Sensor Fusion Algorithms for Robotics: Bayesian Inference vs. Cortical Circuits

Sensor fusion is a commonly used technique to fuse information from multiple information sources in such a way that synergistic effects are used and the result gets more reliable. Sensor fusion is needed by robotic systems which have to navigate safely and autonomously in a noisy and dynamic environment. The robot’s system state in the environment is usually estimated by mathematical and stochastical based fusion techniques like Bayesian Inference, Kalman Filter, etc. Recent breakthroughs in psycho-physics, neurophysiology and bio-inspired computing have brought forth new sensor fusion techniques like Divisive Normalization. Divisive Normalization enables sensor fusion at neural network level and fulfills many neurally plausible empirical principles which conventional mathematically based fusion techniques cannot show. This work explains and compares Bayesian Inference and Divisive Normalization and exemplarily shows their implementation on robotic systems. The advantages and disadvantages of these implementations are discussed afterwards. Zusammenfassung Sensor Fusion ist ein etabliertes Verfahren um Informationen verschiedener Informationsquellen so zu kombinieren, dass Synergieeffekte genutzt werden und somit zuverlässigere Schlussfolgerungen gezogen werden können. Sensor Fusion wird von Roboter-Systemen verwendet, um in einer sich ändernden Umgebung und bei verrauschten Signalen sicher und autonom navigieren zu können. Der Systemzustand eines Roboter-Systems in seiner Umgebung wird üblicherweise mathematischstochastisch geschätzt, wobei Fusionsverfahren wie Baysian Inference, Kalman-Filter und viele weitere angewendet werden. In jüngster Vergangenheit hat es einige Fortschritte in der Forschung geben, vor allem in den Bereichen Innere Psychophysik, Neuro-Physiologie und Biologisch-Inspiriertes-Computing. Diese Fortschritte haben die Entwicklung neuer Fusionsverfahren angestoßen wie z.B. Divisive Normalization. Divisive Normalization ermöglicht Sensor Fusion auf der Ebene von neuronalen Netzwerken und steht im Einklang mit vielen plausiblen, biologisch-empirischen Prinzipen. Viele mathematisch basierte Fusionsverfahren hingegen erfüllen diese Prinzipen nicht oder widersprechen ihnen sogar. Diese Arbeit erläutert und vergleicht die Fusionsverfahren Baysian Inference und Divisive Normalization und erörtert exemplarisch deren Anwendung in RoboterSystemen. Abschließend werden die Vorund Nachteile einer solchen Anwendung diskutiert.