Sensör füzyonu - Sensor fusion

Eurofighter sensör füzyonu

Sensör füzyonu birleşiyor duyusal farklı kaynaklardan elde edilen veriler veya veriler bilgi bu kaynaklar ayrı ayrı kullanıldığında mümkün olacağından daha az belirsizliğe sahiptir. Dönem belirsizlik azaltma bu durumda daha doğru, daha eksiksiz veya daha güvenilir anlamına gelebilir veya ortaya çıkan bir görüşün sonucuna atıfta bulunabilir, örneğin stereoskopik görüş (iki kameradan iki boyutlu görüntüleri biraz farklı bakış açılarında birleştirerek derinlik bilgisinin hesaplanması).[1][2]

Bir füzyon süreci için veri kaynaklarının aynı sensörlerden geldiği belirtilmemiştir. Biri ayırt edebilir doğrudan füzyon, dolaylı füzyon ve önceki ikisinin çıktılarının kaynaşması. Doğrudan füzyon, bir dizi sensörden gelen sensör verilerinin birleştirilmesidir. heterojen veya homojen sensörler, yumuşak sensörler, ve tarih değerleri dolaylı füzyon gibi bilgi kaynaklarını kullanırken Önsel çevre ve insan girdisi hakkında bilgi.

Sensör füzyonu aynı zamanda (çoklu sensör) veri füzyonu ve bir alt kümesidir bilgi füzyonu.

Sensör örnekleri

Algoritmalar

Sensör füzyonu, aşağıdakiler de dahil olmak üzere bir dizi yöntemi ve algoritmayı kapsayan bir terimdir:

Örnek hesaplamalar

İki örnek sensör füzyon hesaplaması aşağıda gösterilmiştir.

İzin Vermek ve gürültü ile iki sensör ölçümünü gösterir varyanslar ve , sırasıyla. Kombine ölçüm elde etmenin bir yolu uygulamak Merkezi Limit Teoremi, Fraser-Potter sabit aralıklı daha pürüzsüz, yani[4]

,

nerede birleşik tahminin varyansıdır. Kaynaşmış sonucun, ilgili gürültü varyansları ile ağırlıklandırılan iki ölçümün basitçe doğrusal bir kombinasyonu olduğu görülebilir.

İki ölçümü birleştirmenin başka bir yöntemi de en uygun olanı kullanmaktır. Kalman filtresi. Verilerin birinci dereceden bir sistem tarafından oluşturulduğunu varsayalım ve filtrenin çözümünü gösterir Riccati denklemi. Başvurarak Cramer kuralı kazanç hesaplamasında filtre kazancının şu şekilde verildiği bulunabilir:[kaynak belirtilmeli ]

İnceleme ile, ilk ölçüm parazitsiz olduğunda, filtre ikinci ölçümü yok sayar ve bunun tersi de geçerlidir. Yani, birleşik tahmin, ölçümlerin kalitesine göre ağırlıklandırılır.

Merkezi olmayan ve merkezi olmayan

Sensör füzyonunda, merkezileştirilmiş ve merkezsizleştirilmiş, verilerin kaynaşmasının nerede gerçekleştiğini ifade eder. Merkezileştirilmiş füzyonda, istemciler tüm verileri basit bir şekilde merkezi bir konuma iletir ve merkezi konumdaki bazı varlık, verilerin ilişkilendirilmesinden ve birleştirilmesinden sorumludur. Merkezi olmayan bir şekilde, müşteriler verileri birleştirmek için tüm sorumluluğu üstlenirler. "Bu durumda, her sensör veya platform, karar vermede bir dereceye kadar özerkliğe sahip akıllı bir varlık olarak görülebilir."[5]

Merkezi ve merkezi olmayan sistemlerin birden çok kombinasyonu mevcuttur.

