多传感器数据融合技术在汽车中的应用

多传感器数据融合技术在汽车中的应用

摘要：传感器经常应用在现代智能汽车系统中，是一个能提高道路交通安全具

有前景的工具。基于车上感知系统的启用，如雷达，激光或视频技术等，这些车都具备了检测道路上是否有威胁的能力，预计会出现的危险驾驶情况，并积极采取行动，碰撞避撞。除了在汽车上应用多种传感器形成组合系统外，复杂的信号处理和传感器数据是否能融合也是整个系统能否稳健和可用的重要因素。本论文中，我们将用原始传感器测量的数据（低级）和数据融合方法（高级别）来确定测量点。我们模拟传感器的现象、道路交通情况、数据融合范例、信号处理算法和探讨不同传感器的数据相结合的影响水平上对多传感器系统的离散事件仿真手段进行抽象事件模拟。

关键词：多传感器数据融合、仿真、智能汽车、环境感知、汽车 1、前言

在提高道路交通安全的同时减少致命车祸的数量，是世界各地汽车生产商

和研究机构未来要解决的艰巨任务。为了提高交通安全，不但要有路边的智能基础设施，还要有先进的交通工具和信息服务能力，并努力提高各个车辆之间信息的交流。目前，传感器技术因在军事和民用航空领域应用广泛而广为人知。雷达，激光，超声波或视频设备等传感器技术在汽车上的应用，使车辆对周围环境信息的感知能力大大提高，并能预见周围环境所具有主动的或被动的威胁及时采取行动尽早和有效地避免碰撞话减少或减轻事故的损害程度，使汽车具有了主动保护能力。智能车辆的基础是先进驾驶辅助系统（ADAS），但它严重依赖于传感器的数据信息，所以传感器获取周围信息质量的好坏，决定着智能车的决策力。而传感器的性能是受本身感知范围、视角、天气鲁棒性、功耗和布局等因素约束的。单个传感器往往无法克服这些弱点，所以通常会使用多种传感器。然而传感器的信号处理和传感器数据融合是一个复杂的过程，它需要考虑系统的可靠性。各种算法在处理各测量点时，需要结合现实环境对传感器的数据信息进行过滤处理。基于系统融合范例中的数据是在特定环境中采集的数据，在低级别的数据中，数据是与各种设备的原始数据相结合来处理早期信号和将算法应用到测量点。高级别的数据融合策略是将各个传感器的数据进行前期处理之后再进行专门的能力聚类、关联、过滤并以融合后的信息作为检测对象。这两种方法在熵信息、计算复杂性和适应性上都有自己的优势和劣势。在本文中，我们将对一个离散事件进行模型仿真分析，它包括多种传感器系统，如雷达或激光束反射、道路交通情况

和传感器数据融合策略等。我们将某种情景在ADAS应用中的仿真结果的探测距离、可靠性、鲁棒性和前瞻性进行比较，看数据融合在低级别或高级别中哪个表现的更好。以上那些将在第二章中介绍相关的工作，第三章将引入对多传感器数据融合设计架构与关键技术方面的内容，第四种介绍了实施通用融合系统模型，仿真结果列于第五章。最后，第六章是本文的总结并提出今后的一些工作领域。

2、相关研究工作

在汽车领域，工业生产者和科研人员都花费相当大的努力在多传感器系统的设计和实现上。他们大多数的工作都侧重在研究将传感器设备安装到试验车和进行热测试的各个方面上。例如雷达技术、图像采集、多目标跟踪、基于传感器的巡航控制、行人保护和ADAS系统功能等设备。然而为了考虑节省费用、时间和人力等因素，到目前为止传感器与传感器之间的数据处理术语都无法实现。

3、结构设计

安全系统的关键设备ADAS系统包括了设备环境感知技术、数据处理技术和执行器。这节简要介绍了一些关键环境感知技术、对相关信号处理技术和如何通过多传感器数据融合获得更多的有价值的信息的方法。

3.1 传感器硬件

在军事和航空侦察任务等领域已广泛应用了环境感知技术，目前其中一些技术（如雷达）也应用到了汽车上。在其他方面（如以激光、视觉、卫星服务为基础的）也扩大了现有感知技术库，并提供了有不同优势和劣势的技术供选择。目前，研究表明这些设备可以分为三类它们分别叫做主动式传感器、被动式传感器和数据传输技术。

3.1.1 主动传感器系统

（远程雷达（LRR）和短程雷达（SRR） 主动探测环境的传感器设备有雷达设备

传感器）和激光设备（如激光雷达激光扫描仪（LS）与光子混频器设备（PMD）或速度传感器）能根据检查到反射信号探测目标。我们可以通过脉冲发射与接收之间的飞行的时间测算出目标的距离，但是主动式传感器有个无法避免的缺点是它们无法通过定义对相关的信号和不重要的杂波信号进行区分。尽管杂波信号可以被完全呈现，但还是索然无味，如垃圾桶、铁路、怪异的东西这些都可以产生信号干扰。某些类型的传感器，如激光扫描仪可以通过几何图像判断并产生足够的方案去匹配和排除杂波信号。如雷达设备在遭受到杂波信号后仍提供内在的可能性的感知目标的相对速度。基于激光的传感器不能直接检测到这些信号，他必

