Selon les différentes méthodes de traitement des données, il existe trois architectures de système de fusion d'informations : distribuée, centralisée et hybride.

1) Distribué : Tout d'abord, les données originales obtenues par des capteurs indépendants sont traitées localement, puis les résultats sont envoyés au centre de fusion d'informations pour une optimisation et une combinaison intelligentes afin d'obtenir les résultats finaux. Le système distribué a une faible demande en bande passante de communication, une vitesse de calcul rapide, une bonne fiabilité et une bonne continuité, mais la précision du suivi est bien inférieure à celle du système centralisé. La structure de fusion distribuée peut être divisée en structure de fusion distribuée avec rétroaction et structure de fusion distribuée sans rétroaction.

2) Centralisation : La centralisation envoie les données brutes obtenues par chaque capteur directement au processeur central pour le traitement de fusion, qui peut réaliser une fusion en temps réel. Sa précision de traitement des données est élevée et son algorithme est flexible, mais ses inconvénients sont des exigences élevées pour le processeur, une faible fiabilité et un volume de données important, ce qui le rend difficile à réaliser ;

3) Hybride : dans le cadre de fusion d'informations multi-capteurs hybride, certains capteurs adoptent un mode de fusion centralisé et les autres adoptent un mode de fusion distribué. Le cadre de fusion hybride a une forte adaptabilité, prend en compte les avantages de la fusion et de la distribution centralisées et présente une forte stabilité. La structure du mode de fusion hybride est plus compliquée que celle des deux premiers modes de fusion, ce qui augmente le coût de communication et de calcul.

Filtre de Kalman (KF)

Le processus de traitement de l'information par le filtre de Kalman est généralement une prédiction et une correction. Il ne s'agit pas seulement d'un algorithme simple et concret, mais également d'un schéma de traitement système très utile dans le rôle d'une technologie de fusion d'informations multi-capteurs. En fait, cela est similaire aux méthodes de traitement des données d'information utilisées par de nombreux systèmes. Il fournit une estimation statistique optimale efficace pour les données fusionnées au moyen d'un calcul mathématique récursif itératif, mais il nécessite peu d'espace de stockage et de calcul, il est donc adapté à l'environnement avec un espace et une vitesse de traitement de données limités. KF peut être divisé en deux types : filtre de Kalman distribué (DKF) et filtre de Kalman étendu (EKF). DKF peut rendre la fusion de données complètement décentralisée, tandis que EKF peut surmonter efficacement l'influence des erreurs de traitement des données et de l'instabilité sur le processus de fusion d'informations.