Fusión de sensores

La fusión de sensores es un proceso que combina datos de sensores o datos derivados de fuentes dispares para que la información resultante tenga menos incertidumbre que si estas fuentes se utilizaran individualmente. Por ejemplo, se podría obtener una estimación de ubicación más precisa de un objeto en interiores combinando múltiples fuentes de datos, como cámaras de video y señales de localización Wi-Fi . El término reducción de incertidumbre en este caso puede significar mayor precisión, mayor completitud o mayor fiabilidad, o referirse al resultado de una visión emergente, como la visión estereoscópica (cálculo de información de profundidad mediante la combinación de imágenes bidimensionales de dos cámaras con puntos de vista ligeramente diferentes). ^{[ 1 ] [ 2 ]}

Las fuentes de datos para un proceso de fusión no tienen por qué provenir de sensores idénticos. Se pueden distinguir la fusión directa , la fusión indirecta y la fusión de los resultados de las dos anteriores. La fusión directa consiste en la fusión de datos de sensores, ya sean heterogéneos u homogéneos , sensores virtuales o datos históricos de sensores, mientras que la fusión indirecta utiliza fuentes de información como el conocimiento previo del entorno y la información proporcionada por el usuario.

La fusión de sensores también se conoce como fusión de datos (multisensor) y es un subconjunto de la fusión de información .

• Acelerómetros
• Medidas de apoyo electrónico (MSE)
• Flash LIDAR
• Sistema de Posicionamiento Global (GPS)
• Cámara infrarroja/ térmica
• sensores magnéticos
• MEMS
• Arreglo de fase
• Radar
• Radiotelescopios , como el propuesto Square Kilometre Array , el sensor más grande jamás construido.
• Escaneo LIDAR
• Sensores sísmicos
• Sonar y otros sistemas acústicos
• Sonoboyas
• cámaras de televisión
• → Lista adicional de sensores

La fusión de sensores es un término que abarca una serie de métodos y algoritmos, entre los que se incluyen:

• Filtro de Kalman ^{[ 3 ]}
• redes bayesianas
• Dempster-Shafer
• Red neuronal convolucional
• Procesos gaussianos ^{[ 4 ] [ 5 ]}

A continuación se ilustran dos ejemplos de cálculos de fusión de sensores.

Dejar${\displaystyle {x}_{1}}$y${\displaystyle {x}_{2}}$denotan dos estimaciones a partir de dos mediciones de sensores independientes, con varianzas de ruido${\displaystyle \scriptstyle \sigma _{1}^{2}}$y${\displaystyle \scriptstyle \sigma _{2}^{2}}$ , respectivamente. Una forma de obtener una estimación combinada${\displaystyle {x}_{3}}$es aplicar ponderación de varianza inversa , que también se emplea dentro del suavizador de intervalo fijo de Fraser-Potter, a saber ^{[ 6 ].}

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

dónde${\displaystyle \scriptstyle \sigma _{3}^{2}=(\scriptstyle \sigma _{1}^{-2}+\scriptstyle \sigma _{2}^{-2})^{-1}}$es la varianza de la estimación combinada. Se puede observar que el resultado fusionado es simplemente una combinación lineal de las dos mediciones ponderadas por su información respectiva .

Vale la pena señalar que si${\displaystyle {x}}$es una variable aleatoria . Las estimaciones${\displaystyle {x}_{1}}$y${\displaystyle {x}_{2}}$se correlacionarán a través del ruido común del proceso, lo que provocará la estimación${\displaystyle {x}_{3}}$perder el conservadurismo. ^{[ 7 ]}

Otro método (equivalente) para fusionar dos mediciones es utilizar el filtro de Kalman óptimo . Supongamos que los datos son generados por un sistema de primer orden y dejemos...${\displaystyle {\textbf {P}}_{k}}$denotamos la solución de la ecuación de Riccati del filtro . Aplicando la regla de Cramer en el cálculo de la ganancia, se puede encontrar que la ganancia del filtro viene dada por:

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

Mediante inspección, cuando la primera medición está libre de ruido, el filtro ignora la segunda medición y viceversa. Es decir, la estimación combinada se pondera según la calidad de las mediciones.

