Sensor fusion for irregularly sampled systems

Abstract

O uso de vários sensores para melhorar a qualidade na informação obtida pelos dados tem crescido de forma contínua nas últimas décadas. Com os avanços em tecnologia de microprocessadores e dispositivos de comunicação, redes de sensores continuarão a crescer em tamanho e complexidade. As aplicações mais populares para combinar dados de múltiplos sensores estão relacionadas a estimação de estados de um sistema dinâmico. Para isso, duas fontes ruidosas de informação são necessárias: um modelo de processo, que descreve como os estados evoluem no tempo; e um modelo de observação, cujos dados geralmente provém de sensores. Como a maioria dos sensores são digitais, os sinais devem ser amostrados para que possam ser processados, dando origem aos sistemas amostrados. Estimadores de estados clássicos para esses casos, como o famoso filtro de Kalman, consideram, implicitamente, amostragem regular de sinais, com intervalo de tempo constante entre amostras, de forma que sistemas em tempo contínuo podem ser discretizados em representações invariantes no tempo, na maioria dos casos. No entanto, devido ao cada vez mais comum uso de complexas redes de sensores sem sincronização temporal explícita, muitas aplicações não podem depender de dados transmitidos de forma regular. Existem adaptações aos métodos de estimação de estados para lidar com a maioria das irregularidades, desde que os carimbos de tempo sejam parte do pacote de medição e que o aumento no custo computacional seja aceitável. Caso o carimbo de tempo não possa ser utilizado no processo de estimação, pode-se investir em sincronização dos dados ou aceitar que a assimilação das informações seja feita em instantes de tempo incorretos. Os efeitos no desempenho da estimação da última abordagem ainda é pouco estudada. Nesse trabalho, investigamos como o desempenho é deteriorado com o negligenciamento dos carimbos de tempo das medições em algoritmos de estimação de estados. Nós consideramos o processo de Poisson como modelo para gerar a sequência de instantes de tempo irregular, e estudamos os resultados da estimação de estados para um sistema linear e outro não-linear, simulados com amostragem aperiódica, utilizando o filtro de Kalman para o caso linear e sua variação unscented para o caso não-linear. Algoritmos são implementados tanto para utilizar quanto para negligenciar o carimbo de tempo no processo de estimação e os resultados de várias realizações são comparados para diferentes cenários de simulação. Finalmente, identificamos e discutimos a relação entre diferentes conjuntos de parâmetros, como níveis de sinal-ruído e frequências médias de amostragem, e os efeitos no desempenho da estimação.