6
康謀技術 | 多傳感器數據融合技術與策略解析
在汽車行業邁向智能化、自動化的今天，自動駕駛技術也在快速發展。為了進一步讓自動駕駛更加“智能化"，像老師傅一樣進行開車，離不開對車輛周圍環境的全面認識。
面對復雜的感知任務，單一傳感器的局限性逐漸顯現，比如相機對目標的顏色和紋理比較敏感，但易受光照、天氣條件的影響。LiDAR以獲得目標精確的3D信息，但無法獲得目標紋理，易產生噪點等情況。多傳感器數據融合技術應時而生，通過整合不同傳感器的優勢，為車輛提供了一個全面、立體的感知維度。
一、多傳感器融合的先決條件
當多種傳感器裝在同一輛車上時，使用同一個系統來采集并處理數據。為了確保這些傳感器采集的數據能有效精準識別同一個物體，需要對這些傳感器進行統一時鐘和坐標系，即最終實現：同一個目標在同一個時刻出現在不同類別的傳感器的同一個世界坐標處。
1、統一時鐘
確保所有傳感器數據在時間上的一致性，為后續處理提供同步基準。關于時間同步的詳細內容可見往期內容“《自動駕駛：揭秘高精度時間同步技術（一）和（二）》"。
2、統一坐標系
統一坐標系包含兩步，一是運動補償，二是傳感器標定。
① 運動補償：確保數據時效性
運動補償是針對周期性采集數據的傳感器，如激光雷達（LiDAR），其數據采集周期可能長達100毫秒。由于車輛在運動，采集周期的開始和結束時刻，車輛的位置已經發生了變化。這就需要對采集的數據進行運動補償，以確保數據反映的是車輛在某一固定時刻的環境狀態。
② 傳感器標定：確立坐標轉換
傳感器標定是確保每個傳感器的數據都能準確映射到世界坐標系中的過程。它包括內參標定和外參標定兩個部分。
內參標定：針對單個傳感器，解決其內部參數，如攝像頭的焦距和畸變，確保傳感器數據在自身坐標系中的準確性。詳細內容可見往期內容“《深入探討：自動駕駛中的相機標定技術》"。
外參標定：在已知的世界坐標系下，解決不同傳感器之間的相對位置和方向，確保它們數據的一致性。
外參標定的準確性依賴于內參標定的精確性，只有每個傳感器的內參被精確校準，我們才能準確地知道它們在世界坐標系中的相對位置。
二、多傳感器融合方法
在多傳感器采集系統中做好統一時鐘和統一坐標系后，就可以將這些數據進行融合了。關于具體做法，這里舉一個簡單的例子：
1、相機與LiDAR融合
在實現激光雷達與相機標定、運動補償和時間同步后，通過多傳感器深度融合，執行幾何變換將三維點云數據投影至二維圖像平面，實現物理空間到視覺空間的映射。最后，整合深度信息與圖像像素數據，形成深度標簽圖像，從而為自動駕駛車輛的環境感知系統提供更為豐富和精確的數據支持。
2、融合方式
根據數據在整個流程中融合的不同位置，常見的融合方式可分為前融合、深度融合和后融合。
前融合（Early-Fusion）：是在最原始的層面上將不同傳感器的數據進行整合。這種融合方式涉及直接在空間上對齊傳感器數據，形成一個統一的多模態數據集。可以進行數據統一標識，降低信息損失。
深度融合（Deep-Fusion）：是在特征提取之后、決策之前進行的融合。這種融合方式涉及將不同傳感器的數據在特征空間中進行組合，通常通過級聯或元素相乘的方式實現。通過特征互補可以提高魯棒性和提升泛化能力。
后融合（Late-Fusion）：是在各個傳感器獨立完成目標檢測或分類等任務后，將它們的預測結果進行綜合分析，以做出最終的決策。通過綜合多個傳感器的預測結果，提高決策準確性。可根據需要靈活添加或替換傳感器模型。
3、應用場景
在多傳感器融合中，前融合、深度融合和后融合各有優勢和適用場景。
前融合：在數據層面上實現早期整合，適合對原始數據依賴性較強的應用。
深度融合：在特征層面上進行信息融合，適合需要特征互補的復雜感知任務。
后融合：在目標層面上進行決策整合，適合需要最終決策優化的場景。
在實際應用中，根據系統需求和傳感器特性，選擇合適的融合策略或多種策略的組合，以達到最佳的感知效果。