Kalman Filtering and Information Fusion

این کتاب به یک فناوری کلیدی برای پردازش اطلاعات دیجیتال می پردازد: فیلتر کالمن، که به طور کلی یکی از بزرگترین اکتشافات قرن بیستم در نظر گرفته می شود. این خوانندگان را با مسائل مربوط به عدم قطعیت های مختلف در یک کارخانه واحد و راه حل های مربوطه بر اساس برآورد تطبیقی ​​آشنا می کند. علاوه بر این، در مورد مسائلی که هنگام استفاده از فناوری فیلتر کالمن در سیستم‌های چند سنسوری و/یا سیستم‌های چند عاملی به‌وجود می‌آیند، به طور مفصل بحث می‌کند، به‌ویژه زمانی که حسگرهای مختلف در سیستم‌هایی مانند روبات‌های هوشمند، خودروهای خودران، خانه‌های هوشمند، ساختمان‌های هوشمند استفاده می‌شوند. و غیره، نیاز به تکنیک های ترکیب اطلاعات چند سنسوری دارند. علاوه بر این، هنگامی که چندین عامل (زیر سیستم) با یکدیگر تعامل دارند، عدم قطعیت‌های جفتی ایجاد می‌کند، موضوعی چالش‌برانگیز که در اینجا با کمک تکنیک‌های جدید فیلترینگ تطبیقی ​​غیرمتمرکز به آن پرداخته می‌شود. به طور کلی، هدف کتاب ارائه یک تحقیق جامع در مورد مشکل چالش برانگیز ساخت فیلتر کالمن در حضور عدم قطعیت های مختلف و/یا برای چندین حسگر/مولفه. تکنیک‌های پیشرفته همراه با انبوهی از یافته‌های جدید معرفی شده‌اند. به این ترتیب، می تواند یک کتاب مرجع خوب برای محققانی باشد که کارشان شامل فیلتر کردن و برنامه های کاربردی است. با این حال می‌تواند به عنوان یک کتاب درسی تحصیلات تکمیلی برای دانش‌آموزان در ریاضیات، مهندسی، اتوماسیون و رشته‌های مرتبط نیز باشد. برای خواندن این کتاب، فقط به درک مقدماتی از جبر خطی و نظریه احتمال نیاز است، هرچند تجربه با حداقل مربعات، ناوبری، رباتیک، و غیره قطعاً یک مزیت خواهد بود.

This book addresses a key technology for digital information processing: Kalman filtering, which is generally considered to be one of the greatest discoveries of the 20th century. It introduces readers to issues concerning various uncertainties in a single plant, and to corresponding solutions based on adaptive estimation. Further, it discusses in detail the issues that arise when Kalman filtering technology is applied in multi-sensor systems and/or multi-agent systems, especially when various sensors are used in systems like intelligent robots, autonomous cars, smart homes, smart buildings, etc., requiring multi-sensor information fusion techniques. Furthermore, when multiple agents (subsystems) interact with one another, it produces coupling uncertainties, a challenging issue that is addressed here with the aid of novel decentralized adaptive filtering techniques.Overall, the book’s goal is to provide readers with a comprehensive investigation into the challenging problem of making Kalman filtering work well in the presence of various uncertainties and/or for multiple sensors/components. State-of-art techniques are introduced, together with a wealth of novel findings. As such, it can be a good reference book for researchers whose work involves filtering and applications; yet it can also serve as a postgraduate textbook for students in mathematics, engineering, automation, and related fields.To read this book, only a basic grasp of linear algebra and probability theory is needed, though experience with least squares, navigation, robotics, etc. would definitely be a plus.