面向智能駕駛的多源傳感融合技術(shù)綜述

曹禮軍 魏源伯 王祎男 關(guān)瀛洲

（1.中國(guó)第一汽車股份有限公司創(chuàng)新技術(shù)研究院，長(zhǎng)春 130013;2.汽車振動(dòng)噪聲與安全控制綜合技術(shù)國(guó)家重點(diǎn)實(shí)驗(yàn)室，長(zhǎng)春 130013）

主題詞：多源 傳感融合 感知數(shù)據(jù) 關(guān)聯(lián)濾波算法 智能駕駛

縮略語

LiDAR Light Detection And Ranging

NNDA Nearest Neighbor Data Association

GNN Global Nearest Neighbor

PDA Probabilistic Data Association

JPDA Joint Probabilistic Data Association

KF Kalman Filter

EKF Extended Kalman Filter

UKF Unscented Kalman Filter

CV Constant Velocity

CA Constant Acceleration

CTRV Constant Turn Rate and Velocity

PF Particle Filter

DS Dempster Shafer

FIS Fuzzy Inference System

1 前言

近年來，智能駕駛技術(shù)發(fā)展迅速，智能駕駛汽車應(yīng)用廣泛。對(duì)于消費(fèi)者來說，智能駕駛的安全問題是其關(guān)注的首要問題，即需要保證智能駕駛感知系統(tǒng)對(duì)目標(biāo)檢測(cè)的實(shí)時(shí)性和準(zhǔn)確性。感知系統(tǒng)通過使用可覆蓋所關(guān)注重點(diǎn)區(qū)域的傳感器布局，獲取周圍環(huán)境的實(shí)時(shí)信息，進(jìn)行目標(biāo)定位和紋理信息提取，作為路徑規(guī)劃的重要輸入源。在此過程中，傳感器對(duì)感知周圍環(huán)境和定位車輛的路徑規(guī)劃和決策至關(guān)重要。目前使用的傳感器主要包括攝像頭、激光雷達(dá)、毫米波雷達(dá)。不同傳感器的性能各不相同，在不同的使用環(huán)境中可以發(fā)揮各自的優(yōu)勢(shì)。多源傳感融合技術(shù)就是從不同角度、全方位層次進(jìn)行數(shù)據(jù)關(guān)聯(lián)匹配與系統(tǒng)融合，將多個(gè)傳感器獲取的數(shù)據(jù)、信息集中在一起綜合分析，執(zhí)行相應(yīng)的信息處理，以便更加準(zhǔn)確可靠地描述外界環(huán)境，從而提高系統(tǒng)決策的正確性，使得整個(gè)感知系統(tǒng)更加智能[1]。目前，多源傳感融合技術(shù)已成為一個(gè)研究熱點(diǎn)。

多源傳感融合技術(shù)具有以下優(yōu)勢(shì)：

（1）有效擴(kuò)大了感知覆蓋范圍，可實(shí)現(xiàn)360°零死角全覆蓋；

（2）提高了感知系統(tǒng)結(jié)果的置信度，增強(qiáng)系統(tǒng)容錯(cuò)性、安全性及魯棒性；

（3）當(dāng)某個(gè)傳感器發(fā)生故障時(shí)，感知系統(tǒng)仍可以向后端輸出高置信度信息，保證了整個(gè)智能駕駛系統(tǒng)的正常運(yùn)行。

本文從3種常見傳感器的融合出發(fā)，重點(diǎn)總結(jié)智能駕駛多源傳感融合技術(shù)的研究進(jìn)展，梳理車路協(xié)同融合技術(shù)發(fā)展趨勢(shì)。

2 智能駕駛常用傳感器

傳感器在整個(gè)智能駕駛系統(tǒng)中具有至關(guān)重要的作用，其主要目的是將感受到的被測(cè)量信息按一定規(guī)律轉(zhuǎn)換為其它所需形式的信息輸出[2]。智能駕駛常用傳感器有激光雷達(dá)、攝像頭和毫米波雷達(dá)。在多源傳感融合中，各傳感器以固定的周期頻率將雷達(dá)點(diǎn)云、高分辨率視覺圖像原始信息實(shí)時(shí)傳送給感知模塊處理。

2.1 激光雷達(dá)