Sensör yapılandırmasının başka bir sınıflandırması, sensörler arasındaki bilgi akışının koordinasyonunu ifade eder.[6][7] Bu mekanizmalar, çatışmaları veya anlaşmazlıkları çözmek ve dinamik algılama stratejilerinin geliştirilmesine izin vermek için bir yol sağlar. Her bir düğüm aynı özelliklerde bağımsız ölçümler sağlıyorsa sensörler yedekli (veya rekabetçi) konfigürasyondadır. Bu konfigürasyon, birden fazla düğümden gelen bilgileri karşılaştırırken hata düzeltmede kullanılabilir. Yedekli stratejiler genellikle oylama prosedürlerinde yüksek seviyeli füzyonlarla kullanılır.[8][9]Tamamlayıcı konfigürasyon, birden çok bilgi kaynağı aynı özellikler hakkında farklı bilgiler sağladığında gerçekleşir. Bu strateji, karar verme algoritmalarında ham veri düzeyinde bilgileri birleştirmek için kullanılır. Tamamlayıcı özellikler tipik olarak hareket tanıma görevlerinde uygulanır. Sinir ağı,[10][11] Gizli Markov modeli,[12][13] Destek-vektör makinesi,[14] kümeleme yöntemleri ve diğer teknikler.[14][13] İşbirlikçi sensör füzyonu, tek sensörlerden elde edilemeyecek bilgileri sağlamak için birden fazla bağımsız sensör tarafından çıkarılan bilgileri kullanır. Örneğin vücut segmentlerine bağlı sensörler aralarındaki açının tespiti için kullanılır. İşbirlikçi sensör stratejisi, tek düğümlerden elde edilmesi imkansız bilgi verir. Kooperatif bilgi füzyonu hareket tanımada kullanılabilir,[15] yürüyüş analizi, hareket analizi,[16][17],.[18]

Seviyeler

Yaygın olarak kullanılan birkaç sensör füzyon kategorisi veya seviyesi vardır. * [19][20][21][22][23][24]

  • Seviye 0 - Veri hizalama
  • Seviye 1 - Varlık değerlendirmesi (ör. Sinyal / özellik / nesne).
    • İzleme ve nesne algılama / tanıma / tanımlama
  • Seviye 2 - Durum değerlendirmesi
  • Seviye 3 - Etki değerlendirmesi
  • Seviye 4 - Süreç iyileştirme (yani sensör yönetimi)
  • Seviye 5 - Kullanıcı ayrıntılandırması

Sensör füzyon seviyesi, füzyon algoritmasını beslemek için kullanılan bilgi türüne göre de tanımlanabilir.[25] Daha doğrusu, sensör füzyonu, farklı kaynaklardan gelen ham verileri, ekstrapole edilmiş özellikleri ve hatta tek düğümler tarafından alınan kararları birleştirerek gerçekleştirilebilir.

