Acercándose a la fusión de datos multisensor

El filtro de Kalman se usa generalmente para la fusión de datos; Sin embargo, estás en un montón de trabajo! Modelar el sistema ahorrará mucho tiempo.

Usamos un filtro de Kalman en el que solía trabajar para personas que seguían imágenes de matriz de sensores IR. Aproximadamente dos años de trabajo fueron incorporados al proyecto.

Solo algunas ideas, no estoy seguro de lo útiles que son:

Si desea utilizar un enfoque de aprendizaje automático, el desafío es encontrar el criterio correcto.

Lo más fácil de trabajar es con los datos de la verdad, pero supongo que no tienes eso.

La otra forma genérica de aprendizaje automático consiste en utilizar un criterio de forma de suavidad. Una forma en la que puedo pensar es predecir todos los parámetros medidos (en un momento dado) a partir de un conjunto más pequeño (dimensión inferior) de variables. Tanto la transformación de entrada a variable de baja dimensión (matriz o función parametrizada) como los valores para el conjunto más pequeño de variables pueden aprenderse, por ejemplo, mediante un método de optimización no lineal genérico. Solo tienes que definir el criterio.

Si eso funciona, entonces al menos tienes un poco de fusión de sensores funcionando. Aún así, tendría que realizar una transformación de las muestras de dimensiones inferiores aprendidas a las variables de salida deseadas.

En lugar de, o en combinación con, usar menos variables, también puede imponer suavidades en el tiempo del conjunto de variables aprendidas. Debería ser posible incluir esto en el método de aprendizaje anterior.

Si desea que las variables aprendidas tengan un significado, puede incluir una penalización en el criterio para forzarlas a ser similares a las muestras de entrada.

Acerca de los métodos de aprendizaje: la forma más fácil de comenzar es definir un criterio y optimizarlo usando un optimizador estándar no lineal (por ejemplo, matlab o el paquete scipy de python)