安富利：告別盲人摸象，傳感器融合才是智能社會(huì )的標配

今天，我們的生活高度依賴(lài)傳感器。傳感器作為人類(lèi)“五感”的延伸，去感知這個(gè)世界，甚至可以觀(guān)察到人體感知不到的細節，這種能力也是未來(lái)智能化社會(huì )所必須的。

不過(guò)，單個(gè)傳感器的性能再卓越，在很多場(chǎng)景中還是無(wú)法滿(mǎn)足人們要求。比如汽車(chē)中昂貴的激光雷達可以根據生成的點(diǎn)云，判斷出前方有障礙物，但想準確得知這個(gè)障礙物是什么，還需要車(chē)載攝像頭幫忙“看”一眼；如果想感測這個(gè)物體的運動(dòng)狀態(tài)，可能還需要毫米波雷達來(lái)助陣。

這個(gè)過(guò)程就好比我們熟悉的“盲人摸象”，每個(gè)傳感器基于自己的特性和專(zhuān)長(cháng)，只能看到被測對象的某一個(gè)方面的特征，而只有將所有特征信息都綜合起來(lái)，才能夠形成更為完整而準確的洞察。這種將多個(gè)傳感器整合在一起來(lái)使用的方法，就是所謂的“傳感器融合”。

對于傳感器融合，一個(gè)比較嚴謹的定義是：利用計算機技術(shù)將來(lái)自多傳感器或多源的信息和數據，在一定的準則下加以自動(dòng)分析和綜合，以完成所需要的決策和估計而進(jìn)行的信息處理過(guò)程。這些作為數據源的傳感器可以是相同的（同構），也可以是不同的（異構），但它們并不是簡(jiǎn)單地堆砌在一起，而是要從數據層面進(jìn)行深度地融合。

實(shí)際上，傳感器融合的例子在我們生活中已經(jīng)屢見(jiàn)不鮮。歸納起來(lái)，使用傳感器融合技術(shù)的目的主要有三類(lèi)：

●   獲得全局性的認知。單獨一個(gè)傳感器功能單一或性能不足，加在一起才能完成一個(gè)更高階的工作。比如我們熟悉的9軸MEMS運動(dòng)傳感器單元，實(shí)際上就是3軸加速傳感器、3軸陀螺儀和3軸電子羅盤(pán)（地磁傳感器）三者的合體，通過(guò)這樣的傳感器融合，才能獲得準確的運動(dòng)感測數據，進(jìn)而在高端VR或其他應用中為用戶(hù)提供逼真的沉浸式體驗。

●   細化探測顆粒度。比如在地理位置的感知上，GPS等衛星定位技術(shù)，探測精度在十米左右且在室內無(wú)法使用，如果我們能夠將Wi-Fi、藍牙、UWB等局域定位技術(shù)結合進(jìn)來(lái)，或者增加MEMS慣性單元，那么對于室內物體的定位和運動(dòng)監測精度就能實(shí)現數量級的提升。

●   實(shí)現安全冗余。這方面，自動(dòng)駕駛是最典型的例子，各個(gè)車(chē)載傳感器獲取的信息之間必須互為備份、相互印證，才能做到真正的安全無(wú)虞。比如當自動(dòng)駕駛級別提升到L3以上時(shí)，就會(huì )在車(chē)載攝像頭的基礎上引入毫米波雷達，而到了L4和L5，激光雷達基本上就是標配了，甚至還會(huì )考慮將通過(guò)V2X車(chē)聯(lián)網(wǎng)收集的數據融合進(jìn)來(lái)。

總之，傳感器融合技術(shù)恰似一個(gè)“教練”，能夠將性能各異的傳感器捏合成一個(gè)團隊，合而為一又相互取長(cháng)補短，共同去贏(yíng)得一場(chǎng)比賽。

選定了需要融合的傳感器，怎么融合則是下一步要考慮的問(wèn)題。傳感器融合的體系結構，按照融合的方式分為三種：

●   集中式：集中式傳感器融合就是將各個(gè)傳感器獲得的原始數據，直接送至中央處理器進(jìn)行融合處理，這樣做的好處是精度高、算法靈活，但是由于需要處理的數據量大，對中央處理器的算力要求更高，還需要考慮到數據傳輸的延遲，實(shí)現難度大。

●   分布式：所謂分布式，就是在更靠近傳感器端的地方，先對各個(gè)傳感器獲得的原始數據進(jìn)行初步處理，然后再將結果送入中央處理器進(jìn)行信息融合計算，得到最終的結果。這種方式對通信帶寬的需求低、計算速度快、可靠性好，但由于會(huì )對原始數據進(jìn)行過(guò)濾和處理，會(huì )造成部分信息的丟失，因此原理上最終的精度沒(méi)有集中式高。

