Teknisk översikt och prognos 2002-2020 för området Informationsfusion

FOI-R--0798--SE Januari 2003 ISSN 1650-1942 Vetenskaplig rapport Teknisk översikt och prognos 2002-2020 för området Informationsfusion Sammanställd av Per Svensson Ledningssystem 172 90 StockholmLinköping

TOTALFÖRSVARETS FORSKNINGSINSTITUT Ledningssystem 581 11 Linköping FOI-R--0798--SE Januari 2003 ISSN 1650-1942 Vetenskaplig rapport Teknisk översikt och prognos 2002-2020 för området Informationsfusion Sammanställd av Per Svensson

Utgivare Rapportnummer, ISRN Klassificering Totalförsvarets Forskningsinstitut - FOI FOI-R--0798--SE Vetenskaplig rapport Ledningssystem 581 11 Linköping Forskningsområde 4. Spaning och ledning Månad, år Projektnummer Januari 2003 E 7031 Verksamhetsgren Uppdragsfinansierad forskning Delområde 41. Ledning Författare/redaktör Per Svensson Rapportens titel Projektledare Per Svensson Godkänd av Uppdragsgivare/kundbeteckning FM Tekniskt och/eller vetenskapligt ansvarig Per Svensson Teknisk översikt och prognos 2002-2020 för området Informationsfusion Sammanfattning (högst 200 ord) Vi bedömer att det inom tio år kommer att kunna finnas för det svenska försvaret praktiskt användbar metodik för informationsfusion, särskilt för situationsanalys i markstridsscenarier, och att ytterligare 10 års fokuserad forskning kommer att kunna leda till effektiva, starkt produktivitetshöjande sådana system inom ramen för det nätverksbaserade försvaret. En viktig förutsättning för vår prognos är att kvalitén och omfattningen av denna forskning inte minskar utan i stället fortsätter att höjas successivt under de närmaste 5-10 åren. Även i fortsättningen kommer utvecklingen av denna metodik i första hand att baseras på grundforskningsnära tillämpad forskning. FOI1003 Utgåva 12 2002.11 www.signon.se Sign On AB Nyckelord informationskvalitet, informationsmedvetenhet, situationsanalys, effektanalys, adaption, resursallokering, soft computing Övriga bibliografiska uppgifter Språk Svenska ISSN 1650-1942 Antal sidor: 44 s. Distribution enligt missiv Pris: Enligt prislista 2

Issuing organization Report number, ISRN Report type FOI Swedish Defence Research Agency FOI-R--0798--SE Scientific report Command and Control Systems SE-581 11 Linköping Programme Areas 4. C4ISR Month year Project no. January 2003 E 7031 General Research Areas Commissioned research Subcategories 41 C4I Author/s (editor/s) Per Svensson Report title (In translation) Technical survey and forecast for information fusion Project manager Per Svensson Approved by Sponsoring agency FM Scientifically and technically responsible Per Svensson Abstract (not more than 200 words) We estimate that within ten years there could exist a practically useful methodology for information fusion, in particular for situation assessment in ground warfare scenarios, and that ten additional years of focused research could lead to the fielding of effective such systems within the network-based defence, entailing a substantial productivity boost in the management and analysis of tactical intelligence. This estimate presumes that the quality and quantity of information fusion research is not reduced, but is rather allowed to gradually increase during the next five to ten years. Also in the future, development of such methodology will be contingent on the maintaining of close links between applied and basic research in relevant areas. FOI1003 Utgåva 12 2002.11 www.signon.se Sign On AB Keywords Information quality, information awareness, situation assessment, impact assessment, adaption, resource allocation, soft computing Further bibliographic information Language Swedish ISSN 1650-1942 Pages 44 p. Price acc. to pricelist 3

"One of the greatest opportunities of the current Revolution in Military Affairs is to design and build computer networks that can enhance - and replace - humans in many aspects of the data 'fusion' process." Amiral William Owens, Lifting the Fog of War, Farrar Straus & Giroux, 2000. INNEHÅLL SAMMANFATTNING AV PROGNOSEN.. 6 FÖRORD... 7 1. INFORMATIONSFUSION EN CENTRAL FUNKTION I DET FRAMTIDA LEDNINGSSTÖDSYSTEMET...9 1.1 System och teknik för informationsfusion. JDL-modellen...10 1.2 Underrättelseprocessen på taktisk nivå...11 1.2.1 Representation och modellering av osäker information i beslutsstöd- och ledningssystem...12 1.2.2 Informationskvalitet...13 1.2.3 Hantering av osäker information - Management of Uncertainty...13 1.2.4 Informationsmedvetenhet...14 1.3 Sensordata och statiska data som indata till informationsfusionen...14 2. GRUNDBEGREPP INOM FUSIONSOMRÅDET...16 2.1 Multisensorfusion - syfte och utvecklingstendenser...16 2.1.1 * Sekvensiella Monte Carlo-metoder eller partikelfiltrering...18 2.1.2 * Finite Set Statistics...20 2.2 Informationsfusion som funktion och teknologi...21 2.3 Situationsanalys...22 2.3.1 Aggregeringsproblemet...23 2.3.2 Förbandsklassificering...27 2.4 Effektanalys...28 2.4.1 Hotövervakning...29 2.4.2 Hotmodeller...29 2.5 Adaption och resursallokering...30 2.5.1 Effektiv allokering av sensorresurser...31 2.5.2 Multisensorstyrningens grundläggande syfte...31 2.5.3 Sensorstyrningens roll i informationsfusionsprocessen...32 3. NÅGOT OM DEN INTERNATIONELLA UTVECKLINGEN INOM INFORMATIONSFUSION...33 3.1 En hybrid-ai-struktur för informationsfusion...33 3.2 NATO Task Group on Information Fusion...33 3.3 EUCLID Advanced Workstation for Command and Control Systems...34 3.3.1 Automatisk rapportanalys...34 3.3.2 Taktisk hotvärdering...34 3.3.3 Beräkning av framkomlighetskorridorer och jämförelser av handlingsalternativ...34 3.4 US Air Force Office of Scientific Research Information Fusion Initiative...34 3.5 Internationell civil infrastruktur inom fusionsområdet...34 4. ATT PROGNOSTICERA DEN VETENSKAPLIGA OCH TEKNISKA UTVECKLINGEN INOM INFORMATIONSFUSION...36 4.1 Principiella begränsningar för automatiserad informationsfusion...36 4.2 Hur kan informationsfusionen automatiseras?...37 5. KONSEKVENSER AV ATT INFÖRA AUTOMATISERAD INFORMATIONSFUSION...42 5.1 Påverkan på sensortekniken...42 5.2 Synpunkter på kompetensbehov...42 6. REFERENSER...44 5

