다른 데이터 처리 방법에 따르면, 정보 퓨전 시스템에는 세 가지 아키텍처가 있습니다 : 분산, 중앙 집중식 및 하이브리드.

1) 분산 : 먼저, 독립 센서에 의해 얻은 원래 데이터는 로컬로 처리 된 다음 결과를 지능형 최적화 및 조합을 위해 정보 퓨전 센터로 전송되어 최종 결과를 얻습니다. 분산은 통신 대역폭, 빠른 계산 속도, 우수한 신뢰성 및 연속성에 대한 수요가 낮지 만 추적 정확도는 중앙 집중식보다 훨씬 적습니다. 분산 퓨전 구조는 피드백과 피드백없이 분산 융합 구조로 분산 된 융합 구조로 나눌 수 있습니다.

2) 중앙 집중화 : 중앙 집중화는 각 센서에서 얻은 원시 데이터를 융합 처리를 위해 중앙 프로세서로 직접 보냅니다. 이는 실시간 퓨전을 실현할 수 있습니다. 데이터 처리 정확도가 높고 알고리즘이 유연하지만 단점은 프로세서에 대한 요구 사항, 신뢰성이 낮고 데이터 볼륨이 크기 때문에 실현하기가 어렵습니다.

3) 하이브리드 : 하이브리드 멀티 센서 정보 퓨전 프레임 워크에서 일부 센서는 중앙 퓨전 모드를 채택하고 나머지는 분산 퓨전 모드를 채택합니다. 하이브리드 융합 프레임 워크는 강한 적응성을 가지며, 중앙 집중식 융합 및 분포의 장점을 고려하며, 안정성이 강합니다. 하이브리드 융합 모드의 구조는 처음 두 퓨전 모드의 구조보다 더 복잡하여 통신 및 계산 비용을 증가시킵니다.

칼만 필터 (KF)

Kalman 필터에 의한 정보 처리 프로세스는 일반적으로 예측 및 보정입니다. 단순하고 구체적인 알고리즘 일뿐 만 아니라 멀티 센서 정보 퓨전 기술의 역할에서 매우 유용한 시스템 처리 체계입니다. 실제로, 그것은 정보 데이터를 처리하는 많은 시스템의 방법과 유사합니다. 수학적 반복 재귀 계산을 통해 융합 데이터에 대한 효과적인 통계적 최적 추정치를 제공하지만 저장 공간과 계산이 거의 필요하지 않으므로 데이터 처리 공간과 속도가 제한된 환경에 적합합니다. KF는 분산 Kalman 필터 (DKF)와 확장 Kalman 필터 (EKF)의 두 가지 유형으로 나눌 수 있습니다. DKF는 데이터 융합을 완전히 분산시킬 수있는 반면, EKF는 데이터 처리 오류의 영향과 정보 융합 프로세스에 대한 불안정성을 효과적으로 극복 할 수 있습니다.