Sensör füzyonu, farklı sensörlerden elde edilen verilerin bir araya getirilerek daha tutarlı, güvenilir ve anlamlı bir bilgi bütünlüğü oluşturulması sürecidir. Bu süreçte, tek başına değerlendirildiğinde sınırlı veya belirsizlik içeren sensör verileri, uygun matematiksel ve istatistiksel yöntemlerle birleştirilir ve tekil sensörlerin sağlayamayacağı bir durum kestirimi elde edilir. Sensör füzyonu yalnızca farklı tip sensörlerin eşzamanlı ölçümlerini kapsamamakta, aynı sensörden farklı zamanlarda toplanan verilerin bütünleştirilmesini de içermektedir. Bu yönüyle, sensör füzyonu ölçüm belirsizliklerini azaltmayı, sistemin algısal farkındalığını artırmayı ve daha yüksek doğrulukta sonuçlar üretmeyi amaçlayan bir bilgi işleme tekniğidir. Kavramsal açıdan bu yaklaşım, biyolojik sistemlerin çoklu duyusal girdileri bütünleştirerek çevreyi anlamlandırma mekanizmalarıyla benzerlik göstermektedir.
Sensör füzyonunun temel amacı, tekil sensörlerin sınırlılıklarını aşarak gözlemlenen sistemin veya ortamın daha doğru, güvenilir ve bütüncül bir temsilini elde etmektir. Tek bir sensörden alınan ölçümler; sınırlı uzamsal ve zamansal kapsama, düşük doğruluk, sensör önyargıları veya rastlantısal gürültüler nedeniyle çoğunlukla yetersizdir. Bu bağlamda sensör füzyonu, birden fazla ölçümün birleştirilmesi yoluyla belirsizlikleri azaltmayı, ölçümlerin güvenilirliğini artırmayı, sistemin toleransını geliştirmeyi ve karar verme süreçlerini daha sağlam bir temele oturtmayı hedefler. Ayrıca, sensör füzyonu uzamsal ve zamansal kapsamı genişleterek tek sensörle elde edilemeyecek ayrıntılı bilgi durum bilgisi sağlar. Örneğin, bir aracın konumunun belirlenmesinde yalnızca GPS verisine dayanmak, sinyal kesintisi veya gürültü durumlarda hata üretebilir; ancak GPS verisinin ataletsel ölçüm birimi (IMU) verileriyle birleştirilmesi, konum kestiriminde daha yüksek doğruluk ve süreklilik sağlar. Bu nedenle sensör füzyonu, algısal doğruluk, güvenilirlik ve karar destek kapasitesini artırmaya yönelik temel bir yaklaşım olarak öne çıkmaktadır.
Sensör Füzyonu Gerçekleştirilmesi
Sensör füzyonunun gerçekleştirilmesi, çok katmanlı bir işlem hattı kapsamında ele alınır ve genel olarak veri toplama, ön işleme, hizalama, modelleme ve birleştirme algoritmaları olmak üzere birkaç aşamada yürütülür. İlk aşama, farklı türdeki sensörlerden ham verilerin toplanmasıdır. Bu veriler, ölçüm frekansları, çözünürlükleri ve hata profilleri bakımından birbirinden farklı özellikler taşıyabilir. İkinci aşama olan ön işleme sürecinde, elde edilen veriler gürültüden arındırılır, eksik veya bozuk veriler düzeltilir ve sensörler arasındaki ölçüm farklılıkları kalibrasyon teknikleri ile giderilir. Özellikle heterojen sensörlerin birlikte kullanıldığı durumlarda, her sensör verisinin aynı fiziksel ve matematiksel temsile dönüştürülmesi kritik bir gerekliliktir.