激光雷達(dá)（Light Detection And Ranging,LiDAR）分為機(jī)械式和固態(tài)式，主要由發(fā)射系統(tǒng)、接收系統(tǒng)、信息處理3個(gè)模塊組成，能夠準(zhǔn)確識(shí)別出障礙物具體的空間位置及輪廓信息。其工作原理是通過多線發(fā)射器不斷向四周發(fā)射光波探測(cè)信號(hào)，然后根據(jù)反射或散射光波的測(cè)量時(shí)間及反射率參數(shù)[3]進(jìn)行計(jì)算。其優(yōu)勢(shì)是探測(cè)距離較遠(yuǎn)，能達(dá)到厘米級(jí)別檢測(cè)精度，且漏識(shí)別率很低。隨著多線激光雷達(dá)的發(fā)展，其分辨率越來越高。但是，激光雷達(dá)的缺點(diǎn)如下：

（1）體積大，安裝位置比較受限；

（2）比其它2種傳感器成本高；

（3）對(duì)工作環(huán)境要求高，受天氣環(huán)境影響較大，在雨霧、風(fēng)沙等天氣時(shí)會(huì)受到極大的干擾，甚至無法工作[3]。

2.2 攝像頭

攝像頭是目前智能駕駛汽車最常用的傳感器，具有成本低、可識(shí)別目標(biāo)種類多的優(yōu)勢(shì)。根據(jù)探測(cè)精度和所負(fù)責(zé)功能范圍不同，攝像頭可分為廣角、窄角、魚眼和雙目攝像頭。在普通光照條件下，視覺感知系統(tǒng)實(shí)時(shí)獲取攝像頭拍攝的明顯幾何特征、邊界特征和灰度直方圖特征的圖像，可利用這些特征信息識(shí)別圖像中關(guān)注的車輛或行人目標(biāo)，獲得目標(biāo)在圖像上的位置、速度、尺寸和顏色狀態(tài)信息[4]。不過視覺感知技術(shù)十分依賴算法性能，而算法模型需要海量的數(shù)據(jù)進(jìn)行訓(xùn)練，對(duì)于訓(xùn)練模型有極高的性能要求，并且無法獲得更多的深度信息。此外，攝像頭受逆光、能見度等環(huán)境因素影響頗大[5]，識(shí)別準(zhǔn)確率在不同環(huán)境下會(huì)有較大波動(dòng)。

2.3 毫米波雷達(dá)

毫米波雷達(dá)是利用1～10 mm波長(zhǎng)[6]的電磁波通過振蕩器形成持續(xù)變化的信號(hào)，由發(fā)出信號(hào)和接收信號(hào)之間的頻率差來計(jì)算車輛與物體距離。毫米波雷達(dá)技術(shù)成熟、成本低、受天氣影響較小、探測(cè)距離遠(yuǎn)，并可以直接探測(cè)目標(biāo)速度，因此在智能駕駛中應(yīng)用廣泛。但毫米波雷達(dá)識(shí)別精度有限，受多普勒效應(yīng)影響，主流的毫米波雷達(dá)甚至無法判斷垂直障礙物信息，難以判斷障礙物的具體輪廓[7]，對(duì)小尺寸障礙物的判斷更加模糊，因此在更高級(jí)別的智能駕駛汽車上，通常只將其作為輔助傳感器。3種傳感器性能比較見表1。

表1 3種傳感器性能比較

目前，隨著智能駕駛商業(yè)化發(fā)展迅速，大多數(shù)車型均配有ADAS功能，其中感知模塊主要使用攝像頭、毫米波雷達(dá)、激光雷達(dá)這3種傳感器驅(qū)動(dòng)。而實(shí)際應(yīng)用中，各種傳感器均存在優(yōu)勢(shì)與不足，單一傳感器的性能無法支撐日常復(fù)雜的道路環(huán)境[8]。只有將汽車搭配多種傳感器，形成優(yōu)勢(shì)互補(bǔ)，再加上針對(duì)實(shí)際傳感器性能所開發(fā)的融合技術(shù)進(jìn)行優(yōu)化處理，才能更全面精細(xì)的獲取環(huán)境數(shù)據(jù)，并給出相對(duì)更準(zhǔn)確的處理方案。

3 多源傳感融合技術(shù)

3.1 傳感器融合

傳感器融合是智能駕駛的一個(gè)重要研究方向，是將多個(gè)傳感器采集到的數(shù)據(jù)進(jìn)行集成，減少了檢測(cè)數(shù)據(jù)的不確定性，彌補(bǔ)了單個(gè)傳感器獨(dú)立工作的缺點(diǎn)。此外，傳感器融合有助于建立一致的模型，在各種環(huán)境條件下準(zhǔn)確感知周圍環(huán)境（如攝像頭和雷達(dá)融合可以提供高分辨率的圖像和感知場(chǎng)景中檢測(cè)到的障礙物的相對(duì)速度）[9]。

