Датчик слияния

Объединение данных датчиков из разных источников

Слияние датчиков Еврофайтера

Объединение датчиков — это процесс объединения данных датчиков или данных, полученных из разрозненных источников, таким образом, чтобы результирующая информация имела меньшую неопределенность, чем это было бы возможно при использовании этих источников по отдельности. Например, потенциально можно получить более точную оценку местоположения объекта в помещении, объединив несколько источников данных, таких как видеокамеры и сигналы локализации Wi-Fi . Термин «уменьшение неопределенности» в этом случае может означать более точный, более полный или более надежный или относиться к результату возникающего представления, например, стереоскопическому зрению (вычисление информации о глубине путем объединения двухмерных изображений с двух камер, слегка отличающихся друг от друга). точки зрения). ^{[1] [2]}

Источники данных для процесса термоядерного синтеза не указываются как исходящие от идентичных датчиков. Можно выделить прямое слияние , косвенное слияние и слияние результатов первых двух. Прямое объединение — это объединение данных датчиков из набора гетерогенных или однородных датчиков, мягких датчиков и исторических значений данных датчиков, тогда как косвенное объединение использует такие источники информации, как априорные знания об окружающей среде и человеческий вклад.

Объединение датчиков также известно как объединение данных (мультисенсорное) и представляет собой подмножество объединения информации .

Примеры датчиков

• Акселерометры
• Меры электронной поддержки (ESM)
• Флэш- ЛИДАР
• Глобальная система позиционирования (GPS)
• Инфракрасная/ тепловизионная камера
• Магнитные датчики
• МЭМС
• Фазированная решетка
• Радар
• Радиотелескопы , такие как предлагаемая система Square Kilometer Array , самый большой датчик, когда-либо построенный.
• Сканирующий ЛИДАР
• Сейсмические датчики
• Сонар и другая акустика
• Гидроакустические буи
• ТВ камеры
• →Дополнительный список датчиков

Алгоритмы

Сенсорное слияние — это термин, который охватывает ряд методов и алгоритмов, в том числе:

• Фильтр Калмана ^[3]
• Байесовские сети
• Демпстер-Шафер
• Сверточная нейронная сеть
• Гауссовские процессы ^{[4] [5]}

Пример расчетов

Ниже показаны два примера расчета слияния датчиков.

Пусть и обозначают два измерения датчика с дисперсиями шума и соответственно. Одним из способов получения комбинированных измерений является применение взвешивания с обратной дисперсией , которое также используется в сглаживателе с фиксированным интервалом Фрейзера-Поттера, а именно ^[6] ${\displaystyle {\textbf {x}}_{1}}$ ${\displaystyle {\textbf {x}}_{2}}$ ${\displaystyle \scriptstyle \sigma _{1}^{2}}$ ${\displaystyle \scriptstyle \sigma _{2}^{2}}$ ${\displaystyle {\textbf {x}}_{3}}$

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

где – дисперсия объединенной оценки. Можно видеть, что объединенный результат представляет собой просто линейную комбинацию двух измерений, взвешенных по их соответствующим дисперсиям шума. ${\displaystyle \scriptstyle \sigma _{3}^{2}=(\scriptstyle \sigma _{1}^{-2}+\scriptstyle \sigma _{2}^{-2})^{-1}}$

Другой метод объединения двух измерений — использование оптимального фильтра Калмана . Предположим, что данные генерируются системой первого порядка, и пусть обозначает решение уравнения Риккати фильтра . Применяя правило Крамера при расчете коэффициента усиления, можно обнаружить, что коэффициент усиления фильтра определяется ^{следующим образом :} ${\displaystyle {\textbf {P}}_{k}}$

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

При проверке, если первое измерение не содержит помех, фильтр игнорирует второе измерение и наоборот. То есть комбинированная оценка взвешивается по качеству измерений.

Централизованный и децентрализованный

В слиянии датчиков централизованное и децентрализованное относится к тому, где происходит объединение данных. При централизованном слиянии клиенты просто пересылают все данные в центральное место, а некий объект в центральном месте отвечает за корреляцию и объединение данных. В децентрализованном режиме клиенты берут на себя полную ответственность за объединение данных. «В этом случае каждый датчик или платформу можно рассматривать как интеллектуальный актив, обладающий некоторой степенью автономии в принятии решений». ^[7]

Существует множество комбинаций централизованных и децентрализованных систем.

