智能駕駛汽車多傳感器融合控制技術研究

摘要：針對智能駕駛汽車在復雜環境下感知精度不足的問題，在優化交互式多模型-容積卡爾曼濾波算法的基礎上，整合毫米波雷達傳感器、激光雷達傳感器和視覺傳感器的優勢，構建了多傳感器融合控制系統，實現了對車輛周圍環境的實時、精確感知。實驗結果顯示，多傳感器融合控制方案在直道場景下的檢測準確率高達98.5%，在彎道和十字路口場景下的性能略有降低，但仍能保持穩定，與單一傳感器和雙傳感器方案相比，該方案的性能更穩定，可靠性更高。

關鍵詞：多傳感器融合；智能駕駛；卡爾曼濾波；實時控制；環境感知

中圖分類號：TP212.9 文獻標識碼：A

0 引言

隨著智能駕駛技術的快速發展，行車安全對車輛環境感知的準確性和實時性提出了更高要求。單一傳感器在不同工況下存在一些局限性。例如，激光雷達在惡劣天氣條件下性能衰減，視覺傳感器易受光照影響，而毫米波雷達分辨率較低。多傳感器融合技術通過整合不同傳感器的優勢，能夠克服單一傳感器的局限性，有效提高系統的可靠性和魯棒性。如何實現多源異構數據的高效融合和協同控制，是當前智能駕駛領域的研究重點。

1 多傳感器系統架構設計

1.1 傳感器配置方案

智能駕駛系統采用多層級環境感知方案，構建了一個包含激光雷達、毫米波雷達和視覺3類傳感器的融合系統。其具體配置基于“十三點”覆蓋策略：中距激光雷達能夠覆蓋車輛前方和側后方區域，采用三點布光原則實現遠、中、近多尺度感知功能；將毫米波雷達布置于車輛四角，以構建四點遠距離探測網絡；高清相機采用六點布置策略，在車輛前方、左側、右側和后方進行合理分布，以實現對車輛周圍環境的全方位圖像采集。激光雷達系統作為環境感知方案的重要組成部分，利用多線掃描技術構建高精度點云地圖，從而實現近距離與中等距離的三維場景重建[1]。毫米波雷達網絡承擔遠距離的目標探測任務，主要利用多普勒效應實現高精度的速度測量。視覺系統借助多相機的協同感知能力，實現對場景語義的深入理解以及對目標的精確識別。這3類傳感器在探測距離、角度分辨和目標特征提取等方面的互補優勢，建立了全天候、全方位的環境感知體系。另外，傳感器網絡還集成了冗余設計機制，旨在通過傳感器信息的交叉驗證來提高系統可靠性。針對不同的工況，設計了傳感器工作模式自適應調節策略，以平衡系統能耗和性能。

1.2 數據采集與預處理

多傳感器數據采集系統由數據接口層、預處理層和數據管理層構成，形成層次分明的數據處理架構。數據接口層采用異構接口設計，針對不同傳感器的特性選擇合適的數據傳輸協議：激光雷達傳感器采用高速以太網傳輸點云數據流；毫米波雷達傳感器通過控制器局域網絡（controller area network，CAN）傳輸目標信息；視覺傳感器采用千兆網傳輸圖像流。

預處理層針對各類傳感器的數據特點設計專用算法：點云數據通過多層降采樣和分割算法提取有效信息；雷達數據采用自適應閾值濾波技術來消除噪聲干擾；圖像數據通過畸變矯正和增強處理來提高圖像質量，同時利用并行計算架構加速數據預處理流程，從而建立了高效的數據預處理流水線。

數據管理層設計了多級緩存機制來管理異構數據流，確保數據幀的連續性和完整性[2]；開發了多層級數據異常檢測機制，涵蓋數據完整性檢查、有效性驗證和異常值識別等環節；集成了數據壓縮模塊，采用有針對性的壓縮算法來降低數據傳輸負載。

