无人驾驶感知篇之融合（二）

      今天上海疫情迎来了大决战，各个外省兄弟姐妹来支援上海，同时解放军也来了，让民众看到了希望。今天的心情也好了很多，哈哈，上海加油！！！上海加油！！！上海加油！！！ 前篇文章主要讲述了什么是无人驾驶感知的融合、多传感器融合要求、融合的分类。今天咱们主要说说多传感融合的主要算法，昨晚总结了目前无人驾驶常用的几种算法，若有不足，请多多指教！哈哈，毕竟咱也不是大神！

1.融合算法的分类

目前多传感器融合的常用方法基本上可概括为随机类方法和人工智能两大类。随机类方法目前常见的有加权平均法、多贝叶斯估计法、卡尔曼滤波法、Dempster-Shafer（D-S）证据推理、产生式规则等。人工智能类则主要包括模糊逻辑理论、神经网络、粗集理论、专家系统等。

2.随机类方法浅谈

加权平均法：加权平均法是信号级融合方法最简单、最直观方法，主要思想是将一组传感器提供的冗余信息进行加权平均，结果作为融合值，该方法是一种直接对数据源进行操作的方法。

多贝叶斯估计法：多贝叶斯估计法的主要思想是将传感器信息依据概率原则进行组合，测量不确定性以条件概率表示，当传感器组的观测坐标一致时，可以直接对传感器的数据进行融合。多数情况下，为数据融合提供了一种手段，是融合静环境中多传感器高层信息的常用方法。

卡尔曼滤波法：卡尔曼滤波法的主要思想是主要用于融合低层次实时动态多传感器冗余数据。该方法用测量模型的统计特性递推，决定统计意义下的最优融合和数据估计。

D-S证据推理法：D-S证据推理法主要是贝叶斯推理的扩充，其3个基本要点是：基本概率赋值函数、信任函数和似然函数。D-S方法的推理结构是自上而下的，分三级。第1级为目标合成；第2级为推断；第3级为更新。

产生式规则法：产生式规则法主要采用符号表示目标特征和相应传感器信息之间的联系，与每一个规则相联系的置信因子表示它的不确定性程度。当在同一个逻辑推理过程中，2个或多个规则形成一个联合规则时，可以产生融合。