Другая классификация конфигурации датчиков относится к координации информационного потока между датчиками. ^{[8] [9]} Эти механизмы обеспечивают способ разрешения конфликтов или разногласий и позволяют разрабатывать стратегии динамического зондирования. Датчики находятся в резервной (или конкурентной) конфигурации, если каждый узел обеспечивает независимые измерения одних и тех же свойств. Эту конфигурацию можно использовать для исправления ошибок при сравнении информации с нескольких узлов. Избыточные стратегии часто используются при слиянии высокого уровня в процедурах голосования. ^{[10] [11]} 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 помощью нейронной сети , ^{[12] [13]} Скрытая марковская модель , ^{[14] [15]} Машина опорных векторов , ^[16] методы кластеризации и другие методы. ^{[16] [15]} Совместное объединение датчиков использует информацию, полученную несколькими независимыми датчиками, для предоставления информации, которая не была бы доступна от отдельных датчиков. Например, датчики, подключенные к сегментам тела, используются для определения угла между ними. Стратегия кооперативных датчиков дает информацию, которую невозможно получить из отдельных узлов. Совместное объединение информации может использоваться для распознавания движений, ^[17] анализа походки , анализа движения , ^{[18] [19]} ,. ^[20]

Уровни

Существует несколько обычно используемых категорий или уровней слияния датчиков. ^{[21] [22] [23] [24] [25] [26]}

• Уровень 0 – Выравнивание данных
• Уровень 1 – Оценка объекта (например, сигнала/функции/объекта).
  • Отслеживание и обнаружение/распознавание/идентификация объектов
• Уровень 2 – Оценка ситуации
• Уровень 3 – Оценка воздействия
• Уровень 4 – Совершенствование процесса (т. е. управление датчиками)
• Уровень 5 – Уточнение пользователя

Уровень объединения датчиков также можно определить на основе типа информации, используемой для подачи алгоритма объединения. ^[27] Точнее, объединение датчиков может быть выполнено путем объединения необработанных данных, поступающих из разных источников, экстраполированных функций или даже решений, принятых отдельными узлами.

• Уровень данных — объединение на уровне данных (или раннее) направлено на объединение необработанных данных из нескольких источников и представление метода объединения на самом низком уровне абстракции. Это наиболее распространенный метод объединения датчиков во многих областях применения. Алгоритмы объединения уровней данных обычно направлены на объединение нескольких однородных источников сенсорных данных для достижения более точных и синтетических показаний. ^[28] При использовании портативных устройств сжатие данных представляет собой важный фактор, поскольку сбор необработанной информации из нескольких источников создает огромные информационные пространства, которые могут определить 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, объединение уровней данных часто не может обрабатывать неполные измерения. Если один из модальностей датчика станет бесполезным из-за неисправности, поломки или других причин, последствия для всей системы могут оказаться неоднозначными.
• Уровень функций — функции представляют собой информацию, вычисляемую на плате каждым сенсорным узлом. Эти функции затем отправляются на узел слияния для обработки алгоритма слияния. ^[29] 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, на основе которых будут определяться процедуры классификации: выбор наиболее эффективного набора признаков должен быть основным аспектом при разработке метода. Использование алгоритмов выбора функций, которые правильно обнаруживают коррелированные функции и подмножества функций, повышает точность распознавания, но для поиска наиболее значимого подмножества функций обычно требуются большие обучающие наборы. ^[27]
• Уровень решения - объединение уровня решения (или позднего) - это процедура выбора гипотезы из набора гипотез, порожденных отдельными (обычно более слабыми) решениями нескольких узлов. ^[30] Это самый высокий уровень абстракции, в котором используется информация, уже полученная посредством предварительной обработки на уровне данных или объектов. Основная цель объединения решений — использовать классификатор метауровня, в то время как данные из узлов предварительно обрабатываются путем извлечения из них признаков. ^[31] Обычно при классификации действий по распознаванию используется объединение датчиков уровня принятия решений, и двумя наиболее распространенными подходами являются голосование большинством и метод Наивного-Байеса. ^{[ нужна цитация ]} Преимущества объединения уровней принятия решений включают пропускную способность связи и повышенную точность решений. Это также позволяет комбинировать разнородные датчики. ^[29]

Приложения

Одним из применений объединения датчиков является GPS/INS , где данные глобальной системы позиционирования и инерциальной навигационной системы объединяются с использованием различных методов, например расширенного фильтра Калмана . Это полезно, например, при определении положения самолета с помощью недорогих датчиков. ^[32] Другим примером является использование подхода объединения данных для определения состояния дорожного движения (низкий трафик, пробка, средний поток) с использованием собранных на обочине дорог акустических данных, изображений и данных датчиков. ^[33] 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. ^[34]

Хотя технически это не специальный метод объединения датчиков, современные методы на основе сверточных нейронных сетей могут одновременно обрабатывать множество каналов данных датчиков (например, гиперспектральное изображение с сотнями каналов ^[35] ) и объединять соответствующую информацию для получения результатов классификации.

