Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Instrumentacin Inteligente.
2 Parte: Integracin y fusin de datos.
Jos Enrique Sim Ten.
Departamento de Informtica de Sistemas y Computadoras.
Universidad Politcnica de Valencia.
Espaa.
1.
INTRODUCCIN.................................................................................................................................... 2
1.1. CONCEPTOS ......................................................................................................................................... 2
1.1.1.
Sensacin y percepcin .............................................................................................................. 2
1.1.2.
Agentes y procesos...................................................................................................................... 3
1.1.3.
Autonoma................................................................................................................................... 3
1.1.4.
Autosuficiencia ........................................................................................................................... 4
1.1.5.
Autopoiesis ................................................................................................................................. 4
1.1.6.
Inteligencia ................................................................................................................................. 5
1.2. PROCESAMIENTO DE LOS SENSORES. ................................................................................................... 6
1.3. EVOLUCIN DE LOS SISTEMAS DE SENSORES. ...................................................................................... 7
1.3.1.
Sistemas de un solo sensor ......................................................................................................... 7
1.3.2.
Sensores replicados. ................................................................................................................... 7
1.3.3.
Sensores dispares ....................................................................................................................... 8
1.3.4.
Sensores distribuidos espacialmente .......................................................................................... 8
1.3.5.
Sensores inteligentes................................................................................................................... 8
1.4. REDES DE SENSORES DISTRIBUIDOS..................................................................................................... 9
1.4.1.
Redes en la industria .................................................................................................................. 9
2.
INTEGRACIN DE SENSORES......................................................................................................... 11
2.1. SENSOR ABSTRACTO.......................................................................................................................... 11
2.2. TIPOS DE INTEGRACIN DE SENSORES ............................................................................................... 12
2.3. ORGANIZACIN DE LOS SISTEMAS DE PROCESAMIENTO DE SENSORES. .............................................. 13
2.3.1.
Niveles de integracin .............................................................................................................. 13
2.3.2.
Especificacin de entrada/salida.............................................................................................. 13
2.3.3.
Estructura de rbol................................................................................................................... 14
2.3.4.
Integracin multisensor ............................................................................................................ 14
2.3.5.
Agrupaciones de sensores......................................................................................................... 15
2.3.6.
Arquitecturas ............................................................................................................................ 15
3.
4.
GII
Pgina 1
1. Introduccin
Intuitivamente el procesamiento de sensores hace referencia al tratamiento de los datos crudos producidos por
los sensores para obtener informacin (datos tiles). Su origen y aplicacin lo podemos encontrar en materias
tan dispares como los sistemas medioambientales, sistemas de fabricacin inteligente, aplicaciones
aerospaciales, inspeccin mdica, robtica, teleoperacin... por ello, esencialmente, el procesamiento de
sensores es interdisciplinar y su avance se ve ligado a los avances en multitud de reas.
Matemticas
Estadstica
Procesamiento de la seal
Procesamiento de imgenes
Teora de la informacin
Teora de la decisin
Teora de control
Sistemas distribuidos
Sistemas autnomos
No obstante, los avances en la ciencia de los computadores y las tecnologas de comunicacin han hecho que
el procesamiento de sensores se forme como una disciplina con teoras y enfoques propios.
1.1. Conceptos
Veamos ahora algunos conceptos cuya aclaracin resulta til para la ubicacin de la "Instrumentacin
Inteligente"
P[E , t ] = v
P[E , t ] = v v
P[E , t ] vlow ...vhigh
En la primera v es el valor ledo por el sensor, en la segunda se define una tolerancia v en la forma de un
intervalo alrededor de v, e la tercera se define tambin un intervalo vlido, pero en esta ocasin el valor
medido no tiene que ser necesariamente el centro del intervalo.
Las caractersticas que definen un sensor son:
GII
Accesibilidad. Es la zona del entorno fsico en la que las variaciones de la magnitud a medir afectan al
sensor.
Dimensin. segn el valor sea escalar, vectorial, n-dimensional...
Pgina 2
Rango de operacin. Los sensores operan slo en un determinado rango de valores de la magnitud a
medir e incluso de otras magnitudes.
Datos. Formato de los datos. Discretos o continuos, procesamiento local, ancho de banda, capacidades de
compresin de la informacin...
