详细说明

传感器数据融合算法

在ADAS系统中，传感器融合是实现各传感器信息互补，提高目标状态精度，满足ISO-26262 ASIL 功能安全等级的重要方法，其作用在感知层后，作为决策与控制层的输入，重要性不言而喻。

传感器数据融合即关于协同利用多传感器数据信息的一种多级自动智能信息处理过程，涉及多元信息检测、相关、估计和综合并获取目标状态和特征估计以及态势和评价。它集信号处理、人工智能、统计、模式识别、计算机科学及信息论等技术于一体,通过对各种传感器采集得到的各种各样的、大量的信息进行多层次的、多界面的检测、相关、估计和综合等处理，从而最大限度地获得观测目标的状态、特征等完整信息，进而产生有意义的新的信息。

一、传感器数据融合系统方案

将前方雷达与前方摄像头数据融合在一起，可以作为自动紧急制动功能（AEB）、自适应巡航功能（ACC）、紧急车道保持功能（ELK）的目标输入信息。雷达不具有光传感器所具有的分辨率，不过它在测距和穿透雨、雪和浓雾方面具有很大优势。这些天气条件或光照不足的恶劣情况不利于摄像头发挥作用，不过摄像头能够分辨颜色、目标类型，并且具有很高的分辨率。将雷达与摄像头融合在一起的信息可以更加准确的感知周围的环境，在某一种传感器出现故障的环境条件下，可以额外提供一定冗余度。经过融合的目标数据比单一传感器输出的目标信息具有更高的准确定、可靠性，可以指导功能进行更好更安全的决策，从而减少功能的误触发和漏触发等错误决策。

二、数据融合算法

1.坐标系建立

为实现数据融合算法首先需要建立局部统一空间坐标系，所有数据采用车辆坐标系进行统一，以车辆后轮中心点为原点，以前向（纵向）为X轴，横向为Y轴，以左方向为横向（Y轴）的正向，进行空间坐标变换。

在统一的坐标系下radar和camera与检测目标示意图

2.基于扩展卡尔曼的融合算法

扩展卡尔曼滤波算法具有计算量小，实时性好，并具有较好的融合效果，目前在多传感器融合领域广泛应用。扩展卡尔曼滤波根据状态方程和观测方程以递推的方式利用上一时刻的状态预测当前时刻的状态，并通过当前时刻的测量值对预测值进行更新得到当前时刻状态的最小方差估计。

3.运动模型建立

针对传感器检测的目标构建运动模型，即常加速度运动模型，定义状态向量为与距离，速度，加速度相关的参量。得到不同时刻的状态转移矩阵及观测矩阵表达式，基于参数模型，实现对雷达及摄像头输出目标进行检测跟踪，在全局层面对基于卡尔曼滤波后两个传感器的信息进行关联，融合，融合结果为雷达与摄像对对同一目标状态估计值的加权和，而权值因子则为相应的协方差矩阵，可得融合后表达式。

三、数据融合算法实现

考虑到matla/simulink强大的仿真功能，并且可自动生成嵌入式C代码，融合算法基于matlab进行开发。基于上述数据融合方案及算法，在matlab/simulink中按照如下架构进行了算法的实现。