The Syncline Model -- Analyzing the Impact of Time Synchronization in Sensor Fusion
本文提出 Syncline 可视化模型,刻画时间同步误差与系统动力学对不同移动机器人平台传感器融合精度的影响,以辅助设计者选择合适的同步机制。
2024-01-20 cs.SY eess.SY
Secure Fusion Estimation Against FDI Sensor Attacks in Cyber-Physical Systems
针对网络物理系统中传感器测量数据可能被虚假数据注入攻击篡改的问题,研究了安全的多传感器融合估计问题。在这项工作中,它被认为是对手可能无法攻击所有的传感器。也就是说,几个传感器仍然没有受到攻击。在这种情况下,新的本地重组子系统,包括FDI攻击信号和未受攻击的传感器测量构造的增强方法。然后,在线性最小方差意义下设计了一种联合卡尔曼融合估计器,同时估计系统状态和FDI攻击信号。最后通过算例说明了所提方法的有效性和优越性。
2022-12-30 cs.SY eess.SY
Implementation of Fuzzy Inference Engine for equilibrium and roll-angle tracking of riderless bicycle
Department of Mechanical, Aerospace and Biomedical Engineering University of Tennessee, Knoxville(田纳西大学诺克斯维尔分校机械、航空航天与生物医学工程系)
本文基于骑行经验规则库,设计模糊推理系统实现无 rider 自行车的稳转与倾角跟踪控制,通过实验验证了控制方案的有效性。
2017-09-26 cs.SY eess.SY
Asynchronous Distributed Multi-Sensor Fusion Over Sensor Track Hypotheses
University of Colorado Boulder(科罗拉多大学博尔德分校);Lockheed Martin Space(洛克希德·马丁太空)
该研究针对异步多传感器网络提出分布式多假设跟踪方法,通过分解关联问题降低复杂度,在卫星星座跟踪场景中提升了估计精度与数据关联质量。
2026-10-15 cs.SY eess.SY
A Secure Sensor Fusion Framework for Connected and Automated Vehicles under Sensor Attacks
通过使用各种传感器来测量周围环境并通过无线网络与周围车辆共享本地传感器信息,联网和自动驾驶车辆(CAV)有望提高交通系统的安全性,效率和容量。然而,越来越多的传感器使用也增加了CAV对传感器故障和对抗性攻击的脆弱性。由恶意网络攻击或故障传感器导致的异常传感器值可能会导致严重后果甚至死亡。在本文中,我们通过使用多个传感器测量相同的物理变量来创建冗余,从而增加了CAV对故障和攻击的弹性。我们利用这种冗余,并提出了一种传感器融合算法,提供了一个强大的估计正确的传感器信息与有界误差独立的攻击信号,攻击检测和隔离。所提出的传感器融合框架适用于一大类安全关键的网络物理系统(CPS)。为了最大限度地减少使用估计控制所造成的性能下降,我们提供了一个$H_{\infty}$控制器的CAC装备CAV能够稳定的闭环动态的每辆车在队列中,同时减少估计误差和通信信道噪声的联合影响的跟踪性能和字符串的车辆队列的行为。数值例子说明了我们的方法的有效性。
2021-03-01 cs.SY eess.SY
FuzzyLight: A Robust Two-Stage Fuzzy Approach for Traffic Signal Control Works in Real Cities
College of Cyberspace Security, Beijing University of Posts(网络安全学院,北京邮电大学);Collaborative Innovation Center for Western Ecological Safety, Lanzhou University(西部生态安全协同创新中心,兰州大学)
针对传感器噪声、在线 RL 训练不稳定及相位时长被忽视的问题,本文提出融合压缩感知、模糊逻辑与 RL 的两阶段 FuzzyLight,并在 22 个真实交叉口和 6 个噪声数据集上验证其 SOTA 性能。
2025-09-28 cs.AI cs.SY eess.SY
Autonomous Driving using Residual Sensor Fusion and Deep Reinforcement Learning
本文提出将传感器融合与软演员-评论家(SAC)深度强化学习相结合,采用双分支残差融合方法处理图像与跟踪数据,以学习自动驾驶最优控制策略,并通过比较验证了方法的有效性与优越性。
2023-12-27 cs.SY eess.SY
