数据融合kf_多源传感器融合

（完善中～）

现实生活中的很多问题依赖于单一信号源往往很难解决。而目前各种传感器的日益普及使我们可以从中获取更多的信息。随着移动设备和无人驾驶技术的不断发展，多种传感器数据的融合处理方法也变得越来越重要。在很多其它文章中，传感器融合技术一般作为自动驾驶的一部分来介绍。而本系列文章将争取从更广的范围来讨论这个问题，其中包含自动驾驶、室内移动机器人等多个领域。而这里的传感器融合方法可以看作是信息融合的子类^[1][2][3][4]，最终的目的是通过从更多种类的数据中提取更加丰富的信息，从而更好解决我们的目标任务。

一、传感器类别

移动设备（如智能手机）中常用的传感器包括：摄像头、IMU（惯性传感器，包括加速度计、陀螺仪、磁力计）、光线传感器、距离传感器等。无人驾驶汽车中常用的传感器包括：摄像头、激光雷达、毫米波雷达、GPS、IMU等。Wikipedia词条上列举的传感器示例有：

• 加速度计（Accelerometers）
• 电子支援措施（Electronic Support Measures，ESM）
• Flash LiDAR
• GPS
• 红外线/热成像仪（Infrared / thermal imaging camera)
• Magnetic sensors
• MEMS
• Phased array
• Radar
• Radio-telescopes, such as the proposed Square Kilometre Array, the largest sensor ever to be built
• Scanning LIDAR
• seismic sensors
• Sonar and other acoustic
• Sonobuoys
• TV cameras
• 其它（https://en.wikipedia.org/wiki/List_of_sensors）

二、算法

• 中心极限定理（Central Limit Theorem, CLT)
• 卡尔曼滤波（Kalman Filter, KF）
• 贝叶斯网络（Beyesian Networks, BN）
• D-S理论 / D-S证据理论（Dempster-Shafer Theory, DST）
• 卷积神经网络（Convolutional Neural Network, CNN）

三、融合类别

常用的传感器融合可以分为多个类别或等级，包括：

• Level 0 - 数据对其
• Level 1 - 实体估计（跟踪和目标识别）
• Level 2 - 情景估计
• Level 3 - 影响估计
• Level 4 - 过程优化
• Level 5 - 用户优化

传感器融合的等级也可以根据融合算法中所使用的输入数据来确定。包括：

• 数据级别（Data Level） - 主要是指对来自多种传感器的原始数据（raw data）进行融合，这是对数据最低级别的抽象。
• 特征级别（Feature Level）- 使用从单个信号源提取的特征来进行融合。在这类方法中，选择合适的特征来进行融合是关键。使用特征选择算法来正确检测相关特征以及特征子集可以大大提高识别精度，但一般也需要较大的训练集来找到最显著的特征子集。
• 决策级别（Decision Level）- 决策级别的融合是指从一组假设集合中得到一个假设的过程。这是对数据最高层级的抽象。最常用的方法包括多数投票（majority voting）和朴素贝叶斯（Naive Bayes）。

参考

1. ^WikiPedia: Sensor fusion https://en.wikipedia.org/wiki/Sensor_fusion
2. ^Matlab: Sensor Fusion and Tracking Toolbox https://ww2.mathworks.cn/products/sensor-fusion-and-tracking.html
3. ^无人驾驶算法学习（四）：多传感器融合(标定, 数据融合, 任务融合) https://blog.csdn.net/orange_littlegirl/article/details/89067017
4. ^Sensor Fusion 简介 https://blog.csdn.net/rex_nie/article/details/8752742