须通过获取速度信息来获取目标的速度范围。此外，基于激光的装置更容易受到恶劣天气的的影响。声波设备（如超声波传感器），它已广泛应用在汽车领域，如 停车场、感知范围小或遭受行车噪音影响的环境中，因此它在ADAS系统中扮演着次要的作用。

3.1.2 被动传感器系统

与主动式传感器相反，被动式传感器不会发出任何信号，它只会被动地探测感知环境信号。特别是基于视觉的设备传感器（如单声道、立体声、夜视及红外照相机）让研究人员和工程师投入了大量的关注。基于视觉的传感设备能提供优良的目标分类方法，但它无法提供准确的距离信息，还容易受到不利天气条件的影响。

3.1.3 数据传输

第三类环境感知设备利用无线通道通（例如汽车- 2 -汽车，汽车- 2 -基础设施）或记忆性存储设备（数码储存地图）传输数据。显然，这种设备可以为驾驶人员提供丰富的信息，但还无法满足ADAS系统对实时通信的需求。

3.2 信号处理

系统数据信号的融合是将传感器的原始数据细化到抽象背景与现实情况相结合的一步。对于不同传感器的数据可以进行抽象程度低、抽象程度高和多个抽象层次（混合做法）的融合模式。图1所示的是信号加工链低层次和高层次的融合架构。

图1 传感器数据低层次和高层次的融合架构

在数据集成之前，可以将传感器的时间和空间数据建立成特性函数进行数据同步。目标的汇集是将那些源自于同一真实物体的数据点会合在一起，通过特对目标征提取来获得集群实体相关属性的步骤，这些相关属性有距离、速度、加速度、宽度、高度、长度、体重、偏航率等。为了对目标建立实时记录，我们有必要知道上一次目标和当前目标的联系。这样在执行下一次任务时就可以减轻传感器误差和信号噪声过滤算法的影响。或者说高层次的融合架构数据主要专注于传感器数据关联和滤波方面，而低级别的融合架构主要专注于传感器数据早期的信号融合方面。

3.2.1 环境感知算法

多传感器数据融合在目标和跟踪方面已进行了大量的研究，如在田径和信号滤波等领域。在汽车领域上卡尔曼滤波应用过滤器或它的变化是事实上的标准。 在迭代过程中，滤波器状态的更新是由加权预测值和上一次迭代值计算出来的，在根据实际测量

和卡尔曼增益矩阵度

（公式1）。卡尔曼增益来自信号

协方差的值。其他新兴过滤器包括，例如，粒子过滤器。

两个不同时刻的目标可以通过覆盖法（就近转换），联合概率数据关联（JPDA）或多重假说测试（MHT）联系起来。这些算法可根据计算量的不同，寻找到全局环境下的最佳解决方案。此外，JPDA和MHT会将神经网络中假定的一个轨道与更新对象相关联起来并考虑采取多种可能的对象更新。

3.2.2 融合技术的优势

如前所述，不同的方法是能够融合来自多个传感器数据的。我们所要介绍的融合典范就是在抽象水平上发生的数据集成。目前研究的主要有三个的融合范式：低级的原始传感器数据融合，这种接近原始传感器数据或传感器的数据的处理已很少使用；高层次的传感器数据融合，各数据独立进行处理向高层次发展最后融合的抽象处理方式和混合传感器数据融合的多层次抽象处理方式。

有人坚信使用低级别方法来进行数据融合可以更加的方便，但从信息理论的角度来看，传感器数据信息在高抽象级别的内容较少，因此可以减少传感器数据的协同次数，使数据融合在高级别水平上。低层次的融合体系结构的明显特征是可以提高计算值、拥有更好的交流模式、使问题标准化和模块化，同时减少比较高层次体系结构的可扩展性。混合架构结合了低级别和高级别算法的优势，但并 非每一个传感器数据都可以用上述所提到的算法。例如，视频的原始数据与雷达 数据的融合就会取得适得其反的效果。近来许多出版物为融合模式和案例研究提

供了各种的见解。然而，由于存在不同的测试策略和算法，且已被应用到传感器技术和融合模式上。在实验研究方法上就会出现了另一个问题，传感器数据与现实情况的融合无法为参考系统的开发提供帮助。

3.2.2 融合效益

传感器数据融合的需要一个准确的定义。在汽车领域多传感器数据的融合主要能提供两个方面的好处：增加覆盖范围——来自传感器的视图数据不相交，以实现较大的整体覆盖率。这种协作融合模式在逻辑上可以媲美传感器数据融合，且能够大范围或短距离覆盖使用。提高信任度——来自传感器的联合视图数据可以用来验证其他传感器的检测对象。这种方法也称竞争性融合在逻辑上它可以依靠自己的子系统提高ADAS系统的可靠性。系统的可靠性包括可用性、安全性和完整性。因此，上述两种融合方法都要为系统提供足够的可靠性。