Cyberattack Detection for Nonlinear Leader-Following Multi-Agent Systems Using Set-Membership Fuzzy Filtering
本文研究了离散时间、领导者跟随、非线性、多智能体系统在未知但有界(UBB)系统噪声下的网络攻击检测问题。采用T-S模糊模型逼近非线性系统的状态真值。一种分布式网络攻击检测方法,基于一种新的模糊集员过滤方法,它包括两个步骤,即预测步骤和测量更新步骤,开发每个代理识别两种类型的网络攻击发生时。这些攻击是重放攻击和影响领导者跟随一致性的虚假数据注入攻击。我们通过使用当前传感器测量数据更新预测椭圆体集来计算估计椭圆体集。两个标准提供了检测网络攻击的基础上的椭圆集之间的交集。如果在当前时刻代理的预测集和估计集之间没有交集,则声明对其传感器的网络攻击。如果代理的预测集与在前一时刻更新的估计集没有交集,则代理的控制信号或通信信号数据处于网络攻击之下。提出了求解一致性协议和计算检测攻击的两个椭球集的递归算法。仿真结果验证了该方法的有效性。
2022-03-30 cs.SY eess.SY
Computational Complexity Comparison Of Multi-Sensor Single Target Data Fusion Methods By Matlab
Amirkabir University of technology(阿米尔卡比尔理工大学);University of Tehran(德黑兰大学)
本文通过MATLAB比较了多传感器单目标数据融合方法的计算复杂度,发现当传感器数量超过20时,逆协方差方法表现最佳,而传感器数量较少时其他方法更合适。
2013-07-11 cs.SY eess.SY
Achieving Sensor Fusion for Collaborative Multi-level Monitoring of Pipeline Infrastructures
University „Politehnica” of Bucharest(布加勒斯特理工大学)
本文提出多级系统架构,结合无线传感器网络和无人机,通过三种传感器融合方法提升数据采集与处理效率,缓解多级网络通信瓶颈。
2015-11-04 cs.SY eess.SY
Implementation of Fuzzy Control Algorithm in Two-Wheeled Differential Drive Platform
本研究在Arduino Uno和Raspberry Pi上实现模糊逻辑控制器,优化两轮差速驱动平台的运动控制与颜色识别,提升远距离、宽光照下的识别鲁棒性。
2023-10-11 cs.RO cs.SY eess.SY
Computationally Efficient Distributed Multi-sensor Fusion with Multi-Bernoulli Filter
提出了一种计算效率高的传感器网络分布式融合算法,其中多个伯努利(MB)滤波器在每个传感器节点本地运行的多目标跟踪。采用广义协方差交(GCI)融合规则对多个MB随机有限集密度进行融合。融合密度包括随着伯努利分量的数量呈指数增长的一组融合假设。因此,GCI与MB滤波器的融合在涉及跟踪甚至中等数量的对象的实际应用中可能在计算上变得难以处理。为了加速多传感器融合过程,我们推导出一个理论上合理的近似融合密度。结果密度中融合假设的数量明显小于原始融合密度。它还具有可并行化的结构,允许多个Bernoulli分量集群独立融合。通过使用GCI发散度作为距离度量将Bernoulli分量仔细聚类到孤立的簇中,我们提出了一种替代方案来精确地构建近似密度,而无需穷举计算所有融合假设。所提出的近似技术和快速聚类算法的组合,可以使一种新的和快速的GCIMB融合实现。我们的分析表明,所提出的融合方法可以显着减少计算和内存的要求,小有界L1误差。最后给出了该方法的高斯混合实现。在各种数值实验中,包括一个具有挑战性的情况下,多达40个对象,所提出的融合方法的有效性证明。
2019-06-19 cs.SY eess.SY
Distributed Zonotopic Fusion Estimation for Multi-sensor Systems
本文针对多传感器系统提出分布式多胞体融合估计方法,通过多种融合准则计算交集包络,优化参数并降低保守性,实现优于局部估计的性能并保证稳定性。
2025-02-25 cs.SY eess.SY
Bias Estimation for Decentralized Sensor Fusion -- Multi-Agent Based Bias Estimation Method
Toshiba Corporation(东芝公司)
本文提出基于多智能体模型的新型偏差估计方法,用于去中心化传感器融合中的偏差估计与补偿,解决传统方法无法处理各传感器节点跟踪数据融合的问题。
2017-07-31 cs.MA cs.SY eess.SY
ConFusion: Sensor Fusion for Complex Robotic Systems using Nonlinear Optimization
