Fuzja czujnika

Fuzja czujników to proces łączenia danych z czujników lub danych pochodzących z różnych źródeł w taki sposób, że uzyskane informacje mają mniejszą niepewność, niż byłoby to możliwe, gdyby te źródła były wykorzystywane indywidualnie. Na przykład można potencjalnie uzyskać dokładniejsze oszacowanie lokalizacji obiektu w pomieszczeniu, łącząc wiele źródeł danych, takich jak kamery wideo i sygnały lokalizacyjne Wi-Fi . Termin redukcja niepewności w tym przypadku może oznaczać dokładniejszy, pełniejszy lub bardziej niezawodny lub odnosić się do wyniku wyłaniającego się widoku, takiego jak stereoskopowy wizja (obliczanie informacji o głębi przez połączenie dwuwymiarowych obrazów z dwóch kamer z nieco różnych punktów widzenia).

Źródła danych dla procesu łączenia nie są określone jako pochodzące z identycznych czujników. Można wyróżnić fuzję bezpośrednią , fuzję pośrednią oraz fuzję wyjść dwóch pierwszych. Fuzja bezpośrednia to fuzja danych z czujników z zestawu czujników heterogenicznych lub jednorodnych , czujników miękkich i wartości historycznych danych z czujników, podczas gdy fuzja pośrednia wykorzystuje źródła informacji, takie jak wiedza a priori o środowisku i wkład człowieka.

Fuzja czujników jest również znana jako fuzja danych (wieloczujnikowa) i jest podzbiorem fuzji informacji .

Przykłady czujników

Akcelerometry
Elektroniczne środki wsparcia (ESM)
Flash LIDAR
Globalny system pozycjonowania (GPS)
Kamera termowizyjna / termowizyjna
Czujniki magnetyczne
MEMY
Układ fazowany
Radar
Radioteleskopy , takie jak proponowana tablica kilometrów kwadratowych , największy czujnik, jaki kiedykolwiek zbudowano
Skanowanie LIDAR-u
Czujniki sejsmiczne
Sonar i inne akustyczne
Sonobuoy
kamery telewizyjne
→Dodatkowa lista czujników

Algorytmy

Fuzja czujników to termin obejmujący szereg metod i algorytmów, w tym:

Przykładowe obliczenia

Poniżej zilustrowano dwa przykładowe obliczenia fuzji czujników.

Niech ${\ Displaystyle {\ textbf {x}} _ {1}}$ i $oznaczają$ dwa pomiary czujnika z wariancjami szumów $Displaystyle \ scriptstyle \ sigma _ {1} ^ {2}}$ i odpowiednio ${\ Displaystyle \ scriptstyle \ sigma _ {2} ^ {2}} . Jednym$ $ze$ sposobów uzyskania połączonego pomiaru zastosowanie odwrotnej wariancji , który jest również stosowany w wygładzaczu o stałym interwale Frasera-Pottera, a mianowicie

{\ Displaystyle {\ textbf {x}} _ {3} = \ sigma _ {3} ^ {2} (\ sigma _ {1}^{-2}{\textbf {x}}_{1}+\sigma _{2}^{-2}{\textbf {x}}_{2})}

,

gdzie ${\ Displaystyle \ scriptstyle \ sigma _ {3} ^ {2} = (\ scriptstyle \ sigma _ {1} ^ {- 2} + \ scriptstyle \sigma _{2}^{-2})^{-1}}$ to wariancja połączonego oszacowania. Można zauważyć, że połączony wynik jest po prostu liniową kombinacją dwóch pomiarów ważonych przez ich odpowiednie wariancje szumów.

Inną metodą połączenia dwóch pomiarów jest użycie optymalnego filtra Kalmana . Załóżmy $,$ że dane są generowane przez system pierwszego rzędu i niech równania Riccatiego filtra . Stosując regułę Cramera do obliczenia wzmocnienia, można stwierdzić, że wzmocnienie filtra jest określone przez: ^{[ potrzebne źródło ]}

{\ Displaystyle {\ textbf {L}} _ {k} = {\ rozpocząć {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}}.}

Po sprawdzeniu, gdy pierwszy pomiar jest wolny od szumów, filtr ignoruje drugi pomiar i odwrotnie. Oznacza to, że połączone oszacowanie jest ważone przez jakość pomiarów.

