学习笔记24--多传感器后融合技术

本系列博客包括6个专栏，分别为：《自动驾驶技术概览》、《自动驾驶汽车平台技术基础》、《自动驾驶汽车定位技术》、《自动驾驶汽车环境感知》、《自动驾驶汽车决策与控制》、《自动驾驶系统设计及应用》，笔者不是自动驾驶领域的专家，只是一个在探索自动驾驶路上的小白，此系列丛书尚未阅读完，也是边阅读边总结边思考，欢迎各位小伙伴，各位大牛们在评论区给出建议，帮笔者这个小白挑出错误，谢谢！
此专栏是关于《自动驾驶汽车环境感知》书籍的笔记.

---

---

2.多传感器后融合技术

后融合技术：每个传感器都独立地输出探测数据信息，在对每个传感器的数据信息进行处理后，再把最后的感知结果进行融合汇总。

2.1 Ulm自动驾驶：模块化的融合方法

Ulm大学自动驾驶项目提出了一种模块化的、传感器独立的融合方法，允许高效的传感器替换，通过在网络映射、定位和追踪等关键模块中使用多种传感器来确保信息冗余性。该算法主要对雷达、摄像头、激光扫描仪三种传感器的探测信息进行融合，三台IBEO LUX激光扫描仪安装在前保险杠上，摄像头安装在挡风玻璃后面，并配备了多台雷达。

上图说明：

• 蓝色：摄像头视野范围；
• 红色：激光扫描仪感知范围；
• 绿色：雷达感知范围；

该算法提出了一个分层模块化环境感知系统(HMEP)，包含三个感知层：网格映射、定位和目标跟踪；

每个感知层都会进行传感器融合，并产生一个环境模型结果；除了传感器数据外，感知层还可以使用上一层的结果，其顺序是按照环境模型元素的抽象级提高的；不同的感知层结果可能是冗余的，甚至是矛盾的，因此组合模型将所有结果组合到一个统一的环境模型中。

1. 网格映射层
   
   网格映射层将周围环境划分为单个网格单元，并根据经典的占用网格映射方法来估计每个单元在网格图中的占比状态，输出结果为每个单元格的占比概率；组合模块主要使用其输出信息来预测目标物体边界；
   具体：基于传感器数据，逆传感器模型可以预测每个单元格占比概率，被称为测量网格；映射算法通过使用二进制贝叶斯滤波器更新测量网格的网格映射，并将多传感器数据融合到网格映射层中。
2. 定位层
   
   定位层融合传感器探测数据、网格层信息和数字地图，输出带有自定位信息的数字地图；
   具体：在由三个激光扫描仪构建的网格图中利用极大稳定极值区域(Maximally Stable Extremal Regions,MSER)提取特征，网格图中的特征包括树干、路标等；基于特征图显示，定位层利用蒙特卡罗定位(Monte-Carlo Localization，MCL)方法来预测目标姿态。
3. 跟踪层
   
   跟踪层通过将雷达、摄像头、激光雷达的探测数据进行集中式融合实现对周围环境中移动物体的感知，还可以利用来自网格映射层和定位层的信息获取目标朝向、最大速度等信息，从而完成多目标跟踪任务。
   融合模块通过使用带有标签的多伯努利(Labeled Muti-Bernouli，LMB)滤波器实现，输出一个包含目标轨迹空间分布和存在概率的列表；跟踪层使用DempsterShafer方法实现传感器融合感知，能有效发挥各传感器的优势，避免因传感器的限制而导致的失败；
4. 小结
   该算法提出，对于未来自动驾驶感知系统来说，其关键技术是在不改变融合系统核心的情况下更换传感器的能力；每个感知层都提供一个通用传感器接口，其可以在不改变感知系统融合核心的前提下合并额外的传感器或替换现有的传感器。
   其提出的模块化的结构有助于传感器的更换，且传感器独立接口在网络映射、定位和跟踪模块的应用使得修改传感器设置不需要对融合算法进行任何调整。

2.2 FOP-MOC模型

Chavez-Garcia等人提出了FOP-MOC模型，将目标的分类信息作为传感器融合的关键元素，以基于证据框架的方法作为传感器融合算法，着重解决了传感器数据关联、传感器融合的问题。

低层融合在SLAM模块中执行；检测层融合了各个传感器检测到的目标列表；跟踪层融合了各个传感器模块追踪目标的轨迹列表，以生成最终结果。FOP-MOC在检测层进行传感器融合来提高感知系统的感知能力。

FOP-MOC模型，融合模型的输入信息有：雷达、摄像头、激光雷达的检测目标列表，输出结果为融合后的目标检测信息，并送入到跟踪模块中；雷达和激光雷达的探测数据主要用于移动目标检测，摄像头采集的图像主要用于目标分类，每个目标都由其位置、尺寸、类别假设的证据分布来表示，类别信息是从检测结果中的形状、相对速度和视觉外观中获得的。