A fusão de sensores supera as limitações do sensor individual e permite adquirir valores particulares para uma determinada tarefa, quando um tipo de sensor não consegue fornecer as informações fundamentais pode se ser necessário complementar a observação a partir de um outro sensor dentro desse subsistema para preencher qualquer tipo de lacuna. Podendo vários sensores ser combinados para melhorar a confiança da precisão da medição e do reconhecimento do objecto. O conceito do sensor num subsistema pode ser generalizado para um sensor virtual, o modelo de um sensor abstracto que obtêm dados/informação de um ou vários sensores reais.
Poderá ser se necessário aplicar um algoritmo SOM (Self-Organizing Map) para resolver o problema da fusão dos sensores devido da diferenciabilidade do espaço aonde intervir. Para a demonstração supõe-se um objecto 3D com várias características importantes que são observadas por um ou vários sistemas sensoriais, sendo que cada aspecto relevante para um o sensor virtual. Isto depende da posição do objecto relativamente à posição do observador, podendo assim os valores alterar e apenas um determinado subconjunto de dados são detectados com sucesso.
Ao empregar um algoritmo SOM, as suas capacidades associativas podem resolver uma série de funções:
• Conhecer a posição do objecto, prever a resposta do sensor;
• Conhecer um subconjunto de valores do sensor, reconstruir a posição do objecto;
• Informações de interesse como por exemplo: a manipulação de determinada posição no contexto de uma tarefa e informações sobre a melhor estratégia de abordagem à trajectória;
• Gerar hipóteses para a percepção de mais esquemas, ou seja prever os valores de orientação para os dados sensores virtuais.
Reconstruir os objectos e a orientação da sua profundidade num ambiente 3D, que dá no total de 6 DOF–degree of freedom (3+3 DOF translação e rotação). A reconstrução divide-se em duas subtarefas principais: (i) na localização do rastreamento do centro do objecto, um problema de 2 DOF, e (ii) encontrar a orientação conjuntamente com a profundidade em causa, sendo esta factorização vantajosa para reduzir o numero de exemplos de exemplos e testes a realizar.
Na imagem acima indica-nos os sistemas Ø, θ, ψ, β; (a) Objecto cúbico de teste, observado através de uma câmara quando a rotação em deslocado em várias profundidades β (Ø =10º, θ =20º, ψ =30º, β =2L… 6L, L= lado do cubo); (b-d) 0º, 20º, e 30º de rotação em torno de Ø-roll, θ-pich, e ψ-yaw sistemas (as transformações são no sentido ψ, θ, Ø, β). A demonstração para a solução da segunda solução, a parte que envolve quatro independentes variáveis (DOF). Oito sensores virtuais detectam os cantos do proveto cúbico visto em perspectiva, o objecto da figura acima ilustra a parametrização do modelo em várias posições de profundidade β e as três unidades de rotação em roll, pitch e yaw dos ângulos do sistema. A incorporação do espaço x é calibrado com as variáveis x= (ψ, θ, Ø, β,
), aonde Pi é o sinal do sensor i, seja coordenada do ponto pina imagem. Após a obtenção dos dados que são aprestados numa tabela em anexo, aonde os dados apresentam a precisão obtida no desvio de variação do objecto euclidiano após a reconstrução do pitch, roll, e yaw ângulos, assim como a profundidade este serão os vectores de cada coluna, definida por uma matriz T de transformação e que prevê as localizações dos pontos p5 e p6. Os resultados são obtidos após vários testes, para poder se ter dados de aonde extrair resultados mais coerentes e específicos para a reconstrução do objecto com maior fiabilidade. O SOM é intervalo pelos valores de ψ, θ, Ø, β, para vários níveis de DOF. Com o SOM preparado e testado, o sistema pode prever as localizações de objectos com as superfícies fechadas quanto tem um número suficiente de pontos que já foram previamente encontrados. Estas hipóteses podem ser enviados para as fases de processamento percentual, por exemplo, para "olhar mais de perto" no predito subespaços da imagem (Sensor interno de coordenação). Os resultados podem ser produzidos apenas por quatro pontos que são encontrados e as posições em falta são previsíveis. Apenas Pk mais adequado na matriz de projecção P da equação:
), aonde Pi é o sinal do sensor i, seja coordenada do ponto pina imagem. Após a obtenção dos dados que são aprestados numa tabela em anexo, aonde os dados apresentam a precisão obtida no desvio de variação do objecto euclidiano após a reconstrução do pitch, roll, e yaw ângulos, assim como a profundidade este serão os vectores de cada coluna, definida por uma matriz T de transformação e que prevê as localizações dos pontos p5 e p6. Os resultados são obtidos após vários testes, para poder se ter dados de aonde extrair resultados mais coerentes e específicos para a reconstrução do objecto com maior fiabilidade. O SOM é intervalo pelos valores de ψ, θ, Ø, β, para vários níveis de DOF. Com o SOM preparado e testado, o sistema pode prever as localizações de objectos com as superfícies fechadas quanto tem um número suficiente de pontos que já foram previamente encontrados. Estas hipóteses podem ser enviados para as fases de processamento percentual, por exemplo, para "olhar mais de perto" no predito subespaços da imagem (Sensor interno de coordenação). Os resultados podem ser produzidos apenas por quatro pontos que são encontrados e as posições em falta são previsíveis. Apenas Pk mais adequado na matriz de projecção P da equação: 
A equação dist(…) é a entrada dos componentes de x que determina subsequentemente o subespaços de xn, em que determina o objecto e sua distância, sendo que a projecção da matriz resulta na diagonalização da matriz projectada; P=diag(p1, p2, … , pd),aonde pk>0, ⩝ k∈l, a distância pode se ser encontrada através de posições já existentes em que por exemplo consideramos l={1,3,4} entradas especificas, para determinar as saídas teria se: , * são os componentes que faltam e tenta-se determinar através de operações SOM. Este tipo de situações de aproximações permite multiplicidades geométricas que melhor se adeqúem a solução, por exemplo, situações diversas, a figura abaixo representa um objecto cúbico, com base encontrada quatro pontos seja os asterisco marcados que equivalem às entradas no algoritmo SOM, e para fins comparativos o verdadeiro alvo do cubo é o com as linhas a tracejadas (SOM com intervalos 150º, 2L).
O SOM que melhor se adaptada à situação pode prover da equação da dist(x.x') realiza uma minimização automática no sentido de minimizar quadrados. Portanto, o algoritmo SOM oferece uma maneira muito natural e coerente de fundir a informação redundante do sensor, a fim de melhorar a precisão de reconstrução excepto no caso de entrada de ruído no sistema. Para investigar essa capacidade, podes se adicionar um ruído gaussiano aos valores sensor virtual e determinar a orientação resultante média dos desvios da função e do número de saída. E, como se espera de um processo de fusão de sensores, a precisão geral de todo o sistema é melhorada na presença de ruído. Notável é a forma naturalmente, o mecanismo SOM de completação associativo permite a inclusão de informações sensoriais disponíveis. Os sensores que apresentam diferenças também podem também ser apresentados e relativamente ponderados de acordo com a sua exactidão global, bem como a sua confiança estimado no ajuste particular percentual.
Sem comentários:
Enviar um comentário