  • Veri seviyesi - veri seviyesi (veya erken) füzyon, birden fazla kaynaktan gelen ham verileri birleştirmeyi ve en düşük soyutlama seviyesinde füzyon tekniğini temsil etmeyi amaçlar. Birçok uygulama alanında en yaygın sensör füzyon tekniğidir. Veri seviyesi füzyon algoritmaları genellikle daha doğru ve sentetik okumalar elde etmek için çoklu homojen duyusal veri kaynaklarını birleştirmeyi amaçlar.[26] Taşınabilir cihazlar kullanıldığında, veri sıkıştırma önemli bir faktördür, çünkü birden fazla kaynaktan ham bilgi toplamak, taşınabilir sistemler için bellek veya iletişim bant genişliği açısından bir sorunu tanımlayabilecek büyük bilgi alanları oluşturur. Veri seviyesinde bilgi füzyonu, karar verme prosedürünü yavaşlatan büyük girdi alanları oluşturma eğilimindedir. Ayrıca, veri seviyesi füzyonu genellikle eksik ölçümleri işleyemez. Arızalar, arızalar veya diğer nedenlerden dolayı bir sensör yöntemi işe yaramaz hale gelirse, tüm sistemler belirsiz sonuçlarla ortaya çıkabilir.
  • Özellik seviyesi - özellikler, her bir algılama düğümü tarafından yerleşik olarak hesaplanan bilgileri temsil eder. Bu özellikler daha sonra füzyon algoritmasını beslemek için bir füzyon düğümüne gönderilir.[27] Bu prosedür, veri seviyesi füzyonuna göre daha küçük bilgi alanları oluşturur ve bu, hesaplama yükü açısından daha iyidir. Açıktır ki, sınıflandırma prosedürlerinin tanımlanacağı özelliklerin doğru şekilde seçilmesi önemlidir: en verimli özellik setini seçmek, yöntem tasarımında ana unsur olmalıdır. İlişkili özellikleri ve özellik alt kümelerini doğru şekilde algılayan özellik seçim algoritmalarını kullanmak, tanıma doğruluğunu geliştirir, ancak genellikle en önemli özellik alt kümesini bulmak için büyük eğitim kümeleri gerekir.[25]
  • Karar seviyesi - karar seviyesi (veya geç) füzyon, birden fazla düğümün bireysel (genellikle daha zayıf) kararları tarafından oluşturulan bir dizi hipotezden bir hipotez seçme prosedürüdür.[28] En yüksek soyutlama seviyesidir ve ön veri veya özellik seviyesi işleme yoluyla halihazırda detaylandırılmış olan bilgileri kullanır. Karar füzyonunda ana amaç, meta-seviye sınıflandırıcı kullanmaktır, düğümlerden gelen veriler ise onlardan öznitelikler çıkararak ön işlemden geçirilir.[29] Tipik olarak karar seviyesi sensör füzyonu, sınıflandırmada ve tanıma aktivitelerinde kullanılır ve en yaygın iki yaklaşım çoğunluk oylama ve Naive-Bayes'tir.[kaynak belirtilmeli ] Karar düzeyi füzyonunun sağladığı avantajlar arasında iletişim bant genişliği ve iyileştirilmiş karar doğruluğu bulunur. Aynı zamanda heterojen sensörlerin kombinasyonuna izin verir.[27]

Başvurular

Sensör füzyonunun bir uygulaması, GPS / INS, nerede Küresel Konumlandırma Sistemi ve atalet seyrüsefer sistemi veriler çeşitli farklı yöntemler kullanılarak birleştirilir, ör. genişletilmiş Kalman filtresi. Bu, örneğin, düşük maliyetli sensörler kullanarak bir uçağın irtifasını belirlemede yararlıdır.[30] Başka bir örnek, veri füzyonu yol kenarından toplanan akustik, görüntü ve sensör verilerini kullanarak trafik durumunu (düşük trafik, trafik sıkışıklığı, orta akış) belirleme yaklaşımı.[31] Otonom sürüş sensörü füzyonu alanında, çevrenin daha doğru ve güvenilir bir temsilini elde etmek için tamamlayıcı sensörlerden gelen fazlalık bilgileri birleştirmek için kullanılır.[32]

Teknik olarak özel bir sensör füzyon yöntemi olmasa da, modern Evrişimli sinir ağı tabanlı yöntemler aynı anda çok sayıda sensör verisi kanalını işleyebilir (örneğin Hiperspektral görüntüleme yüzlerce grupla [33]) ve sınıflandırma sonuçlarını üretmek için ilgili bilgileri birleştirin.

