傳感融合技術概述

在前面幾篇文章，筆者分別介紹了自動駕駛環境感知領域的一些技術，包含雷達技術、攝像頭和視覺建模技術、V2X技術。無論是哪一類型的技術，都是在幫助車輛的決策系統獲取車輛運行過程中的數據，但是每一種傳感器都存在著不確定性，比如激光雷達和攝像頭會受到極端天氣的影響。正是因為這個原因，導致在自動駕駛技術在環境感知環節依賴于多傳感器的數據融合，這樣才能讓不同的傳感器在不同的環境下發揮自身的最大作用。所以本篇文章將重點介紹下，如何實現自動駕駛傳感器的融合。

傳感器融合的問題和挑戰

傳感器數據融合面臨著許多技術上的挑戰：

數據對準問題

首先各個傳感器收集的數據要對準是自動駕駛決策的前提，前面幾篇文章講了數據的標定，包含雷達的數據標定和攝像頭的數據標定。

需要將各個傳感器的數據在一個空間坐標系做標定，才能讓來自各個方面的數據發揮價值。另外所有傳感器單位統一，比如激光攝像頭與毫米波攝像頭都要統一使用毫米作為單位。

另外還要注意數據傳輸的時效問題，因為數據都是從各個傳感器傳遞到中央處理模塊，各個線路數據傳輸的時延要加以控制，才能使采集的數據可以保持在同一個時間維度

2.數據不確定性問題

因為傳感器的工作環境不同，可能受到外部環境雨雪、光線的影響，也可能受到內部的溫度、電壓影響，也可能出現特殊情況，比如路面顛簸造成的影響，使得數據出現不準確的問題。在數據融合過程中，如何通過算法來甄選出哪些是噪聲數據，哪些是真實數據也是一個需要解決的問題

多傳感器融合結構

傳感器的數據融合分為三個基本模式，分別是集中式、分布式和混合式，接下來分別介紹下。

1.集中式

集中式的方案是所有傳感器采集的數據全部送到中央處理器做處理。這樣做的優點是沒有信息損失，便于中央處理器拿到全部的信息，可以做最精準的判斷。劣勢在于需要傳輸的數據量較大，因為傳輸的都是原始圖像和日志信息，另外對中央處理器的計算能力要求很高。

2.分布式

分布式的方案是每個傳感器在獲取數據后先進行數據的處理，將有價值的信息甚至是部分決策結果反饋給中央處理器。這樣信息的損失可能會大一些，另外對于傳感器的計算能力有一定要求，但是會大大減少數據傳輸帶來的性能要求，并且會緩解中央處理器的數據處理量。

3.混合式

混合式指的是分布式和集中式的融合方案，某些模塊采取混合式，某些模塊采取集中式，混合式也是目前來看比較合理的一個方式。

多傳感器數據融合算法

因為不同的傳感器都存在數據準確性的問題，那么最終融合的數據該如何判定？比如激光雷達報告前車距離是5m，毫米波雷達報告前車距離是5.5m，攝像頭判定前車距離是4m，最終中央處理器該如何判斷。通常需要一套多數據融合的算法來解決這個問題。

多數據融合的算法有很多種，本文介紹一個經典算法-卡爾曼濾波。卡爾曼濾波是一種高效率的遞歸濾波器，他能從一系列完全包含噪聲的測量數據中，估計動態系統的狀態，在自動駕駛、航天、溫度測量等領域有很多應用。

卡爾曼濾波的基礎思想采用信號與噪聲的狀態空間模型，利用前一時刻的估計值和現時刻的觀測值來更新對狀態變量的估計，求出現時刻的估計值。通過預測-實測-修正的順序遞歸，消除隨機干擾。

網上有一個介紹卡爾曼濾波原理的小例子：

假如我們要估算k時刻的實際溫度值。首先你要根據k-1時刻的溫度值，來預測k時刻的溫度。因為你相信溫度是恒定的，所以你會得到k時刻的溫度預測值是跟k-1時刻一樣的，假設是23度，同時該值的高斯噪聲的偏差是5度（5是這樣得到的：如果k-1時刻估算出的最優溫度值的偏差是3，你對自己預測的不確定度是4度，他們平方相加再開方，就是5）。然后，你從溫度計那里得到了k時刻的溫度值，假設是25度，同時該值的偏差是4度。

由于我們用于估算k時刻的實際溫度有兩個溫度值，分別是23度和25度。究竟實際溫度是多少呢？相信自己還是相信溫度計呢？究竟相信誰多一點，我們可以用他們的協方差(covariance)來判斷。因為Kg=5^2/(5^2+4^2)，所以Kg=0.61，我們可以估算出k時刻的實際溫度值是：23+0.61*(25-23)=24.22度。可以看出，因為溫度計的協方差(covariance)比較小（比較相信溫度計），所以估算出的最優溫度值偏向溫度計的值。

總結

以上是生活随笔為你收集整理的自动驾驶技术-环境感知篇：多传感器融合技术的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。