Nach verschiedenen Datenverarbeitungsmethoden gibt es drei Architekturen des Informationsfusionssystems: verteilt, zentralisiert und hybrid.

1) Verteilt: Zuerst werden die ursprünglichen Daten, die von unabhängigen Sensoren erhalten wurden, lokal verarbeitet, und dann werden die Ergebnisse an das Informationsfusionszentrum für intelligente Optimierung und Kombination gesendet, um die endgültigen Ergebnisse zu erzielen. Distributed hat eine geringe Nachfrage nach Kommunikationsbandbreite, schnelle Berechnungsgeschwindigkeit, gute Zuverlässigkeit und Kontinuität, aber die Tracking -Genauigkeit ist weitaus geringer als die des zentralen. Die verteilte Fusionsstruktur kann mit Rückkopplung und verteilter Fusionsstruktur ohne Rückkopplung in eine verteilte Fusionsstruktur unterteilt werden.

2) Zentralisierung: Die Zentralisierung sendet die von jedem Sensor erhaltenen Rohdaten direkt an den zentralen Prozessor zur Fusionsverarbeitung, was die Echtzeitfusion realisieren kann. Die Genauigkeit der Datenverarbeitung ist hoch und sein Algorithmus ist flexibel, aber ihre Nachteile sind hohe Anforderungen für den Prozessor, die geringe Zuverlässigkeit und das große Datenvolumen, daher ist es schwierig zu realisieren.

3) Hybrid: Im Fusions-Framework für Hybrid-Multi-Sensor-Informationsfusions übernehmen einige Sensoren den zentralen Fusionsmodus und der Rest übernimmt den verteilten Fusionsmodus. Das Hybrid -Fusions -Framework hat eine starke Anpassungsfähigkeit, berücksichtigt die Vorteile einer zentralisierten Fusion und Verteilung und starke Stabilität. Die Struktur des Hybridfusionsmodus ist komplizierter als die der ersten beiden Fusionsmodi, wodurch die Kosten für Kommunikation und Berechnung erhöht werden.

Kalman Filter (KF)

Der Prozess der Informationsverarbeitung durch den Kalman -Filter ist im Allgemeinen Vorhersage und Korrektur. Es ist nicht nur ein einfacher und konkreter Algorithmus, sondern auch ein sehr nützliches Systemverarbeitungsschema in der Rolle der Multisensor-Informationsfusionstechnologie. In der Tat ähnelt es den Methoden der Verarbeitung vieler Systeme für die Verarbeitung von Informationsdaten. Es liefert eine effektive statistische optimale Schätzung für die verschmolzenen Daten mittels mathematischer iterativer rekursiver Berechnung, erfordert jedoch nur wenig Speicherplatz und Berechnung, sodass es für die Umgebung mit begrenzten Datenverarbeitungsraum und Geschwindigkeit geeignet ist. KF kann in zwei Arten unterteilt werden: Distributed Kalman Filter (DKF) und Extended Kalman Filter (EKF). DKF kann die Datenfusion vollständig dezentralisiert machen, während EKF den Einfluss von Datenverarbeitungsfehlern und Instabilität auf den Informationsfusionsprozess effektiv überwinden kann.