SAMMANFATTNING AV PROGNOSEN Vi anser att de problem som i första hand behöver lösas för att informationsfusionen ska kunna automatiseras i väsentlig grad är vetenskapliga metodfrågor som handlar om att formulera, modellera och lösa generiska problem, vilkas datalogiska (logiska, matematiska, algoritmiska ) struktur än så länge är otillräckligt känd. Om man inser detta blir det lättare att förstå varför forskning och utveckling på området kommer att kräva betydande resurser, inklusive troligen kalendertid, innan praktiska resultat kan nås över ett brett tillämpningsområde. Detta betyder inte att konkreta delproblem inte skulle kunna lösas redan idag, vilket också är vad en stor del av den pågående forskningen går ut på. Vi bedömer sammanfattningsvis att det inom tio år kommer att kunna finnas för det svenska försvaret praktiskt användbar metodik för informationsfusion, särskilt för situationsanalys i markstridsscenarier, och att ytterligare 10 års fokuserad forskning kommer att kunna leda till effektiva, starkt produktivitetshöjande sådana system inom ramen för det nätverksbaserade försvaret. Denna prognos förutsätter att kvalitén och omfattningen av denna forskning inte minskar utan i stället fortsätter att höjas successivt under de närmaste 5-10 åren. Även i fortsättningen kommer utvecklingen av denna metodik i första hand att baseras på grundforskningsnära tillämpad forskning. 6

FÖRORD Uppgiften har varit att teckna en bild av möjlig och trolig teknisk utveckling inom området informationsfusion, som detta ord idag används inom den svenska "försvarsfamiljen". I detta ingår inte primärt att beskriva framsteg inom området sensorfusion, men eftersom viktiga metodmässiga aspekter är gemensamma för sensorfusion och informationsfusion, har jag funnit det viktigt att ta med avsnitt om multimålföljning och filtrering, särskilt partikelfiltrering, och s k finite set statistics, som är viktiga exempel på metodförnyelse inom områdena fusion och följning i allmänhet. Vi diskuterar dessa två metodområden i avsnitten 2.1.1 och 2.1.2. De har försetts med en asterisk (*) för att markera att de har något mer tekniskt-matematisk karaktär än övriga avsnitt (fast de fortfarande är mycket översiktliga), och kan hoppas över av läsare med en mer allmän intresseinriktning. Betydelsen för informationsfusion av dessa relativt nya metodområden ligger främst i att de tycks kunna erbjuda teoretiska och praktiska lösningar på problem som tidigare varit svåra att ens formulera i stringenta modeller, i varje fall om man ställer krav på att modellerna ska vara associerade med praktiskt fungerande beräkningsmetoder och rimligt effektiva algoritmer. En förutsättning för framsteg inom informationsfusion är att det skapas möjligheter att modellera och prognosticera tidsutvecklingen av komplexa och partiellt observerade strukturer med komplexa begränsningsvillkor, i vissa fall utan att kontinuerligt kunna observera de ingående primära objekten. Ett typiskt exempel är att prognosticera rörelsen och kanske även beteendet eller aktiviteten hos ett större markförband som rör sig över ett omväxlande terrängavsnitt, givet endast rumsligt begränsad och mer eller mindre sporadisk sensortäckning. Nya teoretiska ansatser har under senare år skapat väsentligt förbättrade möjligheter att hantera osäkerhet och flertydighet i informationssystem. Begreppet soft computing har lanserats för att sammanfatta de breda forskningssatsningar som görs för att utveckla vår förmåga att beskriva och lösa problem som omfattar bearbetning av och slutsatsdragning ur osäker information, baserad på såväl kvalitativa som kvantitativa data. Utvecklingen inom detta område har stor påverkan på tillämpningar inom informationsfusion, och bildar tillsammans med signalbehandlingsteori och en del andra matematiskt-statistiska metoder områdets teoretiska grundval. Detta till trots vet vi inte idag exakt hur eller under vilka förutsättningar kompletta och praktiskt användbara system för informationsfusion kan utvecklas, delvis därför att problemområdet omfattar många artskilda tillämpningar, men också därför att bearbetning av informationsfusionsproblem kommer att kräva att den nya metodiken anpassas till och valideras mot en rad konkreta problemställningar och därefter integreras i komplexa informationssystem av delvis ny typ. KBS-teknik, blackboard-system, system som bygger på logiska mallar, system för instansbaserat resonerande (case-based reasoning) och agentbaserade system, är programvaruarkitekturer som är avsedda att underlätta byggandet av integrerade kunskapssystem, men de erbjuder ingen bra grund för soft computing-baserade problemlösningsmetoder. Nya arkitekturer som stöder lämpligt vald soft computing-metodik och som kan hantera många tolknings- och prognosalternativ skulle därför behöva utvecklas. Hot- eller effektanalys, det minst utvecklade delområdet av informationsfusion, är beroende av förmåga att känna igen beteenden, och kräver därutöver metodik för värdering av såväl fientlig avsikt givet ett visst beteende, som modellering av den egna sidans sårbarhet för olika typer av hot. Eftersom tolkning av hot och möjligheter sällan kan ske entydigt, behöver hotanalyssystem ha förmåga att representera och hantera många olika alternativa tolkningar, alla med något trolighetsmått angivet. Beroendet av att känna till de doktriner och regelsystem som styr 7

motståndarens beteende är stort. Detta kommer att vara en stor svårighet vid utveckling av metoder som kan tillämpas över ett brett spektrum av okonventionella hotscenarier, och det är troligt att nya vägar måste prövas för kartläggning och modellering av organisationsstruktur och hotbeteenden hos terror- och gerillaorganisationer. I kapitel 4 diskuteras den vetenskapliga och tekniska utveckling som kommer att behöva äga rum innan informationsfusion kan bli militärt användbart i större skala. Även om detta är den egentliga tekniska prognosen, tror vi att ämnet informationsfusion är alltför okänt för de flesta läsare för att man ska kunna ta till sig dessa framtidsbedömningar utan den bakgrund vi ger i kapitel 1-3. Artikeln bygger till stor del på material från [Cantwell00, Cantwell01, Xiong02]. Avsnitten 1.2, 2.1, 4 och 5 är nyskrivna. 8

