ترکیب سنسورها یا سنسور فیوژن (Sensor Fusion) با هدف غلبه بر محدودیت‌های حسگرهای منفرد و از طریق جمع‌آوری و ترکیب داده‌ها از چندین سنسور برای تولید اطلاعات قابل اعتمادتر و با عدم قطعیت کمتر انجام می‌شود.
در ظاهر، ترکیب یا همجوشی حسگرها که با نام ترکیب داده‌های چند سنسور نیز شناخته می‌شود، ساده به نظر می‌رسد. در ساده‌ترین برداشت، دو یا چند سنسور بهتر از یک سنسور عمل خواهند کرد. اما در مقام اجرا، نوع نرم‌افزار و الگوریتم‌های مورد استفاده بر روی داده‌ها برای نیل به هدف ترکیب سنسورها، باعث خواهد شد به این طرز تفکر به دیده تردید بنگریم.
ترکیب حسگرها یعنی چه؟
اساسا ترکیب حسگرها با هدف غلبه بر محدودیت‌های سنسورهای منفرد ، از طریق جمع‌آوری و ترکیب داده‌ها از چندین حسگر برای تولید اطلاعات قابل اعتمادتر و با عدم قطعیت کمتر انجام می‌شود. فناوری پیاده‌سازی این رویکرد به ظاهر ساده است: یک میکروکنترلر با استفاده از الگوریتم‌های نرم‌افزاری، داده‌های حسگرهای مختلف را با یکدیگر ترکیب کرده و از این طریق تصویر کاملتری از فرآیند یا موقعیت مورد بررسی ارائه می‌دهد. ایده شکل‌گیری این فناوری آن است که با افزایش درک نسبت به فرآیند یا موقعیت مورد بررسی، بینش نسبت به آن حوزه نیز بیشتر و عمیق‌تر خواهد شد و در نتیجه، پاسخ‌های داده شده به سوالات این حوزه نیز هوشمندتر و دقیق‌تر خواهد بود.
الگوریتم های ترکیب سنسورها
ماهیت پیچیده ترکیب حسگرها زمانی خود را نشان می‌دهد که بحث الگوریتم‌های بکار رفته در ترکیب حسگرها و ویژگی‌های خاص این فناوری جدید مطرح می‌شود. با پیچیده‌تر شدن این الگوریتم‌ها، هزینه‌های نرم‌افزار و پردازش افزایش خواهد یافت.
فیلتر کالمن (Kalman Filter)
این الگوریتم جزو پرکاربردترین الگوریتم‌ها در حوزه ترکیب سنسورهاست و به ویژه در فناوری ناوبری و موقعیت‌یابی کاربرد زیادی دارد.
شبکه‌های بیزی (Bayesian Network)
الگوریتم‌های شبکه‌های بیزی، که مبتنی بر قوانین بیز و بر پایه قوانین علم احتمالات عمل می‌کنند، درست‌نمایی (likelihood) فاکتورهای مختلف را با استفاده از فرضیه‌های گوناگون پیش‌بینی می‌کنند.
نظریه حد مرکزی (Central Limit Theorem)
هدف این نظریه که بر پایه قانون اعداد بزرگ شکل گرفته، خوانش تعداد زیادی نمونه و سپس محاسبه میانگین آن مجموعه داده‌هاست. نتیجه این تئوری در قالب یک توزیع نرمال و منحنی زنگوله‌ای نمایش داده می‌شود.
شبکه‌های عصبی پیچشی (Convolutional Neural Network)
این الگوریتم تعداد زیادی تصویر از منابع متعدد را با هم ترکیب کرده و عملیات دسته‌بندی یا کلاس‌بندی آنها را انجام می‌دهد.
نظریه دمپستر- شفر (Dempster-Shafer)
این نظریه که به عنوان نسخه‌ای تعمیم‌یافته از تئوری بیز در نظر گرفته می‌شود، از مدیریت عدم قطعیت و مکانیسم‌های استنتاجی استفاده کرده و دقیقا منعکس‌کننده نحوه استدلال و ادراک انسان است.
انواع دسته بندی سنسور فیوژن
ترکیب سنسورها به طرق زیر قابل انجام است:
دسته‌بندی بر اساس منشا و مبدا داده‌ها
- ترکیب مستقیم: ادغام و ترکیب داده‌های جمع‌آوری شده از حسگرهای ناهمگن و همگن.
- ترکیب غیرمستقیم: ادغام و ترکیب داده‌ها از منابع محیطی و انسانی موجود.
دسته‌بندی بر اساس محل ترکیب داده ها
- متمرکز: داده‌ها برای ترکیب و پردازش به محلی دیگر ارسال می‌شوند.
- غیرمتمرکز: داده‌ها در مکان اولیه‌شان ترکیب و پردازش شده و به جای دیگری ارسال نمی‌شوند.
دسته بندی براساس تنظیمات سنسور (جریان اطلاعات بین سنسورها)
- دسته‌بندی تکمیلی (Complementary): در این حالت سنسورها به صورت مستقیم به هم وابسته نبوده، ولی نتایج آنها می‌تواند برای رسیدن به یک تصویر واحد ترکیب شوند. این نوع سنسورها در تشخیص حرکت کاربرد دارند.
- دسته‌بندی رقابتی (Competitive): در این نوع دسته‌بندی، هر سنسور اندازه‌گیری مستقل خود را از مشخصه موردنظر ارائه می‌دهد. این نوع حسگرها در کاربردهای تصحیح خطا کاربرد دارند.
- دسته‌بندی مبتنی بر همکاری (Cooperative): در این دسته‌بندی، اطلاعات از مجموعه‌ای از سنسورهای مستقل از هم بدست می‌آیند (استخراج این اطلاعات از یک سنسور منفرد در دسترس نیست). این نوع سنسورها در حوزه‌های تحقیقاتی و پزشکی، مثلا مطالعه حرکات انسان، مفید خواهند بود.
سطوح ترکیب سنسور
همانطور که انتظار می‌رود، کاربردهای همجوشی حسگرها دامنه وسیعی دارد. سطوح زیر کاربردهای مختلف ترکیب سنسورها را نشان می‌دهد:
- سطح صفر: هم‌ترازی داده‌ها
- سطح 1: ارزیابی موجودیت‌ها (برای تشخیص اجسام)
- سطح 2: ارزیابی وضعیت
- سطح 3: ارزیابی تاثیرات
- سطح 4: پالایش فرآیند
- سطح 5: پالایش کاربرد
نوع داده
نوع داده ورودی الگوریتم‌ها، می‌تواند تعیین‌کننده سطح ترکیب سنسورها باشد.
- سطح داده: داده‌های خام از منابع مختلف به عنوان ورودی به الگوریتم ترکیب سنسورها داده می‌شوند.
- سطح ویژگی: اطلاعات و ویژگی‌های انواع مختلفی از سنسورهای منفرد، به عنوان ورودی به الگوریتم ترکیب سنسورها داده می‌شوند.
- سطح تصمیم: در این سطح و پس از همجوشی سنسورها در سطوح داده و ویژگی، یک فرضیه از میان مجموعه فرضیه‌های موجود انتخاب می‌شود.
کاربردهای صنعتی سنسور فیوژن
- صنایع خودروسازی
- هواشناسی
- نرم‌افزارهای کامپیوتری
- لوازم الکترونیکی مصرفی
- مراقیت‌های بهداشتی
- اتوماسیون خانگی
- کنترل صنعتی
- اینترنت اشیا
- ساخت و تولید
- حوزه‌های نظامی
- اکتشاف نفت