針對(duì)智能駕駛汽車環(huán)境感知和目標(biāo)檢測(cè)的多傳感器融合系統(tǒng)，目前，主要有3種用于障礙物檢測(cè)的傳感器組合，包括攝像頭-激光雷達(dá)（Camera-LiDAR,CL）；攝像頭-毫米波雷達(dá)（Camera-Radar,CR）；攝像頭-激光雷達(dá)-雷達(dá)（Camera-LiDAR-Radar,CLR）傳感器組合。CR傳感器組合提供高分辨率圖像，同時(shí)獲取周圍障礙物的額外距離和速度信息。而CLR傳感器組合可以提供更大范圍的分辨率，并通過激光雷達(dá)點(diǎn)云和深度信息精確了解周圍環(huán)境，提高了整體自主駕駛的安全冗余度系統(tǒng)[2]。

3.2 數(shù)據(jù)關(guān)聯(lián)

數(shù)據(jù)關(guān)聯(lián)的目的是將多傳感器信息進(jìn)行有效的處理，從而得到比單一傳感器更加精確可靠的結(jié)果。在多源傳感融合系統(tǒng)研究中，目標(biāo)關(guān)聯(lián)問題是最為重要和最為困難的問題之一，其難點(diǎn)為：在密集復(fù)雜的環(huán)境中，很難區(qū)分相近目標(biāo)的跟蹤軌跡，需要對(duì)多傳感器的檢測(cè)數(shù)據(jù)進(jìn)行匹配關(guān)聯(lián)，進(jìn)行穩(wěn)定跟蹤[10]。文獻(xiàn)[11]闡述了數(shù)據(jù)關(guān)聯(lián)的概念，即計(jì)算當(dāng)前幀中，從檢測(cè)器檢測(cè)到的每一個(gè)觀測(cè)值與前一幀跟蹤器中可能的各種跟蹤目標(biāo)之間的關(guān)聯(lián)概率，通過概率的匹配度去關(guān)聯(lián)前后幀之間的信息，從而形成一段連續(xù)的軌跡。文獻(xiàn)[12]闡明了數(shù)據(jù)關(guān)聯(lián)的意義，即確定傳感器接收到的量測(cè)和目標(biāo)源之間的對(duì)應(yīng)關(guān)系，這種關(guān)系在傳感器觀測(cè)過程和目標(biāo)跟蹤環(huán)境中存在著各種不確定性和隨機(jī)性。

數(shù)據(jù)關(guān)聯(lián)算法，主要包括最近鄰數(shù)據(jù)關(guān)聯(lián)算法（Nearest Neighbor Data Association,NNDA）、全局最近鄰算法（Global Nearest Neighbor,GNN）、概率數(shù)據(jù)關(guān)聯(lián)算法（Probabilistic Data Association,PDA）和聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)（Joint Probabilistic Data Association,JPDA）。

3.2.1 最近鄰數(shù)據(jù)關(guān)聯(lián)

NNDA最早是由SINGGER等[13-14]于1971年提出，該算法主要核心思想為：在某一時(shí)刻的所有量測(cè)中，距離與被跟蹤目標(biāo)預(yù)測(cè)位置最近的量測(cè)應(yīng)該作為目標(biāo)的真實(shí)量測(cè)，并預(yù)測(cè)目標(biāo)在下一時(shí)刻的位置。該算法的基本思想是把關(guān)聯(lián)門看作搜索子空間，僅選取落入關(guān)聯(lián)門范圍內(nèi)且與門中心距離最近的檢測(cè)點(diǎn)，其余檢測(cè)點(diǎn)均被當(dāng)作誤檢或認(rèn)為是其它目標(biāo)的檢測(cè)結(jié)果（圖1）。

圖1 NNDA算法示意[15]

該算法運(yùn)算量小、易于實(shí)現(xiàn)，在低級(jí)別輔助駕駛中較為常用。但當(dāng)目標(biāo)的數(shù)量較多時(shí)，由于多個(gè)測(cè)量值彼此靠近，可能導(dǎo)致出現(xiàn)誤關(guān)聯(lián)、漏識(shí)別現(xiàn)象。

