WikiDer > Слияние датчиков

Sensor fusion
Еврофайтер сенсор слияния

Слияние датчиков объединяет сенсорный данные или данные, полученные из разрозненных источников, так что в результате Информация имеет меньшую неопределенность, чем это было бы возможно при индивидуальном использовании этих источников. Период, термин уменьшение неопределенности в этом случае может означать более точный, более полный или более надежный, или относиться к результату возникающего представления, например стереоскопический зрение (вычисление информации о глубине путем объединения двухмерных изображений с двух камер с немного разных точек обзора).[1][2]

Не указано, что источники данных для процесса сварки исходят от идентичных датчиков. Можно различить прямой синтез, непрямой синтез и объединение выходов первых двух. Прямое слияние - это слияние данных датчиков из набора неоднородный или же однородный датчики, мягкие датчики, и исторические ценности данных датчиков, в то время как косвенное слияние использует источники информации, такие как априори знания об окружающей среде и человеческом вкладе.

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

Примеры датчиков

Алгоритмы

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

Примеры расчетов

Ниже показаны два примера расчета слияния датчиков.

Позволять и обозначить два измерения датчика с шумом отклонения и , соответственно. Один из способов получения комбинированного измерения заключается в применении Центральная предельная теорема, который также используется в сглаживателе с фиксированным интервалом Фрейзера-Поттера, а именно[4]

,

куда - это дисперсия комбинированной оценки. Можно видеть, что объединенный результат представляет собой просто линейную комбинацию двух измерений, взвешенных по их соответствующей дисперсии шума.

Другой метод объединения двух измерений - использование оптимального Фильтр Калмана. Предположим, что данные генерируются системой первого порядка, и пусть обозначим решение фильтра Уравнение Риккати. Применяя Правило Крамера при вычислении усиления можно определить, что коэффициент усиления фильтра определяется как:[нужна цитата]

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 месту слияния 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 несут полную ответственность за объединение данных. «В этом случае каждый датчик или платформу можно рассматривать как интеллектуальный актив, обладающий некоторой степенью автономии в принятии решений».[5]

Существует несколько комбинаций централизованных и децентрализованных систем.

Другая классификация конфигурации датчиков относится к координации информационного потока между датчиками.[6][7] Эти механизмы позволяют разрешать конфликты или разногласия и позволяют разрабатывать стратегии динамического восприятия. Датчики находятся в резервной (или конкурирующей) 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. Резервные стратегии часто используются с объединениями высокого уровня в процедурах голосования.[8][9]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 Нейронная сеть,[10][11] Скрытая марковская модель,[12][13] Машина опорных векторов,[14] методы кластеризации и другие техники.[14][13] 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. Совместное слияние информации можно использовать в распознавании движения,[15] анализ походки, анализ движения,[16][17],.[18]

Уровни

Обычно используются несколько категорий или уровней объединения датчиков. * [19][20][21][22][23][24]

  • 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.[25] 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) нацелено 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 направлены на объединение нескольких однородных источников сенсорных данных для получения более точных и синтетических показаний.[26] 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, что замедляет 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.[27] Эта процедура генерирует меньшие информационные пространства по сравнению с объединением уровней 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.[25]
  • Уровень решения - уровень решения (или позднее) слияние - это процедура выбора гипотезы из набора гипотез, генерируемых отдельными (обычно более слабыми) решениями нескольких узлов.[28] 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.[29] Обычно при классификации и распознавании используется сочетание датчиков на уровне принятия решений, и два наиболее распространенных подхода - это голосование большинством и наивно-байесовский подход.[нужна цитата] Преимущества объединения на уровне решений включают пропускную способность связи и повышенную точность принятия решений. Это также позволяет комбинировать разнородные датчики.[27]

Приложения

Одно из применений слияния сенсоров: GPS / ИНС, куда спутниковая система навигации и инерциальная навигационная система данные объединяются с использованием различных методов, например в расширенный фильтр Калмана. Это полезно, например, при определении высоты самолета с помощью недорогих датчиков.[30] Другой пример - использование слияние данных подход к определению состояния дорожного движения (низкая загруженность, пробки, средний поток) с использованием собранных акустических данных, изображений и данных датчиков обочины дороги.[31] В области автономного вождения объединение датчиков используется для объединения избыточной информации от дополнительных датчиков с целью получения более точного и надежного представления об окружающей среде.[32]

Хотя технически это не специальный метод слияния датчиков, современные Сверточная нейронная сеть методы на основе могут одновременно обрабатывать очень много каналов данных датчиков (например, Гиперспектральная визуализация с сотнями групп [33]) и объединить соответствующую информацию для получения результатов классификации.