1.3 傳感器時空同步機制

傳感器同步系統采用“硬件觸發+軟件補償”的混合同步策略。系統采用主從式觸發機制，以高頻激光雷達作為主時鐘源，并通過現場可編程門陣列（field programmable gate array，FPGA）生成精確的觸發信號，從而控制其他傳感器進行同步采樣。時間同步通過高精度的全球導航衛星系統（global navigation satellite system，GNSS）授，來構建統一的時間基準。空間同步采用多步標定策略，靜態標定用于確定傳感器的初始外參，而動態標定用于補償標定過程中可能出現的參數漂移。標定系統設計了專用標定場，包括多尺度標定板、角反射器陣列等標定工具。通過特征匹配（feature-based matching，FBM）和基于Levenberg-Marquardt的非線性優化算法，能夠實現傳感器間的精確配準，并建立統一的空間坐標系。標定系統為同步系統提供空間配準的基礎參數，而同步系統則確保標定參數在時序上的連續有效性，兩者共同保證多傳感器數據的時空一致性。同步系統集成了在線標定模塊，其通過環境特征匹配可以實現標定參數的動態修正，從而保證多源數據的空間一致性。此外，同步系統內置傳感器狀態監測模塊，能夠實時評估傳感器的工作狀態與同步質量[3]。針對多傳感器數據融合中的時延補償問題，設計了基于卡爾曼濾波的時間序列預測模型。

2 多源數據融合算法

2.1 特征級融合方法

特征級融合方法采用深度特征與傳統特征相結合的混合架構。在深度特征提取中，采用改進的VoxelNet網絡處理多源數據：首先，將激光雷達點云中的不規則點云轉化為規則體素，并通過3D卷積技術提取其局部結構特征；其次，引入殘差連接和空間注意力模塊對網絡進行改進，增強深度特征的提取能力；再次，通過融合全卷積神經網絡（fully convolutional networks，FCN）與PointNet架構，實現像素級的語義分割，進一步豐富深度特征的語義信息；最后，將分割結果與點云特征進行關聯，形成完整的深度特征表示。

在傳統特征層面，使用快速點特征直方圖（fast point feature histograms，FPFH）算法處理點云數據，提取法向量直方圖、曲率統計等幾何特征，同時，結合尺度不變特征轉換（scale-invariant feature transform，SIFT）與方向梯度直方圖（histogram of oriented gradient，HOG）特征提取視覺關鍵點。特征融合過程采用交叉注意力機制（cross-attention mechanism），建立多模態特征間的動態關聯[4]。通過設計特征相似度矩陣，將不同模態特征投影到共同特征空間，可以實現多模態的特征對齊與互補。利用圖卷積網絡（graph convolutional network，GCN）對融合后的特征進行時空建模，以捕捉目標的運動規律和上下文關系，進而構建完整的場景理解模型。

2.2 決策級融合策略

決策級融合策略結合了改進的Dempster-Shafer證據理論與貝葉斯網絡模型。在Dempster-Shafer證據理論的框架下，設計一種基于傳感器動態性能評估的基本概率分配（basic probability assignment，BPA）函數構造方法。將傳感器檢測結果映射為多維證據向量，包括目標存在概率、類別概率和狀態估計可信度等維度。針對證據沖突問題，提出基于局部沖突度的證據分配規則，通過計算局部證據間的信息，自適應地調整證據權重。貝葉斯網絡模型則用于構建多層級決策模型，其網絡結構由環境層、傳感器層和目標層構成。通過條件概率表描述層間依賴關系，實現先驗知識與在線觀測數據的融合。決策過程采用變分推理方法，利用消息傳遞算法在網絡中傳遞和更新概率分布，最終得到融合決策結果。同時，利用馬爾可夫隨機場對決策的時序關系進行建模，以確保決策結果的時間一致性。

2.3 自適應權重分配機制

自適應權重分配是通過強化學習和模糊控制兩種方法的協同作用來實現的。其中，強化學習采用深度Q網絡（deep Q-network，DQN）構建權重學習模型，通過設計包含傳感器工作狀態、環境參數和目標特征的狀態空間以及基于不同傳感器權重組合的動作空間，同時結合融合精度和實時性約束的獎勵函數，實現權重的自適應調整。該權重學習模型采用雙流架構分別處理連續狀態和離散動作，并引入經驗回放機制來提高學習效率。

