多傳感器融合面臨的主要挑戰是如何將收集來的大量數據集中在一起，并做出正確決策。

1

多傳感器融合

多傳感器信息融合（Multi-sensor Information Fusion，MSIF），就是利用計算機技術將來自多傳感器或多源的信息和數據，在一定的準則下加以自動分析和綜合，以完成所需要的決策和估計而進行的信息處理過程。 多傳感器信息融合技術的基本原理就像人的大腦綜合處理信息的過程一樣，將各種傳感器進行多層次、多空間的信息互補和優化組合處理，最終產生對觀測環 境的一致性解釋。 在這個過程中要充分地利用多源數據進行合理支配與使用，而信息融合的最終目標則是基于各傳感器獲得的分離觀測信息，通過對信息多級別、多方面組合導出更多有用信息。 這不僅是利用了多個傳感器相互協同操作的優勢，而且也綜合處理了其它信息源的數據來提高整個傳感器系統的智能化。

2

融合體系

在信息融合處理過程中，根據對原始數據處理方法的不同，信息融合系統的體系結構主要有三種：集中式、分布式和混合式。 1、集中式：集中式將各傳感器獲得的原始數據直接送至中央處理器進行融合處理，可以實現實時融合，其數據處理的精度高，算法靈活，缺點是對處理器要求高，可靠性較低，數據量大，故難于實現。 2、分布式：每個傳感器對獲得的原始數據先進行局部處理，包括對原始數據的預處理、分類及提取特征信息，并通過各自的決策準則分別作出決策，然后將結果送入融合中心進行融合以獲得最終的決策。分布式對通信帶寬需求低、計算速度快、可靠性和延續性好，但跟蹤精度沒有集中式高。 3、混合式：大多情況是把上述二者進行不同的組合，形成一種混合式結構。它保留了上述兩類系統的優點，但在通信和計算上要付出較昂貴的代價。但是，此類系統也有上述兩類系統難以比擬的優勢，在實際場合往往采用此類結構。

3

多傳感器融合特點

多傳感器融合 系統具有四個顯著的特點： 1.信息的冗余性：對于環境的某個特征，可以通過多個傳感器（或者單個傳感器的多個不同時刻）得到它的多份信息，這些信息是冗余的，并且具有不同的可靠性，通過融合處理，可以從中提取出更加準確和可靠的信息。 此外，信息的冗余性可以提高系統的穩定性，從而能夠避免因單個傳感器失效而對整個系統所造成的影響。 2.信息的互補性：不同種類的傳感器可以為系統提供不同性質的信息，這些信息所描述的對象是不同的環境特征，它們彼此之間具有互補性。 如果定義一個由所有特征構成的坐標空間，那么每個傳感器所提供的信息只屬于整個空間的一個子空間，和其他傳感器形成的空間相互獨立。 3.信息處理的及時性：各傳感器的處理過程相互獨立，整個處理過程可以采用并行導熱處理機制，從而使系統具有更快的處理速度，提供更加及時的處理結果。 4.信息處理的低成本性：多個傳感器可以花費更少的代價來得到相當于單傳感器所能得到的信息量。另一方面，如果不將單個傳感器所提供的信息用來實現其他功能，單個傳感器的成本和多傳感器的成本之和是相當的。

4

在自動駕駛中的應用

自動駕駛車上使用了多種多樣的傳感器，不同類型的傳感器間在功用上互相補充，提高自動駕駛系統的安全系數。自動駕駛要求傳感器融合具備一個必須的性質——實時性。 MSDF面臨的主要挑戰是如何將收集來的大量數據集中在一起，并做出正確決策。如果MSDF出錯，意味著下游階段要么沒有必要的信息，要是使用了錯誤的信息做出了錯誤的決策。 可以看到，自動駕駛汽車會通過安裝在車身周圍的攝像頭收集視覺數據，也會通過雷達（激光雷達、毫米波雷達等）來收集諸如周圍物體運動速度的數據，但是這些數據是從不同角度來描述現實世界的同一樣或不同樣的物體。 使用越多的傳感器，對計算能力的要求就越高，這意味著自動駕駛汽車必須搭載更多的計算機處理器和內存，這也會增加汽車的重量，需要更多的功率，還會產生更多的熱量。諸如此類的缺點還有很多。 智能汽車的顯著特點在于智能，意思就是說汽車自己能通過車載傳感系統感知道路環境，自動規劃行車路線并控制車輛到達預定目標。 目前而言，車載感知模塊包括視覺感知模塊、毫米波雷達、超聲波雷達、360°環視系統等，多源傳感器的協同作用識別道路車道線、行人車輛等障礙物，為安全駕駛保駕護航。因此，感知信息也需要融合，感知信息也需要相互補充。

