センサーフュージョン
ユーロファイターのセンサーフュージョン

センサーフュージョンとは、複数のセンサーデータや異なる情報源から得られたデータを組み合わせることで、得られる情報の不確実性を低減するプロセスです。これらの情報源を個別に使用した場合よりも、得られる情報の不確実性を低減します。例えば、ビデオカメラやWi-Fi位置推定信号などの複数のデータソースを組み合わせることで、屋内の物体の位置をより正確に推定できる可能性があります。この場合の「不確実性の低減」という用語は、より正確、より完全、より信頼できるという意味で使われる場合もあれば、立体視（わずかに異なる視点から2台のカメラからの2次元画像を組み合わせることで奥行き情報を計算すること）などの新たな視点の結果を指す場合もあります。[ 1 ] [ 2 ]

融合プロセスのデータソースは、必ずしも同一のセンサーから得られるとは限りません。直接融合、間接融合、そして前者2つの出力の融合の3つに分けられます。直接融合は、異種または同種のセンサー、ソフトセンサー、センサーデータの履歴値などのセンサーデータを融合するものであり、間接融合は、環境に関する 事前知識や人間の入力などの情報源を使用します。

センサー フュージョンは(マルチ センサー)データ フュージョンとも呼ばれ、情報フュージョンのサブセットです。

センサーの例

アルゴリズム

センサー フュージョンとは、次のようなさまざまな方法とアルゴリズムを網羅する用語です。

計算例

以下に、センサー フュージョン計算の 2 つの例を示します。

とは、それぞれノイズ分散と を持つ、2つの独立したセンサー計測からの2つの推定値を表すものとする 。複合推定値を得る1つの方法は、逆分散重み付けを適用することである。これは、フレイザー・ポッター固定区間平滑化器でも用いられており、すなわち [ 6 ]である。×1{\displaystyle {x}_{1}}×2{\displaystyle {x}_{2}}σ12{\displaystyle \scriptstyle \sigma _{1}^{2}}σ22{\displaystyle \scriptstyle \sigma _{2}^{2}}×3{\displaystyle {x}_{3}}

×3＝σ32（σ1−2×1+σ2−2×2）{\displaystyle {x}_{3}=\sigma _{3}^{2}(\sigma _{1}^{-2}{x}_{1}+\sigma _{2}^{-2}{x}_{2})}、

ここで、は結合推定値の分散です。結合された結果は、2つの測定値をそれぞれの情報で重み付けした単純な線形結合であることがわかります。 σ32＝（σ1−2+σ2−2）−1{\displaystyle \scriptstyle \sigma _{3}^{2}=(\scriptstyle \sigma _{1}^{-2}+\scriptstyle \sigma _{2}^{-2})^{-1}}

が確率変数である場合、推定値と推定値は共通のプロセスノイズによって相関し、推定値の保守性は失われることに注意してください。 [ 7 ]×{\displaystyle {x}}×1{\displaystyle {x}_{1}}×2{\displaystyle {x}_{2}}×3{\displaystyle {x}_{3}}

2つの測定値を融合する別の（同等の）方法は、最適カルマンフィルタを使用することです。データが1次システムによって生成され、フィルタのリカッチ方程式の解を とします。ゲイン計算にクラメールの法則を適用すると、フィルタゲインは次のように表されます。 Pけ{\displaystyle {\textbf {P}}_{k}}

Lけ＝[σ22Pけσ22Pけ+σ12Pけ+σ12σ22σ12Pけσ22Pけ+σ12Pけ+σ12σ22]。{\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}}.}

よく見ると、最初の測定値にノイズがない場合、フィルタは2番目の測定値を無視し、その逆も同様です。つまり、合成推定値は測定値の品質によって重み付けされます。

集中型と分散型

センサーフュージョンにおける集中型と分散型の違いは、データの融合がどこで行われるかという点にあります。集中型フュージョンでは、クライアントはすべてのデータを中央の拠点に転送するだけで、中央の拠点にある何らかのエンティティがデータの相関分析と融合を担当します。分散型フュージョンでは、クライアントがデータの融合の全責任を負います。「この場合、すべてのセンサーまたはプラットフォームは、ある程度の自律的な意思決定を行うインテリジェントな資産と見なすことができます。」[ 8 ]

