免费久久国产&夜夜毛片&亚洲最大无码中文字幕&国产成人无码免费视频之奶水&吴家丽查理三级做爰&国产日本亚欧在线观看

Synthesize：

第四種方法Synthesize是將感知數據融合在一起，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據，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動的，所以要求這種預判是瞬間發生的，像上文提到的一樣，是實時的。

基于以上四種方法的解釋，當各種不同傳感器收集回來的數據結合在一起時，使用什么方法來處理這些數據呢？

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，或者雷達的級別高于攝像頭等等。在傳感器融合過程中，子系統使用預先確定的排序。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的級別高于雷達傳感器Z，那么Z的檢測結果不納入考慮范圍內也是允許的。這個方法簡單、快速、易實現，但是綜合考慮，這種方法并不嚴謹。

情況排序法：這種方法與絕對排名法相似，但不同之處在于，根據所處的環境，排名是可變的。例如，我們可能已經設置好，如果有下雨的天氣，攝像頭容易受到雨水干擾，進而攝像頭優先級降低，雷達擁有最高優先級。這種方法相對簡單、快速、易于實現。然而，從全局角度看，它依然有所不足。

平等投票（協商一致）法：在這種方法中，允許每個傳感器進行投票且投票能力都是平等的。然后使用一個計數算法，該算法與投票結果相匹配。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做出判斷。同樣，這種方法綜合看起來依然有所不足。

加權投票法：有點類似于平等投票的方法，這種方法增加了一個權重，并選擇假設一些傳感器比另一些傳感器更重要。比如，系統可能傾向于認為攝像頭比雷達更可靠，所以給攝像頭一個更高的加權系數等。

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，可以確定傳感器是否得到了真實的數據，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。相關研究和實驗正在進行中。

優先到達法：即優先報告結果的傳感器獲勝。出于計時的目的，系統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傳感器的可靠性。當存在各個傳感器之間的數據爭議時，最可靠的傳感器將“獲勝”。

在設計自動駕駛汽車時，可以在傳感器融合子系統中使用以上的幾種方法。當子系統確定一種方法可能優于另一種方法時，它們就可以各自發揮作用。當然，MSDF也可以通過很多其它的本文未提及的方法進行。

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的首要任務是，要利用不同種傳感器的優勢，同時最小化或弱化每種傳感器的弱點。

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的距離。傳感器能夠探測到的距離越遠，人工智能駕駛任務的提前時間和優勢就越大。但是，一些研究結果標明，較遠端的數據可能缺乏特征或者缺乏可信度。隨著技術的日新月異，需要根據所涉及的距離確定傳感器融合的優缺點。以下是一些常用傳感器的探測數據（隨著技術的進步，以下數據可能隨時更新）：

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，業內有許多圖表試圖描述這些傳感器的優點和缺點。專家建議不要盲目相信的這些對比圖表。因為用于比較傳感器的標準非常多，但是一些常見圖表僅僅提取幾個典型特征進行對比，缺乏可信度。如下圖（僅供參考）：

筆者觀點：在自動駕駛領域，傳感器是一個非常博眼球的字眼。但是，一旦涉及具體技術和魯棒性，目前并沒有太多的企業或技術型公司給出一份值得信服的答卷。業內普遍認為，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，還有很多復雜的工作要做。