編者語：后臺回復(fù)“入群”，加入「智駕最前沿」微信交流群
在自動駕駛技術(shù)飛速發(fā)展的今天，如何讓車輛像人類一樣感知周圍環(huán)境，一直是非常重要的話題。無論是攝像頭、激光雷達(dá)還是毫米波雷達(dá)，都存在各自的物理局限性，因此多傳感器融合技術(shù)成為非常重要的技術(shù)方向。
簡單來說，融合的目的就是將不同傳感器捕捉到的碎片化信息拼湊成一張完整且準(zhǔn)確的周圍世界地圖。而在實現(xiàn)這一目標(biāo)的過程中，行業(yè)內(nèi)逐漸分化出了兩種主要的路徑，即前融合與后融合。
傳感器融合有何區(qū)別？
自動駕駛系統(tǒng)其實配備了多種感官。攝像頭擅長識別顏色和紋理，能看清交通標(biāo)志和紅綠燈，但在強(qiáng)光或黑暗中表現(xiàn)不穩(wěn)定；激光雷達(dá)能提供精準(zhǔn)的三維空間坐標(biāo)，卻無法分辨顏色；毫米波雷達(dá)則對運(yùn)動物體的速度極為敏感，且不受天氣影響，但分辨率較低。
圖片源自：網(wǎng)絡(luò)
多傳感器融合的本質(zhì)，就是把這些優(yōu)缺點互補(bǔ)的數(shù)據(jù)結(jié)合起來。
多傳感器融合的關(guān)鍵在于融合發(fā)生的時機(jī)。如果把這個過程比作做菜，后融合就像是每個廚師各自做了一道成品菜，最后擺在一起湊成一桌席；而前融合則是在下鍋之前，就把所有的食材根據(jù)配方切好、拌勻，直接烹飪成一道復(fù)合口味的大菜。
這兩種不同的處理方式，直接決定了系統(tǒng)對環(huán)境理解的深度和廣度。
殊途同歸的后融合方案
后融合在行業(yè)內(nèi)也被稱為目標(biāo)級融合，是自動駕駛早期最為普遍的做法。在這種模式下，每一個傳感器都是一個獨(dú)立的決策單元。
攝像頭會獨(dú)立識別出前方的行人，激光雷達(dá)會獨(dú)立探測到一個障礙物，毫米波雷達(dá)也會測算出物體的速度。每個傳感器都先輸出自己認(rèn)定的探測結(jié)果，通常表現(xiàn)為一個帶有坐標(biāo)和類別標(biāo)簽的檢測框。
當(dāng)這些獨(dú)立的檢測結(jié)果被匯總到主處理器后，系統(tǒng)會根據(jù)一套邏輯來判斷它們是不是同一個物體。如果攝像頭和激光雷達(dá)在同一個位置都發(fā)現(xiàn)了一個物體，系統(tǒng)就會提高對這個目標(biāo)的信任度。
圖片源自：網(wǎng)絡(luò)
這種做法的好處顯而易見，由于每個傳感器各司其職，系統(tǒng)邏輯非常清晰，即便其中一個傳感器壞了，也不影響其他傳感器的正常工作，整個架構(gòu)的容錯性和可擴(kuò)展性都很強(qiáng)。
后融合也存在一個致命的弱點，那就是嚴(yán)重的信息丟失。在每個傳感器獨(dú)立處理的過程中，為了降低計算量，就會過濾掉一些“看起來不重要”的原始數(shù)據(jù)。
這意味著，如果一個物體在單一傳感器的視野里特征不夠明顯，它可能在第一階段就被過濾掉了，等到最后匯總時，主處理器根本沒有機(jī)會看到這些被丟棄的關(guān)鍵細(xì)節(jié)，從而導(dǎo)致漏檢或誤判。
牽一發(fā)而動全身的前融合
與后融合不同，前融合或者說數(shù)據(jù)級/特征級融合走的是一條完全不同的路。它要求系統(tǒng)在感知階段的最開始，就將各個傳感器獲取的原始數(shù)據(jù)或者提取出來的特征向量直接整合在一起。
此時，系統(tǒng)不再是看一個個獨(dú)立的檢測框，而是面對一個包含了色彩、深度、速度等多個維度的復(fù)合數(shù)據(jù)空間。
在前融合的架構(gòu)中，系統(tǒng)能夠保留最原始、最豐富的信息。由于沒有預(yù)先過濾，那些在單一傳感器中顯得模糊的信號，可能在結(jié)合了其他傳感器的數(shù)據(jù)后變得清晰起來。
圖片源自：網(wǎng)絡(luò)
如在光線極其微弱的情況下，攝像頭看到的可能只是模糊的陰影，但在疊加了激光雷達(dá)的點云信息后，系統(tǒng)就能迅速確認(rèn)那是一個行人的輪廓。這種深度整合極大地提升了系統(tǒng)在極限場景下的感知上限。
不過，前融合的實現(xiàn)難度也成倍增加。由于它對傳感器的空間和時間對齊要求極高。如果攝像頭的一幀圖像和激光雷達(dá)的一幀點云在時間上差了幾毫秒，或者在空間坐標(biāo)上差了幾厘米，強(qiáng)行融合就會導(dǎo)致識別出的物體出現(xiàn)重影或錯位。
此外，前融合需要處理海量的原始數(shù)據(jù)，這對車輛車載芯片的算力和傳輸帶寬提出了巨大的挑戰(zhàn)。
哪種方案更勝一籌？
既然傳感器可以前融合，也可以后融合，那哪種方案更具優(yōu)勢？
其實在討論哪個技術(shù)更具優(yōu)勢時，并不能簡單地一概而論。在很長一段時間里，后融合憑借著架構(gòu)簡單、對算力要求低以及易于調(diào)試的優(yōu)勢，占據(jù)了自動駕駛落地的主流地位。它在傳感器性能和算力有限的階段，提供了最可靠的保障。
但隨著人工智能模型和高性能芯片的迭代，行業(yè)的天平正在向著前融合偏移。目前備受關(guān)注的鳥瞰圖（BEV）感知和占用網(wǎng)絡(luò)等技術(shù)，本質(zhì)上都是前融合思想的延伸。
圖片源自：網(wǎng)絡(luò)
這些技術(shù)通過將攝像頭、雷達(dá)的數(shù)據(jù)統(tǒng)一轉(zhuǎn)換到一個標(biāo)準(zhǔn)的三維空間坐標(biāo)系中進(jìn)行處理，不僅解決了單一傳感器看不清的問題，還讓車輛學(xué)會了如何像人腦一樣，在腦海中實時構(gòu)建一個連貫的動態(tài)環(huán)境。
總的來說，后融合依然是目前許多量產(chǎn)車型實現(xiàn)輔助駕駛的基礎(chǔ)，因為它穩(wěn)定且低成本。但如果我們的目標(biāo)是實現(xiàn)更高級別的自動駕駛，前融合所帶來的感知精度和魯棒性則是不可或缺的。未來或許在不同感知層級上進(jìn)行多重融合，既保留前融合的敏銳，又兼顧后融合的穩(wěn)健，從而讓自動駕駛系統(tǒng)在各種復(fù)雜工況下都能做出正確的決策。
-- END --