1. INFORMATIONSFUSION EN CENTRAL FUNKTION I DET FRAMTIDA LEDNINGSSTÖDSYSTEMET För att en militär beslutsfattare ska kunna fatta operativa beslut behöver han/hon ett beslutsunderlag som bl.a. måste omfatta bästa möjliga information om både egna och fientliga styrkors tillstånd och möjligheter. Historiskt sett har beslutsfattaren haft mycket begränsade möjligheter att överblicka och förstå hela sin omvärldssituation. Under det gångna kvartsseklet har dock stora ansträngningar gjorts för att förbättra beslutsunderlaget, dels genom nya tekniker att samla in information och dels genom metoder att väga samman informationsfragment till mer fullständiga kunskapsrepresentationer. Den kombinerade effekten av den snabba tekniska utvecklingen på sensorområdet, framväxten av ny kommunikationsteknik och den bokstavligen explosionsartade förbättringen av prisprestandaförhållandet för datorsystem utgör, tillsammans med utvecklingen av Internet, den teknologiska bakgrunden till att alltfler nationer valt att satsa på utveckling av ett nätverksbaserat försvar (NBF). Sverige är idag ett av de länder där denna förändring drivits längst. Det nätverksbaserade försvaret innebär att beslutsfattaren får en allt större informationsmängd att ta ställning till. Informationsfusion handlar om att ge stöd för att väga samman och tolka denna information, dvs att mer eller mindre i realtid rekonstruera bra modeller av en komplex verklighet. Fusionssystemets uppgift är främst att ur all tillgänglig information från sensorer, från mänskliga observatörer och även från databaser - ge användarna bästa möjliga stöd för sitt beslutsfattande. I första hand gäller det att ge en relevant, korrekt, aktuell, fullständig och överskådlig bild av läget. Men på lite längre sikt handlar det framför allt om att kunna ge stöd för att tolka skeendena, larma vid väsentliga avvikelser från den s k normalbilden (ett begrepp som kommer att behöva analyseras i detalj för varje tillämpningsområde), samt ge underlag till funktioner som kan generera förslag till åtgärder, även om detta sista steg inte formellt räknas till informationsfusionen. De snabba förloppen och den stora informationsmängden medför att tolkningsarbetet ofta kommer att överskrida mänsklig kapacitet. Det är också bara med hjälp av adekvat informationsbehandling i datorer som kvaliteten, robustheten och stringensen i många av de metoder som utvecklas inom fusionsforskningen kan komma användaren tillgodo. Behovet av system för informationsfusion i det framtida nätverkscentrerade försvaret är tydligt uttalat av Försvarsmakten och man strävar efter att få med sådan metodik redan i den första generationen ledningssystemdemonstratorer, omkring år 2005, även om detta bara kan ske i begränsad omfattning. Inom området sensorfusion finns betydande erfarenhet inom landet, både inom industrin och på FOI. När det gäller informationsfusion är läget annorlunda, och förutom ett antal forskningsprojekt vid FOI finns inte mycket gjort i Sverige. Det är ingen tvekan om att utveckling av sådana system kommer att vara förknippat med betydande kostnader och för att lyckas också kommer att kräva en omfattande "mobilisering" av kvalificerad tekniskvetenskaplig kompetens inom såväl forskning som industriell utveckling. Som vid annan storskalig och ambitiös användning av informationsteknologi kan det också finnas risk för att systemens användare känner sig utestängda om systemen blir alltför automatiska och inte kommunicerar med användarna på rätt sätt under analys- och prognosprocessen. Denna risk hänger nära samman med en annan tendens, nämligen ökade krav på specialiserad matematisk-naturvetenskaplig skolning av i första hand de underrättelseanalytiker som kommer att vara huvudsakliga användare av systemen. Försvarsmakten har sammanfattat kraven så här i [FM02]: 9

"Kärnan i insatsförsvaret är behovssammansatta mindre styrkor med förmåga att agera med högt tempo, hög operativ rörlighet, krav på stora informationsmängder mm. Detta medför bl a att samverkansförmågan inom insatsorganisationen måste vara mycket god. Hög förmåga ska upprätthållas avseende underrättelse-, informations- och ledningssystem för att möjliggöra ledningsöverläge vid olika konfliktnivåer. Förmåga till omvärldsuppfattning, förvarning, ledning och ledningskrigföring är en förutsättning för Försvarsmaktens möjlighet att agera. Det framtida informationssystemet ska medge informationsöverföring mellan olika ledningsnivåer och förband samt med övriga totalförsvaret i realtid eller nära realtid. Förmåga ska finnas att genomföra samordnad ledning av förband och system. Försvarsmakten ska ha förmåga att leda och samordna internationell övningsverksamhet och övervakningsinsatser." 1.1 System och teknik för informationsfusion. JDL-modellen Denna artikel behandlar främst utvecklingen inom områdena behandling av osäker information (management of uncertainty) samt styrning av informationsinhämtning, med inriktning mot tillämpningar inom situationsvärdering, hotvärdering och resursstyrningsprocesser i ett framtida informationsfusionssystem till stöd för analys och tolkning av taktiska underrättelser i samband med insatsledning. Informationsteknik - i första hand programvara - som stöder uppgiften att i realtid skapa en korrekt och för den operativa respektive taktiska beslutsfattaren adekvat lägesuppfattning kallar vi system för informationsfusion. Begreppet täcker de delar av fusionsprocessen som är avsedda att ge beslutsfattare och analytiker stöd i arbetet med planering och genomförande av underrättelseinhämtning samt analys av underrättelser från alla källor, dvs processer som ligger närmare underrättelsebearbetning än sensordatabehandling och mållägesberäkning. Syftet med att införa system och metoder för informationsfusion i lednings- och underrättelsesystem är att ge chefer och underrättelseofficerare stöd i sitt arbete med att löpande genomföra inhämtning av, samt därefter bearbeta och konceptualisera, information om olika hot under ett pågående stridsförlopp. Här utnyttjas samspelet mellan sensorinformation, omgivningsinformation och kända egenskaper hos motståndarens plattformar, förband, organisation och doktrin för att underlätta och höja kvalitén i arbetet med att värdera och prognosticera fiendens förmåga och avsikter på kortare och längre sikt. Sensorer och multisensorsystem har viktiga roller som underleverantörer till denna process, men i fokus här är frågan hur man kan utforma datorstödd metodik för modellering, skattning, representation, tolkning och prognosticering av hotets omfattning, struktur, beteende och handlingsmöjligheter, utgående från vad som är känt om motståndarens läge och doktrin. Studier av detta problemområde, vars olika delar i litteraturen ofta kallas situationsanalys (nivå 2 i den s k JDL-modellen, fig. 1 [White98, Steinberg01]), effekt- eller hotanalys (nivå 3) och resursstyrning eller adaption (nivå 4), baseras på modellering, simulering och resultatanalys av sammansättning och beteende hos fientliga förband, liksom på relevanta delar av tillgänglig underrättelseinformation, egenskaper hos egen underrättelseledning, tillgängliga sensorer och signalerna från dessa, samt inte minst den omgivande miljön. Karakteristiskt för fusionsprocessen på taktisk nivå är att målet eller mätobjektet i princip är hela den observerade mängden fientliga fordon och förband, alltså en mycket komplex och föränderlig verklighet. Resultatet ska levereras i form av korrekt och kvalitetsmärkt tillståndsoch prognosinformation som kan uppfattas av en beslutsfattare eller i vissa fall av ett automatiskt system, och som är avpassad för att hjälpa denne eller detta att i tid lösa vissa givna typer av problem, vanligen något eller några av uppgifterna identifiering, lokalisering och positionsprognosticering, hotvärdering och val av motåtgärder. 10

