Une mesure retardée est traitée selon son horodatage : le système rejoue ou corrige l’état concerné, ou la rejette si âge, incertitude ou conséquence rendent son usage inutile ou dangereux.
Le filtrage atténue les variations d’un signal ; la fusion temporelle combine aussi modèle d’évolution et éventuellement plusieurs sources pour estimer un état. Le choix dépend du mouvement et de l’incertitude.
La fusion temporelle combine observations successives avec un modèle d’évolution pour estimer l’état courant malgré bruit, mesures manquantes ou délais. Elle conserve âge et incertitude de l’état.
Une fusion temporelle se valide par erreur, latence, gigue, stabilité et réaction aux pertes ou retards sur trajectoires représentatives et défauts injectés. Budgets et modes de repli sont vérifiés avant commande.
La fusion de perception combine des observations de capteurs ou de modèles pour construire une représentation plus complète de l’environnement et de l’état du robot, avec une confiance et une provenance explicites.
Avant fusion, plusieurs perceptions sont alignées par calibration des repères, synchronisation temporelle, correction des distorsions, association des objets et validation des unités et incertitudes.
On repère une mauvaise calibration en comparant ce que deux capteurs voient du même repère, puis en recherchant un écart stable qui ne vient ni du mouvement ni du bruit.
Quand des capteurs se contredisent, on pondère leur confiance selon bruit, fraîcheur, calibration, contexte et cohérence avec les autres observations, puis on conserve la possibilité de s’abstenir.
Des capteurs à fréquences différentes se synchronisent en horodatant chaque mesure, en interpolant seulement quand c’est justifié et en rejetant les données trop anciennes pour l’action.
Fusionner caméra, lidar et odométrie permet de combiner apparence, distance et mouvement pour obtenir une perception plus complète et repérer les désaccords entre capteurs.
Une fusion probabiliste demande une nouvelle observation lorsque l’incertitude restante peut changer la décision et que l’information supplémentaire coûte moins cher que l’erreur.
Calibrer une incertitude probabiliste compare les probabilités annoncées aux fréquences observées sur des cas connus, puis ajuste le modèle sans toucher au test final.