用于ADAS和智能驾驶的感知融合

传感器融合是将来自多个毫米波雷达、激光雷达和摄像头的输入汇集起来，形成一个单一的模型或车辆周围环境的图像的能力。由此产生的模型更加准确，因为它平衡了不同传感器的优势。然后，车辆系统可以使用通过传感器融合提供的信息来使车辆具有更加智能的行动。

每种传感器类型，都有固有的优势和劣势。毫米波雷达在准确确定距离和速度方面非常强大--即使是在具有挑战性的天气条件下--但不能识别街道标志或 "看到 "红绿灯的颜色。摄像机能很好地探测标志或对物体进行分类，如行人、骑自行车者、车辆或动物等。然而，它们很容易被灰尘、太阳、雨、雪或黑暗所蒙蔽。激光雷达可以准确地探测物体，但它们没有照相机或毫米波雷达的探测范围和经济性，同时激光雷达也会受物体的特性影响。

传感器融合将来自这些传感器类型的数据汇集在一起，使用软件算法提供最全面的、因而也是最准确的环境模型。它还可以通过一个被称为内部和外部传感器融合的过程，将来自车厢内驾驶状态数据结合起来，将舱内和舱外感知融合一起用于智能驾驶的功能运行。

当我们利用车内和车外的传感器融合，将来自传感器的关于车外情况的信息与我们拥有的关于司机在车内状态的信息结合起来时，车辆将更加智能。如果我们知道司机在打瞌睡或分心，我们可以在需要干预之前主动警告他们有危险的情况发生。比方说，一辆汽车突然地冲到你的车前。只要你积极观察交通情况，并且足够早地看到另一辆车并入你的车道，你的车辆可能就不必干预以避免碰撞。但是，如果你分心了--你可能不会看到发生了什么，直到它太晚了。

通过内部感应，我们可以看到你的眼睛在低头看收音机，而不是在看路，而外部雷达则看到汽车切入你的车道。我们可以立即触发警告，告诉你车外发生了需要你注意的事情，甚至用视觉和听觉提示你事情发生的地点。

通过融合车内和车外的传感器，现在可以实现更积极主动的安全解决方案。考虑这样一个场景：你停在一个十字路口等待右转。你看向你的左边，观察交通中的空隙，这样你就可以快速地进行右转。与此同时，一个行人开始从你的右前方穿过。

车辆也可以使用传感器融合来融合来自同一类型的多个传感器的信息--例如，毫米波雷达。这可以通过利用部分重叠的视场来提高感知能力。由于多个毫米波雷达观察车辆周围的环境，不止一个传感器会同时探测到物体。通过全球360°感知软件进行解读，来自这些多个传感器的探测结果可以被重叠或融合，提高对车辆周围物体的探测概率和可靠性，并产生一个更准确和可靠的环境信息。

当然，车辆上的传感器越多，融合的难度就越大，但也有更多的机会来提高性能。为了利用这些优势，智能驾驶零部件巨头Aptiv使用了一种叫做低级传感器融合的技术。

在过去，分析传感器数据以确定和跟踪物体的处理能力是与摄像机或雷达一起打包的。通过Aptiv的卫星感知架构方法，处理能力被集中到一个更强大的主动安全域控制器中，允许从每个传感器收集低级别的传感器数据并在域控制器中进行融合。

将处理能力转移到域控制器，使传感器占用的体积和质量更小，最多可减少30%。作为比较，照相机的占地面积从一副扑克牌的大小减少到一包口香糖的大小。通过使传感器尽可能地小，OEM在车辆外观设计和总布置方面有更多的选择。

另一个好处是增加数据共享。在传统系统中，智能传感器独立地处理环境输入，这意味着在使用信息时做出的任何决定都只与该单个传感器所能看到的一样好。然而，有了卫星感知架构，来自传感器的所有数据被集中共享，域控制器中的主动安全应用有更多的机会来利用它。Aptiv甚至可以应用人工智能（AI）工具来提取有用的信息，对于无用的数据会被丢弃。高效的人工智能算法和工具可以从这些有用的信息中不断的学习与迭代，这有助于解决智能驾驶技术中面临的挑战性场景案例。

低层传感器融合的第三个好处是减少延迟。域控制器不必等待传感器处理数据，然后再对其采取行动。这可以帮助加快那些甚至是几分之一秒的情况下的性能。

更多的数据带来了更好的决策。通过采用允许大量传感器的车辆架构，然后通过传感器融合来合成数据，车辆可以变得更智能、更快速。