5

多傳感器融合的四個關鍵方法

Harmonize

假設有兩種不同的傳感器，稱它們為傳感器X和傳感器Z。它們都能夠感知自動駕駛汽車的外部世界。 在現實世界中存在一個物體，這個物體可能是人，也可能是車，甚至是一條狗，傳感器X和傳感器Z都能夠檢測到這個物體。 這就意味著傳感器對這個物體進行了雙重檢測，這種雙重檢測意味著兩種不同類型的傳感器都有關于該物體的數據報告，對于該物體有兩個維度不同地認知。 假設，傳感器X表示該物體高6英尺，寬2英尺；傳感器Z表示該物體以每秒3英尺的速度正朝著自動駕駛車輛方向移動。 結合兩個傳感器采集到的數據，就可以得出一條相對準確的信息：有一個高約6英尺，寬2英尺的物體正在以每秒鐘3英尺的速度移動。 假設這兩自動駕駛汽車上只安裝了X傳感器，那么就無法得知該物體的大小；若Z傳感器壞了，那么就只有物體的大小信息，無法檢測該物體的運動狀態。這也就是最近業內廣泛討論的“在自動駕駛汽車上應該安裝哪些傳感器”的問題。 此前，特斯拉埃隆?馬斯克(Elon Musk)旗幟鮮明地聲稱，特斯拉不會安裝激光雷達。 盡管馬斯克自己也認為，L5自動駕駛不會通過激光雷達來實現這個想法最終可能被驗證為錯誤的，這依舊沒有改變馬斯克的決定。 一些反對的聲音稱，不配備激光雷達的特斯拉，無法通過其他的傳感器獲取如同激光雷達效果相同的感官輸入，也無法提供補償和三角測量。 但是另一些支持者認為，激光雷達不值得花費如此高昂的費用成本，不值得為其增大計算能力，也不值得為其增加認知時間。

Reconcile

在同一個視場(Field of View，FOV)內，假設傳感器X探測到一個物體，而傳感器Z沒有探測到。注意，這與物體完全在傳感器Z的FOV之外的情況有很大的不。 一方面，系統會認為傳感器X是正確的，Z是錯誤的，可能是因為Z有故障，或者有模糊探測，或者是其他的一些什么原因。另一個方面，也許傳感器X是錯誤的，X可能是報告了一個“幽靈”（實際上并不存在的東西），而傳感器Z報告那里沒有東西是正確的。

Integrate

假設我們有兩個物體a和b，分別在傳感器X和傳感器Z的視場FOV內（a在X視場內，b在Z視場內）。也就是說，Z無法直接檢測到a，X也無法直接檢測到b。 目前，想要實現的效果是，能否將X和Z的報告整合在一起，讓它們在各自的視場內探測物體同時，判斷是否為X視場中的物體正在向Z視場移動，預先提醒Z將有物體進入探測區域。

Synthesize

第四種方法Synthesize是將感知數據融合在一起，你可能會遇到這樣的情況，傳感器X和傳感器Z都沒有在各自的視場內探測到物體。 在這種情況下，沒有傳感器知道這個物體的存在，但是可以通過一些其他的感觀數據，比如聲音，間接地弄清楚在視場之外的物體情況。自動駕駛汽車是時刻運動的，所以要求這種預判是瞬間發生的，像上文提到的一樣，是實時的。 多傳感器信息融合技術應用至今，有著非常多的應用方法，在所有方法當中較為成熟的方法包括了聚類分析法、證據理論法、DS 算法、最優理論法等。

責任編輯：lq