Bunu izleyen adım hizalama (registration) sürecidir. Farklı sensörlerden gelen verilerin zaman ve mekan açısından uyumlu hale getirilmesi, füzyonun başarısı için temel koşullardan biridir. Zaman damgalama【1】 , enterpolasyon【2】 veya ekstrapolasyon【3】 teknikleri ile sensörler arasındaki veri gecikmeleri düzeltilir; mekansal uyum içinse veriler ortak bir koordinat sistemine dönüştürülür. Hizalamanın ardından, sensörlerin ölçtüğü büyüklükler ile sistemin asıl gözlemlenmek istenen durumu arasındaki ilişkiyi tanımlayan matematiksel modeller kullanılır. Bu modeller deterministik olabileceği gibi, belirsizlikleri içeren stokastik temsiller de olabilir.【4】
Son aşamada, işlenmiş ve hizalanmış verileri bir füzyon algoritması aracılığıyla bütünleştirilir. Bu noktada seçilen algoritma, uygulamanın gereksinimlerine bağlıdır. Örneğin, doğrusal ve Gauss dağılım varsayımının geçerli olduğu durumlarda Kalman filtresi yaygın olarak kullanılırken, doğrusal olmayan ve karmaşık sistemlerde Genişletilmiş Kalman Filtresi (EKF), Üstel Kalman Filtresi (UKF) veya parçacık filtreleri tercih edilmektedir. Alternatif olarak, Bayes tabanlı yöntemler, Dempster-Shafer teorisi veya makine öğrenmesi tabanlı yaklaşımlar da farklı senaryolarda kullanılabilmektedir. Böylelikle sensörlerden elde edilen çoklu veriler, hata kovaryansları ve güvenilirlik dereceleri gözetilerek optimal birleştirme işlemi gerçekleştirilir.
Sensör Füzyonu Gerçekleştirimi Temsili Gösterim (Bir Araya Getiren: Beyza Nur Türkü, Grafikler: Signal Processing Toolbox ve İzmir Katip Çelebi Üniversitesi)
Sensör Füzyonu Türleri
Sensör füzyonu, kullanılan sensörler arasındaki ilişkiler ve bu sensörlerin ölçtüğü büyüklüklerin niteliğine göre farklı türlerde sınıflandırılmaktadır. En temel ayrım, artıklıklı (Competitive), tamamlayıcı (complementary) ve işbirlikçi/kooperatif (cooperative) füzyon olmak üzere üç ana başlık altında yapılır.
Artıklıklı (Competitive) füzyon, aynı fiziksel niceliği ölçen birden fazla sensörden elde edilen verilerin bir araya getirilmesiyle gerçekleştirilir. Bu yaklaşımda her sensör, aynı bilgiye dair ölçüm sağlar ve elde edilen veriler, çapraz doğrulama ve hata azaltma amacıyla bütünleştirilir. Amaç, sensörlerden herhangi birinin hatalı veya gürültülü ölçüm yapması halinde diğer sensörlerin bunu telafi etmesidir. Örneğin, bir aracın konumunun belirlenmesinde iki farklı GPS alıcısının birlikte kullanılması, ölçüm güvenilirliğini artırarak sistemin hata toleransını geliştirmektedir.
Competitive Füzyon Temsili Gösterimi (Görsel: Beyza Nur Türkü)
Tamamlayıcı (complementary) füzyon ise farklı türde sensörlerin çevrenin değişik yönlerine ilişkin ölçümlerinin birleştirilmesine dayanır. Bu türde her sensör, gözlemlenen sistemin farklı ve bağımsız bir boyutunu ölçer. Örneğin, lidar sensörü kısa mesafelerde yüksek çözünürlük sağlarken radar daha uzun menzilde etkili ölçüm yapabilir; bu iki sensörün tamamlayıcı özellikleri sayesinde sistem, hem yakın hem uzak çevresini bütüncül biçimde algılayabilir. Dolayısıyla tamamlayıcı füzyon, sistemin kapsayıcı bir çevre farkındalığına ulaşmasını sağlar.
Competitive Füzyonda Aynı Niceliği Ölçen Sensörler İşlenirken, Complementary Füzyonda Farklı Türde Sensörlerden Gelen Farklı Veriler İşlenir (Görsel: Beyza Nur Türkü)
İşbirlikçi (cooperative) füzyon, tek bir sensörle elde edilmesi mümkün olmayan bilginin, birden fazla sensörün ortak kullanımıyla çıkarılmasına dayanır. Bu durumda sensörler farklı fiziksel nicelikleri ölçmekte, ancak bu ölçümler bir araya getirildiğinde yeni ve daha karmaşık bir bilgi ortaya çıkmaktadır. Stereo kamera sistemleri bu duruma örnek gösterilebilir; iki ayrı kameradan alınan görüntüler, derinlik bilgisinin elde edilmesine imkan tanır. Benzer şekilde GNSS verisinin ataletsel ölçüm birimi (IMU) ile birleştirilmesi, tek başına sağlanamayacak yüksek doğruluklu konum ve yönelim kestirimine olanak verir.
