傳感器融合級別和架構

2021-08-10

傳感器融合級別和架構

傳感器融合是組合來(lái)自?xún)蓚€(gè)或多個(gè)傳感器的輸入以生成更完整、準確和可靠的環(huán)境圖像的過(guò)程，尤其是在動(dòng)態(tài)設置中。傳感器融合的目標是以最低的成本以最少的傳感器數量和最低的系統復雜性提供這些改進(jìn)的結果。在以前的常見(jiàn)問(wèn)題在這個(gè)系列回顧傳感器融合的基礎。本常見(jiàn)問(wèn)題解答深入探討了傳感器融合的各個(gè)級別，并著(zhù)眼于用于傳感器融合系統的不同架構。

在最基本的層面上，傳感器融合根據所使用的數據類(lèi)型、來(lái)自傳感器的原始數據、從傳感器數據中提取的特征以及使用提取的特征和其他信息做出的決策來(lái)分類(lèi)為集中式或分散式。根據實(shí)施的不同，傳感器融合可以提供多種好處：

提高數據質(zhì)量

提高數據可靠性

未測量狀態(tài)的估計

增加覆蓋區域

傳感器融合是數據融合的一種形式，使用類(lèi)似的統計、概率、基于知識和推理/推理方法?？梢允褂脜f(xié)方差、交叉方差和其他統計方法。概率方法包括卡爾曼濾波、最大似然估計、貝葉斯網(wǎng)絡(luò )等。人工神經(jīng)網(wǎng)絡(luò )、模糊邏輯和機器學(xué)習算法是基于知識的推理和推理方法。傳感器融合通常包括三個(gè)抽象層次：

傳感器級抽象處理原始傳感器數據。如果使用多個(gè)傳感器來(lái)測量相同的物理屬性，則可以在此級別組合數據。對于測量不同屬性的傳感器，數據在更高的層次上進(jìn)行組合。

特征級抽象從各種獨立的傳感器中提取特征以產(chǎn)生單獨的特征向量表示。

決策級抽象對各種特征進(jìn)行分類(lèi)，并使用結果數據做出有關(guān)環(huán)境的決策并確定需要執行的任何必要操作。

每個(gè)數據/傳感器融合范式（統計的、概率的和基于知識的）都可以用于不同的處理抽象級別。除了這三個(gè)基本級別之外，還可以實(shí)施混合模型。例如，可以組合來(lái)自?xún)蓚€(gè)不同傳感器的數據以生成單個(gè)特征集以及用于決策級別的分類(lèi)模型?；蛘?，多模態(tài)的特征提取和決策級分類(lèi)的結果可用于訓練以細化其他模態(tài)的決策級分類(lèi)算法。

傳感器源分類(lèi)

傳感器關(guān)系和傳感器融合架構可以根據系統中多個(gè)傳感器之間的關(guān)系進(jìn)行分類(lèi)：

互補傳感器提供代表環(huán)境不同方面的信息，并且可以組合以產(chǎn)生更完整的全局信息。在互補實(shí)施中，傳感器獨立運行，不直接相互依賴(lài)，但可以組合在一起以提供更完整的觀(guān)察現象圖像。例如，結合來(lái)自轉速傳感器和振動(dòng)傳感器的信息可以提供有關(guān)電機和齒輪箱狀況的增強信息?；蛘?，在視覺(jué)系統的情況下，可以將來(lái)自?xún)蓚€(gè)不同攝像頭或攝像頭和 LIDAR 傳感器的同一物體的圖像結合起來(lái)，以提供更完整的環(huán)境“圖片”。

冗余或競爭傳感器用于提供關(guān)于同一目標的信息，它們的輸出與增加輸出的可靠性或置信度相結合。例如，如果兩個(gè)攝像頭的視野重疊，則重疊區域被歸類(lèi)為冗余感知。在競爭傳感的情況下，每個(gè)傳感器測量相同的屬性；如果有兩個(gè)攝像頭，則兩者將具有相同的視野。競爭配置有兩種情況：來(lái)自不同傳感器的數據融合；或融合來(lái)自單個(gè)傳感器在不同時(shí)間點(diǎn)測量的數據。在監控關(guān)鍵參數時(shí)可以使用競爭傳感器融合的特殊情況，稱(chēng)為容錯融合。容錯設計通?；谀K化設計，例如 N+1 冗余架構。

協(xié)同傳感器融合結合了來(lái)自多種傳感器模式（例如音頻和視覺(jué)）的輸入，以產(chǎn)生比單個(gè)輸入更復雜的信息。結合具有不同視點(diǎn)的兩個(gè)攝像頭可用于合成環(huán)境的 3D 表示。協(xié)同傳感器融合很復雜，結果對所有包含的傳感器的累積精度很敏感。雖然競爭傳感器融合可以提高準確性和可靠性，但合作傳感器融合會(huì )降低準確性和可靠性。