För att detta ska kunna ske behövs: mätvärden av känd och tillräckligt hög kvalitet (med avseende på bl a mätnoggrannhet, risk för felaktig detektion, korrekt karakterisering eller identifiering) och möjliga att uttrycka i ett gemensamt referenssystem adekvat information om den omgivande miljön, som påverkar mätvärdena och deras tolkning, liksom information om målets möjligheter att förflytta sig eller på annat sätt ändra tillstånd modeller av alla relevanta ingående processer, som kan göra det möjligt att med mätvärden och aprioriinformation som indata, i realtid räkna ut det man vill och kan veta om målets nuvarande och framtida tillstånd sist men inte minst, åtgärdsval med ledning av den vunna insikten. Environment S e n s o r s Signal Refinement Level 0 Object Assessment Level 1 Situation Assessment Level 2 Impact Assessment Level 3 Resource Manager Level 4 Figur 1. JDL-modellen Spanings- och analysresurser, liksom resultat i form av läges- och prognosinformation, måste kunna efterfrågas från alla nivåer i insatsorganisationen. I dialog med sina användare behöver systemet kunna föreslå goda lösningar på de resurskonflikter som kommer att uppstå. Det ska fungera även då sambandet har låg kapacitet eller är intermittent, om än nödvändigtvis med reducerad kvalitet hos resultatet. Möjligheterna till informationsfusion är alltså nära förbundna med tillgång till ett heltäckande informationsnätverk. Utan ett sådant nätverk kan varken indata till eller resultat från fusionsprocessen i tid nå de adressater som behöver den. 1.2 Underrättelseprocessen på taktisk nivå För att bättre förstå vilka uppgifter som kan komma att lösas av system för mer eller mindre automatisk informationsfusion i framtiden behöver vi göra en starkt förenklad genomgång av den taktiska underrättelseprocessen. Denna brukar delas in i delprocesserna planering, bearbetning, inhämtning, underrättelsebedömande och delgivning [UndRA88]. På taktisk nivå innebär underrättelsetjänst bl a kunskap om: motståndarens organisation och taktik motståndarens läge och stridsvärde terrängen, men även förmåga att analysera och dra slutsatser av detta för att göra bedömningar om vad motståndaren kan komma att göra och när han kan komma att göra det. 11

Att arbeta med underrättelsetjänst är att för chefen presentera motståndarens läge och kapacitet, hur vi på såväl kort som längre sikt kan påverka motståndarens stridsplan samt vilka möjligheter motståndaren har att påverka vår egen stridsplan. Det sätt som underrättelsearbetet struktureras på kallas undcykeln och omfattar planering, inhämtning, bearbetning och delgivning. All underrättelsetjänst blir värdelös om inte underrättelserna och bedömningarna i tid delges dem som har behov av resultatet. Underrättelsebedömande, bedömande av motståndarens läge och stridsvärde, terrängens inverkan, styrkejämförelser och fiendens handlingsmöjligheter är den viktigaste delen av bearbetningen. Det utgör en grundläggande del i chefens beslut i stort (BIS). Underrättelsebedömande görs fortlöpande av underrättelsechefen i första hand, i samråd med chefen för stridsledningsavdelningen. Högre chefs bedömningar, beslut och egna efter hand inkomna underrättelser ligger till grund. Brister i underrättelseunderlaget antecknas som underrättelsebehov. Underrättelsebedömande omfattar: bedömande av motståndarens läge och stridsvärde bedömande av terrängens och vädrets inverkan på motståndarens förband styrkejämförelser analys av motståndarens tidigare agerande bedömande av motståndarens handlingsmöjligheter på kort och lång sikt motståndarens svagheter slutsatser rörande motståndarens handlingsmöjligheter 1.2.1 Representation och modellering av osäker information i beslutsstöd- och ledningssystem Ett konsekvent genomfört nätverkscentrerat försvar förutsätter förmåga att inom ledningsstödsystemet skapa, underhålla och distribuera en detaljerad och noggrann dynamisk representation, modell, av stridsfältet i alla dess för beslutsfattandet väsentliga aspekter [Fjällström00]. Detta är en utopisk vision, men den är likafullt mycket användbar som ett abstrakt slutmål som kan göra det möjligt att utvärdera olika lösningsförslag mot en och samma absoluta standard. Den kan också göra det lättare att upptäcka inkonsistens hos de många olika förslag till dellösningar och delmodeller som kommer att behöva tas fram. En sådan grundläggande designfilosofi för ett nätverkscentrerat försvar innebär bland annat att alla intressanta delsystem ska finnas representerade som modeller i ledningsstödsystemet. Varje klass av verkliga objekt, t ex en flygplantyp, skulle i så fall behöva representeras av en hel familj av modeller med olika detaljeringsgrad och attribut. Modelleringsaspekter av intresse för olika ändamål kan t ex vara förmåga hos ett objekt att reflektera radarsignaler av en viss typ, respektive förmåga att manövrera i olika hastighetsområden. Antalet potentiellt intressanta modelleringsaspekter kan vara mycket stort. Även om vi antar att det är möjligt och meningsfullt att definiera ett begränsat antal intressanta aspekter för varje typ av objekt, kommer det vara en enorm uppgift att bygga upp och underhålla en modellfamilj som täcker alla intressanta aspekter av alla eventuellt intressanta objekt. I den utsträckning utvecklingen verkligen tar denna väg, kommer en industri för utveckling och försäljning av programvarukomponenter av detta slag att växa fram, med många länders försvarsmakter som kundkrets. Bibliotek (en inadekvat term som ändå används även för datorprogram) med enkla modeller av den yttre formen hos militära objekt finns för övrigt sedan länge, och det utvecklas också metoder och metodbibliotek som omfattar många fler aspekter, t ex sådana som kan 12