Ayrıca bakınız

Referanslar

  1. ^ Elmenreich, W. (2002). Zamanla Tetiklemeli Sistemlerde Sensör Füzyonu, Doktora Tezi (PDF). Viyana, Avusturya: Viyana Teknoloji Üniversitesi. s. 173.
  2. ^ Haghighat, Mohammad Bagher Akbari; Aghagolzadeh, Ali; Seyedarabi Hadi (2011). "DCT alanındaki görsel sensör ağları için çok odaklı görüntü füzyonu". Bilgisayarlar ve Elektrik Mühendisliği. 37 (5): 789–797. doi:10.1016 / j.compeleceng.2011.04.016.
  3. ^ Li, Wangyan; Wang, Zidong; Wei, Guoliang; Ma, Lifeng; Hu, Jun; Ding, Derui (2015). "Sensör Ağları için Çok Sensörlü Füzyon ve Konsensüs Filtreleme Üzerine Bir Araştırma". Doğada ve Toplumda Ayrık Dinamikler. 2015: 1–12. doi:10.1155/2015/683701. ISSN  1026-0226.
  4. ^ Maybeck, S. (1982). Stokastik Modeller, Tahmin ve Kontrol. River Edge, NJ: Academic Press.
  5. ^ N. Xiong; P. Svensson (2002). "Bilgi füzyonu için çoklu sensör yönetimi: sorunlar ve yaklaşımlar". Bilgi Füzyonu. s. 3 (2): 163–186.
  6. ^ Durrant-Whyte Hugh F. (2016). "Sensör Modelleri ve Çoklu Sensör Entegrasyonu". Uluslararası Robotik Araştırma Dergisi. 7 (6): 97–113. doi:10.1177/027836498800700608. ISSN  0278-3649.
  7. ^ Galar, Diego; Kumar, Uday (2017). e-Bakım: Verimlilik için Temel Elektronik Araçlar. Akademik Basın. s. 26. ISBN  9780128111543.
  8. ^ Li, Wenfeng; Bao, Junrong; Fu, Xiuwen; Fortino, Giancarlo; Galzarano Stefano (2012). "D-S Kanıt Teorisine ve Çoklu Sensör Veri Füzyonuna Dayalı İnsan Duruşu Tanıma". 2012 12th IEEE / ACM International Symposium on Cluster, Cloud and Grid Computing (ccgrid 2012). s. 912–917. doi:10.1109 / CCGrid.2012.144. ISBN  978-1-4673-1395-7.
  9. ^ Fortino, Giancarlo; Gravina Raffaele (2015). "Fall-MobileGuard: Akıllı Gerçek Zamanlı Düşme Algılama Sistemi". 10. EAI Uluslararası Vücut Alanı Ağları Konferansı Bildirileri. doi:10.4108 / eai.28-9-2015.2261462. ISBN  978-1-63190-084-6.
  10. ^ Tao, Shuai; Zhang, Xiaowei; Cai, Huaying; Lv, Zeping; Hu, Caiyou; Xie, Haiqun (2018). "MEMS atalet sensörlerini kullanarak yürüyüş tabanlı biyometrik kişisel kimlik doğrulama". Journal of Ambient Intelligence and Humanized Computing. 9 (5): 1705–1712. doi:10.1007 / s12652-018-0880-6. ISSN  1868-5137.
  11. ^ Dehzangi, Omid; Taherisadr, Mojtaba; ChangalVala, Raghvendar (2017). "Evrişimli Sinir Ağlarını ve Çoklu Sensör Füzyonunu Kullanan IMU Tabanlı Yürüyüş Tanıma". Sensörler. 17 (12): 2735. doi:10.3390 / s17122735. ISSN  1424-8220. PMC  5750784. PMID  29186887.
  12. ^ Guenterberg, E .; Yang, A.Y .; Ghasemzadeh, H .; Jafari, R .; Bajcsy, R .; Sastry, S.S. (2009). "Atalet Sensörlü Vücut Sensör Ağlarında Gizli Markov Modellerine Dayalı Temporal Parametreleri Çıkarmak için Bir Yöntem" (PDF). Biyotıpta Bilgi Teknolojisine İlişkin IEEE İşlemleri. 13 (6): 1019–1030. doi:10.1109 / TITB.2009.2028421. ISSN  1089-7771. PMID  19726268.