Sensibilidad. Especificaciones sobre exactitud y precisin.
Localizacin. Local o remoto al lugar de procesamiento.
Inteligencia. Se dice que un sensor es inteligente si tiene capacidades de procesamiento o decisin. El
uso de sensores inteligentes permite establecer un compromiso entre computacin y comunicacin. Las
capacidades de procesamiento local pueden reducir las necesidades de ancho de banda para una red de
sensores.
Activo o pasivo.
De contacto o sin contacto.
Tecnologa.
1.1.3. Autonoma
El mundo real es infinitamente rico en cambios dinmicos. Un agente, para mantenerse viable, debe ser algo
ms que automtico. La autonoma es un requerimiento adicional importante. Para definir la autonoma,
Brooks y Steels han recurrido a las definiciones suministradas por los etlogos Smithers y McFarland
mediante comunicaciones personales. La definicin de Smithers dice:
La idea central del concepto de autonoma se identifica en la etimologa del trmino: autos (propio) y
nomos (ley o regla). Se aplic por primera vez en la antigua Grecia para referirse a aquellas ciudades o
estados que se regan por leyes propias en lugar de vivir acorde al poder de un gobierno externo. Es til
contrastar el concepto de autonoma con el de sistema automtico... Los sistemas automticos se autoregulan
GII
Pgina 3
1.1.4. Autosuficiencia
La autonoma se identifica a veces con la autosuficiencia. La autosuficiencia es un requerimiento de un agente
capaz de funcionar sin ninguna asistencia externa. Si el agente es capaz de recargar sus bateras sin asistencia
externa, podr llevar a cabo tareas durante un largo perodo de tiempo y as ser capaz de adquirir ms
experiencia para funcionar de forma independiente.
Como afirma McFarland la autonoma y la autosuficiencia son conceptos muy diferentes que pueden
distinguirse fcilmente mediante un ejemplo: Un perro faldero no podra sobrevivir sin el alimento que le
proporcionamos sus dueos, sin embargo no hay duda en considerarlo autnomo.
Es deseable obtener un robot autosuficiente en el sentido de que pueda renovar su energa y mantenerse a s
mismo viable durante largos perodos de tiempo sin intervencin humana. Sin embargo el robot tendr una
dependencia indirecta de los humanos. Al haber sido diseado para un entorno particular y artificialmente
generado por los humanos, donde la energa se provee gratuitamente, el robot no sobrevivir fuera de este
entorno.
No es fcil alcanzar la autosuficiencia en un ecosistema generado por humanos, los mismos humanos
dependen muchsimo de otros humanos como para poderlos considerar autosuficientes, pero no hay duda
acerca de que los humanos son autnomos.
1.1.5. Autopoiesis
Los animales son las entidades autnomas ms claras que conocemos. Se debe hacer un esfuerzo para
entender qu es lo que les hace autnomos sin caer en la tentacin de replicarlos completamente incluso sin
considerar que esto resulta imposible con la tecnologa actual.
Cuando observamos la autonoma animal, no se puede evitar el concepto de autopoiesis. Este concepto se
cre para superar las dificultades existentes en la definicin de lo que se considera un sistema vivo. La
autopoiesis es aquello que diferencia un sistema vivo de uno que no lo sea: es la capacidad que tienen los
sistemas vivos de estar continuamente produciendo y que el productor no pueda ser separado del producto
La autonoma se incluye normalmente en las caractersticas que definen la vida, pero como otras
caractersticas se puede ver como una consecuencia de la autopoiesis. Los animales se producen a ellos
mismos y haciendo esto, producen las leyes por las que actan. Su comportamiento es el resultado de
correlaciones internas autoproducidas entre las sensaciones y las acciones.
Con la tecnologa actual, el concepto de autopoiesis no puede aplicarse al hardware, pero podemos intentar
aplicarlo al software. La idea podra ser obtener un "cerebro" altamente autopoitico con un "cuerpo" que
actuara como una restriccin del entorno.
GII
Pgina 4
1.1.6. Inteligencia
La IA ha tratado desde el principio sobre qu es lo que se considera como inteligencia y as poder caracterizar
los logros de la IA. Veamos algunas definiciones comunes.
