Vision and Fusion Laboratory (IES)

Lokale Fusion heterogener Informationsquellen

Projektbeschreibung

Bei zahlreichen Aufgaben der Informationsgewinnung ist es nicht möglich, die gewünschte Information präzise, vollständig und robust mit einer einzigen Informationsquelle zu gewinnen. Die Auswertung und Fusion der Beiträge mehrerer Informationsquellen stellt hier oft eine Lösung dar. Ein besonderes Potential liegt im Einsatz heterogener Informationsquellen, da diese oft unterschiedliche Stärken und Schwächen haben und sich dadurch optimal ergänzen können. Bei der Fusion heterogener Informationsquellen muss ihr unterschiedlicher Abstraktionsgrad und ihre unterschiedliche Natur überwunden werden. Essentielle Forderungen an eine sinnvolle Fusionsmethodik sind die Fähigkeiten zur Transformation, Fusion und Fokussierung. Außerdem sollte verfügbares a-priori-Wissen (z.B. in Form von Erfahrung, physikalischen Modellen) bei der Bestimmung des Fusionsergebnisses berücksichtigt werden.

Die Bayessche Fusionsmethodik erfüllt jede diese Forderungen, erweist sich aber aufgrund ihres hohen Rechenaufwands oft als untauglich. Am Lehrstuhl für Interaktive Echtzeitsysteme wird deshalb ein lokaler Bayesscher Fusionsansatz entwickelt. Ziel ist es, Bayessche Fusion nicht global über das gesamte Fenster des Interesses vorzunehmen, sondern nur in den Bereichen, wo sich Aufgabenrelevantes abspielt. In Anlehnung an kriminalistische Ermittlungen wird dieses Konzept mittels einer agentenbasierten Fusionsarchitektur realisiert.

Das in der Abbildung gezeigte Beispiel verwendet a priori Wissen in Form von Karteninformation, die Aussage eines menschlichen Experten (HUMINT Quelle) sowie ein Grauwertbild (IMINT Quelle, Bild (a)) um aus der vorgegebenen Szene Typ und Position der dort vorhandenen Fahrzeuge zu bestimmen. Die Menge der möglichen Fahrzeugtypen wurde der Übersichtlichkeit halber auf die in Bild (g) aufgeführten fünf Typen eingeschränkt. Bild (g) zeigt die bezüglich der zweiten Ortskoordinate marginalisierte DoB-Verteilung als Fusionsresultat für die in Bild (f) rot gekennzeichnete Spur. Der nominale Peak befindet sich bei Audi, was den Tatsachen entspricht.


Aus der vorgegebenen Szene (Landschaftsmodell im Maßstab 1:160) sollen mit lokaler Bayesscher Fusion Typ und Position der dort vorhandenen Fahrzeuge bestimmt werden.