3.2.2 全局最近鄰算法

GNN計(jì)算距離的方法和NNDA算法思想相同，不同點(diǎn)是其通過將所有測(cè)量值與所有系統(tǒng)航跡相匹配，計(jì)算所有匹配的總風(fēng)險(xiǎn)函數(shù)，尋找使總風(fēng)險(xiǎn)函數(shù)最小的匹配值，作為與此目標(biāo)關(guān)聯(lián)的正確結(jié)果，使總的關(guān)聯(lián)代價(jià)達(dá)到了最小[16]（圖2）。由于進(jìn)行了目標(biāo)總風(fēng)險(xiǎn)函數(shù)的計(jì)算，有效降低了誤關(guān)聯(lián)現(xiàn)象，因此GNN算法的總體性能優(yōu)于NNDA。但是，GNN使用了貪婪算法的思想，只保留一個(gè)最優(yōu)關(guān)聯(lián)，拋棄了除了最優(yōu)匹配以外的所有信息，當(dāng)多個(gè)最優(yōu)的關(guān)聯(lián)方式的概率相差不大時(shí)，很容易出錯(cuò)。

圖2 不確定數(shù)據(jù)庫(kù)中的GNN查詢[17]

3.2.3概率數(shù)據(jù)關(guān)聯(lián)算法

PDA是一種次優(yōu)濾波方法，通過對(duì)新的測(cè)量值進(jìn)行分解，來解決復(fù)雜噪聲環(huán)境中的目標(biāo)航跡的跟蹤問題。該算法把所有測(cè)量值假設(shè)并合成為一個(gè)高斯分布，并根據(jù)不同的實(shí)際情況計(jì)算出各測(cè)量值匹配目標(biāo)的概率，然后利用這些概率值對(duì)相關(guān)門限內(nèi)的不同測(cè)量值進(jìn)行加權(quán)，各個(gè)候選測(cè)量值的加權(quán)和作為等效測(cè)量值。這也意味著要把所有可能關(guān)聯(lián)的概率都算出來，因此，計(jì)算數(shù)據(jù)關(guān)聯(lián)的可能性是一個(gè)組合問題，數(shù)據(jù)關(guān)聯(lián)的次數(shù)就是所有可能組合的數(shù)量，即所有可能組合的都需要計(jì)算，因此數(shù)據(jù)運(yùn)算量相對(duì)較大。

3.2.4 聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)

JPDA的基本思想是通過利用目標(biāo)航跡周圍門限內(nèi)的測(cè)量值來聯(lián)合更新狀態(tài)。對(duì)于測(cè)量數(shù)據(jù)落入跟蹤門限相交區(qū)域的情況，這些數(shù)據(jù)無法確定來自于哪個(gè)觀測(cè)目標(biāo)，而JPDA在此時(shí)認(rèn)為測(cè)量值都以一定的概率值來源于門限內(nèi)每個(gè)系統(tǒng)航跡目標(biāo)，并利用落在門限內(nèi)的當(dāng)前周期測(cè)量航跡，計(jì)算測(cè)量航跡和相應(yīng)系統(tǒng)航跡的關(guān)聯(lián)概率，利用關(guān)聯(lián)概率對(duì)當(dāng)前測(cè)量航跡求加權(quán)來修正航跡，將跟蹤過程系統(tǒng)航跡與測(cè)量值的匹配概率當(dāng)作權(quán)值（圖3）。JPDA與PDA最大的區(qū)別是對(duì)于關(guān)聯(lián)概率計(jì)算方式不同。JPDA優(yōu)點(diǎn)是不需要目標(biāo)與噪聲任何的先驗(yàn)信息，是在密集環(huán)境中對(duì)多目標(biāo)進(jìn)行跟蹤較好的方法之一。但由于數(shù)據(jù)運(yùn)算量更大，當(dāng)目標(biāo)數(shù)量和噪聲過多時(shí)，系統(tǒng)運(yùn)算量可能出現(xiàn)組合爆炸現(xiàn)象。

圖3 JDPA算法場(chǎng)景示意[15]

4 多源傳感融合的核心算法

在多源數(shù)據(jù)融合中，首先根據(jù)上文所述的數(shù)據(jù)關(guān)聯(lián)技術(shù)進(jìn)行測(cè)量值與系統(tǒng)航跡匹配，得到實(shí)時(shí)值后，結(jié)合多源傳感融合的核心濾波算法進(jìn)行定周期更新。在實(shí)際應(yīng)用中，可根據(jù)情況判斷是否為線性或非線性條件、高斯或非高斯環(huán)境，結(jié)合使用前述的數(shù)據(jù)關(guān)聯(lián)技術(shù)，來選擇具體的濾波算法。

