Sensor fusion using Dempster-Shafer theory II

Sensor fusion using Dempster-Shafer theory II - static weighting and Kalman filter-like dynamic weighting.pdf 【传感器融合中的Dempster-Shafer理论II：静态加权与卡尔曼滤波器类动态加权】 本文深入探讨了在传感器融合中应用Dempster-Shafer（D-S）理论来处理静态和动态权重分配的问题。D-S理论是一种概率证据理论，它在不确定性管理和多源信息融合领域具有广泛的应用。在传感器融合中，该理论能够整合来自不同传感器的数据，以提高决策的准确性和可靠性。 Dempster-Shafer理论的核心是信念函数和证据框架。信念函数不仅包含单个传感器的观测概率，还考虑了不确定性、冲突和证据之间的相互作用。通过结合多个传感器的观测，D-S理论能够处理不一致和冗余信息，从而提供更为稳健的决策。 论文中提到的静态加权方法是基于预先设定的传感器权重，这些权重反映了传感器的精度、可靠性和对特定任务的重要性。这种方法适用于传感器特性相对稳定的情况，但可能无法适应传感器性能随时间变化或环境变化的情况。 另一方面，卡尔曼滤波器是一种经典的时间序列分析工具，常用于动态系统的状态估计。论文提出的“卡尔曼滤波器类动态加权”借鉴了卡尔曼滤波的思想，根据传感器的实时性能动态调整其权重。这种方法允许系统自我校正，对传感器的实时状态进行适应性融合，提高了整体系统的鲁棒性。 作者Huadong Wu、Mel Siegel和Sevim Ablay分别来自卡内基梅隆大学的机器人研究所和摩托罗拉实验室。他们在文中指出，针对情境感知和情境感知人机交互（HCI）的需求，传统传感器融合方法需要具备适应不断变化的传感器组合以及与人类感知相匹配的感知质量的能力。 情境感知系统依赖于多传感器数据，因此对融合算法的灵活性和精确度有高要求。D-S理论与卡尔曼滤波器类动态加权的结合，为解决这个问题提供了新的思路。论文中提到，这种方法可以更好地适应传感器性能的变化，提高对环境的感知质量和效率。 这篇论文详细阐述了如何利用Dempster-Shafer理论和卡尔曼滤波的思想改进传感器融合策略，特别是在处理静态和动态权重分配时的挑战。这种融合技术对于智能系统、自动化和物联网等领域有着重要的实际应用价值，能够提高系统对复杂环境的感知能力和决策精度。