競爭性、互補性和協(xié)作性傳感器融合。

傳感器融合的六個(gè)層次

除了各種傳感器源分類(lèi)外，還有六個(gè)公認的傳感器融合“級別”。數十年來(lái)，數據和傳感器融合一直是軍事系統的一部分。美國國防部聯(lián)合實(shí)驗室主任 (JDL) 數據融合小組開(kāi)發(fā)了最重要的數據融合模型之一。JDL 模型包含融合方法的五個(gè)級別，包括：

級別 0 — 源預處理是數據融合的最低級別。它包括信號級的信號調節和融合。在光學(xué)傳感器的情況下，它可以包括單個(gè)像素級別的融合。預處理的目標是減少數據量，同時(shí)保留更高級別所需的所有有用信息。

級別 1 — 對象細化使用來(lái)自前一級別的預處理數據來(lái)執行時(shí)空對齊、相關(guān)性、關(guān)聯(lián)、聚類(lèi)或分組技術(shù)、狀態(tài)估計、假陽(yáng)性去除、身份融合以及從中提取的特征的組合圖片。對象細化導致對象分類(lèi)和識別（也稱(chēng)為對象辨別）。輸出以一致的數據格式生成，可用于情況評估。

級別 2 — 情況評估建立分類(lèi)對象和已識別對象之間的關(guān)系。關(guān)系包括接近度、軌跡和通信活動(dòng)，用于確定對象相對于環(huán)境的重要性。此級別的活動(dòng)包括重要活動(dòng)、事件和任何整體模式的優(yōu)先級。輸出是一組可用于影響評估的高級推論。

級別 3 — 影響評估評估級別 2 中檢測到的活動(dòng)的相對影響，以支持情況分析。此外，還進(jìn)行了未來(lái)預測，以確定可能的近期脆弱性、風(fēng)險和運營(yíng)機會(huì )。未來(lái)預測包括對威脅或風(fēng)險的評估以及對預期結果的預測。

級別 4 — 流程細化用于改進(jìn)級別 0 到 3，并支持傳感器和一般資源管理。最初，這是一項手動(dòng)任務(wù)，可在考慮任務(wù)優(yōu)先級、調度和控制可用資源的同時(shí)實(shí)現高效的資源管理。雖然目標沒(méi)有改變，但現代系統越來(lái)越多地使用 AI 和 ML 工具補充手動(dòng)分析。

JDL 傳感器數據融合模型的級別。

物聯(lián)網(wǎng)傳感器融合架構

如上所述，傳感器融合發(fā)生在多個(gè)級別，包括傳感器、特征和決策級別。在物聯(lián)網(wǎng)的情況下，傳感器融合也可以根據它如何通過(guò)無(wú)線(xiàn)傳感器網(wǎng)絡(luò )進(jìn)行分類(lèi)。在單跳架構中，每個(gè)傳感器都直接將數據傳輸到數據融合中心。星型網(wǎng)絡(luò )架構是單跳實(shí)現的一個(gè)例子。在多跳架構中，來(lái)自一個(gè)傳感器的數據在到達數據融合中心的途中通過(guò)相鄰的傳感器節點(diǎn)。網(wǎng)狀網(wǎng)絡(luò )是多跳結構的一種形式。

多跳架構有幾個(gè)優(yōu)點(diǎn)。它可以支持可擴展性，因為放置在網(wǎng)絡(luò )外邊緣的額外傳感器仍然可以將數據傳輸到數據融合中心，而不會(huì )產(chǎn)生長(cháng)傳輸距離的能量損失。在每一跳采用漸進(jìn)式數據融合可最大限度地減少能源需求并將能源需求分散到整個(gè)網(wǎng)絡(luò )。它通過(guò)使用信道狀態(tài)信息和其他輸入預先確定和最小化所需的傳輸能量來(lái)降低能耗。

無(wú)線(xiàn)物聯(lián)網(wǎng)網(wǎng)絡(luò )的單集線(xiàn)器與多集線(xiàn)器傳感器融合。

概括

傳感器融合是數據融合的一種形式，使用類(lèi)似的方法。有多種方法可以對傳感器融合的級別進(jìn)行分類(lèi)。有幾種方法可以對給定系統中的傳感器交互進(jìn)行分類(lèi)，包括互補、競爭（或冗余）和合作。多模態(tài)融合方法可以解決單個(gè)傳感器的弱點(diǎn)，并提高結果信息的質(zhì)量和準確性。無(wú)線(xiàn)物聯(lián)網(wǎng)網(wǎng)絡(luò )帶來(lái)了獨特的挑戰和機遇，可以最大限度地利用傳感器融合實(shí)施的架構，從而最大限度地提高能源效率。