El primer grupo de definiciones se realizan en trminos de comparacin de prestaciones con la inteligencia
humana. El ejemplo ms famoso es el test de Turing. Turing propona que un humano realizara una evolucin
de un sistema realizando preguntas a travs de una terminal. Si el humano confunda frecuentemente al
sistema de IA con un humano, podra considerarse al sistema de IA como inteligente.
El segundo grupo de definiciones se realizan en trminos de conocimiento y su explotacin. Por ejemplo.
Newell ha trabajado sobre la nocin de nivel de descripcin de conocimiento . Una descripcin de este tipo
puede realizarse si el comportamiento del sistema puede describirse coherentemente en trminos de posesin
de conocimiento y aplicacin de este (principio de racionalidad). De esto se desprende que la IA est, al
menos por definicin, relacionada con la extraccin del conocimiento, su formalizacin y su correcta
codificacin en un computador. Esta definicin tiene dos puntos problemticos. Primero, el nivel de
descripcin de conocimiento puede construirse para muchos objetos (termostatos, interruptores automticos)
que se consideran carentes de inteligencia. Segundo, esta definicin asume una frontera brusca y discontinua
entre lo que se considera inteligente y lo que no y por lo tanto no ayuda a entender como la inteligencia puede
emerger de los sistemas fsicos ni la relacin entre el conocimiento y el razonamiento con la neurofisiologa.
Hay otras muchas definiciones que no se usan en el campo de la IA. As, Roger Penrose promulga que la
inteligencia est ntimamente ligada con la consciencia y la autoconsciencia que las define como la capacidad
de intuir estrategias matemticas o realizacin de juicios estticos.
Recientemente Luc Steels ha introducido una definicin alternativa basada en la biologa, observando a los
sistemas vivos. Los sistemas vivos se definen en trminos de su capacidad activa de mantenerse a ellos
mismos usando esencialmente dos mecanismos:
Como vemos esta definicin se basa en la autopoisis como medio de preservacin. Esta necesidad de
supervivencia se encuentra en todos los niveles: gentico, estructural, individual y de grupo. Esta definicin
de inteligencia se centra en la interaccin de un sistema vivo con su entorno que incluye otros sistemas vivos.
Esta interaccin es lo que se conoce como comportamiento. La caracterstica principal para que un
comportamiento pueda considerarse inteligente es que contribuya directa o indirectamente a la continuidad de
la supervivencia del sistema. La ventaja de esta definicin es que es objetiva y puede ser fcilmente
cuantificada.
La definicin biolgica de inteligencia resulta poco restrictiva, se puede argumentar que la existencia de un
buen mecanismo de defensa es tambin crtico para la supervivencia (el equivalente en sistemas artificiales
sera: el tiempo de vida de las bateras, la tolerancia a fallos de los microprocesadores, la robustez de la
estructura...). As el propio Steels acota la definicin de inteligencia considerando las funcionalidades que se
usan para alcanzar la viabilidad y autopreservacin y as llega al concepto de representacin. Aqu se
considera la representacin de la manera ms general posible, explcita o implcita, simblica o no, de manera
que este concepto est fuera de la controversia sobre el papel que juega la representacin en la inteligencia e
incluye el proceso no simblico que se realiza en las redes neuronales.
Resumiendo, se puede considerar que la inteligencia se centra en la habilidad de un sistema de mantenerse a s
mismo mediante la creacin y uso de representaciones.
GII
Pgina 5
Figura 1.1
Cuando alguna de estas actividades tenga lugar en un entorno distribuido, nos referiremos a un Sistema
Distribuido de Procesamiento de Sensores
Supongamos que hay un nmero limitado de recursos en el SDPS (p.e. sensores y procesadores). Sea un
sistema que tiene N sensores y P procesadores. Los sensores son del mismo tipo y son capaces de seguir
objetos en el espacio de observacin (p.e. radar), son sensores fsicamente replicados. Los sensores se
organizan el P clusters de N/P sensores cada uno. La tarea principal es el seguimiento de los objetos en el
espacio de observacin. Consideremos dos posibilidades:
1.
2.
El espacio de observacin es muy grande y no puede ser cubierto por un solo cluster.
El espacio de observacin puede ser cubierto por cada cluster, pero es necesaria la respuesta en tiempo
real para realizar el seguimiento de los objetos.