Scentralizowany kontra zdecentralizowany

W fuzji czujników scentralizowane kontra zdecentralizowane odnosi się do miejsca, w którym następuje fuzja danych. W scentralizowanej fuzji klienci po prostu przekazują wszystkie dane do centralnej lokalizacji, a jakiś podmiot w centralnej lokalizacji jest odpowiedzialny za korelację i łączenie danych. W przypadku zdecentralizowanej klienci ponoszą pełną odpowiedzialność za fuzję danych. „W tym przypadku każdy czujnik lub platformę można postrzegać jako inteligentny zasób posiadający pewien stopień autonomii w podejmowaniu decyzji”.

Istnieje wiele kombinacji systemów scentralizowanych i zdecentralizowanych.

Inna klasyfikacja konfiguracji czujników odnosi się do koordynacji przepływu informacji między czujnikami. Mechanizmy te umożliwiają rozwiązywanie konfliktów lub nieporozumień oraz umożliwiają rozwój strategii wykrywania dynamicznego. Czujniki są w konfiguracji redundantnej (lub konkurencyjnej), jeśli każdy węzeł dostarcza niezależne pomiary tych samych właściwości. Ta konfiguracja może być używana do korekcji błędów podczas porównywania informacji z wielu węzłów. Zbędne strategie są często używane z fuzjami wysokiego poziomu w procedurach głosowania. Konfiguracja uzupełniająca występuje, gdy wiele źródeł informacji dostarcza różnych informacji o tych samych cechach. Strategia ta służy do łączenia informacji na poziomie nieprzetworzonych danych w ramach algorytmów podejmowania decyzji. Funkcje uzupełniające są zwykle stosowane w zadaniach związanych z rozpoznawaniem ruchu Sieć neuronowa , ukryty model Markowa , maszyna wektorów nośnych , metody grupowania i inne techniki. Fuzja czujników współpracujących wykorzystuje informacje uzyskane przez wiele niezależnych czujników w celu dostarczenia informacji, które nie byłyby dostępne z pojedynczych czujników. Na przykład czujniki podłączone do segmentów ciała służą do wykrywania kąta między nimi. Strategia współpracy czujników daje informacje niemożliwe do uzyskania z pojedynczych węzłów. Kooperacyjna fuzja informacji może być wykorzystana w rozpoznawaniu ruchu, analizie chodu , analizie ruchu ,,.

Poziomy

Istnieje kilka powszechnie stosowanych kategorii lub poziomów łączenia czujników.*

Poziom 0 – Wyrównywanie danych
Poziom 1 – Ocena podmiotu (np. sygnał/cecha/obiekt).
- Śledzenie i wykrywanie/rozpoznawanie/identyfikacja obiektów
Poziom 2 – Ocena sytuacji
Poziom 3 – Ocena wpływu
Poziom 4 – Udoskonalanie procesu (tj. zarządzanie czujnikami)
Poziom 5 – Udoskonalenie użytkownika

Poziom fuzji czujnika można również zdefiniować w oparciu o rodzaj informacji wykorzystywanych do zasilania algorytmu fuzji. Mówiąc dokładniej, fuzja czujników może być przeprowadzana poprzez łączenie nieprzetworzonych danych pochodzących z różnych źródeł, ekstrapolowanych funkcji, a nawet decyzji podejmowanych przez pojedyncze węzły.

