В данной статье представлен инновационный метод слияния данных на основе вейвлет-разложения для многоканальных систем машинного зрения в робототехнике. Предложенный подход решает проблему эффективной интеграции и обработки разнородных данных, получаемых от множественных источников визуальной информации, объединяя преимущества многомасштабного вейвлет-преобразования и механизмов направленного внимания. Разработанная методика основана на декомпозиции входных изображений на низкочастотные и высокочастотные компоненты с последующим адаптивным слиянием информативных признаков на различных уровнях декомпозиции. Эмпирическая верификация предложенного метода проведена на обширном наборе данных, включающем изображения с различными условиями освещения, окклюзиями и шумовыми искажениями. Результаты экспериментов демонстрируют, что разработанный подход превосходит современные методы слияния данных по ключевым метрикам, включая точность распознавания объектов (повышение на 8,7%), устойчивость к шумам (улучшение на 12,3%) и вычислительную эффективность (снижение требуемых ресурсов на 23,5%). Предложенный метод обеспечивает существенное повышение производительности робототехнических систем в сложных динамических средах, что открывает новые перспективы для автономной навигации, манипуляции объектами и человеко-машинного взаимодействия.
This article presents an innovative method of data fusion based on wavelet decomposition for multichannel machine vision systems in robotics. The proposed approach solves the problem of effective integration and processing of heterogeneous data obtained from multiple sources of visual information, combining the advantages of multiscale wavelet transform and mechanisms of directed attention. The developed technique is based on the decomposition of input images into low-frequency and high-frequency components, followed by adaptive fusion of informative features at various levels of decomposition. Empirical verification of the proposed method was carried out on an extensive data set, including images with different lighting conditions, occlusions and noise distortions. The experimental results demonstrate that the developed approach surpasses modern data fusion methods in key metrics, including object recognition accuracy (increased by 8.7%), noise tolerance (improved by 12.3%), and computational efficiency (reduced resource requirements by 23.5%). The proposed method provides a significant increase in the performance of robotic systems in complex dynamic environments, which opens up new prospects for autonomous navigation, object manipulation, and human-machine interaction.