知行科技即将推出的iDC域控制器让汽车摆脱“近视”

简单来讲，它是指通过一系列算法，将车身所搭载的各类型传感器所探测的信息有机的整合到一起，最大化整车对环境的感知能力，从而为后端的行为决策和控制等模块提供环境信息。 单个的感知传感器通常由于探测机理、可视角度等原因，具有一定的感知局限性，如果说各个独立的传感器让汽车拥有了眼睛，那么传感器融合技术， 将使车身看得更清，告别“近视”。

传感器融合按照其融合的作用，一般有补偿式融合，冗余式融合和协作式融合。

1.补偿式融合指各个传感器对相同的环境进行探测，然后通过融合算法，或选取各个传感器的优势探测信号，或整合各个传感器各自的探测范围，从而获取更精准和覆盖范围更广的环境信息。以当前主流的前视毫米波雷达和摄像头融合（RV Fusion）方案为例：

2.冗余性融合是指各个传感器对同一目标进行探测，融合算法整合所有对同一目标的探测信息，从而提升目标的可信度，降低单个传感器误检对整体系统的影响。 冗余性融合广泛应用于与安全性相关的功能中， 比如现流行的自动紧急刹车（AEB）功能，如果该车具有多个传感器，则在对目标进行自动制动之前，一般要求至少有两种及以上传感器同时检测到该目标，确保目标存在性的冗余，降低该目标是由单个传感器误识别的可能性，从而降低误制动的概率（基于当前的法律法规，这种误制动是相当危险的，需尽力避免）。同样以前述的雷达摄像头方案为例，通常毫米波雷达检测时，由于环境噪声的干扰以及信号处理算法的局限，会不时地出现目标误识别的现象，一般把这种误识别产生的目标称作鬼影（ghost）目标，而摄像头的探测原理使得其具有更低的误识别率，所以在这种系统中，如果安全性功能要想启动，一般要求雷达和摄像头都同时检测到同一目标，从而降低误制动率。

3.协作式融合是指整合各个传感器的探测信息，相对来讲这些探测信息都是较单一且低维度的，进行提取出更深度和高维度的探测信息。比如，通常摄像头探测的图像信息丢失了环境的三维信息，如果将雷达探测的点云信息和图像像素信息进行融合，可以构建出带有深度信息的图像（深度图），那么利用这张深度图也就可以提取出完整的三维环境信息，除了目标感知之外，还能提供可行域（Fress Space）等更高维度的信息。当前流行的前融合即属于这种融合大类，目前多家智能驾驶企业正在这个方向发力，并尝试将其运用到量产项目中。

智慧融合感知

当前，知行科技正着力于实现视觉感知与超声波感知的融合，视觉感知对障碍物的存在性和类别判断上有一定优势，只要依靠数据闭环链路，不断迭代优化视觉感知性能，就能对大部分常见的障碍物有较好的识别能力。超声波传感器对近距离的障碍物具有稳定的感知能力，并且对任意类别的障碍物都能无差别探测，比如地锁，花台，限位杆等，广泛应用于泊车功能的环境感知。将视觉和超声波对障碍物的探测进行融合， 属于补偿式融合，将能够更加稳定鲁棒地探测泊车位附近的障碍物，为泊车功能提供保障，此方案也将直接应用于知行科技的泊车功能中。此外，即将推出的iDC域控制器，搭载有四颗环视摄像头，知行科技也将对这四个摄像头的感知结果进行一个FOV层面的融合，从而提供360°的无死角感知范围。

未来 摆脱“近视”

近年来大火的高速自动导航功能，要求自车具有稳定的360°无差别的感知能力，所以多传感器基于FOV层面的融合，以及各传感器在FOV重叠区域的融合处理，是自动导航功能必不可少的方案。放眼高阶自动驾驶，从前述的感知结果和融合方案可以看出，当前阶段下主流的感知结果都是基于交通参与者这一障碍物（还可能包含信号灯，锥桶等静态障碍物）为目标的，然而真实的交通场景是及其复杂的，交通参与者只是其中一个部分，对环境的完整勾勒无法靠目标级别的感知融合来实现。

当前，不少研究方正尝试对各个传感器的原始信息进行前融合，如原生的摄像头图片或者像素，雷达的点云甚至电磁波信号等，以及尽量不丢失感知信息的情况下完成对环境的更充分表达，从而迈向高阶自动驾驶，这一方案能否最终落地量产，还需要时间持续关注。上述的各种融合方式，没有严格的界限，在一个智能驾驶系统中通常根据具体需求动态的选择融合方式，且多种融合方式可能同时运用在相同传感器中。智能驾驶的功能逐渐迈向高阶，汽车所搭载的传感器种类及数量也大幅度增加，但单个传感器始终摆脱不了其固有局限，是一双“近视”的眼睛，通过不断优化的传感器融合算法，让汽车摆脱“近视”，看得更清，行得更远，更安全。