也就是估计方法、分类方法、推理方法。
估计方法之加权平均法
加权平均是最简单直接、也是最实用的方法,就是将来自各个传感器的目标结果进行匹配处理后,按照每个传感器所占的权值进行加权平均, 加权平均后的结果作为融合的结果。这种方法比较适用于动态环境中,但需要对传感器结果和性能进行详细的分析,以获得准确的权值。
估计方法之最小二乘法
最小二乘法就是将不同传感器的目标观测值进行近似拟合,使得拟合函数针对不同传感器的目标观测值的误差的平方和最小。
估计方法之卡尔曼滤波及其变种
卡尔曼滤波主要用于融合低层次实时动态多传感器冗余数据。该方法用测量模型的统计特性递推,决定统计意义下的最优融合和数据估计。如果系统具有线性动力学模型,且系统与传感器的误差符合高斯白噪声模型,则卡尔曼滤波将为融合数据提供唯一统计意义下的最优估计。
分类方法之聚类分析
推理方法之贝叶斯估计
贝叶斯方法就是将每一个传感器作为一个贝叶斯估计,把各单独物体的关联概率分布合成一个联合的后验概率分布函数,通过使联合分布函数的似然函数为最小,提供多传感器信息的最终融合值,融合信息与环境的一个先验模型以提供整个环境的一个特征描述。
推理方法之D-S方法
基于原始数据的图像点云融合方法(early fusion)
基于结果的图像点云融合方法(late fusion)
基于中间特征层的图像点云融合方法(deep fusion)
分为三种类型:
集中式
集中式,就是将各传感器获得的原始数据直接送到中央处理器进行融合处理,可以实现实时融合。从上图中可以看出,各传感器没有自己的处理器,只有将数据都传到中央处理器中,然后实现实时融合。集中式融合结构结构简单,数据处理精度较高,算法相对灵活,融合速度快;但也存在一定的弊端,如各传感器之间相互独立,数据直接流向融合中心,缺乏必要的联系;融合中心的计算和通信负载过重,系统容错性差,可靠性较低。
分布式
分布式融合结构就是先对各个独立传感器所获得的原始数据进行局部处理,然后将结果送入到中央处理器中进行融合处理,最终获得目标结果。
优点:
缺点:
混合式
混合式架构,是集中式和分布式的混合应用, 即部分传感器采用集中式融合架构,其余传感器采用分布式融合架构。