Cooperative Füzyon Örneği Olarak; Radar Uzak Mesafede Hareketli Nesneyi Algılar, Radarın Verdiği Kaba Konum ve Hız Bilgisini Lidar Sensörü Görüş Alanını Yönlendirmek İçin Kullanır. Lidar, Bu Yönlendirme Sayesinde Radarın İşaret Ettiği Bölgede Yüksek Çözünürlüklü 3D Tarama Yapar (Görsel: Beyza Nur Türkü)
Mimari Yaklaşımlar
Sensör füzyonu sistemlerinde kullanılan mimari yaklaşımlar, sensör verilerinin hangi aşamada, nerede ve nasıl işlendiğine bağlı olarak merkezi (centralized), dağıtık (distributed) ve hibrit (hybrid) olmak üzere üç temel kategoriye ayrılmaktadır. Bu mimarilerin seçimi, uygulamanın gereksinim duyduğu bant genişliği, işlem kapasitesi, hata toleransı ve gerçek zamanlılık düzeyi gibi kriterlerle doğrudan ilişkilidir.
Merkezi mimari, tüm sensörlerden elde edilen ham verilerin tek bir merkezi işlem biriminde toplanarak işlenmesi esasına dayanır. Bu yaklaşımda sensörler yalnızca veri toplama görevini yerine getirir, füzyonun tamamı merkezi bir işlemci üzerinde gerçekleştirilir. Avantajı, tüm ham verilere erişim sayesinde en kapsamlı ve teorik olarak en doğru füzyonun yapılabilmesidir. Bununla birlikte yüksek bant genişliği ihtiyacı, veri iletiminde gecikme riskleri ve tek noktadan kaynaklanan arıza durumunda sistemin tümüyle işlevsiz hale gelmesi bu mimarinin sınırlılıkları arasında yer almaktadır.
Dağıtık mimari, sensörlerin veya sensör düğümlerinin kendi üzerinde ön işleme ve kısmi füzyon yapabilmesini öngörür. Bu yapıda her sensör, ham verileri doğrudan merkeze göndermek yerine yerel olarak işleyerek özet bilgi üretir ve yalnızca bu bilgiyi diğer düğümlere ya da merkezi sisteme aktarır. Dağıtık mimarinin en önemli avantajı, sistemin ölçeklenebilirliğini artırması ve tek merkezli bağımlılığı ortadan kaldırmasıdır. Ayrıca iletişim yükünü azaltarak bant genişliği gereksinimlerini hafifletir. Ancak, sensörler arasında tutarlılık sağlama ve yerel olarak üretilen bilgilerin bütün sistem için uyumlu hale getirilmesi ek algoritmik karmaşıklık gerektirir.
Merkezi ve Dağıtık Sensör Füzyon Mimarisi Temsili Gösterimi (Görsel: Beyza Nur Türkü)
Hibrit mimari ise merkezi ve dağıtık yaklaşımların bir kombinasyonunu temsil eder. Bu yapıda belirli sensör grupları verilerini yerel olarak işler ve özet sonuçlar üretir, daha üst seviyede ise bu özetler merkezi bir füzyon biriminde tekrar birleştirilir. Böylelikle hem dağıtık mimarinin ölçeklenebilirlik ve hata toleransı avantajları hem de merkezi mimarinin küresel optimizasyon gücü bir arada kullanılabilir. Hibrit mimariler, özellikle büyük ölçekli sensör ağlarında ve otonom sistemlerde, verimlilik ile doğruluk arasında bir denge sağlamak amacıyla tercih edilmektedir.
