Distributed fusion and sensor management for non-traditional sensor models

Abstract

Veri füzyonu, otonom araçlardan gözetleme ağlarına kadar çeşitli akıllı sistemlerde kritik bir bileşen olarak ortaya çıkmıştır. İşlem kapasitelerindeki artış, araştırmacıların önemli ölçüde ilgisini çekmiş ve daha kapsamlı bir durumsal anlayış elde etmek için çeşitli sensör türlerinin entegrasyonunu kolaylaştırmıştır. Bununla birlikte, bu sensörler homojen olmayan veriler üretmekte ve sözlü raporlardan dijital görüntü ve videolara kadar geniş bir yelpazeyi kapsamaktadır, bu nedenle geleneksel sensör modellerini uygulamak olanaksız hale gelmektedir. Sonuç olarak, füzyon sistemlerindeki matematiksel modeller, füzyon süreçlerini optimize etmek için bu geleneksel olmayan sensör modellerine göre uyarlanmalıdır. Ayrıca, füzyon işlemi, mevcut sensör verilerine ve seçilen sistem mimarisine bağlı olarak çeşitli soyutlama düzeylerinde uygulanabilir. Bu nedenle, füzyon algoritması, veri ve bilgi kullanımını en üst düzeye çıkarmak için çeşitli istatistiksel problemlerle başa çıkmalıdır. Etkili füzyon sistemleri geliştirmek için öncelikle birleştirilecek bilgileri analiz etmek ve uygun füzyon mimarisini göz önünde bulundurmak önemlidir. Bu tezde, füzyon sistemleri çeşitli soyutlama düzeylerinde incelenmektedir. Füzyon literatürüne katkılarımız, füzyon mimarisinin çeşitli sevielerinde yararlanılabilecek bütünleşik füzyon algoritmalarını ve istatistiksel modelleri içermektedir. Ölçüm düzeyinde füzyon bağlamında, geleneksel olmayan ölçümlere örnek teşkil eden yenilikçi bir dinamik kümeleme modeli önerilmektedir. Bu model, parametrik olmayan Bayesçi ve RFS temelli bir algoritma ile kümelerin hem kinematik hem de istatistiklerinin zaman içinde değiştiği dinamik kümeleme problemine uygulanmaktadır. Kestirim düzeyinde füzyon için, sensör füzyonu problemi dağıtık bir füzyon mimarisi ile ele alınmaktadır. Spesifik olarak, radar altimetre ve kamera görüntülerinden elde edilen konum verileri — yani homojen olmayan sensör bilgileri- ataletsel sensör verilerinden elde edilen konum tahminlerini iyileştirmek için entegre edilmektedir. Ayrıca, yeni bir RFS tabanlı enformasyon fonksiyoneli sunulmakta ve hareketli bir sensörün, çevresi hakkında topladığı toplam bilgiyi iyileştirmek amacıyla sonraki konumunu tahmin ettiği bir sensör yönetimi problemi için kullanılmaktadır.Data fusion has emerged as a crucial component in various intelligent systems, ranging from autonomous vehicles to surveillance networks. The growth in processing capabilities has garnered significant attention from researchers, facilitating the integration of diverse sensor types to achieve a more comprehensive situational understanding. However, as these sensors generate non-homogeneous data, encompassing verbal reports to digital images and videos, applying conventional sensor models becomes infeasible. Consequently, mathematical models in fusion systems must be tailored to these non-traditional sensor models to optimize fusion processes. Moreover, the fusion procedure can be applied at multiple abstraction levels, depending on the sensor data available and the chosen system architecture. Hence, the fusion algorithm should address various statistical challenges to maximize data and information exploitation. To develop effective fusion systems, it is essential to first analyze the information to be fused and consider the appropriate fusion architecture. In this dissertation, we explore the diverse abstraction levels for unified fusion systems. Our contributions to the fusion literature includes unified algorithms and statistical models that can be utilized at different levels of the fusion architecture. In the context of measurement-level fusion, we devise and propose a novel dynamic clustering model, exemplifying non-traditional measurements. This model is applied to a dynamic clustering problem where cluster kinematics change in time, as well as their statistics, with the proposed algorithm is based on Bayesian non-parametrics and RFS. For estimation-level fusion, we implement a distributed fusion architecture to address the high-level sensor fusion problem. Specifically, we integrate altitude data from a radar altimeter and camera images—comprising non-homogeneous sensor information—to enhance position estimations derived from inertial sensor data. Furthermore, we introduce a novel RFS-based information functional and employ it in a sensor management problem where a mobile sensor determines its subsequent position to improve overall information it gathers from its surroundings.