sensorcombinaties

Sensorcombinaties is het proces waarbij gegevens van meerdere sensoren worden samengevoegd om een betrouwbaardere en vollediger inschatting van de werkelijkheid te verkrijgen dan met een enkele sensor mogelijk is. Door het combineren van verschillende meetpunten kunnen ruis, foutmarges en ontbrekende waarden worden beperkt. Sensorcombinaties komen voor in robotica, navigatie, medische monitoring en milieutoezicht.

De fusie vindt op verschillende niveaus plaats: op sensorniveau (data- of signaalniveau), op kenmerkniveau en op beslisniveau. Typische methoden zijn Kalman-filters (inclusief variant Kalman, Extended Kalman en Unscented Kalman), particle filters, Bayesian netwerken en complementaire filters. Meer recente toepassingen gebruiken machine learning- en deep learning-technieken voor datafusie. De keuze hangt af van de aard van de sensoren, de vereiste snelheid en de beschikbaarheid van modelling.

Belangrijke praktijken bij sensorfusie zijn tijdsynchronisatie en kalibratie, normalisatie van meeteenheden en omzetting naar gedeelde representaties. Afhankelijk van het niveau van fusie kunnen sensorgegevens direct worden gecombineerd (sensorniveau), kenmerken worden samengebracht (kenmerkniveau) of beslissingen uit afzonderlijke systemen worden geïntegreerd (beslisniveau).

Toepassingen omvatten onder meer autonome voertuigen die camera's, LiDAR en radar combineren; draagbare apparaten die accelerometer, gyroscoop en GPS bundelen; industriële automatisering; medische monitoring zoals ECG en bloeddruk; en weer- en milieumonitoring.

Voordelen zijn verhoogde nauwkeurigheid, robuustheid en redundantie, maar er zijn ook nadelen zoals toegenomen complexiteit, rekeneisen, energieverbruik en potentiële foutbronnen door verkeerde kalibratie of fusie. Security- en privacyoverwegingen en interoperabiliteitsvraagstukken spelen in veel toepassingen een rol.