Sensör Füzyonu Seviyeleri
Sensör füzyonu süreci, yalnızca kullanılan sensörlerin türleri veya ilişkileri bakımından değil, aynı zamanda verilerin hangi soyutlama düzeyinde birleştirildiğine göre de sınıflandırılmaktadır. Literatürde bu bağlamda en yaygın ayrım, veri (piksel) düzeyi, özellik düzeyi ve karar düzeyi füzyon olarak yapılmaktadır.
Veri düzeyi füzyon, sensörlerden elde edilen ham verilerin doğrudan birleştirilmesi ile gerçekleşir. Bu yaklaşımda veriler, işlenmeden veya yalnızca temel ön işleme adımlarından geçirilerek bütünleştirilir. Örneğin, iki farklı kameradan elde edilen görüntülerin piksel tabanlı birleştirilmesi veya radar ve lidar ölçümlerinin doğrudan zaman serileri olarak kaynaştırılması bu tür füzyona örnektir. Veri düzeyi füzyon, özellikle ölçüm gürültüsünü azaltmak ve daha yüksek çözünürlükte bilgi etmek amacıyla tercih edilmektedir. Ancak yüksek bant genişliği gerektirmesi ve sensör hatalarına karşı daha hassas olması bu yöntemin sınırlılıkları arasında yer alır.
Veri Füzyonu Temsili Gösterimi (Görsel: Beyza Nur Türkü)
Özellik düzeyi füzyon, ham verilerden çıkarılan anlamlı özniteliklerin birleştirilmesine dayanır. Bu seviyede her bir sensör, kendi verisinden karakteristik özellikler (örneğin şekil, renk, hız, frekans bileşeni) çıkarır ve bu özellikler ortak bir özellik vektörü altında toplanır. Ardından bu özellikler istatistiksel yöntemler veya makine öğrenmesi algoritmalarıyla işlenir. Örneğin, bir güvenlik sisteminde kamera ile tespit edilen nesne şekillleri ve mikrofonla elde edilen ses frekans özellikleri, tek bir sınıflandırıcıya beslenerek daha doğru kararlar üretilebilir. Özellik düzeyi füzyon, ham veriye kıyasla daha soyut bir temsil sunduğu için hesaplama yükünü azaltırken, bilgi bütünlüğünü koruma avantajına da sahiptir.
Özellik Düzeyi (Feature Fusion) Temsili Gösterimi (Görsel: Beyza Nur Türkü)
Karar düzeyi füzyon ise her bir sensör veya sensör grubunun bağımsız olarak ürettiği kararların birleştirilmesi esasına dayanır. Bu yaklaşımda, sensörler kendi iç işleme mekanizmaları sonucunda belirli bir karara (örneğin, "nesne mevcut" ya da "tehdit algılandı") ulaşır; ardından bu kararlar üst düzeyde birleştirilerek nihai sonuca varılır. Karar düzeyi füzyonda kullanılan yöntemler arasında oy çokluğu, ağırlıklı ortalama ve ensemble algoritmaları yer almaktadır. Bu yöntem, özellikle heterojen sensörlerin birlikte çalıştığı ve bağımsız karar mekanizmalarının üst seviyede sentezlenmesinin gerekli olduğu durumlarda kullanılır. Karar düzeyi füzyonun avantajı, her sensörün kendi uzmanlık alanına göre en uygun çıktıyı sağlaması ve bu çıktılardan oluşan kolektif bilginin daha güvenilir sonuç vermesidir.
Karar Düzeyi Füzyon (Decision Fusion) Temsili Gösterimi (Görsel: Beyza Nur Türkü)
Bu temel seviyelerin yanı sıra, literatürde füzyon süreçlerinin daha kapsamlı şekilde tanımlandığı kavramsal modeller de geliştirilmiştir. JDL (Joint Directors of Laboratories) modeli, veri füzyonunu hiyerarşik olarak tanımlayan en bilinen çerçevelerden biridir. Bu modele göre füzyon süreci; seviye 0'da ham sinyal işleme ve kaynak ön işleme, seviye 1'de nesne iyileştirme (konum, kimlik veya sınıflandırma), seviye 2’de durum değerlendirme (nesneler arası ilişkilerin analizi), seviye 3’te tehdit değerlendirme (risk ve tahminlerin çıkarılması) ve seviye 4’te süreç izleme ve optimizasyon olarak sıralanmaktadır. Bu yapı, özellikle askeri ve güvenlik uygulamaları için geliştirilmiş olsa da, günümüzde sivil alanlarda da yaygın biçimde uygulanmaktadır.