多源傳感融合的核心算法可分為概率統(tǒng)計(jì)算法和邏輯推理算法。其中，概率統(tǒng)計(jì)算法包括：多貝葉斯估計(jì)法、卡爾曼濾波算法（Kalman Filter,KF）、擴(kuò)展卡爾曼濾波算法（Extended Kalman Filter，EKF）、無跡卡爾曼濾波算法（Unscented Kalman Filter，UKF）、粒子濾波算法；邏輯推理算法包括：證據(jù)理論推理（Dempster Shafer，DS）、模糊推理（Fuzzy Inference System，F(xiàn)IS）。不同的算法有不同的優(yōu)缺點(diǎn)及各自適用環(huán)境，常用多源傳感融合邏輯見圖4。

圖4 常用融合邏輯示意

4.1 概率統(tǒng)計(jì)算法

基于概率統(tǒng)計(jì)的數(shù)據(jù)融合算法技術(shù)成熟，使用概率組合估計(jì)來處理不確定性的隨機(jī)分布，已經(jīng)廣泛應(yīng)用在智能駕駛系統(tǒng)中。

4.1.1 多貝葉斯估計(jì)法

多貝葉斯估計(jì)法的主要思想是對(duì)測(cè)量數(shù)據(jù)的不確定性以條件概率表示，將傳感器實(shí)時(shí)測(cè)量信息以概率形式進(jìn)行組合，該方法在簡(jiǎn)單環(huán)境中較為常用。為了評(píng)估每組傳感器輸出數(shù)據(jù)的可靠性，一般認(rèn)為每個(gè)傳感器輸出的目標(biāo)數(shù)據(jù)是滿足正態(tài)分布的，這也是自然界常見的噪聲分布。通過定義每組傳感器數(shù)據(jù)間的數(shù)據(jù)距離置信度，得到一個(gè)置信距離矩陣，設(shè)定一個(gè)臨界值對(duì)每個(gè)置信距離進(jìn)行可靠性判定，得到一個(gè)二值關(guān)系矩陣，由此關(guān)系矩陣對(duì)多傳感器數(shù)據(jù)進(jìn)行選擇，產(chǎn)生一個(gè)數(shù)據(jù)作為最佳融合數(shù)。最后將待測(cè)數(shù)據(jù)的均值、方差和最佳融合數(shù)對(duì)應(yīng)的測(cè)量值和方差代入貝葉斯估計(jì)公式計(jì)算得到融合結(jié)果[18]，貝葉斯估計(jì)多用于多組同源傳感器的數(shù)據(jù)融合。

4.1.2 卡爾曼濾波算法

卡爾曼濾波算法（Kalman Filter,KF）是1960年由匈牙利著名數(shù)學(xué)家卡爾曼率先提出的一種經(jīng)典算法，適合應(yīng)用于線性高斯系統(tǒng)[19]。該方法的主要思想為，通過最優(yōu)化自回歸的方式來處理先驗(yàn)預(yù)測(cè)結(jié)果和觀測(cè)的數(shù)據(jù)，并判斷觀測(cè)模型是否符合高斯的模型范圍。在估計(jì)線性高斯系統(tǒng)狀態(tài)中，以最小均方差或者貝葉斯公式為最佳估計(jì)準(zhǔn)則，采用信號(hào)與噪聲的狀態(tài)空間模型，利用前一時(shí)刻的估計(jì)值和當(dāng)前時(shí)刻的觀測(cè)值來更新對(duì)狀態(tài)變量的估計(jì)，求出當(dāng)前時(shí)刻的估計(jì)值，算法根據(jù)建立的系統(tǒng)方程和觀測(cè)方程對(duì)需要處理的信號(hào)做出滿足最小均方差的估計(jì)。

4.1.3 擴(kuò)展卡爾曼濾波算法

擴(kuò)展卡爾曼濾波算法（Extended Kalman Filter，EKF）屬于卡爾曼濾波的一種變體，主要思想是使用了線性變換來近似非線性變換，利用一階泰勒級(jí)數(shù)對(duì)運(yùn)動(dòng)模型和觀測(cè)模型展開來進(jìn)行近似線性化，通常情況下保留到一階項(xiàng)或二階項(xiàng)并舍棄其余項(xiàng)，再利用經(jīng)典卡爾曼濾波公式進(jìn)行計(jì)算。在狀態(tài)估計(jì)中，擴(kuò)展卡爾曼濾波是計(jì)算狀態(tài)向量的最大似然估計(jì)的標(biāo)準(zhǔn)方法，提供最優(yōu)項(xiàng)的“低階”近似解。然而，這種近似方式會(huì)在計(jì)算高斯噪聲的后驗(yàn)均值和協(xié)方差時(shí)產(chǎn)生較大誤差，最終可能導(dǎo)致濾波算法發(fā)散[20]。

