Sloučení senzoru - Sensor fusion

Eurofighter fúze senzorů

Sloučení senzoru kombinuje smyslové data nebo data odvozená z různorodých zdrojů tak, že výsledná informace má menší nejistotu, než by bylo možné, kdyby byly tyto zdroje použity jednotlivě. Termín snížení nejistoty v tomto případě může znamenat přesnější, úplnější nebo spolehlivější, nebo odkazovat na výsledek vznikajícího pohledu, jako např. stereoskopický vidění (výpočet hloubkové informace kombinací dvourozměrných obrazů ze dvou kamer v mírně odlišných úhlech pohledu).^[1][2]

Zdroje dat pro proces fúze nejsou specifikovány tak, aby pocházely ze stejných senzorů. Dá se rozlišit přímá fúze, nepřímá fúze a fúze výstupů prvních dvou. Přímá fúze je fúze dat senzoru ze sady heterogenní nebo homogenní senzory, měkké senzory, a historické hodnoty dat senzorů, zatímco nepřímá fúze využívá informační zdroje jako a priori znalosti o životním prostředí a vstup člověka.

Sloučení senzorů je také známé jako (více senzorů) fúze dat a je podmnožinou fúze informací.

Příklady senzorů

• Akcelerometry
• Elektronická podpůrná opatření (ESM)
• Flash LIDAR
• Globální Polohovací Systém (GPS)
• Infračervená / termální zobrazovací kamera
• Magnetické senzory
• MEMS
• Fázované pole
• Radar
• Radioteleskopy, například navrhované Pole čtvercového kilometru, největší senzor, jaký byl kdy postaven
• Skenování LIDAR
• Seismické senzory
• Sonar a další akustické
• Sonobuoys
• Televizní kamery
• → Další Seznam senzorů

Algoritmy

Sloučení senzorů je pojem, který zahrnuje řadu metod a algoritmů, včetně:

• Teorém centrálního limitu
• Kalmanův filtr^[3]
• Bayesovské sítě
• Dempster-Shafer
• Konvoluční neuronová síť

Ukázkové výpočty

Níže jsou uvedeny dva příklady výpočtů fúze senzorů.

Nechat ${ displaystyle { textbf {x}} _ {1}}$ a ${ displaystyle { textbf {x}} _ {2}}$ označují dvě měření snímače hlukem odchylky ${ displaystyle scriptstyle sigma _ {1} ^ {2}}$ a ${ displaystyle scriptstyle sigma _ {2} ^ {2}}$, resp. Jeden způsob získání kombinovaného měření ${ displaystyle { textbf {x}} _ {3}}$ je použít Teorém centrálního limitu, který se také používá ve Fraser-Potterově hladším intervalu s pevným intervalem, jmenovitě^[4]

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

kde ${ displaystyle scriptstyle sigma _ {3} ^ {2} = ( scriptstyle sigma _ {1} ^ {- 2} + scriptstyle sigma _ {2} ^ {- 2}) ^ {- 1} }$ je rozptyl kombinovaného odhadu. Je vidět, že výsledkem fúze je jednoduše lineární kombinace dvou měření vážená jejich příslušnými odchylkami šumu.

Další metodou k fúzi dvou měření je použití optimálního Kalmanův filtr. Předpokládejme, že data jsou generována systémem prvního řádu a nechána ${ displaystyle { textbf {P}} _ {k}}$ označit řešení filtru Riccatiho rovnice. Aplikováním Cramerovo pravidlo v rámci výpočtu zisku lze zjistit, že zisk filtru je dán vztahem:^{[Citace je zapotřebí ]}

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

Kontrolou, když je první měření bez šumu, filtr ignoruje druhé měření a naopak. To znamená, že kombinovaný odhad je vážen kvalitou měření.

Centralizovaná versus decentralizovaná

Při fúzi senzorů se centralizovaná versus decentralizovaná označuje místo, kde dochází k fúzi dat. V centralizované fúzi klienti jednoduše předávají všechna data do centrálního umístění a některá entita v centrálním umístění je zodpovědná za korelaci a fúzi dat. V decentralizovaném prostředí přebírají klienti plnou odpovědnost za fúzi dat. „V tomto případě lze na každý senzor nebo platformu pohlížet jako na inteligentní aktivum s určitou mírou autonomie v rozhodování.“^[5]

Existuje několik kombinací centralizovaných a decentralizovaných systémů.

Další klasifikace konfigurace senzorů se týká koordinace toku informací mezi senzory.^[6][7] Tyto mechanismy poskytují způsob řešení konfliktů nebo neshod a umožňují rozvoj strategií dynamického snímání. Senzory jsou v redundantní (nebo konkurenční) konfiguraci, pokud každý uzel poskytuje nezávislé míry stejných vlastností. Tuto konfiguraci lze použít při opravě chyb při porovnávání informací z více uzlů. Při hlasovacích postupech se často používají nadbytečné strategie s fúzí na vysoké úrovni.^[8][9]Doplňková konfigurace nastává, když více zdrojů informací poskytuje různé informace o stejných funkcích. Tato strategie se používá pro fúzi informací na úrovni nezpracovaných dat v rámci rozhodovacích algoritmů. Doplňkové funkce se obvykle používají v úlohách rozpoznávání pohybu s Nervová síť,^[10][11] Skrytý Markovův model,^[12][13] Podpůrný vektorový stroj,^[14] shlukovací metody a další techniky.^[14][13] Kooperativní fúze senzorů využívá informace extrahované několika nezávislými senzory k poskytnutí informací, které by nebyly dostupné z jednotlivých senzorů. Například senzory připojené k segmentům těla se používají k detekci úhlu mezi nimi. Kooperativní senzorová strategie dává informace, které nelze získat z jednotlivých uzlů. Kooperativní fúzi informací lze použít při rozpoznávání pohybu,^[15] analýza chůze, analýza pohybu,^[16][17],.^[18]