Agile & Dexterous Robotics Lab, ETH Zurich(敏捷与灵活机器人实验室,苏黎世联邦理工学院)
本文提出ConFusion,一种用于机器人应用的开源传感器融合框架,通过非线性优化实现灵活的传感器融合设计,并展示了其在视觉惯性跟踪和移动机械臂上的性能。
2019-03-01 cs.RO cs.SY eess.SY
Multi-sensor Suboptimal Fusion Student's $t$ Filter
提出一种多传感器次优融合 Student's $t$ 滤波器,基于算术平均融合处理重尾噪声,仿真验证其抗异常值性能优于高斯估计器及 CI 等方法。
2022-04-23 cs.SY eess.SP eess.SY
Security-Aware Sensor Fusion with MATE: the Multi-Agent Trust Estimator
针对多智能体网络传感器融合易受攻击的问题,提出基于多智能体信任估计器(MATE)的安全感知融合方法,通过贝叶斯框架递归更新信任后验,在敌对条件下实现可信赖的态势感知。
2025-03-06 cs.CR cs.SY eess.SY
Broad Learning System with Takagi-Sugeno Fuzzy Subsystem for Tobacco Origin Identification based on Near Infrared Spectroscopy
Chongqing Jiaotong University(重庆交通大学);University of Guelph(圭尔夫大学)
烟草产地鉴定在烟草行业中具有重要意义。利用近红外光谱技术对传感器数据进行建模分析已成为快速检测内部特征的常用方法。然而,对于使用传统人工神经网络或深度网络模型的传感器数据分析,训练过程极其耗时。本文提出了一种新的广义学习系统与高木-关野(TS)模糊子系统的烟草产地快速识别。该方法采用增量式学习,只需很小的计算量就能得到网络的权值矩阵,大大缩短了模型的训练时间,额外的一步训练时间仅为3s左右。实验结果表明,TS模糊子系统能够有效地从近红外数据中提取特征,提高识别性能。与传统分类算法、人工神经网络和深度卷积神经网络相比,该方法可以达到最高的预测精度(95. 59%),并且在训练时间上具有很大的优势,仅需约128秒。
2022-12-31 cs.AI cs.LG cs.SY
Multi-modal Sensor Fusion-Based Deep Neural Network for End-to-end Autonomous Driving with Scene Understanding
Nanyang Technological University(南洋理工大学)
本研究旨在利用深度学习和多模态传感器融合技术,通过场景理解提高端到端自动驾驶的性能和泛化能力。所设计的端到端深度神经网络在早期融合级别中将视觉图像和相关联的深度信息作为输入,并同时输出像素级语义分割作为场景理解和车辆控制命令。基于端到端深度学习的自动驾驶模型在高保真模拟城市驾驶条件下进行了测试,并与CoRL 2017和NoCrash的基准进行了比较。测试结果表明,该方法具有更好的性能和泛化能力,在静态导航任务中,训练和未观测情况下的成功率均达到100%,在其他任务中的成功率也优于现有模型。进一步的消融研究表明,去除多模态传感器融合或场景理解的模型在新的环境中由于虚假感知而黯然失色。实验结果表明,多模态传感器融合与场景理解子任务的协同作用提高了模型的性能,验证了多模态传感器融合深度神经网络的可行性和有效性。
2020-08-01 cs.RO cs.SY eess.SY
Exploiting Local and Cloud Sensor Fusion in Intermittently Connected Sensor Networks
我们考虑一个检测问题,传感器经历嘈杂的测量和间歇性的通信机会,一个集中的融合中心(或云)。该问题的目的是要达到正确的估计事件检测的环境。传感器可以在本地与其他传感器(本地集群)通信,其中它们融合它们的噪声传感器数据以在本地估计事件的检测。此外,每个传感器集群可以间歇地与云通信,其中集中式融合中心融合来自所有传感器集群的估计,以做出关于跨部署区域的事件发生的最终确定。我们将这种混合通信方案称为云集群架构。在我们的混合通信方案中,噪声传感器间歇性地连接到云的网络的预期损失函数最小化,据我们所知还没有研究过。我们利用最近改进的浓度不等式,以达到每个集群的优化决策规则,我们分析了预期的检测性能,从我们的混合方案。我们的分析表明,在与云通信概率较低的情况下,对传感器进行聚类可以提供对噪声的弹性。对于较大的集群,通过使用我们的云集群架构,即使对于低通信概率,检测性能也有可能大幅提高。
2020-09-21 cs.SY eess.SP eess.SY
Hierarchical Integration of Model Predictive and Fuzzy Logic Control for Combined Coverage and Target-Oriented Search-and-Rescue via Robots with Imperfect Sensors