Poziom danych - fuzja na poziomie danych (lub wczesna) ma na celu połączenie surowych danych z wielu źródeł i przedstawienie techniki fuzji na najniższym poziomie abstrakcji. Jest to najpowszechniejsza technika łączenia czujników w wielu dziedzinach zastosowań. Algorytmy łączenia danych na poziomie zwykle mają na celu połączenie wielu jednorodnych źródeł danych sensorycznych w celu uzyskania dokładniejszych i syntetycznych odczytów. Gdy stosowane są urządzenia przenośne, kompresja danych stanowi ważny czynnik, ponieważ zbieranie nieprzetworzonych informacji z wielu źródeł generuje ogromne przestrzenie informacyjne, które mogą definiować problem pod względem pamięci lub przepustowości komunikacyjnej dla systemów przenośnych. Fuzja informacji na poziomie danych ma tendencję do generowania dużych przestrzeni wejściowych, które spowalniają procedurę podejmowania decyzji. Ponadto fuzja danych często nie jest w stanie obsłużyć niekompletnych pomiarów. Jeśli jeden tryb czujnika stanie się bezużyteczny z powodu wadliwego działania, awarii lub innych przyczyn, całe systemy mogą mieć niejednoznaczne wyniki.
Poziom funkcji — funkcje reprezentują informacje obliczone na pokładzie przez każdy węzeł czujnikowy. Cechy te są następnie przesyłane do węzła fuzji w celu zasilania algorytmu fuzji. Ta procedura generuje mniejsze przestrzenie informacyjne w odniesieniu do fuzji poziomu danych, co jest lepsze pod względem obciążenia obliczeniowego. Oczywiście ważne jest, aby właściwie wybrać cechy, na podstawie których zdefiniowano procedury klasyfikacji: wybór najbardziej wydajnego zestawu cech powinien być głównym aspektem projektowania metody. Korzystanie z algorytmów wyboru cech, które właściwie wykrywają skorelowane cechy i podzbiory cech, poprawia dokładność rozpoznawania, ale zazwyczaj do znalezienia najbardziej znaczącego podzbioru cech wymagane są duże zbiory uczące.
Fuzja poziom decyzyjny - poziom decyzyjny (lub późny) to procedura wyboru hipotezy ze zbioru hipotez generowanych przez indywidualne (zwykle słabsze) decyzje wielu węzłów. Jest to najwyższy poziom abstrakcji i wykorzystuje informacje, które zostały już opracowane poprzez wstępne przetwarzanie danych lub na poziomie funkcji. Głównym celem fuzji decyzji jest użycie klasyfikatora na poziomie meta, podczas gdy dane z węzłów są wstępnie przetwarzane poprzez wyodrębnianie z nich cech. Zwykle w działaniach związanych z klasyfikacją i rozpoznawaniem stosuje się fuzję czujników na poziomie decyzyjnym, a dwa najczęstsze podejścia to głosowanie większościowe i metoda Naive-Bayes. ^{[ potrzebne źródło ]} Korzyści płynące z fuzji na poziomie decyzyjnym obejmują przepustowość komunikacyjną i lepszą dokładność decyzji. Pozwala również na łączenie heterogenicznych czujników.

Aplikacje

Jednym z zastosowań fuzji czujników jest GPS/INS , w którym dane z globalnego systemu pozycjonowania i systemu nawigacji bezwładnościowej są łączone przy użyciu różnych metod, np. rozszerzonego filtra Kalmana . Jest to przydatne na przykład przy określaniu położenia samolotu za pomocą tanich czujników. Innym przykładem jest zastosowanie łączenia danych w celu określenia stanu ruchu (mały ruch, korek, średni przepływ) przy użyciu danych akustycznych, obrazu i czujników zebranych na poboczu drogi. W dziedzinie autonomicznej jazdy fuzja czujników służy do łączenia nadmiarowych informacji z uzupełniających się czujników w celu uzyskania dokładniejszej i bardziej niezawodnej reprezentacji środowiska.

Chociaż technicznie nie jest to dedykowana metoda łączenia czujników, nowoczesne metody oparte na konwolucyjnych sieciach neuronowych mogą jednocześnie przetwarzać bardzo wiele kanałów danych z czujników (takich jak obrazowanie hiperspektralne z setkami pasm) i łączyć odpowiednie informacje w celu uzyskania wyników klasyfikacji.

Zobacz też

Brooksa – algorytm Iyengara
Dane (przetwarzanie)
Eksploracja danych
Metoda Fishera do łączenia niezależnych testów istotności
Fuzja obrazu
Integracja multimodalna
Siatka czujników
Transducer Markup Language (TML) to język znaczników oparty na XML, który umożliwia fuzję czujników.

Linki zewnętrzne

^ Haghighat, Mahomet; Abdel-Mottaleb, Mohamed; Alhalabi, Wadee (2016). „Analiza korelacji dyskryminacyjnej: fuzja poziomów funkcji w czasie rzeczywistym dla multimodalnego rozpoznawania biometrycznego” . Transakcje IEEE dotyczące informatyki śledczej i bezpieczeństwa . 11 (9): 1984–1996. doi : 10.1109/TIFS.2016.2569061 . S2CID 15624506 .

[dca-36] Haghighat, Mahomet; Abdel-Mottaleb, Mohamed; Alhalabi, Wadee (2016). „Analiza korelacji dyskryminacyjnej: fuzja poziomów funkcji w czasie rzeczywistym dla multimodalnego rozpoznawania biometrycznego” . Transakcje IEEE dotyczące informatyki śledczej i bezpieczeństwa . 11 (9): 1984–1996. doi : 10.1109/TIFS.2016.2569061 . S2CID 15624506 .