UPJV, Département EEA Master 2 3EA, EC53
UE optionnelle
Fabio MORBIDI, Mohammed CHADLI
Laboratoire MIS Équipes PR et COVE
{fabio.morbidi,mohammed.chadli}@u-picardie.fr
Vendredi 8h30-12h30, Salle CURI 305 ou TP204
2
Plan du cours
Chapitre 1: Modélisation de l’incertitude
1. Introduction
3. Incertitude d’un capteur 2. Représentation de l’erreur
4. Propagation d’incertitude
Chapitre 2: Traitement des mesures
1. Réseaux multi-capteurs 2. Fusion des mesures
Partie I : F. Morbidi
Chapitre 3: Estimation distribuée basée sur le consensus
1. Dynamic average consensus estimators
3. Filtre de Kalman distribué
2. Méthode des moindres carrés distribuée
Ch. 2: Traitement des mesures
Réseaux multi-capteurs
Fusion des mesures Partie 2
Partie 1
4
Systèmes multi-capteurs biologiques [Homme]
Fusion multi-capteurs : introduction
Homoncule sensitif: représentation déformée du corps humain basée sur une « carte » neurologique des zones et des proportions du cerveau dédiées aux fonctions sensorielles pour différentes parties du corps
Intégration de l'information sensorielle pour faire des inférences concernant l'environnement
Goût
Vue Ouïe
Toucher Odorat
Surface de cortex du cerveau
Chouette effraie
Expériences de R.S. Payne dans les années ‘50
Information sur la rétine
Azimuth
Elevation
Fusion dans le tectum optique Ouïe
« Why Are Barn Owls a Model System for Sound Localization? », L. Hausmann, M. Singheiser, H. Wagner, Journal of Experimental Biology, vol. 213, pp. 2355–
2356, 2010
Systèmes multi-capteurs biologiques [Monde animal]
Fusion multi-capteurs : introduction
Perception de la proie (souris)
Solar Cell Digital Infrared Ranging
Compass Touch Switch
Pressure Switch Limit Switch
Magnetic Reed Switch Magnetic Sensor
Miniature Polaroid Sensor
Polaroid Sensor Board Piezo Ultrasonic Transducers Pyroelectric Detector
Thyristor
Gas Sensor
Gieger-Muller Radiation Sensor Piezo Bend Sensor
Resistive Bend Sensors Mechanical Tilt Sensors Pendulum Resistive
Tilt Sensors
CDS Cell Resistive Light Sensor
Hall Effect Magnetic Field
Sensors
Compass IRDA Transceiver
IR Amplifier Sensor
IR Modulator Receiver Lite-On IR
Remote Receiver
Radio Shack Remote Receiver
Gyro Accelerometer
IR Reflection Sensor
IR Pin Diode
UV Detector Metal Detector
Différents capteurs ...
Fusion multi-capteurs
Références:
La fusion des informations provenant de différents capteurs permet:
• D’augmenter la connaissance sur l’état du système en tirant profit de la complémentarité des capteurs
• D’améliorer la précision des estimations en exploitant la
redondance des données. Cette redondance peut provenir de l’utilisation de plusieurs sources d’information et/ou de la connaissance de l’évolution du système dans le temps
• De gérer l’incertitude lors de la combinaison d’informations qui seront utilisées dans un processus de décision
“Multi-sensor data fusion with MATLAB”, J.R. Raol, CRC press, 2009
“Handbook of Multisensor Data Fusion:
Theory and Practice”, M.E. Liggins II, D. Hall, J. Llinas (éd.), CRC press, 2017
Niveaux de représentation
La fusion se situe à différents niveaux :
• Niveau signal
- Fusion d’images, nuages de points 3D, courants, etc.