  13. ^ a b Parisi, Federico; Ferrari, Gianluigi; Giuberti, Matteo; Contin, Laura; Cimolin, Veronica; Azzaro, Corrado; Albani, Giovanni; Mauro, Alessandro (2016). "Ataletsel BSN Tabanlı Karakterizasyon ve Parkinsonluların Yürüyüş Görevinin Otomatik UPDRS Değerlendirmesi". Etkili Hesaplamada IEEE İşlemleri. 7 (3): 258–271. doi:10.1109 / TAFFC.2016.2549533. ISSN  1949-3045.
  14. ^ a b Gao, Lei; Bourke, A.K .; Nelson, John (2014). "İvmeölçer tabanlı çoklu sensörün tek sensör aktivite tanıma sistemlerine karşı değerlendirilmesi". Tıp Mühendisliği ve Fizik. 36 (6): 779–785. doi:10.1016 / j.medengphy.2014.02.012. ISSN  1350-4533. PMID  24636448.
  15. ^ Xu, James Y .; Wang, Yan; Barrett, Mick; Dobkin, Bruce; Pottie, Greg J .; Kaiser, William J. (2016). "Bağlam Destekli Aktivite Sınıflandırması ve Hareketin Yeniden Yapılandırılması Yoluyla Kişiselleştirilmiş Çok Katmanlı Günlük Yaşam Profili: Bütünleşik Bir Sistem Yaklaşımı". IEEE Biyomedikal ve Sağlık Bilişimi Dergisi. 20 (1): 177–188. doi:10.1109 / JBHI.2014.2385694. ISSN  2168-2194. PMID  25546868.
  16. ^ Chia Bejarano, Noelia; Ambrosini, Emilia; Pedrocchi, Alessandra; Ferrigno, Giancarlo; Monticone, Marco; Ferrante, Simona (2015). "Giyilebilir Sensörlerden Yürüyüş Olaylarını Algılamak için Yeni Bir Uyarlanabilir, Gerçek Zamanlı Algoritma". Sinir Sistemleri ve Rehabilitasyon Mühendisliği IEEE İşlemleri. 23 (3): 413–422. doi:10.1109 / TNSRE.2014.2337914. ISSN  1534-4320. PMID  25069118.
  17. ^ Wang, Zhelong; Qiu, Sen; Cao, Zhongkai; Jiang Ming (2013). "Vücut sensörü ağına sahip atalet sensörlerine dayalı ikili yürüyüş analizinin kantitatif değerlendirmesi". Sensör İncelemesi. 33 (1): 48–56. doi:10.1108/02602281311294342. ISSN  0260-2288.
  18. ^ Kong, Weisheng; Wanning, Lauren; Sessa, Salvatore; Zecca, Massimiliano; Magistro, Daniele; Takeuchi, Hikaru; Kawashima, Ryuta; Takanishi, Atsuo (2017). "Dört Kare Adım Testinin Adım Sırası ve Yön Algılama" (PDF). IEEE Robotik ve Otomasyon Mektupları. 2 (4): 2194–2200. doi:10.1109 / LRA.2017.2723929. ISSN  2377-3766.
  19. ^ JDL Veri Füzyon Düzeylerini Yeniden Düşünmek
  20. ^ Blasch, E., Plano, S. (2003) "Seviye 5: Füzyon Sürecine Yardımcı Olmak için Kullanıcı İyileştirme", SPIE Bildirileri, Cilt. 5099.
  21. ^ J. Llinas; C. Bowman; G. Rogova; A. Steinberg; E. Waltz; F. White (2004). JDL veri füzyon modelini yeniden ziyaret II. Uluslararası Bilgi Füzyon Konferansı. CiteSeerX  10.1.1.58.2996.
  22. ^ Blasch, E. (2006) "Sensör, kullanıcı, görev (SUM) kaynak yönetimi ve bunların 2/3 seviye füzyonu ile etkileşimi[kalıcı ölü bağlantı ]"Uluslararası Bilgi Füzyon Konferansı.
  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) "JDL modelini tekrar gözden geçirme bilgi için Exploitation, "International Conference on Information Fusion.