4.1.4 無跡卡爾曼濾波算法

無跡卡爾曼濾波（Unscented Kalman Filter，UKF）也是經(jīng)典卡爾曼濾波算法的另一種變體，與EKF的線性化近似不同，它將EKF中非線性函數(shù)線性化的方法替換成無跡變換。通過在原狀態(tài)分布中按制定規(guī)則選取采樣點(diǎn)，這些點(diǎn)的均值和協(xié)方差需要等于原狀態(tài)分布，即利用一個(gè)與非線性函數(shù)的分布期望、方差相近的正態(tài)分布去近似概率密度分布，從而通過這些非線性函數(shù)值點(diǎn)集，求得變換后的均值和協(xié)方差。在這個(gè)過程中保留了非線性系統(tǒng)的高階項(xiàng)，計(jì)算精度較高[21]，至少有二階精度，對(duì)于高斯分布可達(dá)三階。UKF最初用于狀態(tài)估計(jì)問題，并且已經(jīng)被廣泛應(yīng)用于需要全狀態(tài)反饋的非線性控制場(chǎng)景。

4.1.5 粒子濾波算法

KF、EKF和UKF都適用于高斯條件，核心思想都采用了高斯分布去逼近計(jì)算中的某些狀態(tài)。但某些實(shí)際情形如果是嚴(yán)重非高斯的，則將可能出現(xiàn)誤差，所以粒子濾波算法采用了另外的方式去逼近，可適用于非線性非高斯環(huán)境。該算法也稱作“序貫蒙特卡羅方法”，為了估計(jì)目標(biāo)的狀態(tài)，設(shè)定了大量的具有獨(dú)立對(duì)目標(biāo)狀態(tài)估計(jì)能力的加權(quán)粒子表征其估計(jì)值，經(jīng)每一周期會(huì)進(jìn)行獨(dú)立更新。在實(shí)際應(yīng)用中，某些系統(tǒng)環(huán)境狀態(tài)發(fā)生頻率高，某些特殊狀態(tài)頻率極少，所以很多情況下，會(huì)出現(xiàn)幾個(gè)粒子最終共享相同的狀態(tài)估計(jì)的情形。因此，大多數(shù)粒子共享的狀態(tài)為目標(biāo)最有可能的狀態(tài)。當(dāng)檢測(cè)到目標(biāo)時(shí)粒子濾波算法啟動(dòng)，隨即創(chuàng)建若干粒子來表示。系統(tǒng)每周期接收到新的測(cè)量航跡時(shí)，粒子濾波算法將通過以下3個(gè)步驟對(duì)所有粒子執(zhí)行狀態(tài)估計(jì)進(jìn)行更新：

（1）所有的粒子都使用一個(gè)事先設(shè)定好的運(yùn)動(dòng)模型，這個(gè)運(yùn)動(dòng)模型上文卡爾曼濾波介紹的模型相似，不一定是線性的；

（2）賦予新計(jì)算出的粒子以權(quán)值。通過粒子狀態(tài)估計(jì)的擬合由測(cè)量值構(gòu)建的概率密度函數(shù)的方式來確定該權(quán)值，這里的概率密度函數(shù)是通過以每個(gè)測(cè)量值為中心的正態(tài)分布而建立的，特征依賴于傳感器的預(yù)先定義的誤差模型；

（3）進(jìn)行重采樣，這一步的目的是創(chuàng)建與第二步相同數(shù)量的新粒子，使用與第二步中計(jì)算的相同的概率密度函數(shù)，這時(shí)所有粒子共享相同的權(quán)重。這一點(diǎn)很重要，在下一次迭代的預(yù)測(cè)和加權(quán)步驟中，所有粒子都可以被同等對(duì)待。這里權(quán)值較高的粒子即為最有可能代表目標(biāo)的粒子，會(huì)被多次選擇，而權(quán)重較低的粒子則不太可能代表目標(biāo)，通常會(huì)將其舍棄。目前有多種重采樣技術(shù)，常用的有多項(xiàng)重采樣，分層重采樣，系統(tǒng)重采樣，殘差重采樣等。