Смотрите также

Рекомендации

  1. ^ Эльменрайх, В. (2002). Слияние датчиков в системах с синхронизацией по времени, кандидатская диссертация (PDF). Вена, Австрия: Венский технологический университет. п. 173.
  2. ^ Хагигат, Мохаммад Багер Акбари; Агаголзаде Али; Сейедараби, Хади (2011). «Слияние мультифокусных изображений для сетей визуальных датчиков в области DCT». Компьютеры и электротехника. 37 (5): 789–797. Дои:10.1016 / j.compeleceng.2011.04.016.
  3. ^ Ли, Ванянь; Ван, Цзидун; Вэй, Гуолян; Ма, Лифенг; Ху, Цзюнь; Дин, Деруи (2015). «Обзор мультисенсорного слияния и согласованной фильтрации для сенсорных сетей». Дискретная динамика в природе и обществе. 2015: 1–12. Дои:10.1155/2015/683701. ISSN 1026-0226.
  4. ^ Можетек, С. (1982). Стохастические модели, оценка и управление. Ривер Эдж, Нью-Джерси: Academic Press.
  5. ^ Н. Сюн; П. Свенссон (2002). «Мультисенсорное управление для слияния информации: проблемы и подходы». Информационный фьюжн. п. 3 (2): 163–186.
  6. ^ Даррант-Уайт, Хью Ф. (2016). «Модели сенсоров и интеграция мультисенсоров». Международный журнал исследований робототехники. 7 (6): 97–113. Дои:10.1177/027836498800700608. ISSN 0278-3649.
  7. ^ Галар, Диего; Кумар, Удай (2017). Электронное обслуживание: основные электронные инструменты для повышения эффективности. Академическая пресса. п. 26. ISBN 9780128111543.
  8. ^ Ли, Вэньфэн; Бао, Цзюньжун; Фу, Сювэнь; Фортино, Джанкарло; Галзарано, Стефано (2012). «Распознавание позы человека на основе теории доказательств D-S и слияния данных с нескольких датчиков». 2012 12-й международный симпозиум IEEE / ACM по кластерам, облачным и сетевым вычислениям (ccgrid 2012). С. 912–917. Дои:10.1109 / CCGrid.2012.144. ISBN 978-1-4673-1395-7.
  9. ^ Фортино, Джанкарло; Гравина, Рафаэле (2015). «Fall-MobileGuard: интеллектуальная система обнаружения падений в реальном времени». Материалы 10-й Международной конференции EAI по телесно-локальным сетям. Дои:10.4108 / eai.28-9-2015.2261462. ISBN 978-1-63190-084-6.
  10. ^ Дао, Шуай; Чжан, Сяовэй; Цай, Хуайин; Lv, Zping; Ху, Цайю; Се, Хайцюнь (2018). «Биометрическая аутентификация личности на основе походки с использованием инерциальных датчиков MEMS». Журнал окружающего интеллекта и гуманизированных вычислений. 9 (5): 1705–1712. Дои:10.1007 / s12652-018-0880-6. ISSN 1868-5137.
  11. ^ Дехзанги, Омид; Тахерисадр, Моджтаба; Чангал Вала, Рагвендар (2017). «Распознавание походки на основе IMU с использованием сверточных нейронных сетей и объединения нескольких датчиков». Датчики. 17 (12): 2735. Дои:10.3390 / с17122735. ISSN 1424-8220. ЧВК 5750784. PMID 29186887.
  12. ^ Guenterberg, E .; Yang, A.Y .; Ghasemzadeh, H .; Jafari, R .; Bajcsy, R .; Састры, С.С. (2009). «Метод извлечения временных параметров на основе скрытых марковских моделей в сенсорных сетях тела с инерционными сенсорами» (PDF). IEEE Transactions по информационным технологиям в биомедицине. 13 (6): 1019–1030. Дои:10.1109 / TITB.2009.2028421. ISSN 1089-7771. PMID 19726268.