En la fusión de sensores, la distinción entre centralizado y descentralizado se refiere al lugar donde se produce la fusión de los datos. En la fusión centralizada, los clientes simplemente envían todos los datos a una ubicación central, y una entidad en dicha ubicación se encarga de correlacionar y fusionar los datos. En la fusión descentralizada, los clientes asumen la responsabilidad total de la fusión de los datos. «En este caso, cada sensor o plataforma puede considerarse un activo inteligente con cierto grado de autonomía en la toma de decisiones». ^{[ 8 ]}

Existen múltiples combinaciones de sistemas centralizados y descentralizados.

Otra clasificación de la configuración de sensores se refiere a la coordinación del flujo de información entre sensores. ^{[ 9 ] [ 10 ]} Estos mecanismos proporcionan una forma de resolver conflictos o desacuerdos y permiten el desarrollo de estrategias de detección dinámicas. Los sensores están en configuración redundante (o competitiva) si cada nodo proporciona medidas independientes de las mismas propiedades. Esta configuración se puede utilizar en la corrección de errores al comparar información de múltiples nodos. Las estrategias redundantes se utilizan a menudo con fusiones de alto nivel en procedimientos de votación. ^{[ 11 ] [ 12 ]} La configuración complementaria se produce cuando múltiples fuentes de información proporcionan información diferente sobre las mismas características. Esta estrategia se utiliza para fusionar información a nivel de datos brutos dentro de algoritmos de toma de decisiones. Las características complementarias se aplican típicamente en tareas de reconocimiento de movimiento con redes neuronales , ^{[ 13 ] [ 14 ]} modelos ocultos de Markov , ^{[ 15 ] [ 16 ]} máquinas de vectores de soporte , ^{[ 17 ]} métodos de agrupamiento y otras técnicas. ^{[ 17 ] [ 16 ]} La fusión cooperativa de sensores utiliza la información extraída por múltiples sensores independientes para proporcionar información que no estaría disponible a partir de sensores individuales. Por ejemplo, los sensores conectados a los segmentos corporales se utilizan para la detección del ángulo entre ellos. La estrategia de sensores cooperativos proporciona información imposible de obtener de nodos individuales. La fusión cooperativa de información se puede utilizar en el reconocimiento de movimiento, ^{[ 18 ]} el análisis de la marcha , el análisis de movimiento , ^{[ 19 ] [ 20 ]} ,. ^{[ 21 ]}

Existen varias categorías o niveles de fusión de sensores que se utilizan comúnmente. ^{[ 22 ] [ 23 ] [ 24 ] [ 25 ] [ 26 ] [ 27 ]}

• Nivel 0 – Alineación de datos
• Nivel 1 – Evaluación de entidades (por ejemplo, señal/característica/objeto).
  • Seguimiento y detección/reconocimiento/identificación de objetos.
• Nivel 2 – Evaluación de la situación
• Nivel 3 – Evaluación de impacto
• Nivel 4 – Refinamiento del proceso (es decir, gestión de sensores)
• Nivel 5 – Refinamiento del usuario

El nivel de fusión de sensores también se puede definir en función del tipo de información utilizada para alimentar el algoritmo de fusión. ^{[ 28 ]} Más precisamente, la fusión de sensores se puede realizar fusionando datos brutos provenientes de diferentes fuentes, características extrapoladas o incluso decisiones tomadas por nodos individuales.

