Fusión de sensores

Ir a: navegación, búsqueda de

Fusión de sensores es la combinación de sensorial datos o datos derivados de datos sensoriales de orígenes dispares tales que la información resultante es en algún sentido mejor que sería posible cuando estas fuentes fueron utilizadas individualmente. El término mejor en este caso puede significar más precisa, más completa o más confiables, o consultar el resultado de una visión emergente, tales como estereoscópica visión (cálculo de información de profundidad mediante la combinación de imágenes bidimensionales de dos cámaras en puntos de vista ligeramente diferentes).[1][2]

No se especifican las fuentes de datos para un proceso de fusión para originar de sensores idénticos. Se pueden distinguir fusión directa, fusión indirecta y la fusión de las salidas de los dos anteriores. Fusión directa es la fusión de datos de los sensores de un conjunto de heterogéneos o homogéneo sensores, sensores suaves, y valores de la historia de datos del sensor, mientras que la fusión indirecta utiliza como fuentes de información a priori conocimientos sobre el medio ambiente y la intervención humana.

Fusión de sensores es también conocido como (sensor múltiple) Fusión de datos y es un subconjunto de fusión de información.

Contenido

  • 1 Ejemplos de sensores
  • 2 Algoritmos de fusión de sensores
  • 3 Cálculos de fusión ejemplo sensor
  • 4 Centralizado contra descentralizado
  • 5 Niveles de
  • 6 Aplicaciones
  • 7 Véase también
  • 8 Referencias
  • 9 Enlaces externos

Ejemplos de sensores

  • Radar
  • Sónar y otro acústico
  • Cámara termográfica infrarroja / térmico
  • Cámaras de televisión
  • Sonoboyas
  • Sensores sísmicos
  • Sensores magnéticos
  • Medidas de apoyo electrónico (ESM)
  • Phased array
  • MEMS
  • Acelerómetros
  • Sistema de posicionamiento global (GPS)

Algoritmos de fusión de sensores

Fusión de sensores es un término que cubre un número de métodos y algoritmos, incluyendo:

  • Teorema de límite central
  • Filtro de Kalman
  • Redes bayesianas
  • Dempster-Shafer

Cálculos de fusión ejemplo sensor

Dos cálculos de la fusión de sensores de ejemplo se ilustran a continuación.

Dejar {\textbf{x}}_1 y {\textbf{x}}_2 denotan dos mediciones del sensor con variaciones de ruido \scriptstyle\sigma_1^2 y \scriptstyle\sigma_2^2 , respectivamente. Una manera de obtener una medición combinada {\textbf{x}}_3 consiste en aplicar el Teorema de límite central, que también se emplea en el Fraser-Potter suavizador de intervalo fijo, a saber: [3]

{\textbf{x}}_3 = \scriptstyle\sigma_3^{2} (\scriptstyle\sigma_1^{-2}{\textbf{x}}_1 + \scriptstyle\sigma_2^{-2}{\textbf{x}}_2) ,

donde  \scriptstyle\sigma_3^{2} = (\scriptstyle\sigma_1^{-2} + \scriptstyle\sigma_2^{-2})^{-1} es la varianza de la estimación combinada. Se puede ver que el resultado fundido es simplemente una combinación lineal de las dos medidas ponderadas por sus varianzas respectivas ruido.

Otro método para fusionar dos medidas es utilizar el óptimo Filtro de Kalman. Supongamos que los datos generados por un sistema de primer orden y que {\textbf{P}}_k denotan la solución del filtro Ecuación de Riccati. Mediante la aplicación La regla de Cramer dentro del cálculo de la ganancia se puede encontrar que la ganancia del filtro es dada por [3]

 {\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}.

Por la inspección, cuando la primera medición de ruido gratis, el filtro ignora la segunda medición y viceversa. Es decir, la estimación combinada es ponderada por la calidad de las mediciones.

Centralizado contra descentralizado

En fusión de sensores, centralizado contra descentralizado se refiere a donde se produce la fusión de los datos. En fusión centralizada, los clientes simplemente remitir todos los datos a una ubicación central y una entidad en la localización central es responsable de correlacionar y fusión de los datos. En descentralizado, los clientes tomar plena responsabilidad por la fusión de los datos. "En este caso, cada sensor o plataforma puede considerarse como un activo inteligente tener cierto grado de autonomía en la toma de decisiones."[4]

Existen múltiples combinaciones de sistemas centralizados y descentralizados.

