Avances en métodos de procesamiento de fusión de datos de navegación de múltiples fuentes
Autores: Ma, Xiaping; Zhou, Peimin; He, Xiaoxing
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Avances en métodos de procesamiento de fusión de datos de navegación de múltiples fuentes
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Fusión de datos de navegación de múltiples fuentes
Algoritmos de inteligencia artificial
Filtrado de Kalman
Filtrado de partículas
Filtrado federado
Optimización de gráficos factoriales.
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 31
Citaciones: Sin citaciones
En los últimos años, el campo de la fusión de datos de navegación de múltiples fuentes ha presenciado avances substanciales, impulsados por el rápido desarrollo de tecnologías de múltiples sensores, algoritmos de Inteligencia Artificial (IA) y capacidades computacionales mejoradas. Por un lado, los métodos de fusión basados en la teoría de filtrado, como el Filtro de Kalman (KF), el Filtrado de Partículas (PF) y el Filtrado Federado (FF), han sido continuamente optimizados, permitiendo el manejo efectivo de problemas de ruido no lineal y no gaussiano. Por otro lado, la introducción de tecnologías de IA como el aprendizaje profundo y el aprendizaje por refuerzo ha proporcionado nuevas soluciones para la fusión de datos de múltiples fuentes, mejorando especialmente las capacidades adaptativas en entornos complejos y dinámicos. Además, los métodos basados en la Optimización de Grafos de Factores (FGO) también han demostrado ventajas en la fusión de datos de múltiples fuentes, ofreciendo un mejor manejo de problemas de consistencia global. En el futuro, con la adopción generalizada de tecnologías como el 5G, el Internet de las Cosas y la computación en el borde, se espera que la fusión de datos de navegación de múltiples fuentes evolucione hacia el procesamiento en tiempo real, la inteligencia y los sistemas distribuidos. Hasta ahora, los métodos de fusión incluyen principalmente métodos de estimación óptima, métodos de filtrado, métodos de razonamiento incierto, Estimación de Múltiples Modelos (MME), IA, y así sucesivamente. Para analizar el rendimiento de estos métodos y proporcionar una referencia teórica confiable y una base para el diseño y desarrollo de un sistema de fusión de datos de múltiples fuentes, este documento resume las características de estos métodos de fusión y sus escenarios de aplicación correspondientes. Estos resultados pueden proporcionar referencias para la investigación teórica, el desarrollo de sistemas y la aplicación en los campos de la conducción autónoma, la navegación de vehículos no tripulados y la navegación inteligente.
Descripción
En los últimos años, el campo de la fusión de datos de navegación de múltiples fuentes ha presenciado avances substanciales, impulsados por el rápido desarrollo de tecnologías de múltiples sensores, algoritmos de Inteligencia Artificial (IA) y capacidades computacionales mejoradas. Por un lado, los métodos de fusión basados en la teoría de filtrado, como el Filtro de Kalman (KF), el Filtrado de Partículas (PF) y el Filtrado Federado (FF), han sido continuamente optimizados, permitiendo el manejo efectivo de problemas de ruido no lineal y no gaussiano. Por otro lado, la introducción de tecnologías de IA como el aprendizaje profundo y el aprendizaje por refuerzo ha proporcionado nuevas soluciones para la fusión de datos de múltiples fuentes, mejorando especialmente las capacidades adaptativas en entornos complejos y dinámicos. Además, los métodos basados en la Optimización de Grafos de Factores (FGO) también han demostrado ventajas en la fusión de datos de múltiples fuentes, ofreciendo un mejor manejo de problemas de consistencia global. En el futuro, con la adopción generalizada de tecnologías como el 5G, el Internet de las Cosas y la computación en el borde, se espera que la fusión de datos de navegación de múltiples fuentes evolucione hacia el procesamiento en tiempo real, la inteligencia y los sistemas distribuidos. Hasta ahora, los métodos de fusión incluyen principalmente métodos de estimación óptima, métodos de filtrado, métodos de razonamiento incierto, Estimación de Múltiples Modelos (MME), IA, y así sucesivamente. Para analizar el rendimiento de estos métodos y proporcionar una referencia teórica confiable y una base para el diseño y desarrollo de un sistema de fusión de datos de múltiples fuentes, este documento resume las características de estos métodos de fusión y sus escenarios de aplicación correspondientes. Estos resultados pueden proporcionar referencias para la investigación teórica, el desarrollo de sistemas y la aplicación en los campos de la conducción autónoma, la navegación de vehículos no tripulados y la navegación inteligente.