En el primer caso podemos asignar clusters para que cubran partes del espacio de observacin.
Colectivamente cubrirn la totalidad del espacio de observacin. En el segundo caso, podemos configurar el
sistema para que cada cluster realice el seguimiento de un determinado nmero de objetos. As, la tarea de
seguimiento se ha visto dividida en subtareas ms sencillas cuyas soluciones parciales se combinarn para
formar la solucin global. En ambos casos se ha realizado una descomposicin de tareas que se ejecutarn
en un entorno distribuido. La configuracin y el resultado de la ejecucin de las subtareas deber ser
coordinado por un mdulo observador central que ser el responsable de la integracin.
Procesamiento local: Cada cluster consiste en un procesador y un conjunto de sensores replicados. El
procesador se encarga del procesamiento local y del control; gua los sensores de su cluster para observar el
fenmeno fsico y proporcionar los valores. Supongamos que un cluster slo cubre parte del espacio de
observacin, pero los objetos pueden moverse libremente a lo largo de todo el espacio de observacin, en este
caso, durante el procesamiento local, los clusters deben comunicarse para intercambiar el conocimiento de
que un objeto se ha movido de un rea a otra.
Integracin: El observador central es responsable de la combinacin de los datos de los sensores y/o sus
abstracciones. En el caso comentado anteriormente hay P clusters, cada uno de ellos encargado del
seguimiento de un objeto. El observador central debe comunicarse con los clusters, recopilando el resultado
del procesamiento local para establecer una representacin de los P objetos a seguir.
GII
Pgina 6
Tienen un limitado campo de aplicaciones. Por ejemplo, un robot mvil autnomo tiene la necesidad de
varios sensores (tctiles, cmaras CCD, sonar...), no es posible construirlo como un sistema de un solo
sensor.
El fallo del sensor es catastrfico. Esto nos lleva a aplicaciones no demasiado robustas, inadecuadas para
sistemas crticos.
Un solo sensor no puede garantizar la entrega de una informacin precisa en cualquier momento, esto es
debido a su rango de operacin y a la relacin seal-ruido.
Resumiendo, un sistema de un solo sensor es til para aplicaciones no crticas, teniendo que desarrollar
tcnicas encaminadas a hacerlo ms robusto.
GII
Pgina 7
f ( x1 ,.... x n ) =
i =1
xi
n
Media ponderada: es la generalizacin del mtodo anterior cuando es posible asignar un valor de
importancia o fiabilidad a cada sensor.
n
f ( x1 ,.... xn ) =
w x
i =1
n
w
i =1
Aumenta la confiabilidad.
Aumenta la tolerancia a fallos
Mejora la deteccin (y eliminacin) de ruido.
El ruido recogido por sensores dispares tiende a no estar correlado, mientras que la seal de inters tiende a
estar correlada. Adems, los sensores pueden elegirse de forma que se complementen y que un sensor
compense las deficiencias de otro.
GII
Pgina 8
GII
Pgina 9
Gestin corporativa
Fbrica
rea
Clula
Mquina
Dispositivos
En general, el esfuerzo est dirigido hacia la elaboracin de una infraestructura comn para los sistemas de
comunicacin industriales a todos los niveles.
Para las capas ms bajas se han propuesto redes de tiempo real para los dispositivos., entre las que destacan:
Para las capas intermedias se han desarrollado propuesta abiertas para redes de Bus de Campo:
Profibus
FIP
Fieldbus Foundation
ISA-SP50
Para el desarrollo de aplicaciones industriales en las capas ms altas, se propone el uso de la especificacin
MAP (Manufacturing Automation Protocol) que define la infraestructura de mensajes de fabricacin y facilita
el desarrollo de aplicaciones distribuidas mediante la metodologa orientada al objeto y el modelo clienteservidor.
Por otra parte, el enorme crecimiento de Internet ha favorecido el desarrollo de modelos de programacin
distribuida, as como nuevos conceptos de comunicacin y cooperacin entre aplicaciones distribuidas. Nos
referimos al NC (Network Computing) . Destacan en este mbito la introduccin de las siguientes
tecnologas:
GII
Pgina 10
2. Integracin de sensores
La integracin de sensores es el proceso de combinar o fundir las lecturas de varios sensores. Una RSD usa
sensores dispares y distribuidos. Cada sensor proporciona el valor de una variable fsica del entorno, estas
seales obtenidas directamente de los sensores no pueden ser usadas por las razones siguientes:
1.
