人们总是对未知的事物充满恐惧。根据调研机构AAA（American Automation Association，美国汽车协会）最近的一份调查，78%的美国消费者表示他们害怕乘坐一辆完全自动驾驶的汽车上，还有54%的美国人甚至不愿意与自动驾驶汽车共享道路，他们说那样没有安全感。
近年来，多起备受瞩目的道路交通伤亡事故发生根据数据统计表明，完全自动驾驶汽车的技术还远不成熟。加上“对新事物的恐惧”，种种负面新闻的影响，以及对自动驾驶汽车缺乏理解，人们确实仍较难拥抱全自动驾驶。
传感器融合算法的出现，使自动驾驶更加可靠和安全，这将有助于民众克服对全自动驾驶的恐惧。本文将为大家介绍五种传感器的相互融合，以及传感器与道路基础设施的融合。
“五”大于“一”
/传感器融合是将来自多个传感器的数据合并，其数据合并计算出的结果将优于单个传感器的数据结果。/
为了确保安全的驾驶体验，全自动驾驶汽车需要以高精度和高准度来感知周围环境。将数个传感器组合在一起，并以每秒1兆字节的速度将来自传感器的数据融合在一起，让驾驶员知道，车辆已经为所有可预想的道路场景做了充分的准备。
传感器融合具有数量的优势
所有技术都是一把利弊并存的双刃剑。在全自动驾驶汽车中，单个传感器很难作为一个独立的系统运作。将每个传感的优势融合，创建高质量的重叠数据模式，就可以使处理的数据尽可能准确。
/传感器融合系统结合了单个传感器的优点，构建了关于汽车所处的假设环境状态。/
自动驾驶汽车的五个主要传感器类型
用于自动驾驶安全性能的最佳传感器组合：
超声波传感器 - 检测车辆附近的障碍物
GPS - 计算经度、纬度、速度和航线
角速度传感器 - 测量速度和车轮转速
激光雷达 - 正确识别物体
相机 - 检测、分类和确定与物体的间距
1）超声波传感器
超声波传感器对全自动驾驶车辆的安全性起到了不可或缺的作用。传感器发出声波，从附近物体反弹回来。利用回弹过程的时间等信息，传感器可以识别与物体的间距，靠近物体时，车辆便会发出提醒。
该技术适用于低速和中短距离的实际应用，例如制动辅助系统、自动泊车系统和限速识别系统等等。
2）GPS传感器
GPS是全球定位系统（GlobalPosition System）的简称。GPS在复杂的动态环境中，尤其在大城市，其多路径反射的问题很显著，导致获得的GPS定位信息很容易产生几米的误差。另外，由于GPS的更新频率低（10Hz），在车辆快速行驶时很难给出精准的实时定位。单纯依赖GPS的导航很有可能导致交通事故。将GPS所获得的数据与其他传感器信息相结合，使其成为多个传感器协同工作的重要组成部分，可以使GPS发挥其最大优势，这也体现了传感器融合技术的重要性。
3）角速度传感器
速度传感器是通过测量纵向和垂直轴上的加速度，记录车轮的转速，并将这些数据传输到自动驾驶安全系统。
角度传感器是用于确定前轮的位置。当该数据与其他数据结合，就可以计算出自动驾驶车辆的动态。
当无法准确进行地理定位时（例如在穿过隧道时），速度和角度的数据组合将被组合计算来进行航位推算（Dead Reckoning）
/航位推算系统（Dead Reckoning System，DRS）是较常用的自主式车辆定位技术，利用距离传感器和方位传感器测量出车辆的行驶距离、速度和方位。在知道当前时刻位置的条件下，通过测量移动的距离和方位，推算下一时刻位置的方法。/
4）LIDAR传感器
为了解决测距的问题，引入了激光雷达这种传感器。常常应用在Level 3级别以上的无人车。激光雷达的工作原理是利用可见和近红外光波（多为950nm波段附近的红外光）发射、反射和接收来探测物体。
利用激光返回的时间和波长的差异，一是可以用于3D建模进行环境感知，二是可以同步建图，实现导航和加强车辆的定位精度。
5）车载摄像头
安全自动驾驶的关键是能够准确的感知和区分移动环境中的障碍物。
最经济有效的解决方案是使用车载摄像头。常用的是后视镜和360度相机，它们将提供来自汽车外部的环境图像。
车载摄像机的大致原理是：首先，采集图像进行处理，将图片转换为二维数据；然后，进行模式识别，通过图像匹配进行识别，如识别车辆行驶环境中的车辆、行人、车道线、交通标志等；接下来，依据物体的运动模式或使用双目定位，以估算目标物体与本车的相对距离和相对速度。
数据采集和传感器融合的重要性
传感器融合的数据对于全自动驾驶的安全性来说至关重要。
来自传感器的信息进入遥测过程，并被传送到接收设备，如机载系统或用于监视的通信中心。这种数据的交换可以在自动驾驶系统中自行进行配置，以预测和适应车辆的状态，完全不需要人工干预。
这对于汽车厂商来说就是一座“金矿”。所以各大厂商都在致力于打造卓越的自动驾驶汽车，并训练新一代的机器学习算法。
为了拥有一个完全自动化的系统，以确保乘客和道路上其他人的安全，使用多传感器数据融合将使自动驾驶汽车更安全、更快速、更高效。
要将来自多个传感器的数据完美“合并”在一起，以产生更可靠更准确的信息，这需要使用传感器融合算法来计算。
其中一个算法被称为卡尔曼滤波器。
卡尔曼滤波（Kalman filtering）一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。简单来说，卡尔曼滤波器是一个“optimal recursive data processing algorithm（最优化自回归数据处理算法）”。对于解决很大部分的问题，它是最优且效率最高甚至是最有用的。Kalman滤波在测量方差已知的情况下能够从一系列存在测量噪声的数据中，估计动态系统的状态。由于卡尔曼滤波器容易在计算机中实现计算，并能够对现场采集的数据进行实时的更新和处理， Kalman滤波是目前应用最为广泛的滤波方法。
交通意外逐渐减少
今天，声波、光波、地理定位、视觉和速度的传感器的数据融合在了一起，大大降低了人为驾驶车辆中意外死亡的风险。先进的传感器融合技术专为无人驾驶汽车的全自动化而开发，现在已经逐步被各大汽车厂商所应用，即将走进您的生活中。
实时数据更新，瞬间做出安全决策的能力，拥有比你的大脑更全面的感知能力，这就是最先进的传感器融合技术带给你的全自动安全驾驶体验。你可以放下你的恐惧，拥抱新兴的交通未来。
一个更安全，更快的无人驾驶世界即将到来。你，准备好了吗？
