290
傳感器融合是合并來自多個傳感器的數(shù)據(jù)的過程，以減少智能駕駛汽車在運(yùn)動中可能涉及的不確定性。傳感器融合有助于建立一個更準(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)同時處理來自多個傳感器的感覺輸入的能力。對于智能駕駛汽車來說，一個或者一種傳感器的反饋通常是不夠的，特別是對于控制算法的實施。
傳感器融合可以通過利用多個傳感器的反饋來彌補(bǔ)信息的不足。車輛也可以使用傳感器融合來融合來自同一類型的多個傳感器的信息--例如，雷達(dá)。這通過利用部分重疊的視場來提高感知能力。
由于多個雷達(dá)觀察車輛周圍的環(huán)境，不止一個傳感器會同時探測到物體。通過全球360°感知軟件進(jìn)行解讀，來自這些多個傳感器的探測結(jié)果可以被重疊或融合，提高對車輛周圍物體的探測概率和可靠性，并產(chǎn)生一個更準(zhǔn)確和可靠的環(huán)境表示。與單個傳感器相關(guān)的計算特定類型信息的缺陷可以通過結(jié)合多個傳感器的數(shù)據(jù)來補(bǔ)償。
傳感器融合的效果是，所產(chǎn)生的信息應(yīng)該比單獨使用傳感器時的不確定性要小。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高時，可以使用傳感器融合。傳感器融合可以直接利用來自傳感器或歷史傳感器數(shù)據(jù)的信息，也可以使用來自關(guān)于系統(tǒng)輸入的先驗知識的間接信息。
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，即使在個別測量不可靠的情況下。
傳感器融合算法的目標(biāo)是對物體的運(yùn)動狀態(tài)產(chǎn)生一個概率上合理的估計。為了計算這個狀態(tài)，工程師使用兩個方程和兩個模型：一個是采用運(yùn)動模型的預(yù)測方程，另一個是使用測量模型的更新方程。
運(yùn)動模型處理一個物體--比如一輛汽車--在不同時間段的動態(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時間步長中的狀態(tài)。
測量模型關(guān)注的是汽車的傳感器的動態(tài)。取決于汽車當(dāng)前狀態(tài)的一系列數(shù)值定義了當(dāng)前的測量，比如說，雷達(dá)。
為了在傳感器融合的背景下理解這些模型，需要兩個方程：一個是預(yù)測汽車的狀態(tài)，一個是持續(xù)更新該預(yù)測值。預(yù)測方程使用先前的狀態(tài)預(yù)測（從上一輪預(yù)測-更新方程計算出的可能的狀態(tài)值范圍）以及運(yùn)動模型來預(yù)測當(dāng)前狀態(tài)。然后（通過更新方程）將感覺輸入與測量模型結(jié)合起來，更新這一預(yù)測。最終得到一個新的可能的狀態(tài)值范圍，它變成了新的預(yù)測方程的輸入--再次計算下一個測量來更新預(yù)測。
這個過程能夠使用感官輸入來預(yù)測汽車在哪里，以及它在下一個時間增量中會在哪里。反過來，何時以及以多快的速度停車以避免碰撞會被告知。
也許中心極限定理（CLT）的一個更方便的名字是大數(shù)法則。它指出，隨著所測量的樣本量的增加，這些樣本的平均值將趨向于正態(tài)分布（鐘形曲線）。
一個常見的例子是擲骰子--測量的次數(shù)越多，平均值就越接近3.5，或 "真實 "的平均值。假設(shè)有兩個傳感器，一個超聲波傳感器和一個紅外線傳感器。對它們的讀數(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，它從多個來源獲取數(shù)據(jù)輸入并估計未知值，盡管信號噪聲可能很高。通常用于導(dǎo)航和控制技術(shù)，卡爾曼過濾器的優(yōu)點是能夠比使用單一測量方法的單獨預(yù)測更準(zhǔn)確地預(yù)測未知值。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。因為卡爾曼濾波是遞歸的，只需要知道汽車最后已知的位置和速度，就能夠預(yù)測其當(dāng)前和未來的狀態(tài)。
處理概率問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)動和測量模型。貝葉斯網(wǎng)絡(luò)也是基于貝葉斯規(guī)則，預(yù)測幾個假設(shè)中的任何一個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)生基于圖像識別的分類結(jié)果。例如，一個使用感官數(shù)據(jù)來區(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)帶來了更好的決策。通過采用允許大量傳感器的車輛架構(gòu)，然后通過傳感器融合來合成數(shù)據(jù)，車輛可以變得更聰明、更快速。