Cada sensor tiene una precisin limitada. Hay una incertidumbre asociada a la seal, esta
incertidumbre aumenta con los retrasos en las comunicaciones. Seales de sensores diferentes tienen
asociados valores diferentes de incertidumbre.
2.
3.
El sensor puede tener propiedades muy tiles que pueden ser extradas mediante el procesamiento de
la seal.
Por estas razones es necesario obtener una abstraccin de la medida fsica. A esta abstraccin se le llama
sensor abstracto que se distingue del dispositivo fsico que realiza la medida al que llamaremos sensor
concreto.
Sensores diferentes realizan la medida desde diferentes puntos, debemos decidir cmo registrar estas
medidas. Esto puede realizarse mediante transformaciones, pero el problema es cmo superar la
incertidumbre en la transformacin entre espacios de accin de sensores.
Las medidas de los sensores estn afectadas de ruido. Es posible reducir los errores usando mltiples
medidas, pero esto puede introducir contradicciones.
Los sensores y los programas de interpretacin asociados tienen fuertes restricciones temporales que
varan considerablemente. El problema es decidir cundo y dnde explotar la informacin de un
sensor.
Los sensores fallan o violan sus parmetros de operacin. El conjunto de sensores operativos puede
variar dinmicamente. Es necesario desarrollar una tcnica robusta para la integracin de estos
sensores.
Una posible especificacin para la definicin de un sensor abstracto es la propuesta por Henderson y Shilcrat
(1984) que se representa en la figura 2.1.
GII
Pgina 11
Entradas
de control
Vector de salida
Nombre lgico
Selector
Prog. 1
.....
Entradas
.....
Intrprete
de rdenes
Prog. n
.....
Entradas
.....
rdenes a
sensores lgicos
Figura 2.1.
La definicin del sensor abstracto puede usarse como un marco uniforme de integracin de sensores.
Mediante el uso de una definicin abstracta, los innecesarios detalles fsicos del sensor, se separan de su uso
funcional en el sistema y puede proporcionar portabilidad y capacidad de incorporacin de nuevas
tecnologas. Cada sensor lgico puede considerarse como un elemento en una red de sensores lgicos, que en
s misma, puede considerarse como un sensor lgico.
Segn esta definicin cada sensor tiene los siguientes elementos:
GII
Pgina 12
Integracin temporal. Se requiere la integracin de la informacin sobre el tiempo. Los datos muestreados
en los intervalos de tiempo deben ser procesados para recrear la nocin de secuencia temporal.
Integracin espacial. Se requiere la integracin de la informacin sobre un espacio dado. Cualquier
conclusin alcanzada despus de la integracin es lo que se llama inferencia espacial.
Bajo nivel: Conversin del mapa de bits en caractersticas como lneas y fronteras.
Nivel intermedio: Reconocimiento de patrones.
Nivel alto: Identificacin de objetos.
D2
Fusin
de datos
D3
D4
Fusin
de datos
F12
D5
D6
Fusin
de datos
F34
Fusin de
caractersticas
D7
D8
Fusin
de datos
F56
F78
Fusin de
caractersticas
Fusin de
decisin
Figura 2.2.
GII
Pgina 13
t3
Nodo raz
t1
t2
S7
Nodos intermedios
S5
S6
Nodos hoja
S1
S2
S3
S4
Figura 2.3.
En el ejemplo el procesamiento tiene lugar en tres pasos secuenciales:
t1=F(s1,s2,s5)
t2=F(s3,s4,s6)
t3=F(t1,t2,s7)
Es decir, t3=F(F(s1,s2,s5),F(s3,s4,s6),s7).
La organizacin en forma de rbol es adecuada para paralelizar el procesamiento de sensores.
GII
Pgina 14
t3
t2
t1
S1
S2
S3
S4
Figura 2.4.
El proceso de los sensores requiere tres pasos:
t1=F1(s1,s2)
t2=F2(t1,s3)
t3=F3(t2,s4)
Es decir: t3=F3(F2(F1(s1,s2),s3),s4)
Ntese que F1 usa datos competitivos mientras que F2 y F3 usan datos complementarios.