Niveles de

Existen varias categorías o niveles de fusión de sensores que se utilizan comúnmente.[5]

  • Nivel 0 – alineación de datos
  • Nivel 1 – evaluación de entidad (por ejemplo señal/función/objeto).
    • Seguimiento y detección/reconocimiento/identificación de objetos
  • Nivel 2 – evaluación de la situación
  • Nivel 3 – evaluación de impacto
  • Nivel 4 – refinamiento del proceso (es decir, manejo de sensores)
  • Nivel 5 – refinamiento de usuario

Aplicaciones

Es una aplicación de fusión de sensores GPS/INS, donde Sistema de posicionamiento global y Sistema de navegación inercial datos se fundieron juntos usando varios métodos diferentes, por ejemplo el Filtro de Kalman extendido. Esto es útil, por ejemplo, en la determinación de la actitud de un avión usando los sensores de bajo costo.[6]

Véase también

  • Integración de información
  • Minería de datos
  • Fusión de datos
  • Fusión de imágenes
  • Información: La información no es información
  • Datos (informática)
  • Integración multimodal
  • Método de Fisher para combinar pruebas independientes de significación
  • Transductor Markup Language (TML) es un lenguaje de marcado basado en XML que permite la fusión de sensores.
  • Brooks – algoritmo de Iyengar
  • Sistema de navegación inercial
  • Red de sensores
  • Percepción semántica

Referencias

  1. ^ Elmenreich, w. (2002). Fusión de sensores en los sistemas de tiempo de disparo, tesis doctoral. Viena, Austria: Universidad Tecnológica de Viena. p. 173.
  2. ^ Haghighat, M. B. A., Aghagolzadeh, A. & Seyedarabi, H. (2011). Fusión de imágenes múltiples enfoque para redes de sensores visuales en dominio DCT. Computadoras e ingeniería eléctrica, arreglo, 789-797.
  3. ^ a b Einicke, G.A. (2012). Alisado, filtrado y predicción: estimación del pasado, presente y futuro. Rijeka, Croacia: Intech. ISBN978-953-307-752-9.
  4. ^ N. Xiong; P. Svensson (2002). "Manejo de sensores múltiples para la fusión de la información: temas y enfoques". Fusión de la información. p. 2:163 – 186.
  5. ^ https://defensesystems.com/articles/2009/09/02/c4isr1-sensor-Fusion.aspx
  6. ^ Gross, Jason; Yu Gu; Matthew Rhudy; Srikanth Gururajan; Marcello Napolitano (julio de 2012). "Vuelo prueba evaluación de algoritmos de fusión de sensores para la estimación de la actitud". IEEE Transactions on Systems aeroespaciales y electrónicas 48 (3): 2128 – 2139. Doi:10.1109/TAES.2012.6237583.
  • Niveles de fusión de datos de repensar JDL
  • E. P. Blasch y S. Plano, "nivel 5: refinamiento del usuario para facilitar el proceso de fusión", Proceedings of el SPIE, Vol. 5099, 2003.
  • J. Llinás; C. bowman; G. Rogova; A. Steinberg; E. vals; F. blanco (2004). "Revisitando el modelo de fusión de datos JDL II". Conferencia Internacional sobre la fusión de la información. OAI: 10.1.1.58.2996.
  • E. Blasch "Sensor, usuario, administración de recursos de misión (suma) y su interacción con la fusión de 2/3 nivel"Conferencia Internacional sobre la fusión de la información, 2006.
  • J. L. Crowley y Demazeau Y.Los principios y las técnicas de fusión de datos del Sensor Problemas de procesamiento de señales, volumen 32, 1 – 2, mayo de 1993, páginas 5 – 27

Enlaces externos

  • Sociedad Internacional de fusión de la información

Otras Páginas

Obtenido de"https://en.copro.org/w/index.php?title=Sensor_fusion&oldid=629051571"