Distributed Multi-Sensor Fusion Using Generalized Multi-Bernoulli Densities
分布式多传感器融合使用广义多伯努利密度
专题命中 机器人多传感器融合 ：sensor fusion(title)；multi-sensor fusion(title)
AI总结 本文提出基于广义多伯努利密度的分布式多目标跟踪方法，通过第二阶近似改进GCI融合，验证了其在多静态雷达系统中的有效性。
视觉与机器人
多模态信息融合
面向图像、视频、多传感器和跨模态感知的信息融合，包括 Image Fusion、红外可见光、遥感、医学影像、LiDAR/雷达/相机和音视频融合。
1. 机器人多传感器融合 17 篇
ConFusion: Sensor Fusion for Complex Robotic Systems using Nonlinear Optimization
ConFusion：利用非线性优化的复杂机器人系统传感器融合
机构 * Agile & Dexterous Robotics Lab, ETH Zurich（敏捷与灵活机器人实验室，苏黎世联邦理工学院）
专题命中 机器人多传感器融合 ：sensor fusion(title,abstract)；分类 cs.RO
AI总结 本文提出ConFusion，一种用于机器人应用的开源传感器融合框架，通过非线性优化实现灵活的传感器融合设计，并展示了其在视觉惯性跟踪和移动机械臂上的性能。
Journal ref IEEE Robotics and Automation Letters, 2019, Volume 4, Number 2, Pages 1093-1100
Bias Estimation for Decentralized Sensor Fusion -- Multi-Agent Based Bias Estimation Method
去中心化传感器融合中的偏差估计——基于多智能体的偏差估计方法
专题命中 机器人多传感器融合 ：sensor fusion(title,abstract)
AI总结 本文提出基于多智能体模型的新型偏差估计方法，用于去中心化传感器融合中的偏差估计与补偿，解决传统方法无法处理各传感器节点跟踪数据融合的问题。
Comments Technical Report, 6 pages, in Japanese, Copyright(C)2017 IEICE
Journal ref IEICE Technical Report, vol.117, no.43, SANE2017-7, pp.35-40, May 2017
Achieving Sensor Fusion for Collaborative Multi-level Monitoring of Pipeline Infrastructures
实现管道基础设施协同多级监测的传感器融合
专题命中 机器人多传感器融合 ：sensor fusion(title,abstract)
AI总结 本文提出多级系统架构，结合无线传感器网络和无人机，通过三种传感器融合方法提升数据采集与处理效率，缓解多级网络通信瓶颈。
Comments 12 pages, 6 figures
Sensor Fusion for Robot Control through Deep Reinforcement Learning
通过深度强化学习实现机器人控制的传感器融合
专题命中 机器人多传感器融合 ：sensor fusion(title)；分类 cs.RO
AI总结 本文提出通过深度强化学习实现机器人传感器信息融合，提升机器人在搜索和拾取任务中的鲁棒性和性能。
Comments 6 pages, 6 figures, submitted to IROS 2017
Multi-sensor perceptual system for mobile robot and sensor fusion-based localization
多传感器感知系统用于移动机器人及基于传感器融合的定位
专题命中 机器人多传感器融合 ：sensor fusion(title)；分类 cs.RO
AI总结 本文提出一种扩展卡尔曼滤波方法，用于利用双四象限编码器、指南针、激光雷达和全方位摄像头对移动机器人进行定位，通过融合多种传感器数据实现高效定位。
Comments In 2012 International Conference on Control, Automation and Information Sciences (ICCAIS). arXiv admin note: substantial text overlap with arXiv:1611.07112
Bounds on Multiple Sensor Fusion
多传感器融合的界限
专题命中 机器人多传感器融合 ：sensor fusion(title)
AI总结 研究多传感器数据融合中因重叠导致的计数误差，通过线性规划分析传感器区域几何结构，定义融合多面体工具并推导正交条件，证明矩形扩展铺砖方案不满足而六边形扩展方案满足。
Comments 23 pages
Fusion of finite set distributions: Pointwise consistency and global cardinality
有限集分布的融合：点一致性和全局基数
专题命中 机器人多传感器融合 ：sensor fusion(abstract)；multi-sensor fusion(abstract)；分类 eess.SP
AI总结 本文研究了有限集分布融合中的点一致性和全局基数一致性问题，指出EMD方法在实际中可能导致不一致，并提出新的变分问题和迭代解决方案以保证一致性。
Comments accepted for publication in the IEEE Transactions on Aerospace and Electronics Systems
Multi-Sensor Control for Multi-Object Bayes Filters
多传感器控制用于多目标贝叶斯滤波器
专题命中 机器人多传感器融合 ：sensor fusion(abstract)；multi-sensor fusion(abstract)
AI总结 本文提出在部分观测马尔可夫决策过程框架下，利用标记多伯努利滤波器和最小化任务驱动控制目标函数，实现多目标多传感器控制，通过坐标下降法进行多维优化，提升多传感器融合效率。
Comments 21 pages, 8 figures
Journal ref Signal Processing Volume 142, January 2018, Pages 260-270
A Discrete-Time Attitude Observer on SO(3) for Vision and GPS Fusion
基于SO(3)的离散时间姿态观测器用于视觉与GPS融合
专题命中 机器人多传感器融合 ：sensor fusion(abstract)；分类 cs.RO