集中型システムと分散型システムの組み合わせは複数存在します。

センサー構成の別の分類は、センサー間の情報フローの調整を指します。[ 9 ] [ 10 ]これらのメカニズムは、競合や不一致を解決し、動的なセンシング戦略の開発を可能にする方法を提供します。各ノードが同じプロパティの独立した測定値を提供する場合、センサーは冗長（または競合）構成になっています。この構成は、複数のノードからの情報を比較するときに、エラー訂正に使用できます。冗長戦略は、投票手順での高レベルの融合でよく使用されます。[ 11 ] [ 12 ] 相補構成は、複数の情報ソースが同じ機能について異なる情報を提供する場合に発生します。この戦略は、意思決定アルゴリズム内で生データレベルで情報を融合するために使用されます。相補的な特徴は、通常、ニューラルネットワーク、[ 13 ] [ 14 ]隠れマルコフモデル、[ 15 ] [ 16 ]サポートベクターマシン、[ 17 ]クラスタリング手法などの技術を用いた動作認識タスクに適用されます。[ 17 ] [ 16 ] 協調型センサーフュージョンは、複数の独立したセンサーから抽出された情報を利用して、単一のセンサーからは得られない情報を提供します。例えば、体の各部位に接続されたセンサーは、それらの間の角度を検出するために使用されます。協調型センサー戦略は、単一のノードからは得られない情報を提供します。協調型情報フュージョンは、動作認識、[ 18 ]歩行分析、[ 19 ] [ 20 ]などに利用できます。[ 21 ]

レベル

一般的に使用されているセンサーフュージョンにはいくつかのカテゴリまたはレベルがあります。 [ 22 ] [ 23 ] [ 24 ] [ 25 ] [ 26 ] [ 27 ]

  • レベル0 – データのアライメント
  • レベル 1 – エンティティの評価 (例: 信号/機能/オブジェクト)。
    • 追跡と物体検出/認識/識別
  • レベル2 – 状況評価
  • レベル3 – 影響評価
  • レベル4 – プロセスの改善（センサー管理など）
  • レベル5 – ユーザーの洗練

センサー融合レベルは、融合アルゴリズムに供給する情報の種類に基づいて定義することもできます。[ 28 ]より正確には、センサー融合は、異なるソースからの生データ、外挿された特徴、または単一のノードによって行われた決定を融合して実行できます。

  • データレベル - データレベル（または初期）の融合は、複数のソースからの生データを融合し、抽象度の最も低いレベルで融合技術を表現することを目的としています。これは、多くの応用分野で最も一般的なセンサー融合技術です。データレベル融合アルゴリズムは通常、より正確で総合的な読み取りを実現するために、複数の同質のセンサーデータソースを組み合わせることを目的としています。[ 29 ]ポータブルデバイスを使用する場合、複数のソースから生情報を収集すると膨大な情報空間が生成され、ポータブルシステムのメモリや通信帯域幅の点で問題となる可能性があるため、データ圧縮は重要な要素となります。データレベルの情報融合では大きな入力空間が生成される傾向があり、意思決定の手順が遅くなります。また、データレベルの融合では不完全な測定を処理できないことがよくあります。1つのセンサーモダリティが故障、破壊、またはその他の理由で使用できなくなると、システム全体であいまいな結果が発生する可能性があります。
  • 特徴レベル - 特徴は、各センシングノードによってオンボードで計算された情報を表します。これらの特徴は、その後、融合ノードに送信され、融合アルゴリズムに入力されます。[ 30 ]この手順では、データレベルの融合に比べて情報空間が小さくなるため、計算負荷の面で優れています。明らかに、分類手順を定義するための特徴を適切に選択することが重要です。最も効率的な特徴セットを選択することが、手法設計の主要な側面であるべきです。相関のある特徴と特徴サブセットを適切に検出する特徴選択アルゴリズムを使用することで、認識精度は向上しますが、最も重要な特徴サブセットを見つけるには通常、大規模なトレーニングセットが必要になります。[ 28 ]
  • 決定レベル - 決定レベル（または後期）融合は、複数のノードの個々の（通常は弱い）決定によって生成された仮説の集合から仮説を選択する手順です。[ 31 ]これは最も高い抽象化レベルであり、予備的なデータレベルまたは特徴レベル処理によって既に精緻化された情報を使用します。決定融合の主な目的は、ノードからのデータがそれらから特徴を抽出して前処理される間に、メタレベルの分類器を使用することです。[ 32 ]通常、決定レベルのセンサー融合は分類と認識の活動に使用され、最も一般的な2つのアプローチは多数決とナイーブベイズです。決定レベルの融合から得られる利点には、通信帯域幅と改善された決定精度が含まれます。また、異種のセンサーを組み合わせることも可能になります。[ 30 ]