Alternatif olarak DIKW (Data–Information–Knowledge–Wisdom) hiyerarşisi, verinin işlenme sürecindeki soyutlama basamaklarını vurgular. Bu modele göre sensörlerden gelen ham veriler önce bilgiye dönüştürülür, ardından bu bilgiler ilişkisel bağlamda işlenerek bilgi birikimine, en üst aşamada ise karar verme süreçlerini yönlendiren bilgelik düzeyine ulaşılır. DIKW hiyerarşisi, sensör füzyonunun yalnızca teknik bir işlem değil, aynı zamanda veriden eyleme uzanan bir değer zinciri olduğunu ortaya koyar.
Sensör Füzyonu Algoritmaları
Sensör füzyonu algoritmaları, farklı kaynaklardan elde edilen verilerin matematiksel ve istatistiksel yöntemlerle bütünleştirilmesini sağlayan çekirdek mekanizmalardır. Bu algoritmaların temel amacı, sensörlerin tek başına ürettiği belirsiz ve sınırlı bilgiyi bir araya getirerek daha güvenilir ve doğru bir durum kestirimi oluşturmaktır. Literatürde bu amaç doğrultusunda geliştirilmiş çeşitli yöntemler bulunmakta olup, bunlar genel olarak olasılıksal yaklaşımlar, kural tabanlı yöntemler ve yapay zekâ tabanlı teknikler altında incelenmektedir.
Olasılıksal yöntemler, sensör verilerindeki belirsizlikleri olasılık dağılımları ile temsil eder. Bu çerçevede en yaygın kullanılan algoritmalardan biri Kalman filtresi ve türevleridir. Kalman filtresi, doğrusal ve Gauss dağılım varsayımı altında, farklı sensörlerden gelen ölçümlerin hata kovaryanslarını dikkate alarak optimum bir durum kestirimi üretir. Doğrusal olmayan sistemlerde ise Genişletilmiş Kalman Filtresi (EKF) veya Üstel Kalman Filtresi (UKF) tercih edilmektedir. Benzer şekilde parçacık filtreleri, karmaşık ve çok modlu dağılımların temsilinde kullanılarak, ölçüm gürültüsünün yüksek olduğu dinamik ortamlarda güçlü bir alternatif sunar. Ayrıca Bayesçi yöntemler, öncül bilgi ile ölçüm olasılıklarını birleştirerek sensörlerden gelen bilgilerin güncellenmiş bir dağılım üzerinden işlenmesini sağlar.
Kural tabanlı yöntemler, belirsiz veya kısmi güvenilirlikteki verilerin bütünleştirilmesinde kullanılmaktadır. Dempster–Shafer kanıt teorisi, sensörlerden gelen bilgilerin farklı güven düzeylerini modelleyerek olasılık dışı bir füzyon mekanizması sunar. Benzer şekilde bulanık mantık yöntemleri, ölçümlerin kesin değerler yerine “yüksek”, “orta” veya “düşük” gibi dilsel değişkenlerle ifade edilmesini sağlar. Bu sayede, farklı sensörlerden gelen bilgilerin mantıksal kurallar çerçevesinde birleştirilmesi mümkün olur.
Son yıllarda yapay zekâ tabanlı algoritmalar, sensör füzyonunda giderek daha önemli bir yer edinmiştir. Özellikle derin öğrenme yöntemleri, heterojen sensör verilerinden yüksek seviyeli öznitelikleri otomatik olarak çıkararak füzyon sürecini gerçekleştirebilmektedir. Örneğin, kamera ve lidar verilerinin ayrı ağ katmanlarında işlenip daha üst bir ağda bütünleştirilmesi, üç boyutlu nesne tanıma ve çevresel farkındalıkta başarılar sağlamaktadır. Bunun yanında, ansamble (ensemble) yöntemleri de karar düzeyi füzyon algoritmaları kapsamında değerlendirilmekte ve farklı sınıflandırıcıların çıktıları birleştirilerek daha yüksek doğruluk elde edilmektedir.