對(duì)于上文中提及的概率統(tǒng)計(jì)算法中的狀態(tài)預(yù)測(cè)過程，在實(shí)際用于車輛狀態(tài)跟蹤時(shí)，可根據(jù)實(shí)際情況選擇不同的運(yùn)動(dòng)模型來對(duì)車輛目標(biāo)的狀態(tài)進(jìn)行預(yù)測(cè)，得到狀態(tài)更新的先驗(yàn)信息。不同的運(yùn)動(dòng)模型是對(duì)實(shí)際車輛目標(biāo)的運(yùn)動(dòng)過程進(jìn)行一定的簡(jiǎn)化來建構(gòu)的，其中包括一次運(yùn)動(dòng)模型和更高級(jí)的二次運(yùn)動(dòng)模型。常用的有恒定速度（Constant Velocity,CV）模型、恒定加速度（Constant Acceleration,CA）模型、恒定轉(zhuǎn)率和速度（Constant Turn Rate and Velocity,CTRV）模型。具體描述如下：

（1）恒定速度模型：模型的速度恒定不變；

（2）恒定加速度模型：模型的加速度恒定不變；

（3）恒定轉(zhuǎn)率和速度模型：CTRV實(shí)際上是CV的一般形式，當(dāng)該模型角速度等于0時(shí)，就是CV的形式。CTRV模型假設(shè)對(duì)象沿直線前進(jìn)，同時(shí)還能以固定的轉(zhuǎn)彎速率和恒定的速度移動(dòng)，可以看作一段圓弧運(yùn)動(dòng)。

4.2 邏輯推理算法

基于邏輯推理的數(shù)據(jù)融合方法具有比較強(qiáng)的理論基礎(chǔ)，能處理隨機(jī)性或模糊性所導(dǎo)致的數(shù)據(jù)不確定性。但該類方法未大規(guī)模應(yīng)用，尚處在科研探索過程。

4.2.1 證據(jù)推理

證據(jù)推理（Dempster Shafer,DS）方法是多貝葉斯估計(jì)的一種擴(kuò)展形式，可以在沒有先驗(yàn)概率的情況下，靈活并有效地對(duì)不確定性建模，克服了多貝葉斯估計(jì)數(shù)據(jù)融合的缺陷。該方法的核心思想是，把包含不確定信息的數(shù)據(jù)和合成規(guī)則相結(jié)合，將多源數(shù)據(jù)所表征的信息綜合起來，得到更為可靠有效的結(jié)論[22]。但DS推論需要對(duì)假設(shè)空間中的每一種假設(shè)都分配概率，各組合規(guī)則的合理性、正確性、完整性都對(duì)處理結(jié)果有很大影響，需要建立多方面的專家經(jīng)驗(yàn)知識(shí)[23]，因此該方法需要進(jìn)一步探索。

4.2.2 模糊推理

模糊推理方法（Fuzzy Inference System,FIS）的核心思想是使用隸屬度函數(shù)來評(píng)估各組傳感器數(shù)據(jù)的置信度，將傳感器數(shù)據(jù)的不確定性直接表示在其推理過程中。與概率統(tǒng)計(jì)方法相比，它對(duì)信息和處理的方式更加接近于人類的思維方式。模糊推理數(shù)據(jù)融合簡(jiǎn)潔實(shí)用，不需要傳感器歷史數(shù)據(jù)來提供先驗(yàn)信息，因此只需要傳感器提供單次測(cè)量數(shù)據(jù)即可，多適用于多組同源傳感器的單次數(shù)據(jù)融合。

5 多源傳感融合體系

目前，多源傳感融合根據(jù)融合層級(jí)不同，主要分為：數(shù)據(jù)級(jí)融合、特征級(jí)融合和決策級(jí)融合。

5.1 數(shù)據(jù)級(jí)融合

數(shù)據(jù)級(jí)融合也可稱為像素級(jí)融合[24]，針對(duì)的是感知系統(tǒng)中的數(shù)據(jù)處理階段，對(duì)各種傳感器的原始數(shù)據(jù)未經(jīng)與處理之前就進(jìn)行數(shù)據(jù)的融合與分析（圖5）。數(shù)據(jù)層融合一般是采用集中式融合體系進(jìn)行融合處理，是最底層的融合，在3種融合方案中，是具有最小的數(shù)據(jù)丟失和最高的可靠性，可以獲取到檢測(cè)目標(biāo)的較完整的信息，同時(shí)還可以準(zhǔn)確的獲取到目標(biāo)的位置信息，常用于攝像頭和激光雷達(dá)或毫米波雷達(dá)的融合，最普遍的方式是將點(diǎn)云投影到圖像，然后檢查點(diǎn)云是否屬于圖像中檢測(cè)的2D目標(biāo)框。該方案在獲取原始數(shù)據(jù)，并進(jìn)行底層融合時(shí)，對(duì)硬件平臺(tái)的算力要求很高，故目前應(yīng)用主要以科學(xué)研究為主。

