1.4.2 多传感器信息融合

根据数据处理方法的不同，多传感器信息融合系统的体系结构可以分为，分布式、集中式和混合式。表1-1给出了多传感器信息融合系统3种不同体系结构的性能对比。

（1）分布式

分布式结构在各独立节点都设置了相应的处理单元，用于初步处理传感器获取的原始信息，然后再送入统一的信息融合中心，配合数据融合算法进行多维优化、组合、推理，以获取最终结果。该结构计算速度快，在某一传感器失灵的情况下仍能继续工作，可靠性更高，适用于远距离传感器信息反馈，但在低通信带宽中传输会造成一定损失，精度较低。

（2）集中式

在集中式结构中，多个传感器获取的原始数据不需要进行任何处理，直接送入信息融合中心。该结构的优点是具有较高的融合精度、算法多样、实时性好；缺点是数据流向单一，缺少底层传感器之间的信息交流，并且由于处理中心运算量大，需要维护较大的集中数据库，降低了工作速度，增加了硬件成本。

（3）混合式

混合式同时具有分布式和集中式两种结构，兼顾两者的优点，能够根据不同需要灵活且合理地完成信息处理工作，但是对结构设计要求高，降低了系统的稳定性。

下面介绍分布式融合过程，通过将来自不同传感器的轨迹相互关联并融合以获得目标轨迹，从而解决了单传感器信号延迟、丢包等问题。

首先，对车辆系统进行建模如下：

式中，x_k为k时刻n维状态向量；为k时刻第i个传感器的观测向量；f（x_k-1）为系统的过程函数；hi（x_k-di）为第i个传感器的观察时间延迟；d_i为时间延迟参数，当无法估计时间延迟时，d_i被假定为常数且0≤d_i≤1；为第i个传感器的观测损失函数，满足伯努利分布；w_k-1为协方差矩阵Q（k）为零均值高斯白噪声的过程噪声矩阵；为第i个传感器观察到的协方差矩阵R（k）为零均值高斯白噪声的测量噪声矩阵。

雷达和相机测量数据的状态估计值可以通过如下的贝叶斯公式计算：

完成第k-1步的状态更新后，须计算下一个时间步骤的系统预测函数：

式中，Γ（x_k，d_i，w_k）为具有时间间隔d_i的系统过程函数。

考虑时间延迟的观测补偿为

系统补偿后的新观测值为

式中，A（d_i）为维度观测延迟的补偿矩阵。

基于系统模型，具有无损观测值和延迟补偿的传感器的最优估计值可以用信息滤波来表示：

为消除融合中心更新方程中的测量信息，提出了一种集中式融合方法。该融合方法通过矩阵变换得到全局最优估计值，则融合结果为

综上，智能网联汽车具有系统集成度高、可靠性要求高等特性。因此，依靠多种传感器数据融合来提升环境感知能力，是智能网联汽车环境感知技术未来发展趋势[21]。不同的车载传感器都有优势和劣势：相机提供的图像数据信息密度大，拥有丰富的颜色、纹理信息，但其动态范围（dynamic range）较低及被动感光的特性，使其在弱光（low light）及高对比度光线条件场景下很难捕捉足够的视觉信息；激光雷达生成的三维点云可以提供精确的三维信息，但点云较为稀疏，同时在雾气、雨滴、雪花、汽车尾气、反射等场景下容易形成虚假点（mist/reflection points）；毫米波雷达有效射程较远，有能力直接观测物体速度，对环境噪声有比较好的鲁棒性，但信息稀疏且存在反射性过强和多普勒歧义问题，使得在通过隧道、大桥等场景下雷达探测可信性降低。不同的传感器特性不同，失效模式（failure mode）相对彼此正交，因此传感器数据融合会增加冗余度，有助于提高系统鲁棒性和可靠性。