Смотрите также

• Алгоритм Брукса – Айенгара
• Данные (вычисления)
• Сбор данных
• Метод Фишера для объединения независимых критериев значимости
• Слияние изображений
• Мультимодальная интеграция
• Сенсорная сетка
• Язык разметки датчиков (TML) — это язык разметки на основе XML, который обеспечивает объединение датчиков.

Рекомендации

1. Эльменрайх, В. (2002). Сенсорное объединение в системах с таймером, кандидатская диссертация (PDF) . Вена, Австрия: Венский технологический университет. п. 173.
2. Хагигат, Мохаммад Багер Акбари; Агаголзаде, Али; Сейедараби, Хади (2011). «Многофокусное объединение изображений для сетей визуальных сенсоров в области DCT». Компьютеры и электротехника . 37 (5): 789–797. doi : 10.1016/j.compeleceng.2011.04.016. S2CID  38131177.
3. Ли, Ванъянь; Ван, Цзидун; Вэй, Голян; Ма, Лифенг; Ху, Цзюнь; Дин, Деруи (2015). «Опрос по мультисенсорному слиянию и консенсусной фильтрации для сенсорных сетей». Дискретная динамика в природе и обществе . 2015 : 1–12. дои : 10.1155/2015/683701 . ISSN  1026-0226.
4. Бадели, Вахид; Ранфтл, Саша; Мелито, Джан Марко; Рейнбахер-Кёстингер, Алиса; Фон дер Линден, Вольфганг; Эллерманн, Катрин; Биро, Оскар (01 января 2021 г.). «Байесовский вывод мультисенсорной импедансной кардиографии для обнаружения расслоения аорты». COMPEL — Международный журнал по вычислениям и математике в электротехнике и электронике . 41 (3): 824–839. doi : 10.1108/COMPEL-03-2021-0072. ISSN  0332-1649. S2CID  245299500.
5. Ранфтл, Саша; Мелито, Джан Марко; Бадели, Вахид; Рейнбахер-Кёстингер, Алиса; Эллерманн, Катрин; фон дер Линден, Вольфганг (31 декабря 2019 г.). «Количественная оценка байесовской неопределенности с использованием данных разной точности и гауссовских процессов для импедансной кардиографии расслоения аорты». Энтропия . 22 (1): 58. дои : 10.3390/e22010058 . ISSN  1099-4300. ПМЦ 7516489 . ПМИД  33285833. 
6. Мэйбек, С. (1982). Стохастические модели, оценка и контроль . Ривер Эдж, Нью-Джерси: Academic Press.
7. Н. Сюн; П. Свенссон (2002). «Мультисенсорное управление для объединения информации: проблемы и подходы». Информационный синтез. п. 3 (2): 163–186.
8. Даррант-Уайт, Хью Ф. (2016). «Модели датчиков и интеграция мультисенсоров». Международный журнал исследований робототехники . 7 (6): 97–113. дои : 10.1177/027836498800700608. ISSN  0278-3649. S2CID  35656213.
9. Галар, Диего; Кумар, Удай (2017). eMaintenance: основные электронные инструменты для повышения эффективности . Академическая пресса. п. 26. ISBN 9780128111543.
10. Ли, Вэньфэн; Бао, Цзюньжун; Фу, Сювэнь; Фортино, Джанкарло; Гальзарано, Стефано (2012). «Распознавание поз человека на основе теории доказательств DS и объединения мультисенсорных данных». 2012 г. 12-й Международный симпозиум IEEE/ACM по кластерным, облачным и грид-вычислениям (ccgrid 2012) . стр. 912–917. дои : 10.1109/CCGrid.2012.144. ISBN 978-1-4673-1395-7. S2CID  1571720.
11. Фортино, Джанкарло; Гравина, Рафаэле (2015). «Fall-MobileGuard: интеллектуальная система обнаружения падения в реальном времени». Материалы 10-й Международной конференции EAI по сетям областей тела . дои : 10.4108/eai.28-9-2015.2261462. ISBN 978-1-63190-084-6. S2CID  38913107.
12. Тао, Шуай; Чжан, Сяовэй; Цай, Хуайинг; Льв, Зепинг; 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. S2CID  52304214.
