Fusion de capteurs

La fusion de capteurs est un processus de combinaison de données de capteurs ou de données provenant de sources disparates, de sorte que les informations obtenues présentent moins d'incertitude que si ces sources étaient utilisées individuellement. Par exemple, il est possible d'obtenir une estimation plus précise de l'emplacement d'un objet intérieur en combinant plusieurs sources de données telles que des caméras vidéo et des signaux de localisation WiFi . Le terme réduction de l'incertitude dans ce cas peut signifier plus précis, plus complet ou plus fiable, ou faire référence au résultat d'une vue émergente, telle que la vision stéréoscopique (calcul des informations de profondeur en combinant des images bidimensionnelles provenant de deux caméras à des points de vue légèrement différents).

Les sources de données pour un processus de fusion ne sont pas spécifiées comme provenant de capteurs identiques. On peut distinguer la fusion directe , la fusion indirecte et la fusion des sorties des deux premières. La fusion directe est la fusion de données de capteurs provenant d'un ensemble de capteurs hétérogènes ou homogènes, de capteurs logiciels et de valeurs historiques de données de capteurs, tandis que la fusion indirecte utilise des sources d'information telles que la connaissance a priori de l'environnement et l'apport humain.

La fusion de capteurs est également connue sous le nom de fusion de données (multi-capteurs) et constitue un sous-ensemble de la fusion d'informations .

• Accéléromètres
• Mesures de soutien électronique (MSE)
• LIDAR éclair
• Système de positionnement global (GPS)
• Caméra infrarouge/ thermique
• Capteurs magnétiques
• Systèmes microélectroniques
• Réseau à commande de phase
• Radar
• Les radiotélescopes , comme le Square Kilometer Array proposé , le plus grand capteur jamais construit
• Balayage LIDAR
• Capteurs sismiques
• Sonar et autres acoustiques
• Bouées acoustiques
• Caméras de télévision
• → Liste supplémentaire de capteurs

La fusion de capteurs est un terme qui couvre un certain nombre de méthodes et d’algorithmes, notamment :

• Filtre de Kalman
• Réseaux bayésiens
• Dempster-Shafer
• Réseau neuronal convolutionnel
• Processus gaussiens

Deux exemples de calculs de fusion de capteurs sont illustrés ci-dessous.

Soit et désignent deux estimations provenant de deux mesures de capteurs indépendantes, avec des variances de bruit et , respectivement. Une façon d'obtenir une estimation combinée est d'appliquer une pondération de variance inverse , qui est également utilisée dans le lisseur à intervalle fixe Fraser-Potter, à savoir

où est la variance de l'estimation combinée. On peut voir que le résultat fusionné est simplement une combinaison linéaire des deux mesures pondérées par leurs informations respectives .

Il convient de noter que si est une variable aléatoire . Les estimations et seront corrélées par un bruit de processus commun, ce qui entraînera une perte de conservatisme de l'estimation.

Une autre méthode (équivalente) pour fusionner deux mesures consiste à utiliser le filtre de Kalman optimal . Supposons que les données soient générées par un système du premier ordre et que l'on désigne par la solution de l' équation de Riccati du filtre . En appliquant la règle de Cramer dans le calcul du gain, on peut constater que le gain du filtre est donné par :

Par inspection, lorsque la première mesure est exempte de bruit, le filtre ignore la seconde mesure et vice versa. Autrement dit, l'estimation combinée est pondérée par la qualité des mesures.

Dans la fusion de capteurs, la distinction entre centralisé et décentralisé fait référence à l'endroit où se produit la fusion des données. Dans la fusion centralisée, les clients transmettent simplement toutes les données à un emplacement central, et une entité à l'emplacement central est responsable de la corrélation et de la fusion des données. Dans la fusion décentralisée, les clients assument l'entière responsabilité de la fusion des données. « Dans ce cas, chaque capteur ou plate-forme peut être considéré comme un actif intelligent doté d'un certain degré d'autonomie dans la prise de décision. »

Il existe de multiples combinaisons de systèmes centralisés et décentralisés.

Une autre classification de la configuration des capteurs fait référence à la coordination du flux d'informations entre les capteurs. Ces mécanismes fournissent un moyen de résoudre les conflits ou les désaccords et de permettre le développement de stratégies de détection dynamiques. Les capteurs sont dans une configuration redondante (ou compétitive) si chaque nœud fournit des mesures indépendantes des mêmes propriétés. Cette configuration peut être utilisée dans la correction d'erreurs lors de la comparaison d'informations provenant de plusieurs nœuds. Les stratégies redondantes sont souvent utilisées avec des fusions de haut niveau dans les procédures de vote. Une configuration complémentaire se produit lorsque plusieurs sources d'informations fournissent des informations différentes sur les mêmes caractéristiques. Cette stratégie est utilisée pour fusionner des informations au niveau des données brutes dans les algorithmes de prise de décision. Les caractéristiques complémentaires sont généralement appliquées dans les tâches de reconnaissance de mouvement avec un réseau neuronal , un modèle de Markov caché , une machine à vecteurs de support , des méthodes de clustering et d'autres techniques. La fusion coopérative de capteurs utilise les informations extraites par plusieurs capteurs indépendants pour fournir des informations qui ne seraient pas disponibles à partir de capteurs uniques. Par exemple, des capteurs connectés à des segments du corps sont utilisés pour la détection de l'angle entre eux. La stratégie coopérative des capteurs fournit des informations impossibles à obtenir à partir de nœuds uniques. La fusion d'informations coopératives peut être utilisée dans la reconnaissance de mouvement, l'analyse de la démarche , l'analyse du mouvement , ,.