アプリケーション

センサーフュージョンの応用例の一つにGPS/INSがある。これは、拡張カルマンフィルタなど様々な手法を用いて、全地球測位システム（GPS）と慣性航法システムのデータを融合するものである。これは例えば、低コストのセンサーを使って航空機の姿勢を決定する際に有用である。[ 33 ]もう1つの例としては、道路脇で収集された音響、画像、センサーデータを用いて、データフュージョン手法を用いて交通状況（低交通量、交通渋滞、中程度の流れ）を判定するものがある。[ 34 ]自動運転の分野では、センサーフュージョンは、補完的なセンサーからの冗長情報を組み合わせることで、より正確で信頼性の高い環境の表現を得るために使用されている。[ 35 ]

技術的には専用のセンサー融合方法ではありませんが、現代の畳み込みニューラルネットワークベースの方法は、多数のチャネルのセンサーデータ（数百バンドのハイパースペクトルイメージングなど[ 36 ] ）を同時に処理し、関連情報を融合して分類結果を生成することができます。

参照

参考文献

  1. ^ Elmenreich, W. (2002).時間トリガシステムにおけるセンサーフュージョン, 博士論文(PDF) . オーストリア、ウィーン：ウィーン工科大学. p. 173.
  2. ^ Haghighat, Mohammad Bagher Akbari; Aghagolzadeh, Ali; Seyedarabi, Hadi (2011). 「DCT領域における視覚センサーネットワークのためのマルチフォーカス画像融合」. Computers & Electrical Engineering . 37 (5): 789– 797. doi : 10.1016/j.compeleceng.2011.04.016 . S2CID 38131177 . 
  3. ^ Li, Wangyan; Wang, Zidong; Wei, Guoliang; Ma, Lifeng; Hu, Jun; Ding, Derui (2015). 「センサーネットワークにおけるマルチセンサー融合とコンセンサスフィルタリングに関する調査」 . 『自然と社会における離散ダイナミクス』 . 2015 : 1– 12. doi : 10.1155/2015/683701 . hdl : 1959.3/453203 . ISSN 1026-0226 . 
  4. ^ Badeli, Vahid; Ranftl, Sascha; Melito, Gian Marco; Reinbacher-Köstinger, Alice; Von Der Linden, Wolfgang; Ellermann, Katrin; Biro, Oszkar (2021-01-01). 「大動脈解離の検出におけるマルチセンサーインピーダンス心電図のベイズ推論」 . COMPEL - 電気電子工学における計算と数学の国際ジャーナル. 41 (3): 824– 839. doi : 10.1108/COMPEL-03-2021-0072 . ISSN 0332-1649 . S2CID 245299500 .  
  5. ^ Ranftl, Sascha; Melito, Gian Marco; Badeli, Vahid; Reinbacher-Köstinger, Alice; Ellermann, Katrin; von der Linden, Wolfgang (2019-12-31). 「大動脈解離のインピーダンスカルジオグラフィーにおけるマルチフィデリティデータとガウス過程を用いたベイズ不確実性定量化」. Entropy . 22 ( 1): 58. Bibcode : 2019Entrp..22...58R . doi : 10.3390/e22010058 . ISSN 1099-4300 . PMC 7516489. PMID 33285833 .   
  6. ^ Maybeck, S. (1982).確率モデル、推定、および制御. リバーエッジ、ニュージャージー州: アカデミックプレス.
  7. ^ Forsling, Robin (2023-12-15).分散型ターゲットトラッキングのダークサイド：未知の相関関係と通信制約. リンショーピング科学技術研究. 博士論文. 第2359巻. リンショーピング: リンショーピング大学電子出版. doi : 10.3384/9789180754101 . ISBN 978-91-8075-409-5。
  8. ^ N. Xiong; P. Svensson (2002). 「情報融合のためのマルチセンサー管理：課題とアプローチ」 Information Fusion. p. 3(2):163–186.