13. Дехзанги, Омид; Тахерисадр, Моджтаба; Чангалвала, Рагвендар (2017). «Распознавание походки на основе IMU с использованием сверточных нейронных сетей и мультисенсорного слияния». Датчики . 17 (12): 2735. Бибкод : 2017Senso..17.2735D. дои : 10.3390/s17122735 . ISSN  1424-8220. ПМК 5750784 . ПМИД  29186887. 
14. Гюнтерберг, Э.; Ян, AY; Гасемзаде, Х.; Джафари, Р.; Байчи, Р.; Састри, СС (2009). «Метод извлечения временных параметров на основе скрытых марковских моделей в сетях датчиков тела с инерционными датчиками» (PDF) . Транзакции IEEE по информационным технологиям в биомедицине . 13 (6): 1019–1030. дои : 10.1109/TITB.2009.2028421. ISSN  1089-7771. PMID  19726268. S2CID  1829011.
15. Паризи, Федерико; Феррари, Джанлуиджи; Джуберти, Маттео; Контин, Лаура; Чимолин, Вероника; Аззаро, Коррадо; Альбани, Джованни; Мауро, Алессандро (2016). «Инерционная характеристика на основе BSN и автоматическая оценка UPDRS задачи походки у больных паркинсонизмом». Транзакции IEEE для аффективных вычислений . 7 (3): 258–271. дои : 10.1109/TAFFC.2016.2549533. ISSN  1949-3045. S2CID  16866555.
16. Гао, Лей; Бурк, АК; Нельсон, Джон (2014). «Оценка систем распознавания активности с несколькими датчиками на основе акселерометра по сравнению с системами распознавания активности с одним датчиком». Медицинская инженерия и физика . 36 (6): 779–785. doi :10.1016/j.medengphy.2014.02.012. ISSN  1350-4533. ПМИД  24636448.
17. Сюй, Джеймс Ю.; Ван, Ян; Барретт, Мик; Добкин, Брюс; Потти, Грег Дж.; Кайзер, Уильям Дж. (2016). «Персонализированное многоуровневое профилирование повседневной жизни с помощью контекстной классификации активности и реконструкции 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. S2CID  16785375.
18. Чиа Бехарано, Ноэлия; Амброзини, Эмилия; Педрокки, Алессандра; Ферриньо, Джанкарло; Монтикон, Марко; Ферранте, Симона (2015). «Новый адаптивный алгоритм в реальном времени для обнаружения событий походки с помощью носимых датчиков». Транзакции IEEE по нейронным системам и реабилитационной технике . 23 (3): 413–422. дои : 10.1109/TNSRE.2014.2337914. hdl : 11311/865739 . ISSN  1534-4320. PMID  25069118. S2CID  25828466.
19. Ван, Желун; Цю, Сен; Цао, Чжункай; Цзян, Мин (2013). «Количественная оценка анализа двойной походки на основе инерционных датчиков с сетью датчиков тела». Обзор датчиков . 33 (1): 48–56. дои : 10.1108/02602281311294342. ISSN  0260-2288.
20. Конг, Вэйшэн; Ваннинг, Лорен; Сесса, Сальваторе; Зекка, Массимилиано; Магистро, Даниэле; Такеучи, Хикару; Кавасима, Рюта; Таканиши, Ацуо (2017). «Последовательность шагов и определение направления теста с четырьмя квадратными шагами» (PDF) . Письма IEEE по робототехнике и автоматизации . 2 (4): 2194–2200. дои : 10.1109/LRA.2017.2723929. ISSN  2377-3766. S2CID  23410874.
21. Переосмысление уровней объединения данных JDL
22. Блаш, Э., Плано, С. (2003) «Уровень 5: Уточнение пользователя для облегчения процесса слияния», Proceedings of the SPIE, Vol. 5099.
23. Дж. Ллинас; К. Боуман; Г. Рогова; А. Штейнберг; Э. Вальц; Ф. Уайт (2004). Возвращаясь к модели объединения данных JDL II . Международная конференция по информационному синтезу. CiteSeerX 10.1.1.58.2996 . 
24. Блаш, Э. (2006) «Управление ресурсами датчиков, пользователей, задач (SUM) и их взаимодействие со слиянием уровней 2/3 ^{[ постоянная мертвая ссылка ]} » Международная конференция по слиянию информации.
25. «Используя всю мощь слияния датчиков -» .
