无人驾驶感知篇之融合（十五）

        前两篇文章对多传感融合进行了总结，可以看出，数据融合各种方法之间具有一定的联系。将两种或者两种以上的方法结合起来从而形成新的方法，往往能够得到互相补充的目的，比仅仅使用一种方法得到的结果更优。今天主要讲讲方法结合进行优化，可能方法也比较多，所以举例说明即可。

1.融合方法结合-模糊逻辑推理与神经网络相结合

       神经网络表现出很好的自学习和并行计算能力，尤其是表现出不错的仿生物学特性。而模糊逻辑推理简单，能够方便的使用。但是本身的模糊规则的生成以及隶属度函数构造是一个难题。这二者相互结合形成的模糊神经网络可以作为一种不需要依靠精准确定的数学模型的函数估计。这种相互组合的方法拥有神经网络的强大学习能力，同时能够对模糊信息进行处理，最终得到模糊推理的结果。模糊逻辑推理和神经网络相结合产生的新方法优点在于：初始值的确定相对较为方便；通过简单的学习能够非常快的收敛于指定的输入和输出；参数比较容易调整。因此，它们的性能要优于单纯的模糊逻辑推理和神经网络。

2.融合方法结合-模糊逻辑推理与卡尔曼滤波相结合

      在实际的工程实践中，kalman 滤波方法很难保证较好的融合性能。对于解决这类问题，需要采用自适应卡尔曼滤波。因此，可以基于模糊逻辑推理的自适应卡尔曼滤波的方法。这种方法是模糊逻辑推理的理论来改变权值，从而更好的满足协方差的估计值。近几年多传感已在无人驾驶普遍运用，已经达到了很好的效果，并实现了量产。