• Niveau primitive
- Extraction des features (ex. points, droites, cercles)
• Niveau décision
- Suivi de cible (“target tracking”)
8
Fusion multi-capteurs : architecture générale
Pré- traitement
Choix du capteur
Y1
Y2
Yn
Z1 Z2
Zn
Décision
Donnée fusionnée
Intégration Fusion Intégration
X1
X2
Xn Signal Capteur 1
Capteur 2
Capteur
Règles de combinaison
(par ex. filtre de Kalman)
• Les mesures de capteurs sont pré-traitées
• Les données sont ensuite fusionnée (par ex. avec le filtre de Kalman, les grilles probabilistes ou la théorie des évidences)
• Les résultats sont classés et sélectionnés avant que une décision sur les informations de fusion optimale soit prise
... ... ... ...
n
n
Alternatives aux méthodes probabilistes:
•
Arithmétique d’intervalles (“interval calculus”)• Logique floue (“fuzzy logic”)
• Théorie des evidences (“evidential reasoning” ou ER):
méthodes de Dempster–Shafer
Méthodes probabilistes pour la combinaison de données multi-capteurs:
• Règle de Bayes
• Grilles probabilistes
• Filtre de Kalman ou filtre d’information (cf. le Ch. 3)
• Méthodes de Monte Carlo séquentielles
Limitations :
1. Complexité 2. Incohérence
3. Précision des modèles
4. Incertitude sur l’incertitude
10
Fusion multi-capteurs : règles de combinaison
Classification des architectures pour la fusion multi-capteurs selon quatre axes indépendants:
1. Centralisée vs. décentralisée (ou distribuée) 2. Interaction locale vs. globale des composantes 3. Modulaire vs. monolithique
4. Hétérarchique vs. hiérarchique
• Centralisée, interaction locale et hiérarchique
• Decentralisée, interaction globale et hétérarchique
• Decentralisée, interaction locale et hiérarchique
• Decentralisée, interaction locale et hétérarchique Les combinaisons les plus répandues sont:
Fusion multi-capteurs : taxonomie
Architectures centralisées
•
Les sorties d’un capteur peuvent guider les traitements d’un autre capteur
•
Architecture adaptée pour les capteurs complémentaires (par exemple, système caméra visible et caméra infrarouge ou système camera et laser)
•
Les mesures doivent être référencées dans le même repère (spatiale ou temporelle)
Centre
fusion de Decision
Mesures
Mesures
Mesures Capteur 1
Capteur 2
Capteur
n ...
12
Architectures des systèmes multi-capteurs
Fusion multi-capteurs centralisée : exemple
Fusion laser et caméra
(c)
(a) (b)
(a) Le laser détecte des objets en mouvement et calcule leur position et leur vitesse; (b) Au même temps, les objets sont classés par
système de vision comme véhicules; (c) Après la phase de fusion, le système sait que il est en train faire le tracking de deux véhicules
Architectures décentralisées
•
Chaque capteur a ses propres modules de pré-traitement et décision sans échange avec les autres capteurs
•
Un centre de fusion établit les décisions finales (« globales »)
Centre de fusion
Décision globale
Mesures
Mesures
Mesures Capteur 1
Capteur 2
Capteur
Extraction de
features
Décision Locale
Décision Locale Décision Locale
...
n ...
14
Architectures des systèmes multi-capteurs
Fusion multi-capteurs décentralisée : exemple
Reconn. de l'iris
Reconn. faciale
Empreinte digitale
Applications biométriques:
Fusion multi-capteurs en robotique mobile
La fusion multi-capteurs permet l’estimation d’un vecteur d’état qui est:
Les points 1) & 2) sont les objectifs des techniques SLAM (“Simultaneous Localization And Map building”)
1. La position d’un robot dans des applications de localisation
2. La position des amers de l’environnement dans le cas de la cartographie
3. La position d’autres objets mobiles dans le cas du suivi de cibles (“target tracking”)
16
Fusion de capteurs en robotique mobile (localisation) : exemple
Soit un robot équipé de deux capteurs de distance (A et B) ayant des bruits de mesure avec variances et σ
A2σ
B2Robot
Capteurs
z B z A
x
Fusion de capteurs en robotique mobile (localisation) : exemple
• On considère les deux mesures et z A z B
σ
A2σ
B2x
z A x 2 x 1 z B
x 3 x 4
18
• Quel est le meilleur estimé de la position du robot par rapport au mur, en tenant compte des incertitudes de mesure et ?
