Synthesize：

第四種方法Synthesize是將感知數(shù)據(jù)融合在一起，你可能會遇到這樣的情況，傳感器X和傳感器Z都沒有在各自的視場內(nèi)探測到物體。在這種情況下，沒有傳感器知道這個物體的存在，但是可以通過一些其他的感觀數(shù)據(jù)，比如聲音，間接地弄清楚在視場之外的物體情況。自動駕駛汽車是時刻運(yùn)動的，所以要求這種預(yù)判是瞬間發(fā)生的，像上文提到的一樣，是實(shí)時的。

基于以上四種方法的解釋，當(dāng)各種不同傳感器收集回來的數(shù)據(jù)結(jié)合在一起時，使用什么方法來處理這些數(shù)據(jù)呢？

絕對排序法：在這種方法中，需要事先決定一個傳感器的排序。比如，攝像投的級別高于雷達(dá)，或者雷達(dá)的級別高于攝像頭等等。在傳感器融合過程中，子系統(tǒng)使用預(yù)先確定的排序。比如，在Reconcile情況中，在交叉的視場FOV中，X檢測到了物體，但是Z沒有檢測到，而攝像頭傳感器X的級別高于雷達(dá)傳感器Z，那么Z的檢測結(jié)果不納入考慮范圍內(nèi)也是允許的。這個方法簡單、快速、易實(shí)現(xiàn)，但是綜合考慮，這種方法并不嚴(yán)謹(jǐn)。

情況排序法：這種方法與絕對排名法相似，但不同之處在于，根據(jù)所處的環(huán)境，排名是可變的。例如，我們可能已經(jīng)設(shè)置好，如果有下雨的天氣，攝像頭容易受到雨水干擾，進(jìn)而攝像頭優(yōu)先級降低，雷達(dá)擁有最高優(yōu)先級。這種方法相對簡單、快速、易于實(shí)現(xiàn)。然而，從全局角度看，它依然有所不足。

平等投票（協(xié)商一致）法：在這種方法中，允許每個傳感器進(jìn)行投票且投票能力都是平等的。然后使用一個計數(shù)算法，該算法與投票結(jié)果相匹配。如果傳感器的某個閾值都同意某個物體，而某些閾值不同意，那么就允許這個閾值決定人工智能系統(tǒng)做出判斷。同樣，這種方法綜合看起來依然有所不足。

加權(quán)投票法：有點(diǎn)類似于平等投票的方法，這種方法增加了一個權(quán)重，并選擇假設(shè)一些傳感器比另一些傳感器更重要。比如，系統(tǒng)可能傾向于認(rèn)為攝像頭比雷達(dá)更可靠，所以給攝像頭一個更高的加權(quán)系數(shù)等。

概率投票法：還可以引入概率概念。傳感器有自己的控制子系統(tǒng)，可以確定傳感器是否得到了真實(shí)的數(shù)據(jù)，然后將概率使用到多個傳感器的投票方法中。

爭論方法：還有一種新的方法是讓每個傳感器“辯論”為什么他們的報告是合適的。這是一個比較有趣的概念。相關(guān)研究和實(shí)驗(yàn)正在進(jìn)行中。

優(yōu)先到達(dá)法：即優(yōu)先報告結(jié)果的傳感器獲勝。出于計時的目的，系統(tǒng)不會等待其他傳感器報告，從而加快傳感器的融合工作。但是從另一個角度講，無法預(yù)測下一秒鐘其他傳感器是否會報告相反的判斷，這存在一定的安全隱患。

最可靠法：在這種方法中，需要跟蹤自動駕駛汽車上無數(shù)傳感器的可靠性。當(dāng)存在各個傳感器之間的數(shù)據(jù)爭議時，最可靠的傳感器將“獲勝”。

在設(shè)計自動駕駛汽車時，可以在傳感器融合子系統(tǒng)中使用以上的幾種方法。當(dāng)子系統(tǒng)確定一種方法可能優(yōu)于另一種方法時，它們就可以各自發(fā)揮作用。當(dāng)然，MSDF也可以通過很多其它的本文未提及的方法進(jìn)行。

多個傳感器之間的差異非常重要

人類的聽覺和視覺是不一樣的。當(dāng)人類聽到警報聲時，使用耳朵這種感官。耳朵不像眼睛，眼睛不能聽聲音。這個例子可以生動地說明，在自動駕駛領(lǐng)域，一定有許多不同類型的傳感器，多傳感器融合MSDF的首要任務(wù)是，要利用不同種傳感器的優(yōu)勢，同時最小化或弱化每種傳感器的弱點(diǎn)。

上圖中，每一種傳感器的一個重要特征都是它能夠探測到目標(biāo)的距離。傳感器能夠探測到的距離越遠(yuǎn)，人工智能駕駛?cè)蝿?wù)的提前時間和優(yōu)勢就越大。但是，一些研究結(jié)果標(biāo)明，較遠(yuǎn)端的數(shù)據(jù)可能缺乏特征或者缺乏可信度。隨著技術(shù)的日新月異，需要根據(jù)所涉及的距離確定傳感器融合的優(yōu)缺點(diǎn)。以下是一些常用傳感器的探測數(shù)據(jù)（隨著技術(shù)的進(jìn)步，以下數(shù)據(jù)可能隨時更新）：

Main Forward Camera： 150 m （about 492 feet） typically， condition dependent

Wide Forward Camera： 60 m （about 197 feet） typically， condition dependent

Narrow Forward Camera： 250 m （about 820 feet） typically， conditions dependent

Forward Looking Side Camera： 80 m （about 262 feet） typically， condition dependent

Rear View Camera： 50 m （about 164 feet） typically， condition dependent

Rearward Looking Side Camera： 100 m （about 328 feet） typically， condition dependent

Radar： 160 m （about 524 feet） typically， conditions dependent

Ultrasonic： 8 m （about 26 feet） typically， condition dependent

LIDAR： 200 m （about 656 feet） typically， condition dependent

有專家稱，在比較各種類型的傳感器時，業(yè)內(nèi)有許多圖表試圖描述這些傳感器的優(yōu)點(diǎn)和缺點(diǎn)。專家建議不要盲目相信的這些對比圖表。因?yàn)橛糜诒容^傳感器的標(biāo)準(zhǔn)非常多，但是一些常見圖表僅僅提取幾個典型特征進(jìn)行對比，缺乏可信度。如下圖（僅供參考）：

筆者觀點(diǎn)：在自動駕駛領(lǐng)域，傳感器是一個非常博眼球的字眼。但是，一旦涉及具體技術(shù)和魯棒性，目前并沒有太多的企業(yè)或技術(shù)型公司給出一份值得信服的答卷。業(yè)內(nèi)普遍認(rèn)為，自動駕駛汽車的未來是保障人的安全，而保障人的安全都依賴于多傳感器融合MSDF。人類每時每刻都在做著“多傳感器融合”的工作，想要將自動駕駛汽車的多傳感器融合做到像人類一樣盡善盡美，還有很多復(fù)雜的工作要做。