物流技术网

　　【物流设备网 行业动态】传感器是汽车感知周围的环境的硬件基础，在实现自动驾驶的各个阶段都*。自动驾驶离不开感知层、控制层和执行层的相互配合。摄像头、雷达等传感器获取图像、距离、速度等信息，扮演眼睛、耳朵的角色。目前自动驾驶的安全事故原因绝大多数出现在传感器这个重要环节，将各类传感器融合在一起，能否就能起到1+1>2的效果呢？
 

　　多传感器融合是必然趋势
 

　　通过增加传感器的数量，并让多个传感器融合来提高自动驾驶能力。多个同类或不同类传感器分别获得不同局部和类别的信息，这些信息之间可能相互补充，也可能存在冗余和矛盾，而控制中心终只能下达正确的指令，这就要求控制中心必须对多个传感器所得到的信息进行融合，综合判断。
 

　　在使用多个传感器的情况下，要想保证安全性，就必须对传感器进行信息融合。多传感器融合可显著提高系统的冗余度和容错性，从而保证决策的快速性和正确性，是自动驾驶的必然趋势。
 

　　当然，要实现传感器融合，也是有前提条件的。硬件层面，数量要足够，也就是不同种类的传感器都要配备，才能够保证信息获取充分且有冗余；软件层面，算法要足够优化，数据处理速度要够快，且容错性要好，才能保证终决策的快速性和正确性。
 

　　每种传感器都有自己无法克服的缺陷，因此数量的增加无法解决实际的问题。真正的解决之道是综合不同传感器采集到的信息。而目前的雷达技术在分辨率上也有些不合格，可以说每种传感器都有自己的软肋。
 

　　想做到的传感器融合，就要接受不同传感器的输入，并利用综合信息更准确的感知周边环境，其得出的结果比不同传感器各自为战要好得多。将不同传感器进行融合还能换来一定程度的冗余，即使某个传感器出了问题也不会影响车辆的安全。
 

　　目前车辆上搭载的大多数ADAS系统都是独立运作的，这就意味着它们不会与其他车辆上的系统交换信息。此外，车上的后置摄像头、360度全景系统、雷达和前置摄像头都有自己的独立任务，它们之间几乎没有交流。
 

　　给车辆安装这些独立系统后，司机就能获知更多信息，车辆也能实现少数自动驾驶功能。不过，我们也可以对这些传感器进行融合，实现更为强悍的功能。
 

　　①后置摄像头+超声波距离传感器这项配置在现售车辆上早已不再新鲜，倒车时它能用警报声提醒我们车辆离周边物体还有多远。
 

　　在这套新系统中，后置摄像头能让司机看清车辆后方情况，而机器视觉算法则负责探测车辆后方物体或马路牙子。超声波距离传感器则是辅助设备，它能在在没有任何照明的夜晚帮司机顺利倒车入库。
 

　　②前置摄像头+多模前置雷达能产生意想不到的效果。前置雷达能探测到150米范围内物体的移动速度和距离，而且它几乎不受天气情况影响。摄像头则负责发现并辨别前方物体，比如读取街道上的交通标识和红绿灯。
 

　　虽然一些ADAS功能只靠单个传感器或独立系统就能实现，但一旦遇到不可预知的情况，车辆就会变得手忙脚乱。反观能支持更复杂自动驾驶功能的传感器融合，就可大幅降低车辆的误报和漏报率。
 

　　传感器融合的体系结构
 

　　对自动驾驶汽车而言，没有必须将哪几类传感器数据融合在一起的说法。传感器数据间的融合可以有多种组合。处于中间过程的传感器融合将会产生各种假设和转变。
 

　　因为多传感器的使用会使需要处理的信息量大增，这其中甚至有相互矛盾的信息，如何保证系统快速地处理数据，过滤无用、错误信息，从而保证系统终做出及时正确的决策十分关键。
 

　　多传感器融合在硬件层面并不难实现，重点和难点都在算法上。多传感器融合软硬件难以分离，但算法是重点和难点，拥有很高的技术壁垒，因此算法将占据价值链的主要部分。
 

　　算法是多传感器融合的核心。传感器融合就是将多个传感器获取的数据、信息集中在一起综合分析以便更加准确可靠地描述外界环境，从而提高系统决策的正确性。
 

　　随着传感器技术、成像技术、雷达、LiDAR、电子设备和人工智能技术的进步，数十种*驾驶辅助系统(ADAS)功能已得以实现，包括防撞、盲点监测、车道偏离报警和停车辅助。
 

　　①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，然后再将结果送入信息融合中心进行智能优化组合来获得终的结果。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。
 

　　②集中式：集中式将各传感器获得的原始数据直接送至*处理器进行融合处理，可以实现实时融合。其数据处理的精度高，算法灵活，缺点是对处理器的要求高，可靠性较低，数据量大，故难于实现。
 

　　③混合式：混合式多传感器信息融合框架中，部分传感器采用集中式融合方式，剩余的传感器采用分布式融合方式。混合式融合框架具有较强的适应能力，兼顾了集中式融合和分布式的优点，稳定性强。
 

　　传感器融合的要素和流程
 

　　关于传感器和传感器融合需要考虑的因素：成本、体积、重量、可拓展性、可靠性、制冷、安装、空间、故障自检、报告、容错性、灵活性、冗余性、反戏弄。
 

　　通过传感器融合同步运行，以允许全自动驾驶车辆或无人驾驶车辆对周围环境检测，并警告驾驶员潜在的道路危险，甚至可以采取独立于驾驶员的规避动作来避免碰撞。
 

　　①驾驶中雷达图像被捕获，负责雷达单元的电子控制单元(ECU)花很短的时间对捕捉到的图像进行预处理。然后借助控制区域网络(CAN)，把图像发送到传感器融合中心。在区域网络传输图像，以及接受信息都要花时间。
 

　　②同时传感器融合中心也会接受来自摄像头、超声波传感器和激光雷达传感器的数据。传感器融合处理了所有这些数据，又需要短暂时间。
 

　　③终结果被传到人工智能上，需要对其进行处理，并更新环境模型。这需要时间。
 

　　④通过控制区域网络(CAN)，人工智能向汽车控制系统发出指令，这需要时间来完成。
 

　　⑤控制系统接收命令，明确它要做什么，继而采取实际行动。
 

　　算法和成本因素是关键所在
 

　　目前企业都在积极寻找传感器融合的方法，推出的解决方案也不尽相同，但尚未出现一种经过验证、可靠的方案。因为传感器融合是一个不断推进的过程，难点有不少。
 

　　①不同类型传感器的优缺点不同，获取的信息量巨大，要保证终融合结果及时、准确，就需要在传感器的选型配置和算法精度上有巧妙的布局，而能把这些环节都做好的企业目前还不多。
 

　　②为了提升传感器融合的效果，理想的状态就是将各类传感器融合在一起。但光一个激光雷达的价格就已与一辆传统汽车持平，可见某些关键传感器的价格还远没到消费类电子产品的水平。
 

　　③在传感器融合过程中，一些厂商不愿公开自己获取的原始数据，怕因此沦为纯粹的数据采集供应商，导致利润空间有限。由此造成的数据壁垒也是实现传感器融合的一大障碍。
 

　　结尾：
 

　　传感器融合得越好，自动驾驶汽车也会越安全。因此传感器融合是自动驾驶汽车发展中的一个重要方面，相信在不久的将来，将有更多机会来提出新思路和创新方式来改进传感器融合。
 

　　(原标题：传感器融合：自动驾驶领域的另一个突围方向)