De acordo com diferentes métodos de processamento de dados, existem três arquiteturas de sistema de fusão de informações: distribuída, centralizada e híbrida.

1) Distribuído: Primeiro, os dados originais obtidos por sensores independentes são processados ​​localmente e, em seguida, os resultados são enviados ao centro de fusão de informações para otimização e combinação inteligente para obter os resultados finais. Distribuído tem baixa demanda por largura de banda de comunicação, velocidade de cálculo rápida, boa confiabilidade e continuidade, mas a precisão de rastreamento é muito menor do que a centralizada. A estrutura de fusão distribuída pode ser dividida em estrutura de fusão distribuída com feedback e estrutura de fusão distribuída sem feedback.

2) Centralização: A centralização envia os dados brutos obtidos por cada sensor diretamente para o processador central para processamento de fusão, que pode realizar a fusão em tempo real. Sua precisão de processamento de dados é alta e seu algoritmo é flexível, mas suas desvantagens são altos requisitos para o processador, baixa confiabilidade e grande volume de dados, por isso é difícil de realizar;

3) Híbrido: Na estrutura híbrida de fusão de informações multissensor, alguns sensores adotam o modo de fusão centralizado e os demais adotam o modo de fusão distribuída. A estrutura de fusão híbrida tem forte adaptabilidade, leva em conta as vantagens da fusão e distribuição centralizadas e tem forte estabilidade. A estrutura do modo de fusão híbrida é mais complicada do que a dos dois primeiros modos de fusão, o que aumenta o custo de comunicação e cálculo.

Filtro Kalman (KF)

O processo de processamento de informações pelo filtro de Kalman é geralmente predição e correção. Não é apenas um algoritmo simples e concreto, mas também um esquema de processamento de sistema muito útil no papel da tecnologia de fusão de informações multissensor. Na verdade, é semelhante aos métodos de processamento de dados de informação de muitos sistemas. Ele fornece uma estimativa estatística ideal eficaz para os dados fundidos por meio de cálculo recursivo iterativo matemático, mas requer pouco espaço de armazenamento e cálculo, por isso é adequado para ambientes com espaço e velocidade de processamento de dados limitados. O KF pode ser dividido em dois tipos: filtro de Kalman distribuído (DKF) e filtro de Kalman estendido (EKF). A DKF pode tornar a fusão de dados completamente descentralizada, enquanto a EKF pode efetivamente superar a influência de erros de processamento de dados e instabilidade no processo de fusão de informações.