4、仿真实验

虽然可以使用模拟方法研究独立子系统的性能（如过滤器算法），但在汽车领域大多数的研究还是使用传感器数据融合的实验方法。但这种方法在传感器套和融合模式上缺乏灵活性和可靠性。在本文中，我们使用离散事件模拟的评估融合性能架构。仿真模型使用多情景方式模拟工具AnyLogic5.5.4实现实时UML的行为描述和完整的Java支持。

4.1 模拟范例

图2：UML图仿真基本模型

系统融合模型是指将不同传感器集和多种交通情况下的信号进行深入的加工处理和融合模式（参见图1），图2的UML图形描绘了仿真模型设计。仿真的核心组成部分包括现场发生器、信号处理、融合种类和评价方式。现场发生器是对车辆周围环境感知对象（相关和杂波）和反射点的创建，考虑到需要对个别传感器属性（视场、范围、横向决议、传感器方差）设置和物理测量。通过这些反射点就可以对周围环境感知信号进行处理和融合。值得注意的是环境分析需要对 不同数据实施细化和融合模式。依靠现场发生器提供的实测资料，高层次和低层次的融合架构就可以同时进行数据处理了。复杂性和模块化使该系统允许在多传感器集中、复杂交通情况和多种融合范例中模拟方案，并提供优良的手段和完整的融合性能分析架构。

4.1 仿真设置

我们进行了几个模拟实验评估传感器的数据融合对多传感器系统行为的影响，表一显示了城市和高速公路交通场景的设置。目标生成是以目标实物特定的分辨率为依据呈现的，需要注意的是我们要设置城市交通杂乱的场景。

表一、情景模拟参数选择

在表二，传感器设备的参数设置进行了总结，纵向限制范围代表着检测能力和方位代表的光束角度。值是指传感器方差模型对高斯概率分布设置的零均值，在检测结果有偏差的情况下，具有更好使用价值。

表二、传感器设备参数的选择

除了这些设备外，我们在表三中用了四种传感器，为了提高检测能力每套设

备的物理测量原则不同传感器数据处理和融合根据3.2节所描述的策略，利用凝聚聚类，通用功能提取，JPDA和卡尔曼滤波。对于这两种低级和高层次混合应用的方式是增强覆盖范围。

表三、多传感器套仿真

5、仿真实验结果

在下面我们将介绍和讨论仿真结果，为了得到这个结果我们至少需要独立重复进行十次仿真实验，采用模拟控制机制，直到满足了方程式二才终止实验。

在左右缓冲器中间我们安装了LRR类型的设备，

为95％置信区间，即间隔K

表其中95％的测量第k实验居住。需要注意测量的平均值的本身特定变量。平均值是第k次实验测量和代表正常化的置信区间的平均值。正如方程2所介绍的最大相对误差必须小于10%。我们将检测到的物体位置（米）的总体误差和平均误差进行评估，前者表征了系统的精度根据它的计算公式3，所有欧氏平均距离值与场景中的实际坐标映射的关系。

和相应的定位信息

是由多传感器系统提供的，即

平均误差类似于鲁棒性的系统与误读混乱的场景无关，例如井盖，或不规则物体的不适当的信号处理。结果分别用条形图和数字表显示图3和图4，数字表4和5。每个图形又分为城市交通（列1-4）和高速公路的交通（列5-8）每一列提供的结果有低级别（LL）和高级别（HL）的数据融合为一个具体的多传感器系统（1-4集）。显然，低层次的融合模式可以更准确定位执行和可靠的检测，这证实了假设传感器数据融合，在早期（在低层次的抽象）是最好的高级别融合个人预先处理传感器数据。

在大多数情况下，密集的城市交通容易增加定位误差和误检率相对于高速公路方案，这很可能与更多的物体出现在现场，从而减小小距离与传播界限之间的出现。

图3：对象位置的平均总体误差

图4：平均误差

表4：对象位置的平均总体误差

表5：平均误差

6、总结和展望

在本文中我们证明，这高层次的和低层次融合模式可用周围环境感知系统ADAS系统。使用离散事件我们分析了各种模拟传感器集，交通场景和融合的范例。对国家最先进的实现传感器数据融合技术和隐性知识的真理进行仿真，通过地面交通场景生成，以支持不同的架构设计分析。模拟结果分析显示低层次的融合在全面的跟踪精度和辩假性检测中拥有优势。在因密集的交通而导致较高不准确跟踪的情况下两者融合，而辩假性检出率仍然几乎不受影响。

采用实验研究方法所提出的仿真模型对融合模式分析是难以进行的，但多传感器套的具体算法和融合效益的影响（扩展覆盖面，增加信心）可利用该模型进行评估。周围环境感知的被动传感器算法设备将在某种程度上增加融合架构进行调查的可行性，实验验证了模拟系统在地面研究上可以参考实际测量。此外，新的低级融合算法和早期传感器数据融合可帮助汽车工程师更多了解多传感器数据融合的机会和相关的设计决策。

本文来源：https://www.bwwdw.com/article/nhz7.html