26. Блаш, Э., Стейнберг, А., Дас, С., Ллинас, Дж., Чонг, К.-Ю., Кесслер, О., Вальц, Э., Уайт, Ф. (2013) «Возвращение к JDL модель эксплуатации информации», Международная конференция по слиянию информации.
27. Гравина, Рафаэле; Алиния, Парастоо; Гасемзаде, Хасан; Фортино, Джанкарло (2017). «Слияние нескольких датчиков в сенсорных сетях тела: современное состояние и проблемы исследований». Информационный синтез . 35 : 68–80. doi :10.1016/j.inffus.2016.09.005. ISSN  1566-2535. S2CID  40608207.
28. Гао, Дэн; Сун, Джин-Ян; Цзоу, Цзи-Янь; Дин, Цзинь-Хуа; Ван, Де-Куан; Джин, Рен-Ченг (2015). «Обзор механизмов компромисса между производительностью в протоколе маршрутизации для зеленых беспроводных сенсорных сетей». Беспроводная сеть . 22 (1): 135–157. дои : 10.1007/s11276-015-0960-x. ISSN  1022-0038. S2CID  34505498.
29. Чен, Чен; Джафари, Рузбех; Кехтарнаваз, Насер (2015). «Исследование 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. S2CID  18112361.
30. Банович, Никола; Бузали, Тофи; Шевалье, Фанни; Манкофф, Дженнифер; Дей, Анинд К. (2016). «Моделирование и понимание обычного поведения человека». Материалы конференции CHI 2016 г. по человеческому фактору в вычислительных системах — CHI '16 . стр. 248–260. дои : 10.1145/2858036.2858557. ISBN 9781450333627. S2CID  872756.
31. Мария, Айлени Ралука; Север, Паска; Карлос, Вальдеррама (2015). «Алгоритм объединения данных биомедицинских датчиков для повышения эффективности отказоустойчивых систем в случае носимой электроники». Конференция 2015 г. «Сетка, облако и высокопроизводительные вычисления в науке» (ROLCG) . стр. 1–4. дои : 10.1109/ROLCG.2015.7367228. ISBN 978-6-0673-7040-9. S2CID  18782930.
32. Гросс, Джейсон; Ю Гу; Мэтью Руди; Шрикант Гурураджан; Марчелло Наполитано (июль 2012 г.). «Оценка летных испытаний алгоритмов объединения датчиков для оценки ориентации». Транзакции IEEE по аэрокосмическим и электронным системам . 48 (3): 2128–2139. Бибкод : 2012ITAES..48.2128G. дои : 10.1109/TAES.2012.6237583. S2CID  393165.
33. Джоши, В., Раджамани, Н., Такаюки, К., Пратапанени, Н., Субраманиам, Л.В. (2013). Обучение на основе объединения информации для определения состояния экономичного дорожного движения . Материалы двадцать третьей международной совместной конференции по искусственному интеллекту.{{cite conference}}: CS1 maint: multiple names: authors list (link)
34. Мирча Пол, Мурешан; Ион, Гиосан; Сергей, Недевский (18 февраля 2020 г.). «Стабилизация и проверка положения трехмерного объекта с использованием мультимодального слияния датчиков и семантической сегментации». Датчики . 20 (4): 1110. Бибкод : 2020Senso..20.1110M. дои : 10.3390/s20041110 . ПМК 7070899 . ПМИД  32085608. 
35. Ран, Линьян; Чжан, Яннин; Вэй, Вэй; Чжан, Цилинь (23 октября 2017 г.). «Структура классификации гиперспектральных изображений с функциями пространственных пар пикселей». Датчики . 17 (10): 2421. Бибкод : 2017Senso..17.2421R. дои : 10.3390/s17102421 . ПМЦ 5677443 . ПМИД  29065535. 

Внешние ссылки

• Дискриминантный корреляционный анализ (DCA) ^[1]
• Международное общество информационного синтеза

1. Хагигат, Мохаммед; Абдель-Мотталеб, Мохамед; Алхалаби, Вади (2016). «Дискриминантный корреляционный анализ: объединение уровней признаков в реальном времени для мультимодального биометрического распознавания». Транзакции IEEE по информационной криминалистике и безопасности . 11 (9): 1984–1996. дои : 10.1109/TIFS.2016.2569061. S2CID  15624506.