S1
S1
S2
S2
S11
S21
S11
S21
S12
S22
S12
S22
Figura 2.5.
2.3.6. Arquitecturas
Una arquitectura queda establecida cuando se consigue realizar una abstraccin del hardware subyacente en
trminos de definicin de una "mquina virtual" o modelo de programacin. En general, en lo que se refiere a
GII
Pgina 15
Figura 2.6.
Un grupo de n sensores provee de unas medidas al proceso de integracin. El modelo de sensor representa la
incertidumbre y error de cada sensor, proporcionando una medida de calidad utilizable en posteriores
integraciones. Una suposicin comn es que la incertidumbre en los datos puede ser modelada de forma
adecuada como una distribucin Gaussiana. Posteriormente cada una de las medidas puede pasar unos de los
tres procesos integrados en bloque de procesamiento sensorial: fusin, separacin o guiado.
La fase de registro tiene como objeto adecuar la medida para su uso con otras, convirtindolas a espacio
comn. El proceso de fusin se divide en cuatro niveles. El proceso de separacin tiene por objeto detectar
disparidades en las medidas, haciendo que la influencia de estas sea indirecta. El proceso de guiado se lleva a
cabo cuando la informacin de un sensor es utilizada por otro. Por ejemplo: la informacin visual puede
utilizarse en el control de sensores tctiles.
El resultado de este proceso de sensorizacin sirve como entrada al modelo del mundo, el cual almacena el
estado del entorno en el que el sistema esta operando. Este modelo del mundo puede contener conocimiento a
priori. Dependiendo de las necesidades de la aplicacin el modelo del mundo puede adoptar distintas formas.
Algunos de los mtodos de integracin multisensorial son:
Sensores Lgicos
Redes Neuronales.
Programacin orientada a objetos.
Comportamientos Lgicos.
Combinados con las estructuras de control:
Redes Bayesianas y Sistemas basados en reglas
Blackboards distribuidos
Aprendizaje adaptativo
En la fusin algunas de las tcnicas utilizadas son:
A nivel de seal:
Media ponderada.
Filtro de Kalman
Estimaciones Bayesianas por consenso de sensores.
GII
Pgina 16
Teora de la decisin.
A nivel de pixel:
Filtros lgicos.
Morfologas matemticas.
Algebra de imgenes.
Simulated Annealing
A nivel de caractersticas:
Estimaciones de Gauss-Markov
Filtro de Kalman extendido.
A nivel simblico:
Estimacin Bayesiana
Teora de Dempster-Shafer
Lgica Fuzzy
GII
Pgina 17
3. Fusin estadstica
La integracin multisensorial podemos definirla como la synergia por el uso de la informacin de varios
sensores para la ayuda en la realizacin de una tarea. La fusin multisensorial sera cualquier estado en el
proceso de integracin, donde hay una combinacin de los datos (fusin) de distintas fuentes y estn
representados en formato conocido. La informacin a fusionar puede provenir de varios sensores en un
instante dado, o de un solo sensor en distintos instantes de tiempo.
La distincin entre integracin y fusin multisensorial no es gratuita, ya que nos permite separar los aspectos
ms relacionados con el sistema de sensores, arquitectura, control etc, de aquellos ms matemticos y
relacionados con la fusin de seales, algoritmos de interpretacin etc.
En los problemas de fusin de datos, se empieza por determinar un estado de la naturaleza en la que estamos
interesados. El objetivo es inferir el verdadero estado basado en informacin, a menudo incompleta y algunas
veces conflictiva, obtenida va una variedad de fuentes y tambin gestionar y optimizar la manera en la que
esta informacin es adquirida.
Son indispensables descripciones probabilsticas cuando pretendemos tratar cuantitativamente con la
incertidumbre. El modelo probabilstico de la informacin proporciona un marco para la operacin de la
metodologas de fusin de datos y gestin de mltiples sensores. En general se deben estudiar aspectos de la
teora de la probabilidad, mtodos bayesianos, teora de la estimacin, teora de la decisin y teora de la
informacin. El enfoque de estos conceptos se dirige hacia la obtencin de:
E
A
Figura 3.1.
