传感器融合是将传感器数据或来自不同来源的数据组合在一起的过程, 以使所得信息的不确定性低于单独使用这些来源时的不确定性.
可分为直接融合, 间接融合和前两者输出的融合. 直接融合是融合来自一组异构或同质传感器, 软传感器的数据和传感器数据的历史值; 而间接融合则使用信息源, 例如关于环境和人类输入的先验知识.
传感器融合也称为(多传感器)数据融合, 是信息融合的一个子集。
传感器类型
加速度计
闪光激光雷达
全球定位系统 (GPS)
红外/热像仪
磁性传感器
微机电系统
相控阵
雷达
射电望远镜，例如提议的平方公里阵列，这是有史以来最大的传感器
扫描激光雷达
地震传感器
声纳和其他声学
声纳浮标
电视摄像机
传感器融合的6种算法
中心极限定理
卡尔曼滤波器
贝叶斯网络
登普斯特-谢弗
卷积神经网络
高斯过程
计算举例
令X1和X2表示具有噪声方差σ12和σ22的两个传感器测量值. 获得组合测量X3的一种方法是应用逆方差加权, 这也用于 Fraser-Potter 固定间隔平滑器, 即,
X3=σ32(σ1-2X1+σ2-2X2)
其中σ32是组合估计的方差. 可以看出, 融合结果只是两个测量值的线性组合, 由它们各自的噪声方差加权.
融合两个测量的另一种方法是使用最佳卡尔曼滤波器. 假设数据由一阶系统生成, 令Pk表示滤波器的Riccati方程的解. 通过在增益计算中应用Cramer规则,可以发现滤波器增益由下式给出:
通过检查, 当第一次测量没有噪声时, 滤波器会忽略第二次测量, 反之亦然. 也就是说, 组合估计由测量的质量加权.
光学知事隅 