Úrovně

Obvykle se používá několik kategorií nebo úrovní fúze senzorů. * ^{[19][20][21][22][23][24]}

• Úroveň 0 - Zarovnání dat
• Úroveň 1 - Hodnocení entity (např. Signál / vlastnost / objekt).
  • Sledování a detekce / rozpoznání / identifikace objektu
• Úroveň 2 - Posouzení situace
• Úroveň 3 - Posouzení dopadů
• Úroveň 4 - Zdokonalení procesu (tj. Správa senzoru)
• Úroveň 5 - Upřesnění uživatele

Úroveň fúze senzoru lze také definovat na základě druhu informací použitých k napájení algoritmu fúze.^[25] Přesněji lze fúzi senzorů provést fúzí surových dat pocházejících z různých zdrojů, extrapolovaných funkcí nebo dokonce rozhodnutí jednotlivých uzlů.

• Úroveň dat - fúze na úrovni dat (nebo rané) si klade za cíl spojit nezpracovaná data z více zdrojů a představovat techniku ​​fúze na nejnižší úrovni abstrakce. Jedná se o nejběžnější techniku ​​fúze senzorů v mnoha oblastech použití. Algoritmy fúze datové úrovně mají obvykle za cíl kombinovat více homogenních zdrojů senzorických dat a dosáhnout tak přesnějších a syntetičtějších údajů.^[26] Když se používají přenosná zařízení, představuje komprese dat důležitý faktor, protože shromažďování nezpracovaných informací z více zdrojů generuje obrovské informační prostory, které by mohly definovat problém z hlediska paměti nebo šířky pásma přenosných systémů. Fúze informací na úrovni dat má tendenci generovat velké vstupní prostory, které zpomalují postup rozhodování. Fúze na úrovni dat také často nedokáže zpracovat neúplná měření. Pokud se některý způsob senzoru stane nepoužitelným z důvodu nesprávné funkce, poruchy nebo z jiných důvodů, může dojít k nejednoznačným výsledkům celého systému.
• Úroveň funkcí - funkce představují informace vypočítané na palubě každým snímacím uzlem. Tyto funkce jsou poté odeslány do fúzního uzlu za účelem napájení fúzního algoritmu.^[27] Tato procedura generuje menší informační prostory s ohledem na fúzi na úrovni dat, což je lepší z hlediska výpočetní zátěže. Je zřejmé, že je důležité správně vybrat prvky, na nichž se definují klasifikační postupy: výběr nejúčinnější sady funkcí by měl být hlavním aspektem při navrhování metody. Použití algoritmů pro výběr funkcí, které správně detekují korelované funkce a podmnožiny funkcí, zlepšuje přesnost rozpoznávání, ale k nalezení nejvýznamnější podmnožiny funkcí jsou obvykle zapotřebí velké tréninkové sady.^[25]
• Rozhodovací úroveň - rozhodovací úroveň (nebo pozdní) fúze je postup výběru hypotézy ze sady hypotéz generovaných individuálními (obvykle slabšími) rozhodnutími více uzlů.^[28] Jedná se o nejvyšší úroveň abstrakce a využívá informace, které již byly zpracovány prostřednictvím předběžného zpracování na úrovni dat nebo funkcí. Hlavním cílem při fúzi rozhodnutí je použití klasifikátoru metaúrovní, zatímco data z uzlů jsou předzpracována extrahováním funkcí z nich.^[29] Typicky se fúze senzorů na úrovni rozhodnutí používá při klasifikaci a rozpoznávání a dva nejběžnější přístupy jsou většinové hlasování a Naive-Bayes.^{[Citace je zapotřebí ]} Výhody fúze na úrovni rozhodnutí zahrnují šířku pásma komunikace a lepší přesnost rozhodování. Umožňuje také kombinaci heterogenních senzorů.^[27]

Aplikace

Jednou z aplikací fúze senzorů je GPS / INS, kde Globální Polohovací Systém a inerciální navigační systém data se fúzují pomocí různých metod, např. the rozšířený Kalmanův filtr. To je užitečné například při určování výšky letadla pomocí levných snímačů.^[30] Dalším příkladem je použití fúze dat přístup k určení stavu dopravy (slabý provoz, dopravní zácpa, střední tok) pomocí silničních shromážděných akustických, obrazových a senzorových dat.^[31] V oblasti autonomního řízení se fúze senzorů používá ke kombinování nadbytečných informací z doplňkových senzorů za účelem získání přesnější a spolehlivější reprezentace prostředí.^[32]

Ačkoli technicky nejde o speciální metodu fúze senzorů, moderní Konvoluční neuronová síť založené metody mohou současně zpracovávat velmi mnoho kanálů dat ze senzorů (např Hyperspektrální zobrazování se stovkami kapel ^[33]) a spojit příslušné informace za účelem získání výsledků klasifikace.

Viz také

Reference

externí odkazy

• Diskriminační korelační analýza (DCA)^[1]
• International Society of Information Fusion