Si se sabe que ha ocurrido el suceso A, la probabilidad del suceso B se ve modificada. La probabilidad de que
ocurra B, se reduce a que ocurra A interseccin con B. La probabilidad hay que dividirla por la probabilidad
de A para que la probabilidad de A sea 1 (sabemos que ha ocurrido).
GII
Pgina 18
P( B / A) =
P( A B )
P( A)
UA .
i
i =1
E
B
A1
A2
A3
A4
A5
A6
Figura 3.2.
En la figura 3.2 se representa una particin A1..A6 del espacio E. La probabilidad de que ocurra el suceso B
se puede escribir:
n
n
P ( B ) = P U B Ai = P ( B Ai )
i =1
i =1
Aplicando la ecuacin de reduccin del espacio muestral tenemos:
n
P( B ) = P( Ai ) P( B / Ai )
i =1
P ( Ai / B ) =
P( Ai B )
P( B )
P ( Ai / B ) =
P ( Ai ) P ( B / Ai )
n
P( A ) P( B / A )
j
j =1
GII
Pgina 19
P( Ai ) k = P( Ai / B ) k 1
obteniendo:
P ( Ai / B ) =
P( Ai / B ) k 1 P ( B / Ai )
P( A
j =1
/ B ) k 1 P ( B / A j )
P( Ai ) = {P ( A1 ), P( A2 )} = {0.5,0.5}
Supongamos que un sensor (p.e. de ultasonidos) con una determinada apertura angular, suministra
informacin en la forma de una distancia a la cual se encuentra un obstculo. Ver figura 3.3
Figura 3.3
Para poder aplicar el teorema de Bayes necesitamos una expresin para P(B/Ai). Una posible opcin es:
0.5
si r [r0 , r0 + ] [1 , 2 ] 0.5 + k d
P ( B / A1 ) = si r < r0 [1 , 2 ]
0.0
otro caso
0.5
GII
Pgina 20
un
nmero
arbitrariamente pequeo.
La ejecucin de esta frmula se puede comprobar con el siguiente programa (figura 3.4):
#include <stdio.h>
#include <math.h>
int main(int argc, char** argv)
{
int k;
double PAB,PA1,PBA1,PBA2;
PA1=0.5;
PBA1=(0.5+0.5/5);
PBA2=(0.5-0.5/5);
for (k=0;k<10;k++)
{
PAB=(PA1*PBA1)/(PA1*PBA1+(1-PA1)*PBA2);
printf("%d
%f\n",k,PAB);
PA1=PAB;
}
return(0);
}
0
1
2
3
4
5
6
7
8
9
0.600000
0.692308
0.771429
0.835052
0.883636
0.919294
0.944708
0.962447
0.974647
0.982954
Figura 3.4.
La aplicacin del teorema de Bayes se puede ver representada en el espacio
como resultado de la aplicacin del siguiente programa MatLab:
,r
DIM=100;
d=linspace(0.001,0.999,DIM);
b=linspace(0.001,0.999,DIM);
[dd,bb]=meshgrid(d,b);
apertura=0.1;
espesor=0.05;
centro_distancia=0.5;
centro_angulo=0.5;
for I=1:DIM,
for J=1:DIM,
func1(I,J)=0.0;
if (dd(I,J)>centro_distancia) & (dd(I,J)<centro_distancia+espesor)
func1(I,J)=0.5+(0.5/5);
end
if dd(I,J)>centro_distancia+espesor
func1(I,J)=0.5;
end
if (bb(I,J)>(centro_angulo+apertura)) | (bb(I,J)<(centro_angulo-apertura))
func1(I,J)=0.5;
end
end
end
for I=1:DIM,
for J=1:DIM,
func(I,J)=0.5;
end
end
colormap(winter);
GII
Pgina 21
Figura 3.5.
Figura 3.6.
Como alternativa al uso de la funcin escaln para obtener P(B/Ai) podemos usar expresiones del tipo:
P( B / Ai ) = f exp ( d rcelda )
En particular, si consideramos que la existencia del obstculo es ms probable en el centro del cono de
influencia del sensor (apertura angular), podemos usar la ecuacin de la campana de Gauss:
GII
Pgina 22
p( r, ) =
( r z )2
1
exp
2
2
2
( r z )2
p( r, ) = exp
2
2
Figura 3.7.