Hata Kaynakları
Sensör füzyonunun etkinliği, sensör verilerindeki hatalar ve belirsizliklerin doğru yönetilmesine bağlıdır. Ölçüm gürültüsü, hemen hemen tüm sensörlerin verilerine rastgele belirsizlik katan temel bir hata kaynağıdır; bu belirsizlik, genellikle sıfır ortalamalı gauss gürültü ile modellenir ve sensör füzyonu algoritmaları belirsizliği azaltmak için çoklu ölçümleri istatistiksel olarak harmanlar. Ölçüm önyargıları (bias) ise sensörlerin kalibrasyon hatalarından veya çevresel etkilerden kaynaklanabilen sistematik sapmalardır; örneğin bir mesafe sensörü tüm ölçümleri gerçekte olduğundan 5 cm fazla gösterebilir. Bu tür hata terimleri, füzyon öncesi kalibrasyon ile veya füzyon sırasında modele dâhil edilerek giderilmelidir. Ayrıca her sensörün sınırlı çözünürlüğü (granülaritesi) vardır; ölçümlerin belirli bir incelikten daha hassas olmayışı, özellikle yüksek duyarlılık gerektiren füzyon görevlerinde bir belirsizlik unsuru yaratır.
Birden fazla sensörün kullanımıyla ortaya çıkan bir diğer mesele, verilerin tutarlılığı ve tutarsızlığı konusudur. Farklı sensörler bazen aynı olayı gözlemlerken birbiriyle çelişen bilgiler üretebilir; bu durumda veri uyuşmazlığı veya aykırı değerler problemi söz konusu olur. Füzyon algoritmaları, tutarsız verilerin etkisini azaltmak için güvenilirlik ağırlıkları atama, aykırı değer tespiti veya robust (sağlam) istatistik tekniklerini barındırmalıdır. Bunun yanında, birden fazla sensör verisi bir arada kullanılırken veri korelasyonu olabileceği de unutulmamalıdır; örneğin aynı fiziksel olayı ölçen iki sensörün hataları da korelasyonlu olabilir. Eğer bu durum göz ardı edilirse, füzyon algoritması gerçekte var olandan daha fazla güven hesaplayabilir. Bu nedenle, sensörlerin bağımsızlık varsayımı dikkatle değerlendirilir ve gerekiyorsa füzyon algoritmasına sensörler arası korelasyon bilgisi eklenir.
Zaman senkronizasyonu sorunları, sensör füzyonunda özel bir dikkat gerektirir. Farklı sensörler birbirinden farklı hızlarda veri üretebilir veya aralarında sabit/geçici gecikmeler olabilir. Eğer bu durum düzeltilmezse, füzyon edilecek veriler zaman açısından uyumsuz kalır ve yanlış sonuçlara yol açabilir. Örneğin bir sensör "şu anda 10 birim mesafede bir cisim var" derken, başka bir sensörün verisi birkaç milisaniye gecikmeyle geçmiş duruma ait olabilir; bu, özellikle hızlı hareketlerin takip edildiği uygulamalarda ciddi hatalar oluşturur. Bu sorunu aşmak için çeşitli yöntemler kullanılır: tüm sensörleri ortak bir zamanda ölçüm almaya tetikleyen harici tetikleme mekanizmaları, merkeze gelen verilerin alındığı anda damgalanması veya her bir sensörün veriyi ölçtüğü anda kendi üzerinde damgalayıp iletmesi gibi tekniklerle veriler zaman boyutunda hizalanır. Ayrıca, gerekirse enterpolasyon/ekstrapolasyon yöntemleriyle farklı zamanlı veriler ortak bir zamana dönüştürülebilir; örneğin bir sensör verisi küçük bir model yardımıyla ileri/geri süreksiz kaydırılarak diğer sensörün zamanına uyarlanır. Zaman sıralamasındaki bozukluklar da füzyon algoritmaları için zorluk çıkarır; bu durumda algoritmalar, eski bir ölçüm geç gelse bile sistem durumunu nasıl düzeltecek şekilde tasarlanmalıdır veya bu eski ölçüm görmezden gelinebilir.
