Un filtre de Kalman convient souvent à un état continu avec bruit proche d’un modèle gaussien ; une méthode particulaire représente mieux plusieurs hypothèses ou des distributions irrégulières.
Évaluer le gain réel d’une fusion multi-capteurs demande de comparer la décision fusionnée à chaque capteur seul, sur les mêmes scènes et avec le coût de calcul et de maintenance.
Calibrer l’incertitude d’une fusion probabiliste demande de comparer ses intervalles ou probabilités à la fréquence réelle des erreurs sur des données indépendantes.
Gérer une source de perception défaillante dans une fusion robotique demande de la détecter, réduire son poids ou la retirer, puis de recalculer l’incertitude et le comportement de repli.
La fusion probabiliste combine des observations en associant à chaque hypothèse une probabilité ou une distribution d’incertitude.
Valider une fusion de perception avant son déploiement demande de comparer chaque source et la fusion sur des scènes variées, avec mesures de précision, délai, incohérence et mode dégradé.