• Nivel de datos: la fusión a nivel de datos (o temprana) tiene como objetivo fusionar datos brutos de múltiples fuentes y representar la técnica de fusión en el nivel de abstracción más bajo. Es la técnica de fusión de sensores más común en muchos campos de aplicación. Los algoritmos de fusión a nivel de datos generalmente buscan combinar múltiples fuentes homogéneas de datos sensoriales para lograr lecturas más precisas y sintéticas. ^{[ 29 ]} Cuando se emplean dispositivos portátiles, la compresión de datos representa un factor importante, ya que la recopilación de información bruta de múltiples fuentes genera enormes espacios de información que podrían definir un problema en términos de memoria o ancho de banda de comunicación para sistemas portátiles. La fusión de información a nivel de datos tiende a generar grandes espacios de entrada, que ralentizan el procedimiento de toma de decisiones. Además, la fusión a nivel de datos a menudo no puede manejar mediciones incompletas. Si una modalidad de sensor se vuelve inútil debido a fallas, averías u otras razones, todo el sistema podría presentar resultados ambiguos.
• Nivel de características: las características representan información calculada a bordo por cada nodo sensor. Estas características se envían a un nodo de fusión para alimentar el algoritmo de fusión. ^{[ 30 ]} Este procedimiento genera espacios de información más pequeños con respecto a la fusión a nivel de datos, lo que resulta mejor en términos de carga computacional. Obviamente, es importante seleccionar adecuadamente las características sobre las que definir los procedimientos de clasificación: elegir el conjunto de características más eficiente debe ser un aspecto fundamental en el diseño del método. El uso de algoritmos de selección de características que detectan adecuadamente las características correlacionadas y los subconjuntos de características mejora la precisión del reconocimiento, pero generalmente se requieren grandes conjuntos de entrenamiento para encontrar el subconjunto de características más significativo. ^{[ 28 ]}
• Nivel de decisión: la fusión a nivel de decisión (o tardía) es el procedimiento de seleccionar una hipótesis de un conjunto de hipótesis generadas por decisiones individuales (generalmente más débiles) de múltiples nodos. ^{[ 31 ]} Es el nivel más alto de abstracción y utiliza la información que ya ha sido elaborada a través del procesamiento preliminar a nivel de datos o características. El objetivo principal en la fusión de decisiones es utilizar un clasificador de metanivel mientras que los datos de los nodos se preprocesan extrayendo características de ellos. ^{[ 32 ]} Típicamente, la fusión de sensores a nivel de decisión se utiliza en actividades de clasificación y reconocimiento, y los dos enfoques más comunes son la votación por mayoría y Naive-Bayes. Las ventajas que se derivan de la fusión a nivel de decisión incluyen un mayor ancho de banda de comunicación y una mayor precisión en la decisión. También permite la combinación de sensores heterogéneos. ^{[ 30 ]}

Una aplicación de la fusión de sensores es el GPS/INS , donde los datos del Sistema de Posicionamiento Global y del sistema de navegación inercial se fusionan utilizando diversos métodos, como el filtro de Kalman extendido . Esto resulta útil, por ejemplo, para determinar la actitud de una aeronave mediante sensores de bajo coste. ^{[ 33 ]} Otro ejemplo es el uso del enfoque de fusión de datos para determinar el estado del tráfico (tráfico bajo, atasco, flujo medio) utilizando datos acústicos, de imagen y de sensores recopilados en la carretera. ^{[ 34 ]} En el campo de la conducción autónoma, la fusión de sensores se utiliza para combinar la información redundante de sensores complementarios con el fin de obtener una representación más precisa y fiable del entorno. ^{[ 35 ]}

Aunque técnicamente no es un método de fusión de sensores dedicado, los métodos modernos basados ​​en redes neuronales convolucionales pueden procesar simultáneamente muchos canales de datos de sensores (como imágenes hiperespectrales con cientos de bandas ^{[ 36 ]} ) y fusionar información relevante para producir resultados de clasificación.

• Análisis de correlación discriminante (DCA) ^{[ 1 ]}
• Sociedad Internacional de Fusión de Información