstyle \ sigma _ {1} ^ {2} {\ textbf {P}} _ {k} + \ scriptstyle \ sigma _ {1} ^ {2} \ scriptstyle \ sigma _ {2} ^ {2}}} & {\ tfrac {\ scriptstyle \ sigma _ {1} ^ {2} {\ textbf {P}} _ { k}} {\ scriptstyle \ sigma _ {2} ^ {2} {\ textbf {P}} _ {k} + \ scriptstyle \ sigma _ {1} ^ {2} {\ textbf {P}} _ {k } + \ scriptstyle \ sigma _ {1} ^ {2} \ scriptstyle \ sigma _ {2} ^ {2}}} \ end {bmatrix}}.}$

При осмотре, когда первое измерение не содержит шумов, фильтр игнорирует второе измерение, и наоборот. То есть комбинированная оценка взвешивается по качеству измерений.

Централизованный против децентрализованного

При слиянии датчиков термин «централизованный» или «децентрализованный» относится к тому, где происходит слияние данных. При централизованном слиянии клиенты просто пересылают все данные в центральное место, и некоторая сущность в центральном местоположении отвечает за корреляцию и объединение данных. В децентрализованном режиме клиенты берут на себя полную ответственность за объединение данных. «В этом случае каждый датчик или платформу можно рассматривать как интеллектуальный актив, обладающий некоторой степенью автономии в принятии решений».

Существует множество комбинаций централизованных и децентрализованных систем.

Другая классификация конфигурации датчиков относится к координации информационного потока между датчиками. Эти механизмы позволяют разрешать конфликты или разногласия и позволяют разрабатывать стратегии динамического восприятия. Датчики находятся в резервной (или конкурентной) конфигурации, если каждый узел обеспечивает независимые измерения одних и тех же свойств. Эта конфигурация может использоваться для исправления ошибок при сравнении информации с нескольких узлов. Избыточные стратегии часто используются с объединениями высокого уровня в процедурах голосования. Дополнительная конфигурация возникает, когда несколько источников информации предоставляют разную информацию об одних и тех же функциях. Эта стратегия используется для объединения информации на уровне необработанных данных в алгоритмах принятия решений. Дополнительные функции обычно применяются в задачах распознавания движения с нейронной сетью , скрытой марковской моделью , машиной опорных векторов , методами кластеризации и другими методами. Совместное объединение датчиков использует информацию, извлеченную несколькими независимыми датчиками, для предоставления информации, недоступной для отдельных датчиков. Например, датчики, подключенные к сегментам тела, используются для определения угла между ними. Стратегия совместных датчиков дает информацию, которую невозможно получить от отдельных узлов. Кооперативная информация слияние может быть использовано в распознавании движения, анализ походки , анализ движения ,,.

Уровни

Обычно используются несколько категорий или уровней объединения датчиков. *

• Уровень 0 - Согласование данных
• Уровень 1 - Оценка сущности (например, сигнал / характеристика / объект).
  • Отслеживание и обнаружение / распознавание / идентификация объектов
• Уровень 2 - Оценка ситуации
• Уровень 3 - Оценка воздействия
• Уровень 4 - Доработка процесса (например, управление датчиками)
• Уровень 5 - Уточнение пользователя

Уровень слияния датчиков также можно определить на основе типа информации, используемой для подачи алгоритма слияния. Точнее, объединение датчиков может быть выполнено путем объединения необработанных данных, поступающих из разных источников, экстраполированных характеристик или даже решений, принятых отдельными узлами.

• Уровень данных - слияние уровня данных (или раннее) направлено на слияние необработанных данных из нескольких источников и представляет технику слияния на самом низком уровне абстракции. Это наиболее распространенный метод слияния сенсоров во многих областях применения. Алгоритмы слияния на уровне данных обычно стремятся объединить несколько однородных источников сенсорных данных для получения более точных и синтетических показаний. Когда используются портативные устройства, сжатие данных представляет собой важный фактор, поскольку сбор необработанной информации из нескольких источников создает огромные информационные пространства, которые могут определять проблему с точки зрения памяти или пропускной способности связи для портативных систем. Слияние информации на уровне данных имеет тенденцию создавать большие входные пространства, которые замедляют процедуру принятия решений. Кроме того, слияние на уровне данных часто не может обрабатывать неполные измерения. Если одна модальность датчика становится бесполезной из-за неисправностей, поломки или по другим причинам, работа всей системы может привести к неоднозначным результатам.
• Уровень характеристик - функции представляют информацию, вычисляемую на борту каждым узлом зондирования. Затем эти функции отправляются в узел слияния для подачи в алгоритм слияния. Эта процедура генерирует меньшие информационные пространства по сравнению с объединением на уровне данных, и это лучше с точки зрения вычислительной нагрузки. Очевидно, что важно правильно выбрать признаки, по которым следует определять процедуры классификации: выбор наиболее эффективных наборов признаков должен быть основным аспектом при разработке метода. Использование алгоритмов выбора признаков, которые правильно обнаруживают коррелированные признаки и подмножества признаков, повышает точность распознавания, но обычно требуются большие обучающие наборы, чтобы найти наиболее значимое подмножество признаков.
• Уровень решения - уровень решения (или позднее) слияние - это процедура выбора гипотезы из набора гипотез, созданных отдельными (обычно более слабыми) решениями нескольких узлов. Это высший уровень абстракции, в котором используется информация, которая уже была обработана путем предварительной обработки на уровне данных или характеристик. Основная цель слияния решений - использовать классификатор мета-уровня, в то время как данные из узлов предварительно обрабатываются путем извлечения из них функций. Обычно объединение датчиков на уровне принятия решений используется при классификации и распознавании, и два наиболее распространенных подхода - это голосование большинством и наивно-байесовский подход. Преимущества, связанные с объединением на уровне решений, включают пропускную способность связи и повышенную точность принятия решений. Это также позволяет комбинировать разнородные датчики.

Приложения

Одним из применений объединения датчиков является GPS / INS , где данные глобальной системы позиционирования и инерциальной навигационной системы объединяются с использованием различных методов, например, расширенного фильтра Калмана . Это полезно, например, при определении высоты самолета с помощью недорогих датчиков. Другой пример - использование подхода слияния данных для определения состояния дорожного движения (низкая загруженность, пробки, средний поток) с использованием собранных акустических данных, изображений и данных датчиков обочины дороги. В области автономного вождения объединение датчиков используется для объединения избыточной информации от дополнительных датчиков, чтобы получить более точное и надежное представление об окружающей среде.

Хотя технически это не является специализированным методом объединения датчиков , современные методы на основе сверточной нейронной сети могут одновременно обрабатывать очень много каналов данных датчиков (например, гиперспектральное изображение с сотнями полос) и объединять соответствующую информацию для получения результатов классификации.

Смотрите также

Рекомендации

Внешние ссылки

• Дискриминантный корреляционный анализ (DCA)
• Международное общество слияния информации