模糊控制作為先驗知識的補充，通過Sugeno模糊推理構建權重調整規則，將輸入變量通過高斯隸屬度函數映射至模糊集，并設計涵蓋傳感器優勢互補與環境適應性的推理規則。為實現兩種方法的有效結合，自適應權重分配機制采用軟投票方式整合強化學習與模糊控制的結果，并引入熵權法評估權重分配的不確定性，從而動態調整兩種方法的集成比例，確保權重調整的平滑性[5]。

2.4 濾波算法優化

針對多傳感器數據的非同步性和非線性特性，優化了交互式多模型—容積卡爾曼濾波（interacting multiple model-cubature Kalman filter?，IMM-CKF）算法。優化后的算法中，模型轉換概率π的計算

公式如下：

πij（k）=πij μi（k-1）πij μi（k-1）。" " " " " " （1）

式中，i、j為模型的索引編號，N為模型總數，k為當前時刻，πij為模型i到模型j的轉移概率，μi（k-1）為第i個模型在k-1時刻的概率為混合概率。

運動模型集合涵蓋了常速度模型、常加速度模型和協調轉彎模型。IMM-CKF的狀態預測過程采用Gauss-Hermite數值積分法計算，其中狀態一步預測值的計算公式如下：

（k|k-1） = wi F[ζi（k-1）]。" " " " " " " " " " （2）

式中，k為時刻索引，m為容積點總數，wi 為積分權重，ζi為采樣點，F（·）為狀態轉移函數。

模型交互概率采用遞歸貝葉斯方法更新：

p（M（k）|Z （k））∝p（z（k）| M（k））p（M（k））|

Z（k-1）。" " " " " " " " " " " " " " " " " " " " " " " " " " " " " " " nbsp; " （3）

式中，M（k）為模型假設，Z（k）為量測序列。

量測更新采用序貫處理策略，根據信息增益對量測信息進行排序處理。異步數據通過時間戳反向傳播機制進行狀態校正，濾波器參數基于協方差匹配準則進行動態優化，以保證估計精度。

3 多傳感器融合控制系統實現與驗證

3.1 實時處理平臺設計

實時處理平臺構建了多層級的數據處理架構。上層包含任務調度系統和狀態監控模塊，主要負責融合計算與控制決策任務。具體來說，任務調度系統利用負載均衡算法動態調整任務分配策略，狀態監控模塊則利用分布式監測網絡實現傳感器狀態、處理模塊性能以及系統資源的實時監測。中層實現多源數據的時空對齊與預處理，采用動態緩存隊列管理策略解決不同傳感器數據到達頻率不一致的問題，從而確保數據的時序完整性。底層采用高性能計算單元來處理傳感器原始數據流，并通過基于共享內存的零拷貝機制來降低數據傳輸開銷，同時實現了優先級動態分配，以確保對實時性要求較高的感知與控制任務能夠得到優先處理。另外，實時處理平臺還集成了多項保障機制。數據容錯處理機制通過數據校驗和備份恢復策略來保證系統穩定性；而計算資源動態擴展機制支持關鍵任務的算力按需分配，可以有效提升系統處理能力的適應性。

3.2 控制算法實現

多傳感器融合控制系統由感知層、規劃層和執行層構成，實現從環境感知到運動控制的完整閉環。感知層根據多源傳感器數據構建環境模型，通過特征匹配和概率濾波實現動態目標跟蹤，進而建立車輛與環境的時空關系模型。規劃層基于環境理解結果，結合車輛動力學約束生成最優行駛軌跡。規劃算法采用分層優化策略：全局層面基于柵格地圖規劃大致路徑；局部層面通過模型預測控制（model predictive control，MPC）實現軌跡的精確跟蹤。執行層設計了橫縱向解耦控制器：橫向控制結合航向角與橫向偏差；縱向控制基于車速與加速度形成反饋機制，實現對規劃軌跡的精確跟蹤。此外，多傳感器融合控制系統還構建了完整的安全策略體系，包括傳感器冗余設計、控制器容錯機制和應急處理預案。

