INSTITUTO POLITÉCNICO NACIONAL CENTRO DE INVESTIGACION EN COMPUTACION
Fusión de Sensores/Sensor fusion
Dr. Ponciano Jorge Escamilla Ambrosio [email protected]
http://www.cic.ipn.mx/~pescamilla/
Laboratorio de
Ciberseguridad
CIC
Profesor
Dr. Ponciano Jorge Escamilla Ambrosio
http://www.cic.ipn.mx/~pescamilla/
Clases
Martes y jueves 10:00 – 12:00 hrs.
Salón E3
2
Fusión de Sensores
CIC
Course web site:
http://www.cic.ipn.mx/~pescamilla/academy.html
Reading material, exercises, etc.
3
Course web site
CIC
Integración (Fusión) de Información
Integración (Fusión) de Sensores
Arquitecturas
Técnicas
Aplicaciones
4
Introducción
CIC
Es la combinación sinérgica de la información
provista por múltiples fuentes con el fin de
asistir en la realización con éxito de una tarea
por un sistema.
5
Fusión (Integración) de Información
CIC
Es la adquisición, procesamiento y
combinación sinérgica de la información
provista por varios dispositivos de medición
(sensores) con el fin de consolidar una
fuente de información cuya calidad es mejor
que la provista por cada sensor de manera
individual.
6
Fusión (Integración) de sensores
CIC
7
The relationship
among the fusion terms
• Multisensor/sensor fusion deals with the
combination of different sources of sensory
data into one representational format during
any stage in the integration process.
• Data aggregation aims to reduce the data volume, which can manipulate any type of information/data, including sensory data.
• Multisensor integration is a slightly different term in the sense that it applies information fusion to make inferences using sensory devices and associated information to interact with the environment.
CIC
Redundancia
Información redundante reduce la incertidumbre
e incrementa la exactitud con la cual alguna
característica esta siendo medida
Se incrementa la confiabilidad y disponibilidad
de un sistema de medición ante la falla de algún
sensor
8
Que se gana con hacer fusión de
sensores?
CIC
Complementación
Con multiplicidad de sensores se puede
observar una región mayor que la que se puede
observar utilizando un sólo sensor
Diferentes sensores pueden proveer diferentes
tipos de información apropiada a diferentes
circunstancias y para diferentes tareas
9
Que se gana con hacer fusión de
sensores?
CIC
Menor tiempo en la obtención de información
Múltiples sensores proveen información a una
mayor velocidad
Un nivel preestablecido de desempeño se
alcanza en un tiempo mas corto
10
Que se gana con hacer fusión de
sensores?
CIC
Menor costo de la información
El costo total de la información obtenida de la
fusión de múltiples sensores baratos puede ser
menor comparado contra el costo de la
información obtenida con un sólo, muy caro,
sensor
11
Que se gana con hacer fusión de
sensores?
CIC
12
Data Fusion Classification
CIC
Levels of abstraction
13
Data Fusion Classification
CIC
Input and output data
14
Data Fusion Classification
CIC
Modelos
Descripción del conjunto de procesos
involucrados
Resalta las funciones de los componentes del
sistema
15
Paradigmas en fusión de sensores
CIC
Arquitecturas
Define la estructura física del sistema
Define la manera en que la información fluye en
el sistema
16
Paradigmas en fusión de sensores
CIC
17
Modelos Información/Sensor Fusión
JDL Model
CIC
18
Modelos Información/Sensor Fusión
Waterfall Model
CIC
19
Modelos Información/Sensor Fusión
Omnibus Model
CIC
20
Fusión de sensores: Arquitecturas
Centralizada
Preprocessing
Preprocessing
Preprocessing
Sensor
1
Sensor
2
Sensor
N
Data Alignment
and Association
Correlation Composite
Filtering
Tracking
Parameters
Target State
Gating and Control Parameters
Sensor Controls
CIC
21
Fusión de sensores: Arquitecturas
Decentralizada
Preprocessing
Preprocessing
Preprocessing
Sensor
1
Sensor
2
Sensor
N
Data Alignment
and Association Correlation
Composite
Filtering
Tracking
Parameters
Target State
Gating and Control Parameters
Sensor Controls
Tracking
Tracking
Tracking
CIC
22
Fusión de sensores: Arquitecturas
Híbrida
Preprocessing
Preprocessing
Preprocessing
Sensor
1
Sensor
2
Sensor
N
Data Alignment
and Association Correlation
Composite
Filtering
Tracking
Parameters
Target State
Gating and Control Parameters
Sensor Controls
Mux Select and
Merge
Detection
Parameters
Tracking
Tracking
Tracking
CIC
23
Fusión de sensores: Técnicas
Métodos de Estimación No recursivos:
Weighted average
Least squares
Recursivos
Kalman filtering
Extended Kalman filtering
Particle filter
Uncented Kalman filter
Métodos de Clasificación
Parametric templates
Cluster analysis
Learning vector quantization (LVQ)
K-means clustering
Kohonen feature map
ART, ARTMAP, Fuzzy-ART network
Métodos de Inferencias Bayesian inference
Dempster-Shafer method
Generalizad evidence processing
Métodos de la Inteligencia Artificial
Expert systems
Adaptive neural networks
Fuzzy logia
Neuro-fuzzy systems
CIC
24
Fusión de Sensores:
Generación de Información
Sensor 1
Sensor 2
Sensor 3
Sensor N
Procesamiento
Información
CIC
25
Aplicaciones: Seguimiento y
localización
CIC
26
Tracking & Fusion System
CIC
27
Aplicaciones: Vigilancia y
monitoreo
CIC
28
Aplicaciones: Reconocimiento de
objetos
CIC
29
Autonomous vehicle system design
with sensors and actuators
CIC
30
Aplicaciones: Autotaxi
CIC
31
Autotaxi: Concept
CIC
32
Autotaxi: Data Fusion
CIC
33
Autotaxi: track to track fusion
Redundancy
Elimination
Logic
Kalman
Filtering
Reset Logic
Redundancy Elimination
Logic
Kalman
Filtering
Reset Logic
Redundancy
Elimination
Logic
Kalman
Filtering
Reset Logic
Track-to-track
Association and
Fusion
Track-to-track
Association and
Fusion
Combined
Tracks
Central
Track File
Tracks
Tracks
Tracks
raw data Signal Processor
and Tracker
Sensor 1 Track
reports
raw data Signal Processor
and Tracker
Sensor 2 Track
reports
raw data Signal Processor
and Tracker
Sensor N Track
reports
Data
Alignment
Data
Alignment
Data
Alignment
CIC
34
Aplicaciones: Autotaxi
Multiple Sensor Multiple Target Tracking
Multiple Sensor Guideway Detection
= Fused target
CIC
35
Aplicaciones: WISD
CIC
37
Aplicaciones: ViewNet
thumb print
Search –Map –Annotate Incident MapViewNet Demonstration
access map
incident map
absolute spatial map
relative spatial map
M2 : 6 months M4 : 12 months
M6 : 18 months M8 : 24 months
annotations
mapped points
operativetrajectory
CIC
38
Aplicaciones: ViewNet
Global:
- Operator position
& velocity
- Land marks positions
- Annotations
CIC
39
Aplicaciones: ViewNet
CIC
40
Aplicaciones: ViewNet
CIC
42
CIC
43
CIC
44