x
Fusion de capteurs en robotique mobile (localisation) : moyenne pondérée
Objectif: Combiner avec une moyenne pondérée les deux mesures (évidences) obtenues par les capteurs A et B
• On voudrait donner plus d’importance à la mesure ayant une variance plus petite
Idée: utiliser une moyenne pondérée basée sur l’inverse
des variances
Fusion de capteurs en robotique mobile (localisation) : moyenne pondérée
Nos hypothèses:
x = 10 m
• La vraie distance du mur est
• Les deux capteurs sont identiques:
• Modèle du capteur:
•
Simple équation de mesure linéaire• Bruit sans biais
• Les mesures et sont non corrélées
• Portée du capteur illimitée
(μ
i= 0)
σ
A2= σ
B220
z
i= x + r, r ∼ N (0, σ
i2), i ∈ {A, B}
Rappel:
Var[aX + bY ] = a
2Var[X ] + b
2Var[Y ] + 2ab Cov[X, Y ]
X Y
Si et sont deux variables aléatoires et a, b ∈ R :
z
Az
BFusion de capteurs en robotique mobile (localisation) : moyenne pondérée
Capteur A Moyenne Capteur B
z = z
A+ z
B2
σ
A= 1 σ
B= 1
σz = 1/√ 2
= 0.7071
z B = 10 + r z A = 10 + r
Var[z] = σ
z2= Var
z
A+ z
B2
= 1
4 Var [z
A] + 1
4 Var [z
B] = 1
4 (σ
A2+ σ
B2) = 1 2
(les deux mesures sont non corrélées)
Fusion de capteurs en robotique mobile (localisation) : moyenne pondérée
z = z
A+ z
B2
Capteur A Capteur B
Capteurs différents: σ
A2> σ
B2Moyenne
σA = 1σz = σB =
L’écart-type de augmente !
22
z B = 10 + r z A = 10 + r
σ
z= 0.56 > σ
B= 0.50
z
Fusion de capteurs en robotique mobile (localisation) : moyenne pondérée
Objectif: déterminer le poids optimal w ∈ [0, 1]
Si on calcule la variance de , on obtient:
Var[z] = Var[(1 − w) z
A+ w z
B]
= (1 − w)
2Var[z
A] + w
2Var[z
B] + 2w(1 − w)Cov[z
A, z
B]
= (1 − w)
2σ
A2+ w
2σ
B2= 0
Les deux mesures sont non corrélées
z
En général, on peut considérer une combinaison convexe des deux mesures:
z = (1 − w) z
A+ w z
B, w ∈ [0, 1]
Fusion de capteurs en robotique mobile (localisation) : moyenne pondérée
Nous avons:
d
dw Var[z] = d
dw [(1 − w)
2σ
A2+ w
2σ
B2]
= −2(1 − w) σ
A2+ 2 w σ
B2= 0
En conclusion, si on résout l’équation précédente par rapport à , on trouve que le poids optimal minimisant la variance de est: z
w = σ A 2 σ A 2 + σ B 2
w
24
Pour minimiser , on cherche tel que Var[z ] d
dw Var[z ] = 0
w
Exemple:
Va r[ z ] w
opt=
σ
A2σ
A2+ σ
B2= 1
1 + 0.5
2= 0.8
Poids
σ
z= 0.45
σ
A= 1 σ
B= 0.5
z B = 10 + r z A = 10 + r
w = 0 w w = 1
w
opt= 0.8
z = (1 − w)z
A+ w z
Bσ
z< σ
B!
Fusion de capteurs en robotique mobile (localisation) : moyenne pondérée
Dans les cas plus générale de mesures , soit:
Si les v.a. sont indépendantes avec variance , alors:
z =
ni=1
w
iz
ioù les poids satisfont les conditions suivantes (combin. convexe): w
iw
i≥ 0,
ni=1
w
i= 1
σ
i2z
iVar[z ] =
ni=1
w
i2σ
i2Pour déterminer les poids optimaux, on doit minimiser Var[z]
26
n z
1, . . . , z
nFusion de capteurs en robotique mobile (localisation) : moyenne pondérée
... avec la contrainte sur les poids:
En introduisant un multiplicateur de Lagrange pour respecter cette contrainte, on trouve finalement que les poids optimaux sont:
ni=1