användas för att beräkna radarreflektivitet. Signaturbibliotek över olika emitterande system finns också, även om de idag oftast är inbäddade i kompletta varnings- och motmedelssystem och inte tillhandahålls som komponenter. Sekretessgraden på informationen i sådana bibliotek är i regel hög. 1.2.2 Informationskvalitet För en militär beslutsfattare är det viktigt att under ett stridsförlopp kontinuerligt kunna bedöma kvaliteten på den information som läggs till grund för bedömningar och beslut. När det gäller uppgifter från mänskliga källor är kvalitetsbedömningen ett mycket svårt problem, som underrättelsebedömare ständigt konfronteras med. Problemet blir ännu svårare om man vill använda sådana uppgifter som indata till en formell metod, en beräkningsalgoritm, eftersom det då krävs att man kan översätta en vag verbal kvalitetsuppgift ( möjlig ubåt ) till en kvantitativ, t ex ett numeriskt mätetal eller en sannolikhetsfördelning. För att tillgodose rimliga kvalitetskrav vid utnyttjande av resultat av en simulering av t ex en stridssituation behöver man dels förse alla indata till den aktuella beräkningsmodellen med tolerans- och andra kvalitetsmått, dels måste modellen utformas på ett mer sofistikerat sätt än som är normalt idag. Den måste från början förses med inbyggda feluppskattningar och bygga på noga genomtänkta giltighetskriterier. Kvalitetssäkring av modellresultat är ur teknisk synpunkt mycket nära besläktat med validering av beräkningsmodeller, ett område där det mesta återstår att göra åtminstone vad gäller militära systemsimuleringar. 1.2.3 Hantering av osäker information - Management of Uncertainty Inom Management of Uncertainty, ett akademiskt forskningsområde som blivit allt viktigare sedan begreppet infördes i slutet av 80-talet, utvecklas metodik och teknik för hantering och analys av data som är behäftade med osäkerhet av olika slag. En rad olika angreppssätt har utvecklats för att hantera sådana problem, som karakteriseras av att slutsatsdragning måste göras på basis av otillräcklig och osäker information. Vanligen är även konsekvenserna av beslut osäkra. Informationsfusion är ett viktigt tillämpningsområde för denna metodik. Frågan hur man på bästa sätt ska representera och modellera osäkerhet i allmänhet har varit föremål för debatt under större delen av 1900-talet, men en högre grad av konsensus har börjat växa fram på senare år [Arnborg02]. En rad olika ansatser och metodförslag har presenterats [Walley96, Howson89, Dubois98, Smets94]. Det finns också en rad olika metoder för att kombinera information från olika informationskällor som tar hänsyn till osäkerhet i olika dimensioner. Klassisk statistisk, bayesianska metoder [Jeffrey83, Pearl88, Pearl99, Cowell99, Bernardo01], Partial Probability Theory (PPT) [Voorbraak97] och Evidentiary Value Model (EVM) [Gärdenfors83] har alla använts och det finns studier där respektive metods styrkor/svagheter analyserats [Kyburg87, Halpern92]. Flera andra metoder för hantering av osäkerhet har lanserats och några av dem har visat sig vara mycket användbara i olika situationer, framför allt possibility-teori [Dubois98], rough set-teori [Pawlak01] och Dempster- Shaferteori [Shafer76, Smets94, Smets95]. Det finns även viss forskning baserad på kvalitativ representation av osäkerhet [Lin96, Cantwell98]. Det står idag klart att det är sannolikhetsbegreppet, i den tappning som kallas bayesianism, och som baserar resonemang på kombinering av osäker aprioriinformation och direkta men osäkra observationer, som har det i grunden starkaste matematiskt-filosofiska stödet. Detta gäller inte minst inom viktiga områden där klassisk sannolikhets- och statistikteori inte kan tillämpas, t ex då endast enstaka observationer kan göras och en adekvat statistik därför inte kan skapas. En i praktiken vanlig situation är att en beslutsfattare har ett partiellt men alltför osäkert underlag för att kunna fatta ett visst beslut, eller för att kunna välja mellan olika hypoteser om 13

en aspekt av verkligheten. Bayesiansk metodik gör det ofta möjligt att i sådana situationer träffa ett val med känd och betydligt bättre kvalitet med stöd av ytterligare utvärderingar eller observationer av lämpligt valda faktorer som ingår i situationsbeskrivningen, även dessa naturligtvis behäftade med osäkerhet. 1.2.4 Informationsmedvetenhet Arnborg&al [Arnborg00] inför och diskuterar begreppet informationsmedvetenhet som en central aspekt av en beslutsfattares situationsmedvetenhet, "situation awareness" [Alberts00]. Beslutsfattaren behöver vara ständigt medveten om i vilken grad han/hon kan förlita sig på sin information, liksom på vilken information han/hon har tillgång till, jämfört med den som han/hon skulle behöva för att genomföra den aktuella uppgiften. Han/hon bör helst också vara medveten om vad han/hon skulle kunna vinna på att använda mer, och i så fall vad, av den informationsresurs han/hon har tillgänglig. I äldre system uppstod informationsmedvetenhet utan, eller med obetydligt, stöd av datorbearbetningar. Data som presenterades härrörde vanligen från en källa eller ett fåtal liknande källor, t ex radarstationer. Operatörerna lärde sig främst genom praktisk träning att utnyttja intuition och erfarenhet för att bedöma vilka data de kunde lita på. I denna värdering hade de stöd av några få, ganska primitiva kvalitetsmått. I framtida system kommer källan till informationen att kunna vara så komplex att intuition inte kommer att vara till stor hjälp i värderingen. Datorstöd kommer att krävas för att nå en tillräcklig grad av informationsmedvetenhet. Till en del kan sådant stöd åstadkommas oberoende av hur informationen ska användas. För att åstadkomma bästa möjliga stöd för informationsmedvetenhet, behöver man emellertid också en modell av de beslut som övervägs. Ett sådant stöd kommer naturligtvis att bli betydligt svårare att åstadkomma. Författarna till [Arnborg00] definierar tre mått, baserade på Bayesiansk statistisk teori, som om de beräknas och presenteras tillsammans med informationen, kan förbättra användarens informationsmedvetenhet. De använder termen precision för att beteckna mått på informationens "korrekthet", kvalitet för att ange dess grad av relevans för det aktuella syftet och nytta för att beteckna det förväntade värdet av informationen för den aktuella tillämpningen. Enbart kvalitet och nytta beror av det ändamål som informationen används för. 1.3 Sensordata och statiska data som indata till informationsfusionen De mätningar som ligger till grund för den maskinella verklighetstolkning som informationsfusion är, kommer fusionsprocessen tillgodo på i princip två vägar: i första hand direkt i realtid från de sensorer som den militära styrkan själv förfogar över, men också i form av datorlagrad, jämförelsevis statisk information som kunnat mätas upp eller samlas in på annat sätt och därefter lagrats i förväg i databaser. Underrättelsedata kan härröra från många olika typer av källor: bilder, bl a flyg- och satellitbilder; bilderna kan vara framställda ur många olika slags bildalstrande sensorer, som SAR (syntetisk-aperturradar), IR-kameror, multi-spektrala sensorer, kameror för synligt ljus med olika upplösning, med eller utan stereo signalspaning, med eller utan möjlighet att tolka signalernas betydelse data från spaningssensorer av olika typer (ofta radar, ibland kompletterade med optiska eller IR-sensorer, sensorer baserade på akustik, seismik, kemisk analys, elektromagnetik m m; vissa typer kommer att kunna spridas i stora mängder över ett markområde, etablera ett eget nätverk och rapportera autonomt) mänskliga observationer 14

