車載感知融合標(biāo)準(zhǔn)化需求研究報(bào)告

傳感器融合是合并來(lái)自多個(gè)傳感器的數(shù)據(jù)的過(guò)程，以減少智能駕駛汽車在運(yùn)動(dòng)中可能涉及的不確定性。傳感器融合有助于建立一個(gè)更準(zhǔn)確的世界模型，以使智能駕駛汽車的導(dǎo)航和行為更加成功。

傳感器融合的概念試圖復(fù)制中樞神經(jīng)系統(tǒng)同時(shí)處理來(lái)自多個(gè)傳感器的感覺輸入的能力。對(duì)于智能駕駛汽車來(lái)說(shuō)，一個(gè)或者一種傳感器的反饋通常是不夠的，特別是對(duì)于控制算法的實(shí)施。

傳感器融合可以通過(guò)利用多個(gè)傳感器的反饋來(lái)彌補(bǔ)信息的不足。車輛也可以使用傳感器融合來(lái)融合來(lái)自同一類型的多個(gè)傳感器的信息--例如，雷達(dá)。這通過(guò)利用部分重疊的視場(chǎng)來(lái)提高感知能力。

由于多個(gè)雷達(dá)觀察車輛周圍的環(huán)境，不止一個(gè)傳感器會(huì)同時(shí)探測(cè)到物體。通過(guò)全球360°感知軟件進(jìn)行解讀，來(lái)自這些多個(gè)傳感器的探測(cè)結(jié)果可以被重疊或融合，提高對(duì)車輛周圍物體的探測(cè)概率和可靠性，并產(chǎn)生一個(gè)更準(zhǔn)確和可靠的環(huán)境表示。與單個(gè)傳感器相關(guān)的計(jì)算特定類型信息的缺陷可以通過(guò)結(jié)合多個(gè)傳感器的數(shù)據(jù)來(lái)補(bǔ)償。

傳感器融合的效果是，所產(chǎn)生的信息應(yīng)該比單獨(dú)使用傳感器時(shí)的不確定性要小。傳感器融合也可以幫助補(bǔ)償傳感器的噪音、有限的準(zhǔn)確性、故障或缺乏關(guān)于環(huán)境的某一方面的信息。

此外，當(dāng)選擇的理想傳感器的成本過(guò)高時(shí)，可以使用傳感器融合。傳感器融合可以直接利用來(lái)自傳感器或歷史傳感器數(shù)據(jù)的信息，也可以使用來(lái)自關(guān)于系統(tǒng)輸入的先驗(yàn)知識(shí)的間接信息。

傳感器融合算法處理所有的輸入，并產(chǎn)生具有高度準(zhǔn)確性和可靠性的輸出，即使在個(gè)別測(cè)量不可靠的情況下。

傳感器融合算法的目標(biāo)是對(duì)物體的運(yùn)動(dòng)狀態(tài)產(chǎn)生一個(gè)概率上合理的估計(jì)。為了計(jì)算這個(gè)狀態(tài)，工程師使用兩個(gè)方程和兩個(gè)模型：一個(gè)是采用運(yùn)動(dòng)模型的預(yù)測(cè)方程，另一個(gè)是使用測(cè)量模型的更新方程。

運(yùn)動(dòng)模型處理一個(gè)物體--比如一輛汽車--在不同時(shí)間段的動(dòng)態(tài)變化。汽車的當(dāng)前狀態(tài)是從一系列的值中提取的，這些值取決于它在最后一個(gè)時(shí)間步長(zhǎng)中的狀態(tài)。

測(cè)量模型關(guān)注的是汽車的傳感器的動(dòng)態(tài)。取決于汽車當(dāng)前狀態(tài)的一系列數(shù)值定義了當(dāng)前的測(cè)量，比如說(shuō)，雷達(dá)。