  13. ^ а б Паризи, Федерико; Феррари, Джанлуиджи; Джуберти, Маттео; Продолжить, Лаура; Чимолин, Вероника; Аззаро, Коррадо; Альбани, Джованни; Мауро, Алессандро (2016). «Инерциальная характеристика на основе BSN и автоматическая оценка UPDRS задачи походки пациентов с болезнью Паркинсона». IEEE Transactions по аффективным вычислениям. 7 (3): 258–271. Дои:10.1109 / TAFFC.2016.2549533. ISSN 1949-3045.
  14. ^ а б Гао, Лэй; Bourke, A.K .; Нельсон, Джон (2014). «Оценка мультисенсорных систем на основе акселерометра по сравнению с системами распознавания активности с одним сенсором». Медицинская инженерия и физика. 36 (6): 779–785. Дои:10.1016 / j.medengphy.2014.02.012. ISSN 1350-4533. PMID 24636448.
  15. ^ Xu, James Y .; Ван, Ян; Барретт, Мик; Добкин, Брюс; Pottie, Грег Дж .; Кайзер, Уильям Дж. (2016). «Персонализированное многослойное профилирование повседневной жизни через контекстную классификацию деятельности и реконструкцию движения: интегрированный системный подход». Журнал IEEE по биомедицинской и медицинской информатике. 20 (1): 177–188. Дои:10.1109 / JBHI.2014.2385694. ISSN 2168-2194. PMID 25546868.
  16. ^ Чиа Бехарано, Ноэлия; Амброзини, Эмилия; Педрокки, Алессандра; Ферриньо, Джанкарло; Монтиконе, Марко; Ферранте, Симона (2015). «Новый адаптивный алгоритм в реальном времени для обнаружения событий походки от носимых датчиков». IEEE Transactions по нейронным системам и реабилитационной инженерии. 23 (3): 413–422. Дои:10.1109 / TNSRE.2014.2337914. ISSN 1534-4320. PMID 25069118.
  17. ^ Ван, Чжелун; Цю, Сен; Цао, Чжункай; Цзян, Мин (2013). «Количественная оценка двойного анализа походки на основе инерционных датчиков с сетью датчиков тела». Обзор датчика. 33 (1): 48–56. Дои:10.1108/02602281311294342. ISSN 0260-2288.
  18. ^ Конг, Вэйшэн; Ваньнин, Лорен; Сесса, Сальваторе; Зекка, Массимилиано; Магистро, Даниэле; Такеучи, Хикару; Кавасима, Рюта; Таканиси, Ацуо (2017). «Проверка последовательности шагов и направления четырехквадратного шага» (PDF). Письма IEEE по робототехнике и автоматизации. 2 (4): 2194–2200. Дои:10.1109 / LRA.2017.2723929. ISSN 2377-3766.
  19. ^ Переосмысление уровней слияния данных JDL
  20. ^ Blasch, E., Plano, S. (2003) «Уровень 5: Уточнение пользователя для помощи процессу слияния», Proceedings of the SPIE, Vol. 5099.
  21. ^ J. Llinas; К. Боуман; Г. Рогова; А. Штейнберг; Э. Вальс; Ф. Уайт (2004). Возвращаясь к модели слияния данных JDL II. Международная конференция по слиянию информации. CiteSeerX 10.1.1.58.2996.
  22. ^ Блаш, Э. (2006) "Управление ресурсами сенсора, пользователя, миссии (SUM) и их взаимодействие с уровнем 2/3 fusion[постоянная мертвая ссылка]"Международная конференция по слиянию информации.
  23. ^ http://defensesystems.com/articles/2009/09/02/c4isr1-sensor-fusion.aspx
  24. ^ Blasch, E., Steinberg, A., Das, S., Llinas, J., Chong, C.-Y., Kessler, O., Waltz, E., White, F. (2013) «Возвращение к модели JDL для информации «Эксплуатация», Международная конференция по слиянию информации.