För att skapa information från dessa data behöver man även tillgång till ett mer statiskt dataunderlag. Sådana databaser kan beskriva terrängens utseende och beskaffenhet, men också annan relevant miljöinformation om vägar, demografi, civil bebyggelse, militära anläggningar, logistiska resurser, infrastrukturnätverk och deras kapacitet (jfr den svenska vägdatabasen) m m kan vara av betydelse. Hur en militär enhet/förband formerar och beter sig styrs normalt av ett regelverk. Ett sådant regelverk, som beskriver hur militära förband beter sig i olika taktiska situationer, kallas för en militär doktrin. Dessa regler anger t.ex. hur olika förband är sammansatta, samt med vilka avstånd och i vilken struktur delenheterna formerar sig i en given taktisk situation. Ovanstående regler är olika beroende på vilken taktisk verksamhet den militära enheten bedriver. Vidare har ledningssystemen länge innehållit detaljerade databaser över tänkbara motståndares organisation och utrustning. För strategisk och operativ underrättelseanalys behövs även statistisk information om t ex industriell och agrikulturell produktion, trafikmönster, infrastruktur, befolkningsfördelning m m, liksom öppen information från medier, textdatabaser och Internetservrar. 15

2. GRUNDBEGREPP INOM FUSIONSOMRÅDET Språkbruket på fusionsområdet har varit och är fortfarande varierande och det finns därför anledning att beskriva den terminologi vi använder i denna artikel. Sensordatafusion, eller med en praktisk förkortning som vi kommer att använda i fortsättningen, sensorfusion handlar om att bygga upp en mållägesbild (se nedan) baserad på de data som sensorerna ger. Användning av statiska data (t.ex. sensor- och målegenskaper, hotbibliotek) förekommer också. Sensorfusionen innefattar i första hand målföljning, men också måltypsidentifiering baserad på sensordata. Syftet med multisensorfusion är att kombinera information från flera sensorer för att på så sätt uppnå en större robusthet, precision och överblick från sensorsystemen. Multisensorfusion betecknar speciellt sådan sensorfusion där fler än en sensor utnyttjas för att skapa målspår och mållägesbild. Multisensor-multimålfusion är en term som ibland används när man vill understryka att man med hjälp av flera sensorer kan skapa och underhålla en mållägesbild som innehåller många olika mål. Informationsfusion bygger, förutom på mållägesinformation, även på andra typer av underrättelsedata och andra relevanta data. Allt sammanställs till en lägesbild på högre nivå, där även information som inte direkt kan hänföras till mållägesbilden behandlats. Tolkning av läget - hot, sårbarhet, taktik o dyl - ligger också inom informationsfusionen. Informationsfusion är ett jämförelsevis nytt begrepp som ännu inte fått en av alla intressenter accepterad innebörd. Här har vi valt att använda termen som en sammanfattande benämning på processerna situationsanalys, effekt- eller hotanalys och adaption eller återkoppling (nivå 2-4) i den amerikanska s k JDL-modellen för fusion [White98, Steinberg01]. Vid situationsanalysen identifierar man den situation som föreligger utifrån observerade data och händelser. En mängd alternativa hypoteser genereras och utvärderas. I effektanalysen analyseras risker och möjligheter för de egna styrkorna att möta motståndaren på ett effektivt sätt. Adaption är en återkopplingsprocess som syftar till att förbättra resultatet av en fusionsprocess genom styrning av insamlings- och tolkningsprocesser med utgångspunkt från identifierade brister i det producerade materialet. Fusion är en sammanfattande beteckning på sensorfusion och informationsfusion. Mållägesbilden avser här en uppsättning entiteter som representerar verkliga objekt, typiskt målspår med dithörande identiteter och andra attribut. Med lägesbild menar vi en mer allmän beskrivning av den taktiska situationen, där mållägen ingår tillsammans med sin gällande tolkning, t ex i form av förbandssymboler, sensor- och hoträckvidder, bedömda taktiska avsikter mm. Även den egna sidans läge och eventuella civila objekt ingår, vilket ibland glöms bort i beskrivningar av fusionsproblemet. Man bör vara uppmärksam på att denna terminologi fortfarande är stadd i förändring. Internationellt har det blivit allt vanligare att låta termen informationsfusion beteckna hela området, alltså vad vi här valt att kalla fusion (och som tidigare oftast kallats datafusion, en term som vi dock vill undvika p g a dess oklarhet och brist på precision). 2.1 Multisensorfusion - syfte och utvecklingstendenser Med multisensorfusion [Hall01] är syftet att uppnå större robusthet, precision och överblick från sensorsystemen genom att i realtid kombinera information från flera sensorer, ofta baserade på olika slags sensorteknik, i ett integrerat system. 16

