Selon différentes méthodes de traitement des données, il existe trois architectures du système de fusion de l'information: distribuée, centralisée et hybride.

1) Distribué: Tout d'abord, les données d'origine obtenues par des capteurs indépendants sont traitées localement, puis les résultats sont envoyés au Centre de fusion de l'information pour l'optimisation et la combinaison intelligents pour obtenir les résultats finaux. Distribué a une faible demande de bande passante de communication, une vitesse de calcul rapide, une bonne fiabilité et une continuité, mais la précision de suivi est bien inférieure à celle de celle centralisée. 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 la fusion, qui peut réaliser la 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 grand volume de données, il est donc difficile à réaliser;

3) Hybride: Dans le cadre de fusion d'informations multi-capteurs hybride, certains capteurs adoptent le mode de fusion centralisé et les autres adoptent le 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 centralisés et a 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 la communication et du calcul.

Kalman Filter (KF)

Le processus de traitement de l'information par le filtre Kalman est généralement la prédiction et la correction. Ce n'est pas seulement un algorithme simple et concrétif, mais aussi un schéma de traitement du système très utile dans le rôle de la technologie de fusion d'informations multisensors. En fait, il est similaire aux méthodes de nombreux systèmes de traitement des données d'information. Il fournit une estimation statistique statistique efficace pour les données fusionnées au moyen d'un calcul récursif itératif mathématique, mais il nécessite peu d'espace de stockage et de calcul, il convient donc à l'environnement avec un espace et une vitesse de traitement des données limitées. KF peut être divisé en deux types: le filtre Kalman distribué (DKF) et le filtre 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 l'instabilité sur le processus de fusion des informations.