  9. ^ Durrant-Whyte, Hugh F. (2016). 「センサーモデルとマルチセンサー統合」.国際ロボティクス研究ジャーナル. 7 (6): 97– 113. doi : 10.1177/027836498800700608 . ISSN 0278-3649 . S2CID 35656213 .  
  10. ^ Galar, Diego; Kumar, Uday (2017). eMaintenance: Essential Electronic Tools for Efficiency . Academic Press. p. 26. ISBN 9780128111543。
  11. ^ Li, Wenfeng; Bao, Junrong; Fu, Xiuwen; Fortino, Giancarlo; Galzarano, Stefano (2012). 「DS証拠理論とマルチセンサーデータフュージョンに基づく人間の姿勢認識」. 2012 第12回IEEE/ACM国際クラスタ、クラウド、グリッドコンピューティングシンポジウム (ccgrid 2012) . pp.  912– 917. doi : 10.1109/CCGrid.2012.144 . ISBN 978-1-4673-1395-7. S2CID  1571720 .
  12. ^ Fortino, Giancarlo; Gravina, Raffaele (2015). 「Fall-MobileGuard：スマートなリアルタイム転倒検知システム」.第10回EAI国際ボディエリアネットワーク会議議事録. doi : 10.4108/eai.28-9-2015.2261462 . ISBN 978-1-63190-084-6. S2CID  38913107 .
  13. ^ Tao, Shuai; Zhang, Xiaowei; Cai, Huaying; Lv, Zeping; Hu, Caiyou; Xie, Haiqun (2018). 「MEMS慣性センサーを用いた歩行ベースの生体認証」. Journal of Ambient Intelligence and Humanized Computing . 9 (5): 1705– 1712. doi : 10.1007/s12652-018-0880-6 . ISSN 1868-5137 . S2CID 52304214 .  
  14. ^デザンギ、オミッド;タヘリサドル、モジタバ。 ChangalVala、ラグヴェンダール (2017)。「畳み込みニューラル ネットワークとマルチセンサー フュージョンを使用した IMU ベースの歩行認識」。センサー。17 (12): 2735。Bibcode : 2017Senso..17.2735D。土井：10.3390/s17122735。ISSN 1424-8220。PMC 5750784。PMID 29186887。   
  15. ^ Guenterberg, E.; Yang, AY; Ghasemzadeh, H.; Jafari, R.; Bajcsy, R.; Sastry, SS (2009). 「慣性センサーを用いたボディセンサーネットワークにおける隠れマルコフモデルに基づく時間パラメータ抽出手法」(PDF) . IEEE Transactions on Information Technology in Biomedicine . 13 (6): 1019– 1030. Bibcode : 2009ITITB..13.1019G . doi : 10.1109/TITB.2009.2028421 . ISSN 1089-7771 . PMID 19726268. S2CID 1829011 .   
  16. ^ a bパリシ、フェデリコ;フェラーリ、ジャンルイジ。ジュベルティ、マッテオ。コンティン、ローラ。チモリン、ベロニカ。アザロ、コッラード;アルバーニ、ジョバンニ。マウロ、アレッサンドロ (2016)。 「パーキンソン病患者の歩行タスクの慣性 BSN ベースの特性評価と自動 UPDRS 評価」。アフェクティブ コンピューティングに関する IEEE トランザクション。7 (3): 258–271 . Bibcode : 2016ITAfC...7..258P。土井: 10.1109/TAFFC.2016.2549533。ISSN 1949-3045。S2CID 16866555。  
  17. ^ a b Gao, Lei; Bourke, AK; Nelson, John (2014). 「加速度計ベースのマルチセンサーとシングルセンサーの活動認識システムの評価」. Medical Engineering & Physics . 36 (6): 779– 785. doi : 10.1016/j.medengphy.2014.02.012 . ISSN 1350-4533 . PMID 24636448 .  