En el caso bidimensional (en el espacio
, r ) podemos escribir:
1 ( r r0 ) 2 ( 0 ) 2
p ( r, , r , ) = exp
+
2
2
2 r
cuya representacin grfica aparece en la figura 3.8
Figura 3.8.
Restringiendo la ecuacin a la zona de influencia del sensor, la distribucin de probabilidades toma la forma
representada en la figura 3.9.
GII
Pgina 23
Figura 3.9.
Cuya aplicacin en la fusin Bayesiana mediante el siguiente programa Matlab aparece en la figura 3.10.
DIM=100;
d=linspace(0.001,0.999,DIM);
b=linspace(0.001,0.999,DIM);
[dd,bb]=meshgrid(d,b);
apertura=0.1;
sigma1=0.1;
sigma2=apertura;
centro_distancia=0.5;
centro_angulo=0.5;
for I=1:DIM,
for J=1:DIM,
func1(I,J)=exp( (-0.5)*( (((dd(I,J)-centro_distancia)^2)/sigma1^2) +
(((bb(I,J)-centro_angulo)^2)/sigma2^2) ));
if dd(I,J)>centro_distancia
func1(I,J)=0.5;
end
if (bb(I,J)>(centro_angulo+apertura))
func1(I,J)=0.5;
end
if (bb(I,J)<(centro_angulo-apertura))
func1(I,J)=0.5;
end
end
end
for I=1:DIM,
for J=1:DIM,
func(I,J)=0.5;
end
end
colormap(cool);
for k=1:10,
mesh(bb,dd,func);
grid;
view([30 30]);
xlabel('ngulo');
ylabel('Distancia');
zlabel('Densidad de probabilidad');
GII
Pgina 24
Figura 3.10
De la misma forma en la que hemos modificado la distribucin de probabilidad en la frontera del cono de
influencia del sensor (uniforme) considerando que es ms probable la existencia de un obstculo en el centro
de dicho cono (Gaussiana), podemos pensar en la modificacin de dicha distribucin atendiendo a otros
criterios. Estos otros criteros pueden venir definidos por algn tipo de conocimiento previo sobre el entorno o
bien por informacin suplementaria que pueda suministrar el sistema de sensores. Por ejemplo, midiendo la
cantidad de energa acustica reflejada por el obstculo (adems del tiempo de vuelo), podemos determinar el
tamao del objeto o su disposicin espacial en planos oblicuos a la seal emitida (efecto de especularidad de
la seal acustica).
GII
Pgina 25
S1 , S2 ,..., S N
Si (li , ri )
Si S j
li < l j (li = l j ri rj )
Se puede representar una coleccin de N sensores abstractos competitivos como un grafo de intervalos. Cada
sensor abstracto representa un intervalo, se asocia a cada vrtice un intervalo. Dos vrtices estn unidos sii los
correspondientes intervalos intersectan. El algoritmo proporciona Is que se define como el intervalo ms
pequeo que contiene el valor actual de la variable fsica. Ver figura 4.1.
N=5
A
F=2
C
A
E
C
E
D
Is
Figura 4.1.
Begin
End
4.1.2. PIMK
Ente algoritmo sigue el modelo de M1. En lugar de considerar que todos los fallos son del mismo tipo (como
Marzullo) considera que hay dos tipos de fallo:
Fallo salvaje: el intervalo suministrado por el sensor no intersecta con ningn intervalo suministrado
por un sensor correcto.
Fallo dcil: el intervalo suministrado por el sensor intersecta con algn intervalo suministrado por un
sensor correcto.
GII
Pgina 26
Is
Figura 4.2.
Cuando el nmero de sensores es muy grande , el algoritmo de Marzullo suministra un intervalo de
estimacin muy amplio (figura 4.2). Con el algoritmo PIKM se logra reducir este efecto aplicando la
heurstica de los fallos dciles.
Algoritmo:
Entrada: I1 , I 2 ,..., I n Intevalos para n sensores y
Salida: intervalo integrado de estimacin I
Begin
*
p
L1 , L2 ,..., Lk {L j = [a j , b j ]}
m = min{i | ri = r}
M = max{i | ri = r}
5.- Asignar la estimacin integrada as:
I *p = [am , bM ]
End
GII
Pgina 27