Dissertação
Sensor fusion for irregularly sampled systems
Fecha
2019-02-21Autor
Taiguara Melo Tupinambás
Institución
Resumen
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.