智能网联汽车环境感知技术 课件 单元4-2+多传感器融合理论认知

单元4-2多传感器融合理论认知CATALOGUE目录4.2.1多传感器融合的体系架构与级别分类4.2.2多传感器融合的算法4.2.3多传感器融合方案014.2.1多传感器融合的体系架构与级别分类1.多传感器融合的体系架构集中式集中式将各传感器获得的原始数据直接送至信息融合中心进行融合处理，可以实现实时融合。优点是数据处理的精度高，算法灵活；缺点是对处理器的要求高，可靠性较低，数据量大，故难以实现。混合式混合式多传感器信息融合框架中，部分传感器集中式融合，剩余传感器分布式融合。混合式融合框架适应性强，兼顾集中式和分布式融合优点，稳定性强，但结构复杂，加大了通信和计算代价。分布式先对各个独立传感器所获得的原始数据进行局部处理，再送入信息融合中心优化组合得最终结果。分布式对通信带宽的需求低，计算速度快，可靠性和延续性好，但跟踪的精度却远没有集中式高。030201数据级数据级融合接收传感器采集的环境数据，仅经初步操作，保留数据特性，信息丰富、精度高，利于后续分析，确保环境特征提取准确。但原始数据信息量大，要求系统具备分辨信息优劣的能力。2.多传感器融合的级别分类特征级融合特征级融合先提取环境特征，再融合传感器特征信息，减少了信息量，提高了处理速度，减少了决策层计算量和数据冗余。但这种方法舍弃了许多环境数据，仅保留了关键特征信息。决策级融合决策级融合是对传感器最终检测结果进行融合，实时性高，容错性好，但处理烦琐。融合级别的选择需根据行驶工况和需求来定，有时需组合多种融合方式，并兼顾处理速度、融合精度。3.多传感器后融合与前融合后融合后融合技术中，每个传感器独立输出探测数据，处理后融合汇总感知结果。如相机和激光雷达分别生成目标列表，最后通过合适算法融合这些数据，实现综合感知。前融合技术前融合技术直接在原始数据层面融合所有传感器信息，实现感知功能后输出探测目标。这种方式只需设计一种感知算法，处理包含丰富信息的融合数据，提高感知精确度。前融合优势前融合技术因在原始数据层面融合信息，检测精度高于后融合，发展前景更广阔。面对部分探测目标，前融合能获取更完整信息，提高识别可靠性，避免数据丢失。024.2.2多传感器融合的算法加权平均法概述信号级融合方法最简单直观的方法是加权平均法，将一组传感器提供的冗余信息进行加权平均，结果作为融合值。方法特点加权平均法是一种直接对数据源进行操作的方法，能够有效地融合传感器提供的信息，为实际应用提供更为准确和全面的数据支持。1.加权平均法自动驾驶应用自动驾驶汽车融合感知算法主要采用卡尔曼滤波算法，通过线性系统状态方程和输入输出观测数据，实现系统状态的最优估计。卡尔曼滤波法概述主要用于融合低层次实时动态多传感器冗余数据，通过测量模型的统计特性递推，决定统计意义下的最优融合和数据估计。适用范围如果系统具有线性动力学模型，且系统与传感器的误差符合高斯白噪声模型，卡尔曼滤波将为融合数据提供唯一统计意义下的最优估计。优点与问题卡尔曼滤波的递推特性使系统处理无须大量的数据存储和计算；但是存在冗余信息导致的计算量剧增和故障污染问题。2.卡尔曼滤波法多贝叶斯估计法是将每一个传感器作为一个贝叶斯估计，把各单独物体的关联概率分布合成一个联合的后验概率分布函数。多贝叶斯估计法概述通过使联合分布函数的似然函数为最小，提供多传感器信息的最终融合值，融合信息与环境的一个先验模型以提供整个环境的一个特征描述。融合方法3.多贝叶斯估计法D-S证据推理法概述D-S证据推理法是贝叶斯推理的扩充，包含基本概率赋值函数、信任函数和似然函数三个基本要点。D-S证据推理法结构D-S证据推理法的推理结构是自上而下的，分为目标合成、推断和更新三级，以合并传感器观测结果并优化可靠性。4.D-S证据推理法模糊集合与数据融合模糊集合理论对于数据融合的实际价值在于它外延到模糊逻辑，使用多值逻辑推理和模糊集合理论的演算来实现数据融合。模糊逻辑与多值逻辑模糊逻辑是多值逻辑的一种，通过0到1之间的实数表示真实度，允许将多个传感器信息融合过程中的不确定性直接表示在推理过程中。逻辑推理的优点与概率统计方法相比，逻辑推理更接近人类的思维方式，适合高层次应用（如决策）。但逻辑推理本身还不够成熟和系统化。5.模糊逻辑推理神经网络与数据融合神经网络具有很强的容错性以及自学习、自组织及自适应能力，能够模拟复杂的非线性映射，满足多传感器数据融合技术处理的要求。6.人工神经网络法神经网络与不确定性多传感器系统中，信息源所提供环境信息具有不确定性，对这些不确定信息的融合过程是一个不确定性推理过程。神经网络与推理机制神经网络根据当前系统所接受的样本相似性确定分类标准，表现在网络的权值分布上，同时可以采用学习算法来获取知识，得到不确定性推理机制。034.2.3多传感器融合方案1.激光雷达与视觉传感器融合视觉传感器视觉传感器价格低廉，但易受环境光影响，可靠性较低；它能进行车道线检测、障碍物检测和交通标志的识别。激光雷达激光雷达探测距离远，对物体运动判断精准，可靠性高，但价格高；它可以进行路沿检测、动态和静态物体识别、定位和地图创建。物体识别与标定视觉传感器和激光雷达分别对物体进行识别后，再进行标定；对于安全性要求100%的无人驾驶汽车，两者的融合将是未来的互补方案。2.激光雷达和毫米波雷达融合01毫米波雷达成为ADAS的核心传感器，具有体积小、质量轻、空间分辨率高等特点，穿透雾、烟、灰尘的能力强，弥补了激光雷达的不足。毫米波雷达受制于波长，探测距离有限，无法感知行人，且对周边障碍物建模不准确，这恰是激光雷达的强项。激光雷达和毫米波雷达不仅可以在性能上实现互补，还可以大大降低使用成本，为无人驾驶的开发提供一个新的选择。0203毫米波雷达毫米波雷达的局限互补优势识别能力强视觉传感器和毫米波雷达的融合系统具有强大的识别能力，能够应对各种复杂对象，包括行人、车辆、道路标志等。可靠性通过视觉传感器和毫米波雷达的数据融合，可以有效提高目标识别的可靠性，使系统能够更准确地判断目标物体的真实性和可信度。互补性视觉