3.3 系統性能測試

在城市道路環境進行系統性能測試，測試場景包括直道、彎道、十字路口等典型路況，累計測試里程超過1 000 km。選用高精度的實時差分全球定位系統（real-time differential global position-ing system，RTK-GPS）采集測試數據，其定位精度優于2 cm。傳感器數據由專用采集設備進行記錄，采樣頻率與實際工作頻率一致。系統性能評估指標包含感知精度、定位精度和控制精度3個維度，分別利用目標檢測正確率、定位誤差、控制跟蹤誤差來衡量。按照動態目標數量、交通設施密度等因素將場景復雜度進行分級，以評估系統在不同復雜度場景下的性能表現。測試結果顯示，在直道場景下，系統的目標檢測正確率為98.5%、定位誤差為3.2 cm、控制跟蹤誤差為8.5 cm，其性能處于最優狀態；彎道場景下系統的目標檢測正確率、定位誤差和控制跟蹤誤差分別為97.2%、4.5 cm和12.3 cm；十字路口場景下這3項指標分別為96.8%、5.1 cm和

15.8 cm。在后兩種場景下系統的性能略有降低但仍保持穩定。

3.4 對比實驗分析

對比實驗選取了3種典型的傳感器配置方案，分別為單一激光雷達方案、雙傳感器融合方案（激光雷達+視覺）和多傳感器融合方案。測試在相同路況及天氣條件（包括晴天、雨天等）下進行，系統性能評估指標包括感知精度、定位精度、系統響應時間以及系統可靠性。系統響應時間利用端到端延遲時間來衡量，端到端延遲時間包含數據采集、算法處理及控制輸出的全流程耗時；系統可靠性通過故障注入方法評估。結果表明，多傳感器方案的性能（目標檢測正確率為98.2%、定位誤差為4.3 cm、延遲時間為45 ms）明顯優于雙傳感器方案（目標檢測正確率95.3%、定位誤差為6.2 cm、延遲時間為58 ms）和單傳感器方案（目標檢測正確率92.1%、定位誤差為8.5 cm、延遲時間為32 ms）。在系統可靠性方面，多傳感器方案在單個傳感器失效時仍能保持90%以上的感知精度，而雙傳感器方案在單傳感器失效時感知精度降至85%，單傳感器方案則無冗余備份能力，特別是在惡劣天氣條件下，多傳感器方案的性能表現更加穩定。

4 結語

多傳感器融合控制系統的設計與實現，解決了智能駕駛汽車在復雜環境下感知精度不足和實時性差等問題。系統基于改進的IMM-CKF算法，實現了多源數據的高效融合，在不同工況下均表現出良好的魯棒性。測試結果表明，與單一傳感器和雙傳感器相比，多傳感器融合方案在檢測準確率、定位精度等關鍵指標上均有顯著提升，滿足智能駕駛對環境感知的要求。后續研究將重點優化極端工況下的多傳感器融合控制性能，以期進一步提高系統可靠性。

參考文獻

[1] 黃瑩. 復雜系統多傳感器數據智能融合方法研究[J/OL]. 機械工程學報，2024：1-7[2024-11-04]. http：//kns.cnki.net/kcms/detail/11.2187.TH.20241010.1147.014.html.

[2] 李勇. 基于多傳感器融合的模糊PID采煤機截割路徑自適應控制方法[J]. 自動化應用，2024，65（15）：86-88.

[3] 潘超，孫少辰，張馳，等. 基于多傳感器融合的火花探測與噴水控制方法[J]. 中國新技術新產品，2024（15）：142-144.

[4] 郭建宏. 基于傳感器融合技術的自動駕駛車輛軌跡跟蹤與控制方案研究[J]. 時代汽車，2024（16）：13-15.

[5] 管慶朋，李啟玉. 基于多傳感器融合的智能巡檢機器人避障控制方法[J]. 裝備制造技術，2024（7）：5-7.