Según los diferentes métodos de procesamiento de datos, existen tres arquitecturas de sistemas de fusión de información: distribuida, centralizada e híbrida.

1) Distribuido: Primero, los datos originales obtenidos por sensores independientes se procesan localmente y luego los resultados se envían al centro de fusión de información para su optimización y combinación inteligente para obtener los resultados finales. La distribución distribuida tiene una baja demanda de ancho de banda de comunicación, velocidad de cálculo rápida, buena confiabilidad y continuidad, pero la precisión del seguimiento es mucho menor que la de la centralizada. La estructura de fusión distribuida se puede dividir en estructura de fusión distribuida con retroalimentación y estructura de fusión distribuida sin retroalimentación.

2) Centralización: la centralización envía los datos sin procesar obtenidos por cada sensor directamente al procesador central para el procesamiento de la fusión, que puede realizar la fusión en tiempo real. Su precisión de procesamiento de datos es alta y su algoritmo es flexible, pero sus desventajas son los altos requisitos del procesador, la baja confiabilidad y el gran volumen de datos, por lo que es difícil de realizar;

3) Híbrido: en el marco de fusión de información multisensor híbrido, algunos sensores adoptan el modo de fusión centralizado y el resto adopta el modo de fusión distribuida. El marco de fusión híbrida tiene una gran adaptabilidad, tiene en cuenta las ventajas de la fusión y distribución centralizadas y tiene una gran estabilidad. La estructura del modo de fusión híbrido es más complicada que la de los dos primeros modos de fusión, lo que aumenta el costo de comunicación y cálculo.

Filtro Kalman (KF)

El proceso de procesamiento de información mediante el filtro de Kalman es generalmente de predicción y corrección. No es sólo un algoritmo simple y concreto, sino también un esquema de procesamiento de sistemas muy útil en el papel de la tecnología de fusión de información multisensor. De hecho, es similar a los métodos de muchos sistemas para procesar datos de información. Proporciona una estimación estadística óptima eficaz para los datos fusionados mediante cálculo matemático iterativo recursivo, pero requiere poco espacio de almacenamiento y cálculo, por lo que es adecuado para entornos con espacio y velocidad de procesamiento de datos limitados. KF se puede dividir en dos tipos: filtro de Kalman distribuido (DKF) y filtro de Kalman extendido (EKF). DKF puede hacer que la fusión de datos sea completamente descentralizada, mientras que EKF puede superar eficazmente la influencia de los errores de procesamiento de datos y la inestabilidad en el proceso de fusión de información.