因為多傳感器的使用會產(chǎn)生大量需要處理的數(shù)據(jù)，因此通常通過融合算法來對數(shù)據(jù)進行優(yōu)化。不同傳感器采集到的信息可能相互之間可能會不同甚至是有矛盾，使用融合算法可以幫我們弄懂如何保證系統(tǒng)能夠準確處理這些數(shù)據(jù)，使系統(tǒng)最終做出及時、正確的決策，這非常重要。

何為多傳感器融合算法？

融合算法不僅需要處理數(shù)據(jù)的多樣性和復雜性，而且需要提高實時性和精度。雖然多傳感器數(shù)據(jù)融合算法目前沒有完整的理論體系，但是對于多種不同領域的應用，已經(jīng)提出許多成熟且有效的融合算法。融合算法可以概括為隨機、人工智能兩大類。隨機類融合算法有加權平均法、卡爾曼濾波、多貝葉斯估計法等，人工智能類融合算法有模糊邏輯、神經(jīng)網(wǎng)絡等。在自動駕駛中，常用的融合算法包括加權平均法、卡爾曼濾波法、神經(jīng)網(wǎng)絡。這三種方法具有直觀性、容錯性及普適性。

加權平均法

加權平均法融合數(shù)據(jù)信息可以通過獲取各種傳感器信號的平均值來實現(xiàn)。若某一個傳感器的信號比其它傳感器更可信，則為該傳感器分配更高的權重，以增加其對融合信號的貢獻。加權平均法是信號級融合最簡單、最直觀的一種算法，可以對傳感器接收到的冗余信息進行加權平均。加權平均法可以對原始數(shù)據(jù)直接進行使用。通過加權平均法，可以在圖像識別中對模糊圖像進行處理，使圖像識別更加清晰與準確。

卡爾曼濾波

卡爾曼濾波是一種常用的自適應傳感器融合算法，用于消除系統(tǒng)中的冗余，預測系統(tǒng)的狀態(tài)?？柭鼮V波采用一個線性空間模型，系統(tǒng)的當前狀態(tài)取決于先前的狀態(tài)?？柭鼮V波狀態(tài)空間模型為：

Xk=AXk－1+Bu+Gw（1）

Zk=HXk+v（2）

式中：Xk為k時刻狀態(tài)向量;Xk－1為k－1時刻狀態(tài)向量;A為狀態(tài)轉移矩陣;B為輸入轉換矩陣;G為過程噪聲轉移矩陣;u為輸入向量;w為過程中噪聲向量;Zk為k時刻系統(tǒng)測量信息;H為測量矩陣;v為測量噪聲向量?？柭鼮V波在圖像識別中是一種常見的融合算法，可以進行降噪，并增強魯棒性?？柭鼮V波雖然是數(shù)據(jù)層面的融合，但是對于傳感器的融合而言非常重要。

神經(jīng)網(wǎng)絡

不同于卡爾曼濾波，神經(jīng)網(wǎng)絡提供非線性傳遞函數(shù)和并行處理能力，可以幫助執(zhí)行圖像融合。神經(jīng)網(wǎng)絡由稱為神經(jīng)元的處理節(jié)點連接而成。建立神經(jīng)網(wǎng)絡數(shù)據(jù)融合模型，根據(jù)多傳感器數(shù)據(jù)輸入和輸出之間的關系，分配神經(jīng)元和互連權值。神經(jīng)網(wǎng)絡既有多層前饋型，也有遞歸型。神經(jīng)網(wǎng)絡融合輸出信號和輸入信號，計算相應的權重y：

y=∑wixi（3）

式中：wi為權重;xi為傳感器數(shù)據(jù)。

傳統(tǒng)神經(jīng)網(wǎng)絡將圖像一層一層映射，最后進行特征提取。目前，多用卷積神經(jīng)網(wǎng)絡進行融合。卷積神經(jīng)網(wǎng)絡可以看作是特征提取與分類器的結合體，單從各個層的映射來看，類似于特征提取的過程，提取不同層次的特征。神經(jīng)網(wǎng)絡的容錯性很強，能夠用于復雜的非線性映射環(huán)境。神經(jīng)網(wǎng)絡強大的容錯性及自學習、自組織、自適應能力等特性，滿足多傳感器數(shù)據(jù)融合技術處理的要求。神經(jīng)網(wǎng)絡在數(shù)據(jù)模型中，主要根據(jù)當前系統(tǒng)所接受的樣本相似性確定分類標準，這一過程表征為網(wǎng)絡的權值分布?？梢岳蒙窠?jīng)網(wǎng)絡的信號處理能力和自動推理功能，實現(xiàn)多傳感器數(shù)據(jù)融合。如圖為四層神經(jīng)網(wǎng)絡模型。

結語：

在自動駕駛技術中，如何使用融合算法以及如何選擇合適的算法非常重要，需要根據(jù)所選擇的傳感器以及融合體系分類等原因綜合考慮，合理使用融合算法，可以事半功倍，因此在自動駕駛領域，人們要花很多很多時間去解決算法問題。