●   混合式：顧名思義，就是將以上兩種方法相結合，部分傳感器采用集中式融合方式，其他的傳感器采用分布式融合方式。由于兼顧了集中式融合和分布式的優(yōu)點(diǎn)，混合式融合框架適應能力較強，穩定性高，但是整體的系統結構會(huì )更復雜，在數據通信和計算處理上會(huì )產(chǎn)生額外的成本。

對于傳感器融合方案，還有一種按照數據信息處理階段進(jìn)行分類(lèi)的思路。一般來(lái)說(shuō)，數據的處理要經(jīng)過(guò)獲取數據、特征提取、識別決策三個(gè)層級，在不同的層級進(jìn)行信息融合，策略不同，應用場(chǎng)景不同，產(chǎn)生的結果也不同。

按照這種思路，可以將傳感器融合分為數據級融合、特征級融合和決策級融合。

●   數據級融合：就是在多個(gè)傳感器采集數據完成后，就對這些數據進(jìn)行融合。但是數據級融合處理的數據必須是由同一類(lèi)傳感器采集的，不能處理不同傳感器采集的異構數據。

●   特征級融合：從傳感器所采集的數據中提取出能夠體現監測對象屬性的特征向量，在這個(gè)層級上對于監測對象特征做信息融合，就是特征級融合。這種方式之所以可行，是由于部分關(guān)鍵的特征信息，可以來(lái)代替全部數據信息。

●   決策級融合：在特征提取的基礎上，進(jìn)行一定的判別、分類(lèi)，以及簡(jiǎn)單的邏輯運算，做出識別判斷，在此基礎上根據應用需求完成信息融合，進(jìn)行較高級的決策，就是所謂的決策級融合。決策級融合一般都是應用導向的。

如何選擇傳感器融合的策略和架構，沒(méi)有一定之規，需要根據具體的實(shí)際應用而定，當然也需要綜合算力、通信、安全、成本等方面的要素，做出正確的決策。

不論是采用哪種傳感器融合架構，你可能都會(huì )發(fā)現，傳感器融合很大程度上是一個(gè)軟件工作，主要的重點(diǎn)和難點(diǎn)都在算法上。因此，根據實(shí)際應用開(kāi)發(fā)出高效的算法，也就成了傳感器融合開(kāi)發(fā)工作的重中之重。

在優(yōu)化算法上，人工智能的引入是傳感器融合的一個(gè)明顯發(fā)展趨勢。通過(guò)人工神經(jīng)網(wǎng)絡(luò )，可以模仿人腦的判斷決策過(guò)程，并具有持續學(xué)習進(jìn)化的可擴展能力，這無(wú)疑為傳感器融合的發(fā)展提供了加速度。

雖然軟件很關(guān)鍵，但是在傳感器融合過(guò)程中，也并非沒(méi)有硬件施展拳腳的機會(huì )。比如，如果將所有的傳感器融合算法處理都放在主處理器上做，處理器的負荷會(huì )非常大，因此近年來(lái)一種比較流行的做法是引入傳感器中樞（Sensor Hub），它可以在主處理器之外獨立地處理傳感器的數據，而無(wú)需主處理器參與。這樣做，一方面可以減輕主處理器的負荷，另一方面也可以通過(guò)減少主處理器工作的時(shí)間降低系統功耗，這在可穿戴和物聯(lián)網(wǎng)等功耗敏感型應用中，十分必要。

有市場(chǎng)研究數據顯示，對傳感器融合系統的需求將從2017年的26.2億美元增長(cháng)到2023年的75.8億美元，復合年增長(cháng)率約為19.4％?？梢灶A判，未來(lái)傳感器融合技術(shù)和應用的發(fā)展將呈現出兩個(gè)明顯的趨勢：

●   自動(dòng)駕駛的驅動(dòng)下，汽車(chē)市場(chǎng)將是傳感器融合技術(shù)最重要的賽道，并將由此催生出更多的新技術(shù)和新方案。

●   此外，應用多元化的趨勢也將加速，除了以往那些對于性能、安全要求較高的應用，在消費電子領(lǐng)域傳感器融合技術(shù)將迎來(lái)巨大的發(fā)展空間。

總之，傳感器融合為我們洞察這個(gè)世界提供了更有效的方法，讓我們遠離“盲人摸象”般的尷尬，進(jìn)而在這個(gè)洞察力的基礎上，塑造更智能的未來(lái)。