  25. ^ a b Gravina, Raffaele; Alinia, Parastoo; Ghasemzadeh, Hassan; Fortino, Giancarlo (2017). "Vücut sensörü ağlarında çoklu sensör füzyonu: Son teknoloji ve araştırma zorlukları". Bilgi Füzyonu. 35: 68–80. doi:10.1016 / j.inffus.2016.09.005. ISSN  1566-2535.
  26. ^ Gao, Teng; Song, Jin-Yan; Zou, Ji-Yan; Ding, Jin-Hua; Wang, De-Quan; Jin, Ren-Cheng (2015). "Yeşil kablosuz sensör ağları için yönlendirme protokolünde performans değiş tokuş mekanizmalarına genel bakış". Kablosuz Ağlar. 22 (1): 135–157. doi:10.1007 / s11276-015-0960-x. ISSN  1022-0038.
  27. ^ a b Chen, Chen; Jafari, Roozbeh; Kehtarnavaz, Nasır (2015). "İnsan eylemini tanıma için derinlik ve eylemsizlik sensörü füzyonu incelemesi". Multimedya Araçları ve Uygulamaları. 76 (3): 4405–4425. doi:10.1007 / s11042-015-3177-1. ISSN  1380-7501.
  28. ^ Banovic, Nikola; Buzali, Tofi; Şövalye, Fanny; Mankoff, Jennifer; Dey, Anind K. (2016). "İnsan Rutin Davranışını Modelleme ve Anlama". 2016 CHI Bilgisayar Sistemlerinde İnsan Faktörleri Konferansı Bildirileri - CHI '16. s. 248–260. doi:10.1145/2858036.2858557. ISBN  9781450333627.
  29. ^ Maria, Aileni Raluca; Sever, Pasca; Carlos, Valderrama (2015). "Giyilebilir elektronik cihaz durumunda hataya dayanıklı sistemlerin verimliliğini artırmak için biyomedikal sensörler veri füzyon algoritması". 2015 Konferans Grid, Bulut ve Bilimde Yüksek Performanslı Hesaplama (ROLCG). s. 1–4. doi:10.1109 / ROLCG.2015.7367228. ISBN  978-6-0673-7040-9.
  30. ^ Brüt, Jason; Yu Gu; Matthew Rhudy; Srikanth Gururajan; Marcello Napolitano (Temmuz 2012). "Tutum Tahmini için Sensör Füzyon Algoritmalarının Uçuş Testi Değerlendirmesi". Havacılık ve Elektronik Sistemlerde IEEE İşlemleri. 48 (3): 2128–2139. doi:10.1109 / TAES.2012.6237583.
  31. ^ Joshi, V., Rajamani, N., Takayuki, K., Prathapaneni, N., Subramaniam, L.V. (2013). Tutumlu Trafik Durumu Algılama için Bilgi Füzyonuna Dayalı Öğrenme. Yirmi Üçüncü Uluslararası Yapay Zeka Ortak Konferansı Bildirileri.CS1 Maint: birden çok isim: yazarlar listesi (bağlantı)
  32. ^ Mircea Paul, Muresan; Ion, Giosan; Sergiu, Nedevschi (2020-02-18). "Multimodal Sensör Füzyonu ve Anlamsal Segmentasyon Kullanılarak 3D Nesne Konumunun Sabitlenmesi ve Doğrulanması". Sensörler. 20 (4): 1110. doi:10.3390 / s20041110. PMID  32085608.
  33. ^ Ran, Lingyan; Zhang, Yanning; Wei, Wei; Zhang, Qilin (2017-10-23). "Uzamsal Piksel Çifti Özelliklerine Sahip Hiperspektral Görüntü Sınıflandırma Çerçevesi". Sensörler. 17 (10): 2421. doi:10.3390 / s17102421. PMC  5677443. PMID  29065535.

Dış bağlantılar

  1. ^ Haghighat, Mohammad; Abdel-Mottaleb, Mohamed; Alhalabi, Wadee (2016). "Ayırımcı Korelasyon Analizi: Çok Modlu Biyometrik Tanıma için Gerçek Zamanlı Özellik Seviyesi Füzyonu". Bilgi Adli Tıp ve Güvenlik Üzerine IEEE İşlemleri. 11 (9): 1984–1996. doi:10.1109 / TIFS.2016.2569061.