Hoe sensorfusie betrouwbaarheid, beveiliging en efficiëntie verbetert in autonome systemen

Sensorfusie blijft een hoeksteen van moderne technologie, met name nu het Internet of Things zich uitbreidt en autonome voertuigen en geavanceerde driver-assist systemen (ADAS) mainstream worden. Hoewel het concept teruggaat tot de jaren 60, ontgrendelt de huidige industrie nieuwe inzichten in welke sensorstromen te combineren en hoe actionable intelligence te extraheren. De juiste mix hangt af van de specifieke toepassing en de balans tussen kosten, risico en voordeel.

Hoeveel sensorfusie genoeg is hangt af van de toepassing en de kosten/risico voordelen (Image: SAR Insight and Consulting)

In een tijdperk waarin individuele actoren en staats-ondersteunde agents toenemende dreigen vormen voor autonome systemen, is sensorfusie belangrijker dan ooit. Terwijl het politieke debat zich vaak richt op 5G's informatiebeveiligingsrisico's, vormt malware die autonome-systeem operators kan saboteren of chantageren een tastbare gevaar. Systeemarchitecten moeten deze dreigingen herkennen en kostbare misstappen vermijden die automotive- en aviation-giganten hebben geteisterd. Zo benadrukte Ford's Pinto-terugroepactie in de jaren 70 de menselijke kosten van onvoldoende veiligheidsmaatregelen, en Boeing's beslissing om extra te vragen voor cruciale sensorfusie-redundantie op de 737 MAX rijpelt nog steeds door de supply chain.

Naast veiligheid zijn de economische en gezondheidsvoordelen van geavanceerde sensorfusie – of het nu gaat om het monitoren van menselijke activiteit of het aandrijven van industriële automatisering – al duidelijk zichtbaar.

Fouttolerantie en veerkracht

Elke sensor en voorspellend model draagt inherent fouten. Door meerdere metingen van dezelfde variabele te aggregeren, winnen systemen aan betrouwbaarheid en veerkracht, wat falen vermindert die anders catastrofaal zouden kunnen zijn. Hoewel redundantie kosten en complexiteit introduceert, illustreren de Ford- en Boeing-cases dat kortzichtige afkortingen tot rampzalige uitkomsten kunnen leiden.

Aanvalsweerstand

Malware-aanvallers zoeken constant manieren om sensor-gebaseerde systemen te verstoren. Robuuste data-fusie strategieën, gekoppeld met veilige protocollen en AI-gedreven anomaliedetectie, kunnen operaties beschermen tegen dergelijke inbraken. Typische aanvalsvectoren omvatten:

• Signaal spoofing van LiDAR en camera's;
• Signaalcancellatie en interferentie met ABS magnetische sensoren of vandaliseerde verkeersborden;
• Side-channel lekkages geïmplanteerde malware die gevoelige informatie ophaalt via sensoren.

Menselijke-activiteit multi-sensor fusie

Het combineren van draagbare en omgevingsensoren om menselijk gedrag te interpreteren levert superieure gezondheidsuitkomsten en kostenbesparingen – cruciaal naarmate de bevolking vergrijst. Use cases omvatten ouderenzorg, valdetectie, beveiligingsbewaking, atleetmonitoring, eerste-hulp status en navigatiehulp voor beperkten.

Datafusie in het netwerk

Historisch vond fusie en analytics plaats op centrale servers of in de cloud. De miniaturisatie en kostendaling van sensoren maken nu edge-level AI en machine learning mogelijk. Toekomstige hybride architecturen zullen datafusie over drie lagen leggen:

• Low-level fusie op slimme apparaten of gateways die meerdere inputs aggregaten;
• Mid-level fusie op hub gateways en edge compute nodes voor diepere analytics over een bredere device set;
• High-level fusie in datacenters of de cloud, biedend het breedste systeemperspectief.

Lagere operationele kosten

Sensorfusie vergroot het bereik en de nut van autonome apparaten – UAV's, robotica en meer – wat operationele kosten verlaagt. Voordelen omvatten geautomatiseerde botsingsvermijding voor inspectiedrones, remote bestuurderinterventie in grotendeels autonoom transport, en verminderde arbeidskosten in remote-operaties scenario's.

Trends

Miniaturisatie en kostendaling gaan door bij sensoren, processors en connectiviteit, aangedreven door consumerisatie in industriële en IoT-ecosystemen. CES 2020 toonde MEMS sensor doorbraken, zoals kleinere LiDAR-spiegels die automotive en intelligente transportsystemen ten goede komen.

De Kalman-filter blijft het standaardalgoritme voor sensorfusie, het modelleren van systeemstatussen met continue meting en voorspelling. In toenemend complexe systemen gebruiken architecten ook machine learning en neurale netwerken om geavanceerde signaal-injectie-aanvallen te bestrijden.

Door sensorfusie doordacht te integreren, kunnen ontwerpers en architecten systeemintegriteit, betrouwbaarheid en robuustheid versterken – mensen, eigendommen en economische belangen beschermend tegen zowel malfunction als kwaadwillende activiteit.

>> Dit artikel werd oorspronkelijk gepubliceerd op onze zuster-site, EE Times Europe.