  18. ^ Xu, James Y.; Wang, Yan; Barrett, Mick; Dobkin, Bruce; Pottie, Greg J.; Kaiser, William J. (2016). 「コンテキスト対応活動分類と動作再構成によるパーソナライズされた多層日常生活プロファイリング：統合システムアプローチ」 IEEE Journal of Biomedical and Health Informatics . 20 (1): 177– 188. doi : 10.1109/JBHI.2014.2385694 . ISSN 2168-2194 . PMID 25546868 . S2CID 16785375 .   
  19. ^ Chia Bejarano, Noelia; Ambrosini, Emilia; Pedrocchi, Alessandra; Ferrigno, Giancarlo; Monticone, Marco; Ferrante, Simona (2015). 「ウェアラブルセンサーから歩行イベントを検出するための新しい適応型リアルタイムアルゴリズム」. IEEE Transactions on Neural Systems and Rehabilitation Engineering . 23 (3): 413– 422. Bibcode : 2015ITNSR..23..413C . doi : 10.1109/TNSRE.2014.2337914 . hdl : 11311/865739 . ISSN 1534-4320 . PMID 25069118. S2CID 25828466 .   
  20. ^ Wang, Zhelong; Qiu, Sen; Cao, Zhongkai; Jiang, Ming (2013). 「ボディセンサーネットワークを用いた慣性センサーに基づくデュアル歩行解析の定量的評価」Sensor Review . 33 (1): 48– 56. doi : 10.1108/02602281311294342 . ISSN 0260-2288 . 
  21. ^ Kong, Weisheng; Wanning, Lauren; Sessa, Salvatore; Zecca, Massimiliano; Magistro, Daniele; Takeuchi, Hikaru; Kawashima, Ryuta; Takanishi, Atsuo (2017). 「Four Square Step Testにおけるステップシーケンスと方向検出」(PDF) . IEEE Robotics and Automation Letters . 2 (4): 2194– 2200. Bibcode : 2017IRAL....2.2194K . doi : 10.1109/LRA.2017.2723929 . ISSN 2377-3766 . S2CID 23410874 .  
  22. ^ JDLデータ融合レベルの再考
  23. ^ Blasch, E., Plano, S. (2003)「レベル5: 融合プロセスを支援するユーザー改良」、SPIE紀要、第5099巻。
  24. ^ J. Llinas; C. Bowman; G. Rogova; A. Steinberg; E. Waltz; F. White (2004). JDLデータ融合モデルの再考 II . 国際情報融合会議. CiteSeerX 10.1.1.58.2996 . 
  25. ^ Blasch, E. (2006)「センサー、ユーザー、ミッション (SUM) リソース管理とレベル 2/3 融合との相互作用」国際情報融合会議。
  26. ^ 「センサーフュージョンのパワーを最大限に活用 -」 2024年4月3日。
  27. ^ Blasch, E., Steinberg, A., Das, S., Llinas, J., Chong, C.-Y., Kessler, O., Waltz, E., White, F. (2013)「情報活用のための JDL モデルの再検討」、国際情報融合会議。
  28. ^ a b Gravina, Raffaele; Alinia, Parastoo; Ghasemzadeh, Hassan; Fortino, Giancarlo (2017). 「ボディセンサーネットワークにおけるマルチセンサーフュージョン：最新技術と研究課題」. Information Fusion . 35 : 68–80 . doi : 10.1016/j.inffus.2016.09.005 . ISSN 1566-2535 . S2CID 40608207 .  