Uygulama Örnekleri
Otonom Araçlar
Sensör füzyonunun en yaygın ve görünür uygulama alanlarından biri otonom araç teknolojisidir. Tipik bir otonom araç, birden fazla kamera, radar, lidar, ultrasonik sensörler ve GPS/IMU gibi konumlama sensörleriyle donatılmıştır. Bu çeşitli sensörlerden gelen bilgilerin gerçek zamanlı füzyonu sayesinde araç, çevresini 360° farkındalıkla algılar. Sensör füzyonu, otonom sistemlerde kritik önemdedir, çünkü tek bir sensörün kör noktaları veya hatalı ölçümleri diğer sensörlerin verileriyle telafi edilebilir. Örneğin araç üzerindeki bir kamera, trafik ışıklarının rengini veya yayaların şeklini tanımlamada üstünken, bir lidar sensörü milimetre hassasiyetinde mesafe ve derinlik bilgisi sağlar. Bu iki sensörün birleşimi tamamlayıcı füzyon niteliğindedir.
Öte yandan, aracın öndeki cisme olan mesafesini ölçen hem radar hem lidar sensörü varsa, bunların verileri artıklıklı füzyonla birleştirilerek mesafe tahmininin doğruluğu ve güvenilirliği arttırılır; zira her iki sensör de benzer fiziksel niceliği farklı şekillerde ölçer ve birleşik sonucun hata payı azalır. Otonom araç sensör füzyonu, 3B nesne tespiti, şerit takibi, çevre haritalama, engellerin ve diğer araçların takibi gibi görevlerde kullanılır ve her ek sensör, sistemin genel performansını ve güvenliğini yükseltir. Örneğin, kamera ve radar verilerinin ortak değerlendirilmesiyle bir yayanın tespiti ve hızının tahmini mümkün olabilir; lidar ve GPS/IMU füzyonuyla aracın hassas konumlaması ve harita üzerinde yerinin saptanması sağlanır. Bu sayede sensör füzyonu, otonom araçlarda çevreyi anlamlandırma (perception) bloğunun belkemiğini oluşturur ve elde edilen birleşik bilgi, planlama ve kontrol sistemlerine aktarılıp güvenli sürüşü mümkün kılar.
Batarya Yönetim Sistemleri
Modern elektrikli araçlar ve enerji depolama sistemleri, pillerin güvenli ve verimli çalışması için gelişmiş batarya yönetim sistemlerine ihtiyaç duyar. Sensör füzyonu, bu alanda pillerin durum tahmininde etkin rol oynar. Örneğin bir lityum-iyon bataryanın dolu kalitesi (SoC) ve sağlık durumu (SoH), tek bir gerilim veya akım ölçümüne bakılarak güvenilir şekilde belirlenemez. BMS’ler genellikle pil hücrelerinden gelen gerilim, akım ve sıcaklık sensörü verilerini bir arada işler. Bir füzyon algoritması, bu çoklu veriyi kullanarak pilin mevcut kapasitesini ve performansını gerçek zamanlı tahmin eder.
Sensör füzyonu sayesinde, ölçüm hataları ve gürültüler filtrelenir, pilin iç durumu gözlemlenemese bile model yardımıyla kestirilir. Sonuç olarak sensör füzyonu, BMS içinde pil hücrelerinin dengelenmesi, arızalı sensör tespiti, hata toleransı ve ömür tahmini konularında kritik bir teknoloji haline gelmiştir. Örneğin, bir elektrikli araçta BMS’nin bir hücredeki voltaj sensörü arızalansa bile, akım ve sıcaklık verileriyle desteklenen bir füzyon algoritması o hücrenin durumunu diğer hücrelerin davranışına bakarak kestirmeye devam edebilir; bu da sistemin güvenli bir şekilde çalışmasını sürdürmesini sağlar.