Denna teknologi, som krävs för att bearbeta den totala mängden (inte minst radar-) sensorsignaler till en enhetlig, dynamisk mållägesbild, har under de senaste ca 25 åren utvecklats till en hög grad av robusthet och precision, och är numera en etablerad metodik för övervaknings- och stridsledningstillämpningar i luftrummet och på havsytan. Utvecklingstendenser inom multisensorfusion är bland annat att: kombinera olika slags sensorteknik till ett system med hjälp av modeller och algoritmer för signalbehandling, särskilt korrelation av signaler av olika karaktär utveckla säkra och effektiva metoder för centraliserad målföljning och målidentifiering där indata kommer från en mängd distribuerade sensorer utveckla robusthet mot både naturliga och avsiktliga störningar utveckla algoritmer för självdiagnos hos system och delsystem utveckla metoder för att hantera motsägelsefulla sensorsignaler och desinformation. Multisensorfusion är en relativt välutvecklad disciplin, även om mycket återstår att göra på området. Bland problematiska områden kan främst nämnas fusion av bildinformation (SAR, FLIR, TV mm) och svårigheter att få tillräckligt god lägesbild med sensorer som ger ofullständig information såsom de passiva sensorerna (ESM, IRST, akustiska). Övervakningssystem som i realtid kan väga samman information från sensorer av alla tillgängliga typer, oberoende av vilka slags mätsituationer och mål de är avsedda för, är likaså fortfarande i huvudsak en framtidsvision. Fusionsproblemen för markmålssituationer [Ke99] är av flera skäl mer komplexa och svårbemästrade än de är för luft- och sjömål. Skymd sikt och tillgång till olika former av skyl, vilseledning och skenmål, mycket stora mängder av målobjekt, stor variation och komplexitet hos förband och andra resurser och inblandning i civila miljöer, är sådana faktorer. Det är också bara speciella typer av radarteknik som kan användas från luften mot mål på marken, framför allt SAR-radar och GMTI-radar. Om man skulle försöka använda "vanlig" radarteknik på detta sätt skulle den nyttiga signalen dränkas i "klotter", slumpmässiga reflexer från omgivningen. Hot på land kan också anta praktiskt taget vilken skepnad som helst, medan effektivt uppträdande i luften eller på sjön förutsätter relativt robusta och förhållandevis lätt upptäckta, oftast rörliga plattformar eller missiler. US Air Force fokuserar exempelvis sedan nästan tio år sina forskningsresurser på markmålsfrågor, medan multisensorfusion för luftmål betraktas som ett väsentligen löst problem. Utvecklingen av metoder för informationsfusion förutsätter tillgång till effektiv multisensorfusion. Man kan även se tecken på att gränsen mellan multisensorfusion och informationsfusion är på väg att suddas ut, genom att nya metoder för multisensormultimålfusion börjar komma fram, som tycks göra det möjligt att skapa användbara matematiska modeller och algoritmer för detektion, följning och klassificering av gruppmål. I den utsträckning detta lyckas, innebär det att förmåga skapas för att detektera gruppmål, dvs mål som består av ett, kanske varierande, antal objekt som hör samman organisatoriskt snarare än genom geografisk närhet, att klassificera det, t ex som en pansarbataljon eller en stridsvagnspluton som rör sig i kolonn, och slutligen att följa, och till en viss grad också prognosticera, dess rörelse. Detta är fundamentala uppgifter inom situationsanalysen, JDLmodellens nivå 2, och de utgör en stor utmaning för fusionsforskare. Två för både informationsfusion och markmålstillämpningar särskilt viktiga metodområden för multisensor-multimålföljning har utvecklats under det senaste decenniet, nämligen sekvensiella 17

Monte Carlo-metoder, även kallat partikelfiltrering, och Finite Set Statistics, FISST. Det finns skäl att förvänta att olika kombinationer av dessa metodområden ska komma att leda till en användbar metodik för gruppmålföljning och -klassificering. I de följande två avsnitten beskrivs dessa metodområden lite mer ingående. 2.1.1 * Sekvensiella Monte Carlo-metoder eller partikelfiltrering Många vetenskapliga och tekniska frågeställningar kan formuleras som en instans av det generiska problemet att uppskatta och eventuellt prognosticera tillståndet hos ett system som förändras över tiden. Ett förhållandevis litet antal sådana problem (t ex att beräkna banan hos en kanonkula) kan behandlas som begynnelsevärdesproblem, där systemets beteende är givet av en deterministisk funktion eller ekvation, tillsammans med en fix uppsättning begynnelsevärden. Men i de flesta fall påverkas ett systems beteende av faktorer som inte kan betraktas som deterministiska, utan måste modelleras som slumpmässiga, stokastiska. När man vill uppskatta tillståndet över tiden för ett system vars tillstånd inte är fullständigt känt, och där man kan säga att "slumpfaktorer" har en väsentlig roll, är det därför vanligtvis nödvändigt att observera systemet mer eller mindre kontinuerligt. Men man kan i regel inte direkt observera (dvs mäta värdet på) de tillståndsvariabler som ingår i systemmodellen, i varje fall inte alla, och det som observeras får i stället beskrivas av någon funktion av systemets tillståndsvariabler, som i enklaste fall kan vara en delmängd av tillståndsvariablerna, t ex position eller hastighet som funktion av tiden. Naturligtvis är också observationerna så gott som alltid behäftade med fel, som i allmänhet behöver betraktas som stokastiska variabler om man vill uppnå bästa möjliga tillförlitlighet och robusthet hos beskrivningen av det observerade systemet. Formellt kan man beskriva situationen så här (vi följer i huvudsak [Arulampalam02]): (, ) x = f x v k k k 1 k 1 z = h ( x, n ) k k k k f k är en funktion som beskriver hur systemtillståndet x k utvecklas över tiden. Funktionen beror förutom av det tidigare tillståndet även av v k-1, "processbruset", som bildar en följd av oberoende lika fördelade stokastiska variabler. h k är en funktion som beskriver hur mätvärdena z k beror av systemtillståndet x k. Även "mätbruset" n k beskrivs som en följd av oberoende, lika fördelade stokastiska variabler. Detta system av differensekvationer anger alltså hur ett systems tillståndsfunktion f och mätfunktion h utvecklas över tiden. Modellen utgår ifrån att systemets tillstånd observeras enbart vid bestämda, "diskreta", tidpunkter 1, 2,, k, Tillståndsvektorn x k innehåller all information som behövs för att beskriva det studerade systemet, t ex rörelsetillståndet hos ett mål som ska följas. Den fråga man oftast ställer är: hur kan systemets tillstånd vid tiden k bäst uppskattas när man känner alla mätvärden z 1:k till och med tidpunkten k samt den stokastiska frekvensfunktionen (pdf) för begynnelsetillståndet, p(x 0 ), vid tiden 0? Den bästa möjliga tillståndsbeskrivningen under de givna förutsättningarna ges av pdf för tillståndet vid tidpunkten k givet mätvärdena, dvs p(x k z 1:k ). Uppgiften är alltså att finna det bästa möjliga estimatet av denna funktion, givet mätvärdena och pdf för begynnelsetillståndet. Detta kan i princip åstadkommas genom att iterativt beräkna p(x 1 z 1:1 ) ur p(x 0 z 0 )=p(x 0 ), p(x 2 z 1:2 ) ur p(x 1 z 1:1 ),, p(x k z 1:k ) ur p(x k-1 z 1:k-1 ). För varje iteration sker beräkningen i två steg, prediktion och uppdatering. 18

