多传感器信息融合技术在智能驾驶系统中的应用

十年。主要优点是可以鲁棒地探测到障碍而不受天气或灯光条件限制。近十年来随着尺寸及价格的降低，在汽车行业开始被使用。但是仍存在性价比的问题。

为了克服这些问题，利用信息融合技术提出了一些新的方法，利用这些方式可以得到较单一传感器更为可靠的探测。

    2.2 信息融合的基本原理

所谓信息融合就是将来自多个传感器或多源的信息进行综合处理，从而得出更为准确、可靠的结论。多传感器信息融合是人类和其它生物系统中普遍存在的一种基本功能，人类本地地具有将身体上的各种功能器官（眼、耳、鼻、四肢）所探测的信息(景物、声音、气味和触觉)与先验知识进行综合的能力，以便对其周围的环境和正在发生的事件做出估计。由于人类的感官具有不同度量特征，因而可测出不同空间范围的各种物理现象，这一过程是复杂的，也是自适应的。它将各种信息（图像、声音、气味和物理形状或描述）转化成对环境的有价值的解释。

多传感器信息融合实际上是人对人脑综合处理复杂问题的一种功能模拟。在多传感器系统中，各种传感器提供的信息可能具有不同的特片：对变的或者非时变的，实时的或者非实时的，模糊的或者确定的，精确的或者不完整的，相互支持的或者互补的。多传感器信息融合就像人脑综合处理信息的过程一样，它充分利用多个传感器资源，通过对各种传感器及其观测信息的合理支配与使用，将各种传感器在空间和时间上的互补与冗余信息依据某种优化准则结合起来，产生对观测环境的一致性解释或描述。信息融合的目标是基于各种传感器分离观测信息，通过对信息的优化组合导出更多的有效信息。这是最佳协同作用的效果，它的最终目的是利用多个传感器共同或联合操作的优势来提高整个系统的有效性。

2.3 常用信息融合算法

信息融合技术涉及到方面的理论和技术，如信息处理、估计理论、不确定性理论、模式识别、最优化技术、神经网络和人工智能等。由不同的应用要求形成的各种方法都是融合方法的个子集。表2归纳了一些常用的信息融合方法。

表2 信息融合方法

经典方法 现代方法 估计方法 统计方法 信息论方法 人工智能方法 加权平均法 经典推理法 聚类分析 模糊逻辑 极大似然估计 贝叶斯估计 模板法 产生式规则 最小二乘法 品质因素法 熵理论 神经网络 卡尔曼滤波 D-S证据决策理论 　 遗传算法 　 　 　 模糊积分理论

2.4 智能驾驶系统中信息融合算法的基本结构

由于单一传感器的局限性，现在ITS系统中多使用一组传感器探测不同视点的信息，再对这些信息进行融合处理，以完成初始目标探测识别。在智能驾驶系统中识别障碍常用的算法结构如图2所示。

3 CLARK算法

CLARK算法是用于精确测量障碍位置和道路状况的方法，它同时使用来自距离传感器（雷达）和摄像机的信息。CLARK算法主要由以下两部分组成：①使用多传器融合技术对障碍进行鲁棒探测；②在LOIS（Likelihood of Image Shape）道路探测算法中综合考虑上述信息，以提高远距离道路和障碍的识别性能。

3.1 用雷达探测障碍

目前经常使用一个雷达传感器探测前方的车辆或障碍。如前面所分析，雷达虽然在直路上的性能良好，但当道路弯曲时，探测的信号将完全可靠，有时还会有探测的盲点或产生错误报警。为了防止错误报警，常对雷达的输出进行标准卡尔曼（Kalman）滤波，但这并不能有效解决探测盲点问题。为了更可靠地解决这类问题，可以使用扫描雷达或多波束雷达，但其价格昂贵。这里选用低价的视觉传感器作为附加信息，视觉传感器经常能提供扫描雷达和多波束雷达所不能提供的信息。

3.2 在目标识别中融合视觉信息

CLARK算法使用视觉图像的对比度和颜色信息探测目

《多传感器信息融合技术在智能驾驶系统中的应用(第2页)》