自动驾驶汽车传感器融合报告
为了实现高级驾驶员辅助(ADAS)功能和自动驾驶，如今的汽车安装了越来越多的环境传感器，如雷达、摄像头、超声波和激光雷达。然而，每个传感器都有其局限性，不能单独提供有关车辆周围环境的全部必要信息来执行安全功能。通过结合来自各种传感器的输入，可以生成一个完整的环境模型，并有足够的信心实现ADAS功能或自动驾驶功能。
作为自动驾驶系统的一部分，感器融合系统的设计必须满足最高的安全和安全标准。
目标检测和深度估计是自动驾驶汽车感知系统的重要组成部分。然而，多模态融合的过程也使感知系统的设计更具挑战性。在过去的几年中，许多传感器融合方法被提出用于自动驾驶的应用。现有的传感器融合算法主要是将RGB图像与三维激光雷达点云相结合。激光雷达提供精确的深度信息，可用于三维目标检测。这在自动驾驶应用中特别有用，因为在自动驾驶应用中，与所有被检测物体的距离对安全操作至关重要。
感知是指用传感器直接测量环境。它从系统和外部世界收集信息。对于自动驾驶汽车，传感器套件可能包括雷达、激光雷达、可视摄像头等。但仅仅通过传感器收集数据是不够的，因为系统需要能够解释数据，并将其转化为能够被自动系统理解和操作的东西。这就是感知步骤的作用:理解感知到的数据。例如，假设这是一幅来自车辆摄像头传感器的图像。汽车最终必须将这些像素点理解为一条有车道线的道路，并且在路边可能有一个正要过马路的行人或一个固定的邮箱。为了让系统决定下一步要做什么，这种理解级别是至关重要的。这是计划的步骤，它会弄清楚自己想要做什么，并找到到达那里的路径。最后，系统会计算出让系统遵循该路径的最佳行动。最后一步是控制器和控制系统所做的。
举个简单的例子，把一个加速度计放在一个固定的桌子上，这样它就只能测量重力引起的加速度。如果这是一个完美的传感器，输出读数将是常数9.81 m/s^2。然而，实际测量会有噪声——噪声的大小取决于传感器的质量。这是不可预测的噪声，所以无法通过校准消除它，但可以降低信号中的总体噪声，如果添加一个第二个加速度计，并对两个读数取平均值。只要传感器之间的噪声不相关，像这样将它们融合在一起可以减少传感器数量平方根的一个因子的组合噪声。所以四个相同的传感器融合在一起的噪音只有单个传感器的一半。在这种情况下，所有组成这个非常简单的传感器融合算法是一个平均函数。还可以通过结合两种或两种以上不同类型传感器的测量数据来降低噪声，如果必须处理相关的噪声源，这将有所帮助。例如，假设试图测量你的手机相对于北方的方向。可以用手机磁强计来测量从磁北到地球的角度。然而，就像加速度计一样，这种传感器的测量也会有噪声。如果想减少噪音，可能会想再加一个磁力计。然而，至少手机内部的电子设备产生的移动磁场是噪音的一部分。这意味着每个磁力计都会受到这个相关噪声源的影响，所以平均传感器不会去除它。有两种方法可以解决这个问题:简单地将传感器移离腐蚀的磁场——这很难用手机做到——或者通过某种形式的低通滤波器来过滤测量结果，这会增加延迟，降低测量的响应度。但另一个选择是将磁强计与角速率传感器，即陀螺仪融合。陀螺仪也会有噪声，但通过使用两种不同的传感器，减少了噪声相关的可能性，这样它们就可以用来互相校准。基本原理是，如果磁力计测量到磁场的变化，陀螺仪可以用来确认旋转是来自手机的实际移动，还是仅仅来自噪音。
有几种不同的传感器融合算法可以实现这种混合，但卡尔曼滤波可能是一种比较常见的方法。卡尔曼滤波器的有趣之处在于，系统的数学模型已经构建到滤波器中。所以你可以将传感器测量和你对物理世界的了解融合在一起。
