多传感器数据融合术在汽车中的应用.doc

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环境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