Il existe plusieurs catégories ou niveaux de fusion de capteurs couramment utilisés.

• Niveau 0 – Alignement des données
• Niveau 1 – Évaluation de l’entité (par exemple signal/caractéristique/objet).
  • Suivi et détection/reconnaissance/identification d'objets
• Niveau 2 – Évaluation de la situation
• Niveau 3 – Évaluation d’impact
• Niveau 4 – Perfectionnement des processus (c.-à-d. gestion des capteurs)
• Niveau 5 – Perfectionnement de l’utilisateur

Le niveau de fusion des capteurs peut également être défini en fonction du type d'informations utilisées pour alimenter l'algorithme de fusion. Plus précisément, la fusion des capteurs peut être effectuée en fusionnant des données brutes provenant de différentes sources, des fonctionnalités extrapolées ou même des décisions prises par des nœuds uniques.

• La fusion au niveau des données (ou au niveau précoce) vise à fusionner des données brutes provenant de plusieurs sources et représente la technique de fusion au niveau d'abstraction le plus bas. Il s'agit de la technique de fusion de capteurs la plus courante dans de nombreux domaines d'application. Les algorithmes de fusion au niveau des données visent généralement à combiner plusieurs sources homogènes de données sensorielles pour obtenir des lectures plus précises et plus synthétiques. Lorsque des appareils portables sont utilisés, la compression des données représente un facteur important, car la collecte d'informations brutes provenant de plusieurs sources génère d'énormes espaces d'informations qui pourraient définir un problème en termes de mémoire ou de bande passante de communication pour les systèmes portables. La fusion d'informations au niveau des données a tendance à générer de grands espaces d'entrée, ce qui ralentit la procédure de prise de décision. De plus, la fusion au niveau des données ne peut souvent pas gérer des mesures incomplètes. Si une modalité de capteur devient inutile en raison de dysfonctionnements, de pannes ou d'autres raisons, l'ensemble du système peut se retrouver avec des résultats ambigus.
• Niveau des caractéristiques - les caractéristiques représentent les informations calculées à bord par chaque nœud de détection. Ces caractéristiques sont ensuite envoyées à un nœud de fusion pour alimenter l'algorithme de fusion. Cette procédure génère des espaces d'information plus petits par rapport à la fusion au niveau des données, ce qui est meilleur en termes de charge de calcul. De toute évidence, il est important de sélectionner correctement les caractéristiques sur lesquelles définir les procédures de classification : le choix de l'ensemble de caractéristiques le plus efficace doit être un aspect principal de la conception de la méthode. L'utilisation d'algorithmes de sélection de caractéristiques qui détectent correctement les caractéristiques corrélées et les sous-ensembles de caractéristiques améliore la précision de la reconnaissance, mais de grands ensembles d'entraînement sont généralement nécessaires pour trouver le sous-ensemble de caractéristiques le plus significatif.
• Niveau de décision - La fusion au niveau de décision (ou tardive) est la procédure de sélection d'une hypothèse à partir d'un ensemble d'hypothèses générées par des décisions individuelles (généralement plus faibles) de plusieurs nœuds. Il s'agit du niveau d'abstraction le plus élevé et utilise les informations qui ont déjà été élaborées par le biais d'un traitement préliminaire au niveau des données ou des caractéristiques. L'objectif principal de la fusion de décision est d'utiliser un classificateur de méta-niveau tandis que les données des nœuds sont prétraitées en extrayant des caractéristiques de celles-ci. En général, la fusion de capteurs au niveau de décision est utilisée dans les activités de classification et de reconnaissance et les deux approches les plus courantes sont le vote majoritaire et Naive-Bayes. Les avantages découlant de la fusion au niveau de décision comprennent la bande passante de communication et une précision de décision améliorée. Elle permet également la combinaison de capteurs hétérogènes.

Une application de la fusion de capteurs est le GPS/INS , où les données du système de positionnement global et du système de navigation inertielle sont fusionnées à l'aide de différentes méthodes, par exemple le filtre de Kalman étendu . Cela est utile, par exemple, pour déterminer l'attitude d'un avion à l'aide de capteurs à faible coût. Un autre exemple est l'utilisation de l' approche de fusion de données pour déterminer l'état du trafic (faible trafic, embouteillage, flux moyen) à l'aide de données acoustiques, d'images et de capteurs collectées au bord de la route. Dans le domaine de la conduite autonome, la fusion de capteurs est utilisée pour combiner les informations redondantes provenant de capteurs complémentaires afin d'obtenir une représentation plus précise et plus fiable de l'environnement.

Bien qu'il ne s'agisse techniquement pas d'une méthode de fusion de capteurs dédiée, les méthodes modernes basées sur les réseaux neuronaux convolutionnels peuvent traiter simultanément de nombreux canaux de données de capteurs (comme l'imagerie hyperspectrale avec des centaines de bandes ) et fusionner les informations pertinentes pour produire des résultats de classification.