AI总结 本文提出一种离散时间几何姿态观测器，融合单目视觉与GPS速度测量，通过减轻视觉里程计姿态估计的固有漂移并直接估计北东下坐标系下的姿态，提供收敛性分析和收敛率下界。
Comments To appear in IEEE Conference on Robotics and Automation 2017
Journal ref Alireza Khosravian, Tat-Jun Chin, Ian Reid, Robert Mahony "A Discrete-Time Attitude Observer on SO(3) for Vision and GPS Fusion", in Proc. IEEE Conf. Robotics and Automation, 2017
Development of an EKF-based localization algorithm using compass sensor and LRF
基于指南针传感器和LRF的EKF定位算法开发
专题命中 机器人多传感器融合 ：sensor fusion(abstract)；分类 cs.RO
AI总结 本文提出一种移动机器人感知系统，结合指南针和激光雷达数据，通过扩展卡尔曼滤波实现高精度定位，提升导航性能。
Comments In 12th International Conference on Control Automation Robotics & Vision (ICARCV), 2012. arXiv admin note: substantial text overlap with arXiv:1611.07114
Development of a multi-sensor perceptual system for mobile robot and EKF-based localization
移动机器人多传感器感知系统的发展及基于EKF的定位方法
专题命中 机器人多传感器融合 ：sensor fusion(abstract)；分类 cs.RO
AI总结 本文提出一种基于现代传感器和多点通信通道的移动机器人感知系统，采用传感器融合模型处理数据以提高机器人定位与控制的准确性，通过扩展卡尔曼滤波器优化系统状态。
Comments In 2012 International Conference on Systems and Informatics (ICSAI). arXiv admin note: substantial text overlap with arXiv:1611.07112, arXiv:1611.07114
Cooperative localization by dual foot-mounted inertial sensors and inter-agent ranging
通过双足安装惯性传感器和机间测距实现协同定位
机构 * Signal Processing Dept., ACCESS Linnaeus Centre, KTH Royal Institute of Technology（信号处理系，ACCESS林纳乌斯中心，皇家理工学院）
专题命中 机器人多传感器融合 ：sensor fusion(abstract)；分类 cs.RO
AI总结 本文提出一种部分去中心化的系统架构，利用步进惯性导航和步进死 reckoning 降低计算和通信成本，实现大规模群体的协同定位。
Comments 14 pages
Journal ref EURASIP Journal on Advances in Signal Processing 2013, 2013:164
A New Approach to Linear/Nonlinear Distributed Fusion Estimation Problem
一种线性/非线性分布式融合估计问题的新方法
专题命中 机器人多传感器融合 ：information fusion(abstract)
AI总结 本文提出了一种新的分布式融合估计方法，针对线性时变系统和非线性系统中的有界噪声问题，通过构造方法和凸优化问题解决估计误差上界和最优加权融合准则设计。
Comments 9 pages, 3 figures
Journal ref IEEE Transactions on Automatic Control, 2018
Anomaly Detection Using Optimally-Placed Micro-PMU Sensors in Distribution Grids
利用最优布置的微PMU传感器进行异常检测
专题命中 机器人多传感器融合 ：sensor fusion(abstract)
AI总结 本文提出一种分层架构，用于监控配电网，并建立分析和传感器融合原始方法以检测控制周界的异常行为。通过合成和真实微PMU数据验证了方法的有效性。
Comments This article is submitted to IEEE Transaction on Power System and is currently under the review process
Design of a small-scale prototype for research in airborne wind energy
小型原型机的设计用于空中风能研究
专题命中 机器人多传感器融合 ：sensor fusion(abstract)
AI总结 本文提出了一种低成本的小型空中风能原型机设计指南，用于测试传感、执行器和翼型等技术，同时提供了实验装置的详细设计和成本信息。
Comments This manuscript is a preprint of a paper submitted for possible publication on the IEEE/ASME Transactions on Mechatronics and is subject to IEEE Copyright. If accepted, the copy of record will be available at IEEEXplore library: http://ieeexplore.ieee.org/
Journal ref IEEE/ASME Transactions on Mechatronics, Volume:20 , Issue: 1, Pages 166 - 177, 2015
Nonlinear state space smoothing using the conditional particle filter
非线性状态空间平滑中的条件粒子滤波
专题命中 机器人多传感器融合 ：sensor fusion(abstract)
AI总结 本文提出一种基于条件粒子滤波的非线性状态空间平滑方法，通过马尔可夫链蒙特卡洛方式迭代计算，具有渐近收敛性，应用于超宽带与加速度计/陀螺仪传感器融合的室内定位问题。
Comments Accepted for the 17th IFAC Symposium on System Identification (SYSID), Beijing, China, October 2015