Uzay Araçları ve Havacılık
Sensör füzyonu, uydu ve uzay aracı navigasyonu, hedef takibi ve durum kestirimi gibi alanlarda uzun süredir kullanılan bir tekniktir. Özellikle uzay uygulamalarında ölçüm fırsatlarının sınırlı olması ve gürültü oranlarının yüksekliği nedeniyle farklı kaynaklardan gelen verilerin birleştirilmesi kritik önem taşır. Örneğin, bir uzay görevinde Dünya’daki izleme istasyonlarından alınan radar veya teleskop verileri, uzay aracının üzerindeki yıldız izleme sensörü ve ivmeölçer gibi sensörlerden gelen verilerle bir füzyon algoritması içinde birleştirilebilir. Bu sayede hem uzay aracının hem de yakından geçtiği gök cisimlerinin konum ve hızları eşzamanlı olarak daha doğru biçimde kestirilebilir.
Benzer bir ihtiyaç havacılıkta da görülür. Uzay görevlerinde olduğu gibi, uçaklarda da sensör füzyonu güvenilir bir seyrüsefer için kritik rol oynar. Örneğin bir uçağın ataletsel navigasyon sistemi (INS), kendi başına zamanla hata biriktiren konum bilgisi üretirken; uydu konumlama sistemi (GPS) sinyalleri kesintili veya gürültülü olabilir. Sensör füzyonu bu iki kaynağı bir araya getirerek uçağın pozisyon ve hız bilgisini sürekli, doğru ve güvenilir biçimde sağlar. Benzer şekilde savaş uçaklarında radar ile kızılötesi arayıcı verilerinin füzyonu, tek başına mümkün olmayan bir avantaj sunar; radar uzak mesafeden hedefi takip ederken, IR sistemler yakın menzilde kilitlenme kabiliyeti kazandırır.
Modern savaş uçaklarında bu tür entegrasyonların merkezinde aviyonik sistemler yer alır. Aviyonikler; pilotun uçuşu yönetmesi, görevi icra etmesi ve hayatta kalması için gerekli elektronik alt sistemlerin tümünü kapsar. Bunlar arasında görüntüleme, kontrol ve kayıt sistemleri, seyrüsefer sistemleri, haberleşme sistemleri, sensörler ve görev sistemleri bulunur. Bu yapıların tamamı, merkezi görev bilgisayarı tarafından koordine edilerek tek bir bütün halinde çalışır.
Örneğin Türkiye’nin Milli Muharip Uçağı (MMU), 5. nesil standartlara uygun olarak tasarlanmakta ve bu nedenle sensör füzyonu bu platformda kritik bir rol üstlenmektedir. Önceki nesil uçaklarda sensörler çoğunlukla bağımsız çalışırken, MMU’da AESA radar, pasif kızılötesi arama ve takip sistemi (IRST), elektro-optik hedefleme sistemleri (EOTS), elektronik harp bileşenleri, dağıtık açıklıklı sensörler (DAS) ve veri linkleri tek bir görev bilgisayarı altında birleştirilmiştir.
Askeri Uçak Aviyonik Bileşenleri (Tablolaştıran: Beyza Nur Türkü, Referans: Seda Mor, Turkish Aerospace)
Bu sistemler arasındaki füzyonun temel amacı, farklı kaynaklardan gelen verileri zaman ve mekân açısından uyumlu hale getirerek pilotun iş yükünü azaltmaktır. Örneğin radar uzun menzilde bir hava aracını algılarken; IRST aynı hedefin kızılötesi imzasını kaydedebilir; EOTS hedefin ayrıntılı görüntüsünü sağlayarak kimliklendirmeyi kolaylaştırır. DAS sistemi çevresel farkındalık sunarak füze yaklaşma uyarısı verirken, elektronik harp sistemleri radarın yakalayamadığı elektromanyetik emisyonları tespit edebilir. Böylece pilot karmaşık veri kümeleriyle uğraşmaz; füzyon sistemi tüm bilgileri sadeleştirerek tek bir anlamlı çıktı sunar.
MMU’daki sensör füzyonu yalnızca kendi bünyesiyle sınırlı olmayacak şekilde tasarlanmaktadır. Uçağın, ANKA-2 ve KIZILELMA gibi insansız hava araçlarıyla veri paylaşması, hatta onların sensörlerini yönlendirmesi hedeflenmektedir. Bu sayede MMU, bireysel bir savaş uçağı olmanın ötesine geçerek ağ-merkezli harekâtın merkezinde yer alan bir komuta unsuru haline gelecektir.