  29. ^ Gao, Teng; Song, Jin-Yan; Zou, Ji-Yan; Ding, Jin-Hua; Wang, De-Quan; Jin, Ren-Cheng (2015). 「グリーン無線センサーネットワーク向けルーティングプロトコルにおけるパフォーマンストレードオフメカニズムの概要」. Wireless Networks . 22 (1): 135– 157. doi : 10.1007/s11276-015-0960-x . ISSN 1022-0038 . S2CID 34505498 .  
  30. ^ a b Chen, Chen; Jafari, Roozbeh; Kehtarnavaz, Nasser (2015). 「人間の行動認識のための深度センサーと慣性センサーの融合に関する調査」.マルチメディアツールとアプリケーション. 76 (3): 4405– 4425. doi : 10.1007/s11042-015-3177-1 . ISSN 1380-7501 . S2CID 18112361 .  
  31. ^バノヴィッチ, ニコラ; ブザリ, トフィ; シュヴァリエ, ファニー; マンコフ, ジェニファー; デイ, アニンド K. (2016). 「人間の日常行動のモデル化と理解」. 2016年CHIコンピューティングシステムにおけるヒューマンファクター会議 - CHI '16 議事録. pp.  248– 260. doi : 10.1145/2858036.2858557 . ISBN 9781450333627. S2CID  872756 .
  32. ^ Maria, Aileni Raluca; Sever, Pasca; Carlos, Valderrama (2015). 「ウェアラブル電子機器におけるフォールトトレラントシステムの効率向上のためのバイオメディカルセンサーデータ融合アルゴリズム」2015年 グリッド、クラウド、高性能コンピューティング・イン・サイエンス (ROLCG) 会議pp.  1– 4. doi : 10.1109/ROLCG.2015.7367228 . ISBN 978-6-0673-7040-9. S2CID  18782930 .
  33. ^グロス、ジェイソン;ユ・グ。マシュー・ルーディ。シュリカンス・グルラジャン。マルチェロ・ナポリターノ（2012年7月）。 「姿勢推定のためのセンサーフュージョンアルゴリズムの飛行試験評価」。航空宇宙および電子システムに関する IEEE トランザクション。48 (3): 2128–2139。Bibcode : 2012ITAES..48.2128G。土井: 10.1109/TAES.2012.6237583。S2CID 393165。 
  34. ^ Joshi, V., Rajamani, N., Takayuki, K., Prathapaneni, N., Subramaniam, LV (2013).情報融合に基づく学習による簡素な交通状況センシング. 第23回国際人工知能合同会議議事録.{{cite conference}}: CS1 maint: multiple names: authors list (link)
  35. ^ Mircea Paul, Muresan; Ion, Giosan; Sergiu, Nedevschi (2020-02-18). 「マルチモーダルセンサーフュージョンとセマンティックセグメンテーションを用いた3Dオブジェクト位置の安定化と検証」 . Sensors . 20 (4): 1110. Bibcode : 2020Senso..20.1110M . doi : 10.3390 /s20041110 . PMC 7070899. PMID 32085608 .  
  36. ^ Ran, Lingyan; Zhang, Yanning; Wei, Wei; Zhang, Qilin (2017-10-23). 「空間ピクセルペア特徴を用いたハイパースペクトル画像分類フレームワーク」 . Sensors . 17 (10): 2421. Bibcode : 2017Senso..17.2421R . doi : 10.3390/ s17102421 . PMC 5677443. PMID 29065535 .  
  1. ^ Haghighat, Mohammad; Abdel-Mottaleb, Mohamed; Alhalabi, Wadee (2016). 「判別相関分析：マルチモーダル生体認証のためのリアルタイム特徴レベル融合」 . IEEE Transactions on Information Forensics and Security . 11 (9): 1984– 1996. Bibcode : 2016ITIF...11.1984H . doi : 10.1109/TIFS.2016.2569061 . S2CID 15624506 . 
「 https://en.wikipedia.org/w/index.php?title=Sensor_fusion&oldid=1314790773」より取得