Je nach Datenverarbeitungsmethode gibt es drei Architekturen von Informationsfusionssystemen: verteilt, zentral und hybrid.

1) Verteilt: Zuerst werden die von unabhängigen Sensoren erhaltenen Originaldaten lokal verarbeitet und dann werden die Ergebnisse zur intelligenten Optimierung und Kombination an das Informationsfusionszentrum gesendet, um die Endergebnisse zu erhalten. Verteilt hat einen geringen Bedarf an Kommunikationsbandbreite, schnelle Berechnungsgeschwindigkeit, gute Zuverlässigkeit und Kontinuität, aber die Tracking-Genauigkeit ist weitaus geringer als die zentralisierte. Die verteilte Fusionsstruktur kann in eine verteilte Fusionsstruktur mit Rückkopplung und eine verteilte Fusionsstruktur ohne Rückkopplung unterteilt werden.

2) Zentralisierung: Durch die Zentralisierung werden die von jedem Sensor erhaltenen Rohdaten zur Fusionsverarbeitung direkt an den Zentralprozessor gesendet, wodurch eine Echtzeitfusion realisiert werden kann. Seine Datenverarbeitungsgenauigkeit ist hoch und sein Algorithmus ist flexibel, aber seine Nachteile sind hohe Anforderungen an den Prozessor, geringe Zuverlässigkeit und großes Datenvolumen, sodass es schwierig zu realisieren ist;

3) Hybrid: Im hybriden Multisensor-Informationsfusions-Framework verwenden einige Sensoren den zentralisierten Fusionsmodus und der Rest den verteilten Fusionsmodus. Das Hybrid-Fusion-Framework weist eine starke Anpassungsfähigkeit auf, berücksichtigt die Vorteile der zentralisierten Fusion und Verteilung und weist eine hohe Stabilität auf. Die Struktur des Hybrid-Fusionsmodus ist komplizierter als die der ersten beiden Fusionsmodi, was die Kommunikations- und Berechnungskosten erhöht.

Kalman-Filter (KF)

Der Prozess der Informationsverarbeitung durch den Kalman-Filter besteht im Allgemeinen aus Vorhersage und Korrektur. Es handelt sich nicht nur um einen einfachen und konkreten Algorithmus, sondern auch um ein sehr nützliches Systemverarbeitungsschema in der Rolle der Multisensor-Informationsfusionstechnologie. Tatsächlich ähnelt es den Methoden vieler Systeme zur Verarbeitung von Informationsdaten. Es bietet eine effektive statistische optimale Schätzung für die fusionierten Daten mittels mathematisch-iterativer rekursiver Berechnung, erfordert jedoch wenig Speicherplatz und Berechnungen und eignet sich daher für Umgebungen mit begrenztem Datenverarbeitungsraum und begrenzter Geschwindigkeit. KF kann in zwei Typen unterteilt werden: verteilter Kalman-Filter (DKF) und erweiterter Kalman-Filter (EKF). DKF kann die Datenfusion vollständig dezentralisieren, während EKF den Einfluss von Datenverarbeitungsfehlern und Instabilität auf den Informationsfusionsprozess wirksam überwinden kann.