Ⅰ 融合演算法綜述
多感測器信息融合（MSIF）是利用計算機技術將來自多個或多種感測器的信息和數據，基於一定準則進行分析和綜合，以實現所需決策和估計的過程。它在多個或多種感測器處於不同位置的情況下，提供了一種信息處理技術。MSIF的必要性在於通過整合不同感測器的觀察結果，提高系統性能和魯棒性，特別是通過冗餘設計來增強安全系數。
多感測器融合系統所實現的功能遠遠超過獨立系統功能總和，能在感測器全故障時提供一定冗餘度。各感測器的優勢和缺點各異，但通過融合，可以克服單個感測器的局限，實現更全面、准確的目標識別和環境感知。
融合過程通常分為五個主要步驟：收集來自多個感測器的觀測數據、對數據進行特徵提取、識別並處理感測器目標說明、關聯不同感測器的說明數據以同一目標為基準，最後使用融合演算法將數據合成，形成一致的目標解釋和描述。
融合的先決條件包括同一目標在同一時刻在不同感測器中的表示、統一的時鍾系統、以及統一的坐標系統。時間同步通過查找與特定時間差最近的感測器數據包完成，而統一坐標系統則通過運動補償和感測器標定實現。
融合方法可以分為前融合和後融合，以及數據級、特徵級和決策級三個層次。前融合對融合後的多維數據進行感知，後融合則允許感測器獨立處理生成目標數據後再進行融合。數據級融合直接對原始觀測數據進行融合，特徵級融合則在提取特徵後再進行融合，決策級融合則基於多層次信息進行綜合決策。
典型的融合演算法包括加權平均法、卡爾曼濾波法、多貝葉斯估計法、D-S證據推理法和模糊邏輯推理。加權平均法簡單直觀，卡爾曼濾波法適用於實時動態數據融合，多貝葉斯估計法基於貝葉斯理論進行融合，D-S證據推理法擴展了貝葉斯推理，模糊邏輯推理則通過模糊集合理論處理不確定性，而人工神經網路法則利用其強大的非線性處理能力進行數據融合。
選擇哪個層次的數據融合方法取決於系統需求，包括感測器性能、計算能力、通信帶寬、期望准確率和資金能力。在實踐中，系統可能同時在不同融合層次上進行融合，融合級別越高，處理速度越快，信息壓縮量越大，但損失也越大。
Ⅱ 車端激光和雙目相機的自動標定演算法
在自動駕駛領域，將雙目相機和激光雷達集成是常見配置。但要融合這兩種感測器的數據，精確的標定是關鍵。本文提出一種無需人工干預的自動化方法，旨在解決車輛感測器如低解析度激光雷達和特殊位置的標定問題，如在車體運動受限時無法調整。
為了提升系統魯棒性，視覺系統提供了豐富的場景外觀信息，而雙目視覺可提供深度信息。激光雷達雖精度高，但解析度低，這可能導致純激光系統的z軸漂移。因此，結合兩者的優勢，需要准確的外參來融合數據。當前的標定方法可能依賴於復雜的環境條件或初始值的准確性，本文方法則不假設特定感測器配置，能處理低解析度的激光雷達和不同姿態的感測器。
過去的研究涵蓋了多種感測器的外參標定，尤其關注相機和激光雷達。傳統的標定方法往往依賴人工標記，而自動駕駛平台的穩定性要求自動標定。利用環境特徵或特定標定板進行標定，如利用場景中的線段或特定幾何形狀。本文的創新在於採用一個單一、可觀察的標定目標，減少對場景變化的敏感性。
標定演算法主要分為兩個階段：首先，通過提取標定板上的特徵點，如激光雷達和雙目相機點雲中的不連續點，然後利用這些點進行圓檢測。利用雙目相機的深度信息和激光雷達的線束，尋找平面上的圓心作為關鍵點，通過匹配圓心位置來估計外參。實驗在模擬和真實環境中進行，結果表明演算法的可行性。