Ⅰ 融合算法综述
多传感器信息融合（MSIF）是利用计算机技术将来自多个或多种传感器的信息和数据，基于一定准则进行分析和综合，以实现所需决策和估计的过程。它在多个或多种传感器处于不同位置的情况下，提供了一种信息处理技术。MSIF的必要性在于通过整合不同传感器的观察结果，提高系统性能和鲁棒性，特别是通过冗余设计来增强安全系数。
多传感器融合系统所实现的功能远远超过独立系统功能总和，能在传感器全故障时提供一定冗余度。各传感器的优势和缺点各异，但通过融合，可以克服单个传感器的局限，实现更全面、准确的目标识别和环境感知。
融合过程通常分为五个主要步骤：收集来自多个传感器的观测数据、对数据进行特征提取、识别并处理传感器目标说明、关联不同传感器的说明数据以同一目标为基准，最后使用融合算法将数据合成，形成一致的目标解释和描述。
融合的先决条件包括同一目标在同一时刻在不同传感器中的表示、统一的时钟系统、以及统一的坐标系统。时间同步通过查找与特定时间差最近的传感器数据包完成，而统一坐标系统则通过运动补偿和传感器标定实现。
融合方法可以分为前融合和后融合，以及数据级、特征级和决策级三个层次。前融合对融合后的多维数据进行感知，后融合则允许传感器独立处理生成目标数据后再进行融合。数据级融合直接对原始观测数据进行融合，特征级融合则在提取特征后再进行融合，决策级融合则基于多层次信息进行综合决策。
典型的融合算法包括加权平均法、卡尔曼滤波法、多贝叶斯估计法、D-S证据推理法和模糊逻辑推理。加权平均法简单直观，卡尔曼滤波法适用于实时动态数据融合，多贝叶斯估计法基于贝叶斯理论进行融合，D-S证据推理法扩展了贝叶斯推理，模糊逻辑推理则通过模糊集合理论处理不确定性，而人工神经网络法则利用其强大的非线性处理能力进行数据融合。
选择哪个层次的数据融合方法取决于系统需求，包括传感器性能、计算能力、通信带宽、期望准确率和资金能力。在实践中，系统可能同时在不同融合层次上进行融合，融合级别越高，处理速度越快，信息压缩量越大，但损失也越大。
Ⅱ 车端激光和双目相机的自动标定算法
在自动驾驶领域，将双目相机和激光雷达集成是常见配置。但要融合这两种传感器的数据，精确的标定是关键。本文提出一种无需人工干预的自动化方法，旨在解决车辆传感器如低分辨率激光雷达和特殊位置的标定问题，如在车体运动受限时无法调整。
为了提升系统鲁棒性，视觉系统提供了丰富的场景外观信息，而双目视觉可提供深度信息。激光雷达虽精度高，但分辨率低，这可能导致纯激光系统的z轴漂移。因此，结合两者的优势，需要准确的外参来融合数据。当前的标定方法可能依赖于复杂的环境条件或初始值的准确性，本文方法则不假设特定传感器配置，能处理低分辨率的激光雷达和不同姿态的传感器。
过去的研究涵盖了多种传感器的外参标定，尤其关注相机和激光雷达。传统的标定方法往往依赖人工标记，而自动驾驶平台的稳定性要求自动标定。利用环境特征或特定标定板进行标定，如利用场景中的线段或特定几何形状。本文的创新在于采用一个单一、可观察的标定目标，减少对场景变化的敏感性。
标定算法主要分为两个阶段：首先，通过提取标定板上的特征点，如激光雷达和双目相机点云中的不连续点，然后利用这些点进行圆检测。利用双目相机的深度信息和激光雷达的线束，寻找平面上的圆心作为关键点，通过匹配圆心位置来估计外参。实验在仿真和真实环境中进行，结果表明算法的可行性。