  25. ^ а б Гравина, Рафаэле; Алиния, Парастоо; Гасемзаде, Хасан; Фортино, Джанкарло (2017). «Объединение нескольких сенсоров в сетях телесных сенсоров: современное состояние и исследовательские задачи». Информационное слияние. 35: 68–80. Дои:10.1016 / j.inffus.2016.09.005. ISSN 1566-2535.
  26. ^ Гао, Дэн; Сун, Цзинь-Ян; Цзоу, Цзи-Ян; Дин, Цзинь-Хуа; Ван, Де-Куан; Джин, Рен-Ченг (2015). «Обзор механизмов компромисса производительности в протоколе маршрутизации для экологически чистых беспроводных сенсорных сетей». Беспроводные сети. 22 (1): 135–157. Дои:10.1007 / s11276-015-0960-х. ISSN 1022-0038.
  27. ^ а б Чен, Чен; Джафари, Рузбех; Кехтарнаваз, Насер (2015). «Обзор слияния датчиков глубины и инерциальных датчиков для распознавания действий человека». Мультимедийные инструменты и приложения. 76 (3): 4405–4425. Дои:10.1007 / s11042-015-3177-1. ISSN 1380-7501.
  28. ^ Банович, Никола; Бузали, Тофи; Шевалье, Фанни; Манкофф, Дженнифер; Дей, Анинд К. (2016). «Моделирование и понимание повседневного поведения человека». Материалы конференции CHI 2016 по человеческому фактору в вычислительных системах - CHI '16. С. 248–260. Дои:10.1145/2858036.2858557. ISBN 9781450333627.
  29. ^ Мария, Айлени Ралука; Север, Паска; Карлос, Вальдеррама (2015). «Алгоритм объединения данных биомедицинских датчиков для повышения эффективности отказоустойчивых систем в случае носимого электронного устройства». Конференция 2015 г., грид, облачные вычисления и высокопроизводительные вычисления в науке (ROLCG). С. 1–4. Дои:10.1109 / ROLCG.2015.7367228. ISBN 978-6-0673-7040-9.
  30. ^ Гросс, Джейсон; Ю Гу; Мэтью Руди; Шрикантх Гурураджан; Марчелло Наполитано (июль 2012 г.). "Оценка летных испытаний алгоритмов объединения датчиков для оценки отношения". IEEE Transactions по аэрокосмическим и электронным системам. 48 (3): 2128–2139. Дои:10.1109 / TAES.2012.6237583.
  31. ^ Джоши В., Раджамани Н., Такаюки К., Пратапанени Н., Субраманиам Л. В. (2013). Обучение на основе слияния информации для определения состояния экономичного трафика. Материалы двадцать третьей международной совместной конференции по искусственному интеллекту.CS1 maint: несколько имен: список авторов (связь)
  32. ^ Мирча Пол, Муресан; Ион, Гиосан; Серджиу, Недевский (18.02.2020). «Стабилизация и проверка положения 3D-объекта с помощью объединения мультимодальных датчиков и семантической сегментации». Датчики. 20 (4): 1110. Дои:10,3390 / с 2004 11 10. PMID 32085608.
  33. ^ Ран, Линъянь; Чжан, Яньнин; Вэй, Вэй; Чжан, Цилинь (2017-10-23). «Структура классификации гиперспектральных изображений с функциями пространственной пары пикселей». Датчики. 17 (10): 2421. Дои:10,3390 / с17102421. ЧВК 5677443. PMID 29065535.

внешняя ссылка

  1. ^ Хагигхат, Мохаммад; Абдель-Мотталеб, Мохамед; Алхалаби, Уэди (2016). «Дискриминантный корреляционный анализ: объединение уровней функций в реальном времени для мультимодального биометрического распознавания». IEEE Transactions по информационной криминалистике и безопасности. 11 (9): 1984–1996. Дои:10.1109 / TIFS.2016.2569061.