圖5 數(shù)據(jù)級(jí)融合[1]

5.2 特征級(jí)融合

該方法通過提取所采集數(shù)據(jù)包含的特征向量，用來體現(xiàn)所監(jiān)測(cè)物理量的屬性，這是面向監(jiān)測(cè)對(duì)象特征的融合，一般在獲取原始數(shù)據(jù)并進(jìn)行特征提取后進(jìn)行（圖6）。對(duì)傳感器融合后的特征信息進(jìn)行卷積與池化處理后將得到帶有傳感器特征信息的數(shù)據(jù)集，對(duì)數(shù)據(jù)集進(jìn)行標(biāo)注與訓(xùn)練后得到最終的識(shí)別模型，最后調(diào)用訓(xùn)練得到的模型對(duì)各傳感器數(shù)據(jù)進(jìn)行識(shí)別[25]，判斷目標(biāo)是否為待檢測(cè)的目標(biāo)類型。

圖6 特征級(jí)融合[1]

5.3 決策級(jí)融合

該方法通過特征級(jí)融合所得到的數(shù)據(jù)特征，進(jìn)行一定的判別、分類，以及簡(jiǎn)單的邏輯運(yùn)算，根據(jù)應(yīng)用需求進(jìn)行較高級(jí)的決策，從而產(chǎn)生面向應(yīng)用的融合[26]（圖7）。對(duì)每個(gè)模態(tài)數(shù)據(jù)訓(xùn)練單獨(dú)的模型，而后綜合每個(gè)模型的結(jié)果獲得輸出。由于后期融合需要為每個(gè)模態(tài)提供單獨(dú)的模型，因此能夠更好地針對(duì)不同模態(tài)數(shù)據(jù)特點(diǎn)進(jìn)行建模[27]，并且能夠應(yīng)對(duì)某些模態(tài)的部分?jǐn)?shù)據(jù)缺失和數(shù)據(jù)間的異步性，但同時(shí)丟失了特征層面的數(shù)據(jù)關(guān)聯(lián)性，通常具有更高的實(shí)現(xiàn)難度。

圖7 決策級(jí)融合[1]

6 結(jié)束語

本文總結(jié)了在智能駕駛汽車中常用的多源傳感融合技術(shù)研究現(xiàn)狀，并總結(jié)出以下發(fā)展趨勢(shì)：

（1）通過對(duì)多源數(shù)據(jù)融合算法的優(yōu)化有利于提高感知實(shí)時(shí)性；

（2）未來傳感器將具有預(yù)判能力，可提高在復(fù)雜環(huán)境下工作的準(zhǔn)確性；

（3）盡量避免各種算法之間產(chǎn)生干擾，增強(qiáng)魯棒性。

當(dāng)前商業(yè)化應(yīng)用的主流融合方式為決策級(jí)融合，通過分布式傳感器的硬件配置和集成了智能駕駛軟件的域控制器，運(yùn)用高效的數(shù)據(jù)關(guān)聯(lián)技術(shù)實(shí)時(shí)更新感知結(jié)果，既最大程度保留每個(gè)傳感器的優(yōu)勢(shì)，又盡可能互相彌補(bǔ)其劣勢(shì)，極大提升了整體系統(tǒng)的魯棒性和整車安全性，確保滿足后端決策系統(tǒng)所需信息的實(shí)時(shí)性和高精度。隨著芯片算力的極大提升，正逐步探索精度更高的數(shù)據(jù)級(jí)和特征級(jí)融合方式，目的是使融合處理系統(tǒng)獲取到的特征信息失真盡可能降到最低，提高復(fù)雜環(huán)境下的準(zhǔn)確性。

但是，僅憑傳統(tǒng)單車智能的有限傳感器手段，無法從更廣范圍、更多樣化的動(dòng)態(tài)交通環(huán)境中滿足駕駛決策需求，隨著通信技術(shù)的升級(jí)和智慧城市道路的建設(shè)，未來智能汽車會(huì)將單車智能與車路協(xié)同相融合，更多維滿足智能汽車的安全性。