Dissertação
Distributed and Centralized Observers for Sensor Fusion with Non-Gaussian Noises EVALUATED
A presente dissertação aborda os desafios da estimação de estado para sistemas lineares sob diversas condições de ruído, utilizando arquiteturas de sensor único e multi-sensor. Métodos tradicionais de estimação frequentemente assumem ruído Gaussiano, o que pode limitar a precisão quando essa suposição falha. Este trabalho explora novos métodos de filtragem, usando funções características para lidar com ruídos não-Gaussianos e investigando o método baseado no baricentro de Wasserstein. Foram propostas duas abordagens híbridas para estimação de estado, combinando filtragem por função característica e métodos de partículas, para superar limitações das suposições Gaussianas. A primeira abordagem utiliza aproximação por Diracs para discretizar a função característica, enquanto a segunda emprega misturas de Gaussianas. Ambas são avaliadas em vários cenários de ruído, comparadas com técnicas clássicas, como o filtro de Kalman e o filtro de partículas. Os resultados demonstram que os filtros híbridos são robustos e precisos em ambientes com ruído não-Gaussiano. A segunda parte desta tese explora o uso do baricentro de Wasserstein para fusão de sensores em sistemas multi-sensores, melhorando a precisão e confiabilidade ao integrar dados de sensores com características de ruído diversas. As simulações validam a eficácia desta abordagem, destacando vantagens em cenários com ruído heterogêneo.
novembro 27, 2024, 13:0
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
Rita Maria Mendes de Almeida Correia da Cunha
Departamento de Engenharia Electrotécnica e de Computadores
Professor Associado