Delft University of Technology(代尔夫特理工大学)
在未知环境中进行搜救需要精确、最优和快速的决策。机器人是在未知环境中自主执行SaR任务的有希望的候选人。虽然人类使用他们的算法来有效地处理不确定性,但在存在物理和控制约束的情况下优化多个目标是一项数学挑战,需要机器计算。因此,具有人类启发和数学控制能力是SaR机器人所期望的。此外,协调机器人的决定,在大规模的SaR任务的计算成本很小是一个公开的挑战。最后,在现实生活中,SaR机器人感知的数据可能容易出现不确定性。我们引入了一个分层的多智能体控制架构,利用非均匀和不完美的感知能力的SaR机器人,以及计算效率和鲁棒性失败的分散控制方法和全局性能改进的集中控制方法。所提出的控制框架的集成结构允许以协调和计算效率高的方式将人类启发和数学决策方法相结合。各种基于计算机的模拟的结果表明,虽然所提出的方法的区域覆盖率是现有的探试法,特别是开发的覆盖面向SaR,效率的介绍方法在定位被困的受害者是显着更高。此外,具有可比的计算时间,所提出的控制方法成功地避免了潜在的冲突,存在于非合作的方法。这些结果证实,所提出的多智能体控制系统能够以平衡和协调的方式将面向覆盖和面向目标的SaR相结合。
2022-09-28 cs.RO cs.SY eess.SY
A Modular Platform For Collaborative, Distributed Sensor Fusion
Duke University(杜克大学)
不幸的是,领先的自动驾驶汽车(AV)平台和测试基础设施都是专有和封闭源代码的。因此,很难评估安全关键型AV的性能以及它们的安全性。同样,很少有平台存在急需的多代理分析。为了为传感器融合和协作分布式传感的分析提供一个起点,我们使用AVstack设计了一个可访问的模块化传感平台。我们构建了协作和分布式相机-雷达融合算法,并展示了物理世界中的AV数据集,基于物理的模拟器和硬件的评估生态系统。这个由三部分组成的生态系统可以测试在现有开发平台中极具挑战性的下一代配置。
2023-03-29 cs.RO cs.SY eess.IV
Heterogeneous Multi-sensor Fusion with Random Finite Set Multi-object Densities
研究了基于密度的随机有限集(RFS)型多目标密度(MOD)多传感器协同融合。现有的融合方法使用标量权重来表征局部MOD之间的相对信息置信度,并且以这种方式,每个局部MOD对融合的全局MOD的贡献部分可以通过调整这些权重来调整。我们的分析表明,使用标量系数的融合机制可以被过度简化的实际情况下,由于传感器能力的不完善和监视环境的各种影响,MOD的信息置信度是复杂的,通常是空间变化的。因此,当这些标量权重不能反映实际情况时,可以观察到严重的融合性能下降。我们为解决这一问题作出两项贡献。首先,我们提出了一种新的异构融合方法来执行本地RFS MOD之间的信息平均。通过将每个局部MOD分解为若干个较小的子MOD,将复杂的融合问题转化为一个可并行化的多簇融合问题。其次,由于所提出的融合策略是一个通用的过程,没有任何特定的模型假设,我们进一步推导出详细的异构融合方程,与集中式网络架构,概率假设密度(PHD)过滤器和多伯努利(MB)过滤器。提出的融合算法的高斯混合实现。各种数值实验的目的是证明所提出的融合方法的有效性。
2021-06-15 cs.IT cs.SY eess.SY
EcoFusion: Energy-Aware Adaptive Sensor Fusion for Efficient Autonomous Vehicle Perception
University of California, Irvine(加州大学欧文分校)
本文提出EcoFusion能量感知自适应传感器融合方法,利用上下文动态调整融合策略,在Nvidia Drive PX2平台上以约60%更少能耗和58%更低延迟实现最高9.5%的目标检测性能提升。
2022-02-23 cs.CV cs.RO cs.SY
Optimal Fault-Tolerant Data Fusion in Sensor Networks: Fundamental Limits and Efficient Algorithms
在传感器网络的背景下,分布式估计被认为是分布式代理被赋予一组传感器测量,并负责估计目标变量。假设传感器的子集是有故障的。目标是最小化i)每个节点处的均方估计误差(准确度目标),以及ii)每对节点处的估计值之间的均方距离(一致性目标)。它表明,有一个内在的权衡前者和后者的目标。假设一个一般的随机模型,传感器融合算法优化这一折衷的特点是通过一个可计算的优化问题,并获得了一个Cramer-Rao型下界的可实现的精度一致性损失。寻找最佳传感器融合算法在计算上是复杂的。为了解决这个问题,一般类的低复杂性Brooks-Iyengar算法的介绍,和他们的性能,在精度和共识的目标,相比,通过案例研究模拟各种情况下的最优线性估计。
2022-12-22 cs.IT cs.SY eess.SP