Antag nu att pdf för systemtillståndet vid tiden k-1, p(x k-1 z 1:k-1 ), är känd. Prediktionssteget innebär att systemmodellen x k = f (x k-1, v k-1 ) utnyttjas för att konstruera apriori-pdfen för systemtillståndet vid tiden k med hjälp av den s k Chapman-Kolmogorovekvationen: p( xk z1: k 1) = p( xk xk 1) p( xk 1 z1: k 1) dxk 1 (6.1) Vid tidpunkten k blir mätvärdena z k tillgängliga, och de kan användas för att i uppdateringssteget uppdatera apriori-pdfen med användning av Bayes regel: p p( z x ) p( x z ) = k k k 1: k 1 ( xk z1: k) där p( zk z1: k 1 ) (6.2) p( z z )= p( z x ) p( x z )d x är en normeringskonstant k 1: k-1 k k k 1: k-1 k Ekvationerna (6.1) och (6.2) utgör grunden för att uttrycka den Bayes-optimala lösningen av problemet. Den klassiska lösningsansatsen, Kalmanfiltrering [Grewal93], bygger på restriktiva antaganden om normalfördelning hos alla ingående stokastiska variabler samt linearitet hos såväl systemtillståndsfunktionen som mätfunktionen. Det vi här vill peka på är de moderna partikelfiltreringsmetoderna, även kallade sekvensiella Monte Carlo-metoder (SMC), som inte kräver dessa antaganden, utan erbjuder möjligheter att lösa problemet i dess generella form. Priset för detta är dels att lösningen inte kan uttryckas i sluten form, utan enbart kan erhållas numeriskt inget hinder för praktisk tillämpning dels att dessa numeriska metoder kan vara mycket beräkningskrävande och i vissa fall fordrar formulering och användning av problemspecifika tekniker för att konvergera mot rätt lösning. Metodiken bygger på Monte- Carlosimulering, en sedan 1940-talet välkänd numerisk metodik, men det var inte förrän i början av 90-talet som en väl fungerande Monte-Carloalgoritm formulerades för detta problem. På senare år har intresset för dessa metoder ökat starkt, och många tillämpningar har demonstrerats där metodens överlägsenhet över Kalmanfiltrering illustrerats. Fortfarande gäller dock tumregeln att om ett problem med god approximation uppfyller förutsättningarna för Kalmanfiltrering så är denna metod att föredra. Fördelarna med partikelfiltrering ligger alltså i att helt nya klasser av följningsproblem nu kan behandlas effektivt och många gånger också relativt enkelt. Grundidén bakom grundversionen av partikelfiltrering, s k sekvensiell viktighetssampling (sequential importance sampling, SIS), är att representera den sökta posteriorifrekvensen (6.2) med en mängd slumpmässiga, viktade stickprov (sampel) av "partiklar"och att sedan beräkna estimat för systemets tillstånd, grundade på denna representation. Principen är att varje partikel representerar en hypotes för tillståndet hos ett av de ingående objekten i systemet. Partiklarna ges nya vikter vid varje observationstillfälle, i relation till hur väl deras tillstånd överensstämmer med observationen. När antalet stickprov görs mycket stort, konvergerar dessa estimat mot en representation av posteriorifrekvensen, och SIS-filtret konvergerar mot det optimala Bayesestimatet. Ett vanligt problem med SIS-filtrering är degeneration, innebärande att alla partiklar utom en efter ett måttligt antal iterationssteg får försumbar vikt. För att komma undan detta kan man öka antalet partiklar kraftigt, men denna väg fungerar naturligtvis inte i längden. 19

I stället bör man dels sträva efter att välja sättet att beräkna vikterna så att problemets struktur utnyttjas, dels använda omsampling, dvs bilda nya stickprov när ett inbyggt kvalitetsmått visar att degeneration börjar uppträda. Tyvärr medför denna strategi nya problem, särskilt en förlust av diversitet hos partiklarna i stickprovet. Metoder för att komma ifrån även detta problem har nyligen utvecklats, och sammanfattningsvis kan man säga att alltmer effektiva och robusta partikelfiltreringsmetoder hela tiden presenteras i forskningslitteraturen. Vi hänvisar till [Arulampalam02] för en kvalificerad och aktuell översikt över metodiken för partikelfiltrering. 2.1.2 * Finite Set Statistics Finite Set Statistics, FISST, är en metodik som utvecklats under de senaste åtta åren av främst R. Mahler men, särskilt på senare tid, även av en rad andra forskare. FISST har introducerats som ett sätt att bli kvitt ett antal principiella problem som uppstår när man försöker generalisera Bayesisk filtrering till situationer med flera sensorer och mål, särskilt i situationer då antalet mål är okänt och variabelt. Det är en viktig del av random set-teorin, som utvidgar och generaliserar sannolikhetsbegreppet och som kan ses som en bas för flertalet sätt att representera osäker information, t ex fuzzy sets och Dempster-Shafer-teori. Med FISST kan man, enligt [Mahler00, Mahler01a], skapa en metodik för sådana problem som är enhetlig, självkonfigurerande och optimalt integrerad för multisensor-multimålföljning. Mahler visar också hur FISST kan bilda grunden för en systematisk Bayes-optimal metodik för multimålproblem när data är tillräckligt väl karakteriserade, och för en robust Bayesisk ansats när detta inte är fallet. Mahlers argumentation för FISST bygger på observationen att både optimaliteten och enkelheten hos den Bayesiska ansatsen bara kan tas för given inom ramen för de standardtillämpningar som behandlas av de flesta läroböcker. Det skulle föra alldeles för långt att här försöka gå in på den matematiska grundvalen (se [Goodman97]) eller formalismen för FISST (se [Mahler00] eller [Mahler01a]). Vi nöjer oss därför med att citera Mahlers grundrecept för hur ett multisensor-multimålproblem hanteras inom denna konceptuella ram: "En uppsättning kända sensorer kommunicerar till en central datafusionsnod sina observationer av mål. Målens antal, positioner, hastigheter, identiteter, hottillstånd etc. är okända. Genom att 1) omdefiniera sensoruppsättningen som en "global" (multi)sensor 2) omdefiniera mängden av mål som ett enda "globalt" (multi)mål med multimåltillståndet X = {x 1,,x n } 3) omdefiniera mängden Z = {z 1,,z m } av observationer, gjorda av sensoruppsättningen vid ungefär samma tidpunkt, som en enda "global" mätning av det globala målet med den globala sensorn 4) representera statistiskt illa karakteriserade ("flertydiga") data som slumpmässiga slutna delmängder θ av multisensorns observationsrum. Detta leder till Z = {z1,,z m, θ 1, K,θ m } 5) analogt med hur enkelsensor-, enkelmåldata kan modelleras med en mätmodell Z = h(x, w), modelleras multisensor-, multimåldata med en slumpmässigt varierande ändlig mängd Σ= T( X) C( X) 6) analogt med hur enkelmåls rörelse kan modelleras med en rörelsemodell X k + 1 =Φk(x k,v k), modelleras rörelsen hos ett multimålsystem med en multimålsrörelsemodell en slummässigt varierande ändlig mängd Γ k+ 1 =Φk( X k, Vk) Bk( Xk) På detta sätt kan multisensor-multimålestimeringsproblem omformuleras som enkelsensorenkelmålproblem. Grunden för denna omformulering är begreppet trolighetsmassa (belief mass), som är icke-additiva generaliseringar av sannolikhetsmassefunktioner." 20