為了在傳感器融合的背景下理解這些模型，需要兩個(gè)方程：一個(gè)是預(yù)測(cè)汽車的狀態(tài)，一個(gè)是持續(xù)更新該預(yù)測(cè)值。預(yù)測(cè)方程使用先前的狀態(tài)預(yù)測(cè)（從上一輪預(yù)測(cè)-更新方程計(jì)算出的可能的狀態(tài)值范圍）以及運(yùn)動(dòng)模型來(lái)預(yù)測(cè)當(dāng)前狀態(tài)。然后（通過(guò)更新方程）將感覺輸入與測(cè)量模型結(jié)合起來(lái)，更新這一預(yù)測(cè)。最終得到一個(gè)新的可能的狀態(tài)值范圍，它變成了新的預(yù)測(cè)方程的輸入--再次計(jì)算下一個(gè)測(cè)量來(lái)更新預(yù)測(cè)。

這個(gè)過(guò)程能夠使用感官輸入來(lái)預(yù)測(cè)汽車在哪里，以及它在下一個(gè)時(shí)間增量中會(huì)在哪里。反過(guò)來(lái)，何時(shí)以及以多快的速度停車以避免碰撞會(huì)被告知。

也許中心極限定理（CLT）的一個(gè)更方便的名字是大數(shù)法則。它指出，隨著所測(cè)量的樣本量的增加，這些樣本的平均值將趨向于正態(tài)分布（鐘形曲線）。

一個(gè)常見的例子是擲骰子--測(cè)量的次數(shù)越多，平均值就越接近3.5，或 "真實(shí) "的平均值。假設(shè)有兩個(gè)傳感器，一個(gè)超聲波傳感器和一個(gè)紅外線傳感器。對(duì)它們的讀數(shù)取的樣本越多，樣本平均值的分布就越接近于鐘形曲線，從而接近這組的真實(shí)平均值。越接近準(zhǔn)確的平均值，傳感器融合算法中的噪音因素就越少。

卡爾曼濾波器是一種算法，它從多個(gè)來(lái)源獲取數(shù)據(jù)輸入并估計(jì)未知值，盡管信號(hào)噪聲可能很高。通常用于導(dǎo)航和控制技術(shù)，卡爾曼過(guò)濾器的優(yōu)點(diǎn)是能夠比使用單一測(cè)量方法的單獨(dú)預(yù)測(cè)更準(zhǔn)確地預(yù)測(cè)未知值。因此卡爾曼濾波算法是傳感器融合最廣泛的應(yīng)用，并為理解這一概念本身提供了基礎(chǔ)，所以傳感器融合通常是卡爾曼濾波的同義詞。

卡爾曼濾波最常見的用途之一是在導(dǎo)航和定位技術(shù)中。因?yàn)榭柭鼮V波是遞歸的，只需要知道汽車最后已知的位置和速度，就能夠預(yù)測(cè)其當(dāng)前和未來(lái)的狀態(tài)。

處理概率問(wèn)題的貝葉斯法則是前面描述的更新方程的基礎(chǔ)，它結(jié)合了運(yùn)動(dòng)和測(cè)量模型。貝葉斯網(wǎng)絡(luò)也是基于貝葉斯規(guī)則，預(yù)測(cè)幾個(gè)假設(shè)中的任何一個(gè)是給定事件的促成因素的可能性。

 K2, hill climbing, iterative hill climbing,和simulated annealing 是一些著名的貝葉斯算法?；?a class="article-link" target="_blank" href="/baike/489303.html">卷積神經(jīng)網(wǎng)絡(luò)的方法可以同時(shí)處理許多通道的傳感器數(shù)據(jù)。

從這些數(shù)據(jù)的融合中，它們產(chǎn)生基于圖像識(shí)別的分類結(jié)果。例如，一個(gè)使用感官數(shù)據(jù)來(lái)區(qū)分人臉或交通標(biāo)志的機(jī)器人就依賴于基于卷積神經(jīng)網(wǎng)絡(luò)的算法。更多的數(shù)據(jù)帶來(lái)了更好的決策。通過(guò)采用允許大量傳感器的車輛架構(gòu)，然后通過(guò)傳感器融合來(lái)合成數(shù)據(jù)，車輛可以變得更聰明、更快速。