传感器融合的第二个好处是它可以增加测量的可靠性。一个明显的例子是，如果把两个相同的传感器融合在一起，就像用平均加速度计一样，那么就有一个备用的，以防其中一个失效。
当然，在这种情况下，如果一个传感器失败，就会失去测量的质量，但至少不会失去整个测量结果。还可以在混合中加入第三个传感器，融合算法可以排除任何一个传感器的数据，它产生的测量结果与其他两个不同。这里的一个例子是使用三个皮托管来可靠地测量飞机的空气速度。如果其中一个中断或读取不正确，那么使用其他两个仍然知道空速。因此，多传感器是提高可靠性的有效途径; 然而，必须注意同时影响所有传感器的单一故障模式。一架在冻雨中飞行的飞机可能会发现，所有的三个皮托管都冻结了，再多的传感器或传感器融合也无法保存测量数据。这也是将测量不同量的传感器融合在一起可以帮助解决问题的地方。这架飞机可以通过使用GPS和大气风模型估算空速来补充皮托管的空速测量数据。在这种情况下，当主传感器组件不可用时，仍然可以估计空气速度。同样，质量可能会降低，但空速仍然可以确定，这对飞机的安全很重要。丢失传感器并不总是意味着传感器失效。这可能意味着他们测量的量暂时消失了。例如，一个雷达系统正在跟踪海洋上一艘小船的位置。雷达站发出一个无线电信号，该信号从船反射回来，并将其往返旅行时间、信号的多普勒位移以及跟踪站的方位角和仰角综合起来，估算出船的位置和距离率。然而，如果一艘较大的货船进入雷达站和较小的船只之间，那么测量将立即转移到该障碍物的位置和距离率。
所以在这种情况下，不需要替代传感器类型或二次雷达跟踪站来帮助测量，因为可以使用物理世界的模型。一种算法可以开发出被跟踪物体的速度和航向模型。然后，当物体在雷达视线之外时，模型就可以接管并做出预测。当然，只有当你追踪的对象是相对可预测的，而你不需要长期依赖于你的预测时，这才有效。对于移动缓慢的船只来说，情况就是如此。
传感器融合的第三个好处是我们可以用它来估计未测量的状态。现在，重要的是要认识到，不可测量并不意味着不可测量;这只是意味着系统没有一个传感器可以直接测量感兴趣的状态。例如，一个相机不能测量物体在其视野中所有物体的距离。一个距离较远的大物体可以占用与一个距离较近的小物体相同数量的像素。但是，可以添加第二个光学传感器，并通过传感器融合，提取三维信息。融合算法从两个不同的角度对场景进行比较，并测量出两幅图像中目标之间的相对距离。因此，这两个传感器不能单独测量距离，但它们可以结合起来。
传感器融合第四个好处就是可用于扩大覆盖范围。想象一下一辆用于停车辅助的汽车上的短程超声波传感器。这些传感器可以测量到附近物体的距离，比如其他停着的汽车和路边，让你知道什么时候你就要撞上了。每个单独的传感器可能只有几英尺的范围和狭窄的视野。因此，如果汽车需要在四个方向上都有全覆盖，就需要添加额外的传感器，并将测量数据融合在一起，以产生更大的总视野。更有可能的是，这些测量结果不会被平均或以任何数学方式组合起来，因为知道哪个传感器记录了一个物体通常很有帮助，这样你就能知道这个物体相对于汽车的位置。但是，将所有这些传感器组合成一个相干系统的算法仍然是传感器融合的一种形式。所以希望你能开始看到有很多不同的方法来进行传感器融合，即使这些方法不一定有共同的算法，甚至有相同的设计目标，它们背后的一般思想是无处不在的:使用多个数据源来提高测量质量、可靠性和覆盖率，并能够估计未直接测量的状态。
获得pdf文档，请转发朋友圈，并联系小编